肌电信号多类特征分析及在步态识别中的应用

发布时间：2017-04-09 01:21

  本文关键词：肌电信号多类特征分析及在步态识别中的应用，由笔耕文化传播整理发布。

【摘要】：人体行走时,运动神经元释放电脉冲,引起肌肉产生动作电位。该动作电位沿肌纤维传播,并经过时间和空间上的叠加,形成肌电信号(EMG)。肌电信号包含大量与人体运动状态有关的生理信息,体现运动模式的组合及分解关系,预示肢体运动意图,在临床医学诊断、人体运动模式识别以及新型人机接口设计等领域得到广泛应用。不同运动模式间的差异可通过肌电信号特征的不同来体现,基于该特征可以对人体运动状态进行识别研究。本文结合人体运动实际,设计实验采集下肢相关肌肉所产生的表面肌电信号,并以此为研究对象,对如何更加有效地提取肌电信号特征,以及如何更好地识别下肢运动步态进行深入讨论和研究。首先,分析原始肌电信号中所含具体噪声,在比较常见消噪方法特点的基础上,采用小波模极大值算法对肌电信号进行预处理,使得消噪后信号既保留肌电信号本身特性,又增大了信噪比,波形曲线更加光滑,有利于后续特征提取和模式识别。其次,针对肌电信号自身非稳定、混沌的特点,应用Katz算法提取其非线性分形维数,对肌电信号整体复杂度进行深入研究,从更高维度分析信号特征,捕捉信号细节变化。同时,计算绝对值均值和方差两大时域特征,并以此构造特征向量集,用于后续步态识别。然后,针对分类器性能优化问题,采用遗传算法(GA)优化支持向量机(SVM)惩罚参数和核函数参数,构造GA-SVM分类器,并结合下肢步态识别实际,设置参数初始值,进行下肢步态识别。实验结果表明,优化后SVM分类器识别率更高,且稳定性和泛化能力更强。最后,针对多维肌电信号非线性特征分类问题中,定性分析方法效果差,易受边界值和交叉点干扰的缺陷,采用改进K均值算法进行定量分析。改进K均值算法基于样本分布密度和散度,对初始聚类中心的选择进行优化,排除孤立噪声点的干扰。实验结果表明,改进K均值算法分类正确率高,收敛速度快,具有良好应用效果。本文系统地研究了基于肌电信号的下肢步态识别问题,并对解决该问题的各环节进行深入探讨分析。采用小波模极大值方法,对原始肌电信号所含噪声进行有效去除,既保留信号本身特性,又增大了信噪比;提取绝对值均值和方差两大时域特征,并计算非线性分形维数,深层次地认识了肌电信号特性;构造GA-SVM分类器,提升了SVM的应用效果;采用改进K均值算法对肌电信号非线性分形维线性特征进行聚类分析,取得了理想效果,并且加快了收敛速度。上述工作对于肌电信号在临床诊断、医学评价以及智能康复设备等领域的应用具有重要价值。
【关键词】：步态识别 肌电信号 分形维数 遗传算法 支持向量机 K均值聚类
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R318;TN911.7
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 第1章 绪论11-20
• 1.1 课题背景与研究意义11-12
• 1.2 国内外研究现状及发展趋势12-18
• 1.2.1 下肢步态研究12-13
• 1.2.2 肌电信号研究13-18
• 1.3 存在的问题分析18
• 1.4 本课题研究内容18-20
• 第2章 下肢运动与肌电信号20-34
• 2.1 下肢及步态20-26
• 2.1.1 下肢生理结构20-21
• 2.1.2 下肢运动特点21
• 2.1.3 人体运动步态21-23
• 2.1.4 步态模式细分23-25
• 2.1.5 步态分析方法25-26
• 2.2 表面肌电信号26-32
• 2.2.1 肌电信号的产生26-27
• 2.2.2 肌电信号的获取27-30
• 2.2.3 原始肌电信号数据分析30-32
• 2.3 基于肌电信号的步态识别32-33
• 2.4 本章小结33-34
• 第3章 肌电信号预处理及特征提取34-48
• 3.1 肌电信号预处理34-38
• 3.1.1 噪声分类34
• 3.1.2 信号去噪34-35
• 3.1.3 小波模极大值消噪法35-38
• 3.2 肌电信号特征提取38-47
• 3.2.1 特征提取方法及特点38-40
• 3.2.2 线性时域特征分析40-43
• 3.2.3 非线性分形维数特征分析43-47
• 3.3 本章小结47-48
• 第4章 基于SVM的肌电信号识别与优化48-61
• 4.1 步态识别48
• 4.2 模式识别算法48-49
• 4.3 基于SVM的步态识别49-52
• 4.3.1 识别原理49
• 4.3.2 算法设计49-51
• 4.3.3 SVM步态识别51-52
• 4.4 SVM优化算法52-53
• 4.5 基于GA优化SVM的步态识别53-60
• 4.5.1 GA优化算法53-55
• 4.5.2 GA优化SVM分类器算法设计55-56
• 4.5.3 GA优化性能分析56-60
• 4.6 本章小结60-61
• 第5章 基于K均值算法的肌电信号分类与识别61-70
• 5.1 EMG信号非线性特征61
• 5.2 聚类分析方法研究61-63
• 5.2.1 聚类方法61
• 5.2.2 K均值算法61-62
• 5.2.3 改进K均值算法62-63
• 5.3 改进K均值算法的下肢步态分类63-68
• 5.3.1 分类算法设计63-65
• 5.3.2 分类结果与讨论65-68
• 5.4 本章小结68-70
• 第6章 总结及展望70-72
• 6.1 研究总结70-71
• 6.2 研究展望71-72
• 致谢72-73
• 参考文献73-78
• 附录 攻读学位期间参加的科研项目和成果78

【相似文献】

中国期刊全文数据库 前10条

1 张元元;姜树明;魏志强;张建峰;许世杰;;基于步态的身份识别研究综述[J];山东科学;2012年03期

2 王云;赵秀萍;宋军;;运用常用软件对模糊监控录像中步态周期的研究[J];科技信息;2014年03期

3 王运成;;基于动态二维图像序列的三维步态识别方法[J];科技通报;2013年10期

4 陈心浩;黄正华;高智勇;朱小祥;;基于特征融合的步态识别研究[J];中南民族大学学报(自然科学版);2010年01期

5 王立;;步态识别及其在智能视频监控中的应用[J];淮北煤炭师范学院学报(自然科学版);2010年03期

6 李瀚霖;许林娜;王嘉楠;;步态识别在煤矿井下人员特征提取中的应用[J];科技致富向导;2011年24期

7 陈璇;吴清江;路远;;角度与动态时间归一化的步态识别[J];华侨大学学报(自然科学版);2010年01期

8 林敏;郑继绍;;静态特征和动态特征融合的步态识别[J];贵州大学学报(自然科学版);2010年03期

9 程琼;付波;;基于Hilbert-Huang描述子的步态识别方法[J];武汉大学学报(理学版);2008年01期

10 邹晶晶;;基于不变矩和SVM的步态识别[J];山西科技;2008年05期

中国重要会议论文全文数据库 前8条

1 邓玉春;刘世平;;自动步态识别方法研究综述[A];2007通信理论与技术新发展——第十二届全国青年通信学术会议论文集（上册）[C];2007年

2 何卫华;李平;文玉梅;叶波;袁海军;;运用下肢关节角度信息进行步态识别[A];第十三届全国图象图形学学术会议论文集[C];2006年

3 肖军;苏洁;郑波;贾鹏宇;;智能仿生腿在不同路况下的步态识别系统研究[A];2007中国控制与决策学术年会论文集[C];2007年

4 张聪;明东;万柏坤;;基于小波描述子和人体骨架模型的多视角融合步态识别[A];天津市生物医学工程学会第29届学术年会暨首届生物医学工程前沿科学研讨会论文集[C];2009年

5 朱京红;方帅;高明;方杰;;基于人工免疫模型的步态识别方法[A];第十四届全国图象图形学学术会议论文集[C];2008年

6 叶波;文玉梅;李平;;基于核主元分析和支持向量机的步态识别算法[A];第十三届全国图象图形学学术会议论文集[C];2006年

7 王科俊;阎涛;吕卓纹;;基于耦合度量学习的特征级融合方法及在步态识别中的应用[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

8 王科俊;贲f[烨;;基于线性插值的特征模板构造的步态识别算法框架[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

中国重要报纸全文数据库 前2条

1 编译 刘东征;新型“步态密码”给手机加把锁[N];北京科技报;2005年

2 若水;分析步态识别身份[N];光明日报;2003年

中国博士学位论文全文数据库 前10条

1 刘磊;基于多源信息的步态识别算法研究[D];河北工业大学;2015年

2 余杰;基于视频的人体目标跟踪与识别技术研究[D];电子科技大学;2016年

3 贲f[烨;基于人体运动分析的步态识别算法研究[D];哈尔滨工程大学;2010年

4 曾玮;基于确定学习理论的人体步态识别研究[D];华南理工大学;2012年

5 张元元;基于序列统计特性的步态识别算法研究[D];山东大学;2010年

6 赵国英;基于视频的步态识别[D];中国科学院研究生院（计算技术研究所）;2005年

7 薛召军;基于小波变换和支持向量机相结合的步态识别新方法研究[D];天津大学;2007年

8 胡荣;人体步态识别研究[D];华中科技大学;2010年

9 顾磊;基于图像序列的人体步态识别方法研究[D];南京理工大学;2008年

10 刘海涛;基于立体视觉的步态识别研究[D];中国科学技术大学;2010年

中国硕士学位论文全文数据库 前10条

1 杨楠;基于视触觉多特征融合的步态识别方法研究[D];河北工业大学;2015年

2 周浩理;复杂背景下多特征融合的人体步态识别研究[D];海南大学;2016年

3 李雪燕;视频监控中人体步态识别方法研究[D];长春工业大学;2016年

4 潘秀芳;基于手机的步态识别研究[D];燕山大学;2016年

5 罗璨;存在干扰因素情况下的步态识别统动力学初步探索[D];苏州大学;2016年

6 张鹏;耦合度量学习理论及其在步态识别中的应用研究[D];山东大学;2016年

7 沈小康;基于Kinect的人体步态跟踪与识别技术[D];山东大学;2016年

8 周洁;基于姿态与压力信息的步态识别方法[D];西南交通大学;2016年

9 陈庆峰;基于确定学习理论的步态分析及在神经退行性疾病分类中的应用[D];华南理工大学;2016年

10 陈玲;基于视频流的步态识别系统研究与实现[D];暨南大学;2016年

  本文关键词：肌电信号多类特征分析及在步态识别中的应用，，由笔耕文化传播整理发布。

本文编号：294143