基于AdaBoost算法的手部动作表面肌电信号分类方法研究

发布时间：2017-04-06 19:06

  本文关键词：基于AdaBoost算法的手部动作表面肌电信号分类方法研究，由笔耕文化传播整理发布。

【摘要】：表面肌电信号是一种从肌肉表面通过表面电极采集的生物电信号，它在一定程度上能够反映出肌肉的功能以及动作状态。从表面肌电信号准确地提取信号的主要运动特征信息并完成动作识别是表面肌电信号研究的关键性问题。本文针对日常的手部动作识别分类问题，研究表面肌电信号的特征提取和模式识别。本文研究工作有以下几个方面： 1.阅读大量有关肌电信号，模式识别分类及优化算法的论文，了解表面肌电信号的理论基础、产生机制，以及近些年国内外在肌电假肢、肌电信号分类方法问题上的研究进展。 2.根据局部解剖学，确定与所选手部动作有关的肌肉作为表面肌电信号采集源，通过MQ-8肌电信号采集仪完成四种手部动作信号的采集。由于采集的原始肌电信号中含有许多噪声干扰，本文软件上设计高通、低通滤波器，陷波器完成对原始肌电信号的去噪处理，保留有效的肌电信号；采集的连续肌电信号不方便对信号进行特征提取，本文采用移动窗能量判别法对其进行截取处理。对采集的原始肌电信号进行预处理，有助于四种动作肌电信号的模式识别。 3.对表面肌电信号在时域、频域、时频域三个方面特征提取，通过三者比较选择能够清晰分辨四种动作的特征，作为表面肌电信号模式识别的依据。本文利用小波包分析，选择小波包系数方差作为特征向量用来区分四种动作的特征向量，在尽量减少特征向量数量的情况下，同时保证分类效果。 4.根据常见的分类算法，选择适合于表面肌电信号模式识别分类的方法，研究BP神经网络、SVM算法、AdaBoost算法、以及对AdaBoost算法的改进。本文利用BP神经网络、SVM算法、AdaBoost算法作为对比实验，，计算三种方法对四种动作的识别率，分析AdaBoost算法在表面肌电信号动作分类的优势，以及AdaBoost算法在疲劳肌电信号干扰下的识别能力，同时，计算各种算法完成动作分类的迭代次数。 5.进行了仿真实验，结果表明，本文研究的AdaBoost算法在表面肌电信号在训练的过程中，保证准确率的同时，对疲劳状态下的识别也有很好的效果，达到了论文预期目的。
【关键词】：表面肌电信号 小波包分析 AdaBoost算法 模式识别
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R318.03;TN911.3
【目录】：

• 摘要4-6
• Abstract6-10
• 第1章 绪论10-18
• 1.1 课题来源10
• 1.2 课题研究背景与意义10-12
• 1.3 国内外研究现状12-14
• 1.3.1 肌电假肢控制的研究现状12-14
• 1.3.2 表面肌电信号分类的研究现状14
• 1.4 本文主要工作与结构安排14-18
• 1.4.1 本文主要工作14-15
• 1.4.2 本文结构安排15-18
• 第2章 表面肌电信号的产生机理及采集18-28
• 2.1 表面肌电信号的概述与产生机理18-19
• 2.2 表面肌电信号的特点19-20
• 2.3 肌电信号的数学模型20-21
• 2.4 表面肌电信号的采集21-27
• 2.4.1 表面肌电信号采集仪21-22
• 2.4.2 电极的选择22-23
• 2.4.3 手部动作的肌肉选择23-24
• 2.4.4 表肌电信号的采集24-27
• 2.5 本章小结27-28
• 第3章 表面肌电信号处理与特征提取方法研究28-44
• 3.1 表面肌电信号去噪28-30
• 3.2 连续肌电信号截取30-32
• 3.3 肌电信号特征提取方法32-42
• 3.3.1 时域特征提取32-34
• 3.3.2 频域特征提取34-35
• 3.3.3 时频域特征提取35-42
• 3.4 本章小结42-44
• 第4章 表面肌电信号分类方法研究44-58
• 4.1 人工神经网络44-46
• 4.2 BP 神经网络46-48
• 4.3 SVM 算法48-49
• 4.4 AdaBoost 算法49-51
• 4.5 AdaBoost 算法网络设计51-56
• 4.6 本章小结56-58
• 第5章 表面肌电信号模式识别实验58-68
• 5.1 实验设计58-59
• 5.2 模式识别结果分析59-66
• 5.2.1 BP 神经网络隐函层节点数识别率分析59-61
• 5.2.2 AdaBoost 算法弱分类器个数识别率分析61-62
• 5.2.3 表面肌电信号三种分类方法识别率62-63
• 5.2.4 AdaBoost 算法与 BP 神经网络误差63-64
• 5.2.5 疲劳肌电信号干扰的 AdaBoost 算法分类识别64-66
• 5.2.6 AdaBoost 算法与 BP 神经网络的迭代次数66
• 5.3 本章小结66-68
• 第6章 总结与展望68-70
• 6.1 总结68
• 6.2 展望68-70
• 参考文献70-76
• 作者简介76-78
• 致谢78

【参考文献】

中国期刊全文数据库 前10条

1 杨广映,罗志增;肌电信号的功率谱分析方法[J];传感技术学报;2004年03期

2 加玉涛;罗志增;;肌电信号特征提取方法综述[J];电子器件;2007年01期

3 梁政,杨基海,钱晓进,陈香,叶xC,荣蓓钰,谭春祥,冯焕清;基于时频分布的表面肌电信号瞬时中值频率的研究[J];航天医学与医学工程;2004年01期

4 叶明;孙承奎;马文杰;;基于Hilbert-Huang边际谱的肌电信号特征提取[J];机电工程;2008年09期

5 张禹;马驷良;张忠波;韩笑;;基于AdaBoost算法与神经网络的快速虹膜检测与定位算法[J];吉林大学学报(理学版);2006年02期

6 董元方;李雄飞;李军;李巍;;XML文档分类的IL-AdaBoost算法[J];吉林大学学报(工学版);2011年04期

7 郭乔进;李立斌;李宁;;一种用于不平衡数据分类的改进AdaBoost算法[J];计算机工程与应用;2008年21期

8 杨晓帆;陈廷槐;;人工神经网络固有的优点和缺点[J];计算机科学;1994年02期

9 刘伊威;赵京东;;机器人灵巧手的研究与发展[J];机械传动;2009年04期

10 蔡立羽,王志中,刘瑜;基于盲辨识理论的双通道肌电信号建模与分类[J];上海交通大学学报;2000年11期

中国博士学位论文全文数据库 前2条

1 兰天;多指仿人机器人灵巧手的同步控制研究[D];哈尔滨工业大学;2010年

2 李阳;智能仿生手臂肌电信号—运动模型化与模式识别理论方法研究[D];吉林大学;2012年

  本文关键词：基于AdaBoost算法的手部动作表面肌电信号分类方法研究，由笔耕文化传播整理发布。

本文编号：289466