基于深度学习的肌电信号分类研究

发布时间：2023-05-18 01:13

　　表面肌电信号(Surface Electromyography,sEMG)是人体肌肉收缩时,运动单元动作电位序列(Motor Unit Action Potential Train,MUAPT)在检测电极处叠加形成的混合信号。通过对sEMG信号的分析可以准确的得知人体的运动意图,同时,因其具有易于采集,无创等优点而被广泛的应用于假肢控制、人机交互等领域。当前研究者利用sEMG信号来分析人体运动意图的研究以人工设计肌电信号特征为主,良好的特征设计在研究中会起到事半功倍的作用,然而,目前的特征已经涵盖时域、频域,时频域、新的特征设计将变得困难,另一方面,深度神经网络可以自动提取特征,为此,本文根据sEMG信号的特点,结合深度学习,提出了几种分类sEMG信号的模型。首先,针对sEMG信号属于时序信号,本文通过结合具有长短期记忆单元的LSTM和卷积神经网络(CNN)两种网络的优点,提出了可以直接从原始sEMG信号推断人体运动意图的LCNN网络和CNN-LSTM网络。其中的LSTM模块用于提取信号中的时序信息,而CNN模块用于对信号进行特征提取。其次,CNN网络对图像具有很强的抽象特征提取能力,...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景和意义
    1.2 肌电信号的产生及特点
    1.3 研究现状及发展趋势
        1.3.1 肌电信号识别方法研究现状
        1.3.2 深度学习识别方法研究现状
    1.4 论文主要研究内容
    1.5 论文结构安排
第2章 肌电信号识别方法
    2.1 肌电信号特征提取
        2.1.1 时域特征
        2.1.2 频域分析方法
        2.1.3 时频域特征
    2.2 肌电信号典型分类方法
    2.3 深度学习方法类型
    2.4 本章小结
第3章 基于深度学习的肌电信号分类模型设计与验证
    3.1 肌电信号分类问题描述
    3.2 模型结构
        3.2.1 Batch Normalization
        3.2.2 CNN-LSTM模型
        3.2.3 LCNN模型
        3.2.4 EMGNet模型
    3.3 实验验证
        3.3.1 采集界面介绍
        3.3.2 数据采集与预处理
        3.3.3 实验设定
        3.3.4 实验结果与分析
        3.3.5 智能鼠标实验
    3.4 本章小结
第4章 肌电信号分类对比实验
    4.1 表面肌电信号特征组合
    4.2 实验结果及分析
        4.2.1 MyoDataset数据集
        4.2.2 MyoArmbandDataset数据集
        4.2.3 DB5 数据集
        4.2.4 EMGNet模型验证
    4.3 本章小结
第5章 总结与展望
    5.1 本文总结
    5.2 本课题工作展望
参考文献
攻读硕士学位期间取得的成果
致谢



本文编号：3818378