多特征融合的踝关节动作识别与虚拟仿真

发布时间：2020-08-25 06:30

【摘要】：人体动作识别作为人机交互、移动机器人以及运动康复工程领域的核心技术,受到诸多研究者的广泛关注。目前,人体动作识别主要是基于生理信号、生物力学信号和视频图像信号。由于肌电信号作为一种重要的人体生理信号,反映了神经肌肉的活动状态,关节加速度信号作为重要的生物力信号,蕴含着丰富的人体关节活动信息。因此,论文主要围绕表面肌电信号以及踝关节加速度信号的同步采集、预处理、特征提取、动作识别以及虚拟仿真等方面展开研究,具体工作如下:(1)表面肌电信号和关节加速度信号实时采集。设计实验范式,利用DELSYS无线电极表面肌电采集系统,同步采集踝关节执行跖屈、背伸、内翻和外翻四种不同动作时,胫骨前肌、腓骨长肌、腓肠肌和胫骨后肌四块肌肉的表面肌电信号以及踝关节对应的三轴加速度信号。(2)对采集的原始肌电信号和加速度信号预处理。设计自适应滤波与小波去噪相结合的方法,有效去除肌电信号中的高频噪声、运动伪迹以及50Hz工频干扰;利用小波阈值去噪方法滤除加速度信号采集中的噪声和干扰,最终获得纯净的肌电信号和关节加速度信号。(3)表面肌电信号和加速度信号特征提取。分别从时域、频域提取肌电信号的积分肌电值、均方根值、平均功率频率、中值频率等线性特征;利用非线性分析方法提取肌电信号的模糊熵、近似熵、样本熵等非线性特征;提取关节加速度信号的绝对积分平均值、方差、相关系数以及幅度峰值和幅度均值等五种时域特征。最后利用散点图统计分析各类特征对四种动作模式的聚类特性。(4)特征融合与分类识别。首先将提取的时域特征、频域特征、非线性特征分别单独输入径向基核函数支持向量机,实现单一特征的动作分类;然后根据分类器判决结果对特征加权,获得融合后的特征向量,再输入支持向量机进行最终分类识别;踝关节动作识别平均正确率达到95.8%,高于采用肌电信号、关节加速度信号单一特征的识别正确率。仿真实验结果表明多特征有效融合方法能够明显改善分类器的分类正确率,提高踝关节动作识别准确性。(5)虚拟模型设计与仿真实现。将分类器动作识别结果通过MATLAB与LabVIEW之间的数据传输接口,导入LabVIEW软件平台;然后利用SolidWorks软件设计虚拟下肢三维模型,实现下肢踝关节跖屈、背伸、内翻和外翻四种动作模拟,并通过固定路径导入LabVIEW软件平台;最后借助LabVIEW软件设计贪吃蛇移动游戏,并利用脚踝四种动作控制贪吃蛇的移动方向,通过虚拟游戏提供给运动康复训练趣味性和体验感。论文研究成果可以应用于人机交互运动康复训练领域,具有科学和应用双重价值。
【学位授予单位】：山西大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN911.7
【图文】：

医疗康复,飞行员,模拟训练,机器人系统

多特征融合的踝关节动作识别与虚拟仿真动两种状态进行区分,平均识别准确率高达 90%。实及康复训练研究现状技术（VR）是一种通过计算机生成的、可以创建和体验计算机仿真系统[25]。VR 技术的研究起源于 20 世纪 60 年成熟，取得了一系列的研究成果并已经应用到了多个领ASA）已成功实现空间站实时虚拟仿真操作、太空舱模拟路径规划、哈勃望远镜外太空模拟仿真等，并在美国全[26]。图 1.1 所示为美国飞行员在现场进行模拟飞行训练。

康复机器人

图 1.1 美国飞行员模拟训练在医疗康复训练方面，德国弗朗霍费尔研究所将 Haptic Walker 机器人系统与现实技术进行融合，实现了步行康复训练与虚拟游戏场景的结合，提高了患者训练的积极性和趣味性。图 1.2 所示为瑞士苏黎世联邦工业大学研制的 LOKOM行康复训练机器人[27]，该系统融合虚拟现实技术，在康复治疗训练过程中可以者提供了实时的视觉反馈，提高了患者康复治疗的积极性。

游戏场,康复训练,踝关节

图 1.3 踝关节康复训练系统和虚拟游戏场景总之，目前对于人体动作的识别，主要利用了视觉运动图像信号、生物力及神经肌肉活动的生物电信号。特别是跨模态特征融合的动作识别由于利的动作特征信息，越来越得到研究者的关注。此外，借助于虚拟现实和人别技术，可以实现康复或运动训练，同时利用视觉反馈提高动作执行的准练的趣味性。3 论文研究内容及结构.1 主要研究内容论文主要研究内容如下：首先，设计信号采集实验方案，通过 DELSYS 信统同步获取人体下肢踝关节执行跖屈、背伸、内翻、外翻四种动作时的 EMC 信号；其次，对采集到的 EMG 和 ACC 信号分别进行预处理，去除测量中干扰，获得纯净的 EMG 和 ACC 信号；再次，对通过预处理后的 EMG 和进行特征提取，肌电信号分别提取时域、频域以及非线性特征，加速度信

【参考文献】