基于表面肌电信号的人手抓取动作模式识别技术研究

发布时间：2020-06-24 13:49

【摘要】：表面肌电信号(surface electromyograph signal, sEMG)是通过人体表丨fir电极，在人体皮肤表面采集人体肌肉运动时所产生的电位信号。不同的人手抓取动作引发+同的肌肉群作用，产生不同的电信号。表面肌电信号在人手抓取动作的模式识别领域具有独特的优势，因此被广泛应用于假肢控制、康复训练、临床医学和体育科学等诸多领域中。对于利用表面肌电信号识别人手抓取动作，关键是表面肌电信号的特征提取以及模式分类《本文通过对人体前臂表面肌电信号的处理来识别人手抓取动作，从而实现对肌电假肢手的控制，用于对残疾病人的康复治疗。本文主要研究表面肌电信号的预处理、特征提取和模式识别。主要工作如下： (1)对表面肌电信号进行采集，依据人体解剖学，运动医学等知识，寻找肌电信号与肌群的关系，确定最佳的肌电电极位置，懫用美国DELSYS公司生产的表面肌电信号采集设备采集8种常见的人手抓取动作对应的肌电信号。 (2)对表面肌电信号进行预处理，包括滤波和活动段检测。针对表面肌电信号的主要频段在20-500HZ。所以采用20-500HZ切比雪夫带通滤波器进行去噪，再采用切比雪夫带阻滤波器滤除50HZ的工频千扰。本文采用稳态肌电信号用于人手抓取动作模式识别，采用移动平均法处理表面肌电信号序列的瞬时能量，并结合阈值比较法进行活动段检测。 (3)对表面肌电信号进行特征提取，论文首先对时域特征、频域特征、时频域特征等常用的肌电信号特征识别方法进行了分析，在此基础上提出了基于小波包能量谱和主成分分析相结合的特征提取方法，并且与采用小波包能量谱的特征提取方法做了对比，识别率相当，但降低了特征维数，降低了假肢控制的复杂度，具有较强的实用价值^ 。 (4)对表面肌电信号进行模式分类，论文首先对基于统计方法的贝叶斯(Bayes)决策分类器、模糊分类器、神经网络分类器和支持向量机分类器进行了比较分析。由于SVM算法具有理论相对完备、适应性强、全局化优、训练时间短、泛化性能好、算法复杂度与特征样本维数无关、鲁棒性较好等优点，因此本文选用SVM分类器用于人手抓取动作的模式识别。 (5)实验及结果分析，首先对人手抓取动作选取进行了研究，选取了常见的8种人手动作抓取模式，并选取人手前臂4块肌肉作为实验采集的表面肌电信号的信号源。实验懫用时域特征提取方法与T频域特征提取方法进行了人手抓取动作的识别率比较，得出时频域特征提取方法明显优于时域特征组合的方法。实验还对不同人手抓取动作种类进行了研究。实验结果表明，假肢中常用的5种动作的识别率为100%,6种和7种动作时的平均识别率也都在97%以上，8种动作时的平均识别率为90.5%,都能满足假肢控制的要求。最后考虑到实用假肢控制系统要求采用尽量少的传感器，分析了采用3个传感器T识别结果，对8种动作依然可以达到85%以上的识别率，对5种动作时的识别率可以到达96%以上。
【学位授予单位】：上海师范大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TN911.7

【参考文献】