面向仿生机械手的表面肌电信号检测与模式识别研究

发布时间：2020-07-02 17:40

【摘要】：随着人机接口技术的迅速发展,人工智能、机器学习被广泛应用到了各民用生活领域,为了改善肢体残疾人群的生活质量,近年来智能假肢的应用与控制已成为当前研究的重点。利用肌电信号控制假肢,是目前热门的一种人机接口技术,肌电信号最能反映出人体做出动作的生理变化,在假肢控制领域意义重大。肌电控制需要精确的信号采集、有效的特征提取、识别率高的分类算法来作为基础,还需保证系统的实时性以减少控制延迟。目前大多数的研究都是基于实验室环境的肌电信号模式识别,没有在算法实时性做深入研究,且采集信号一般通过商业化的专用设备,不便于携带。本文将从以下几个方面开展工作:首先,针对目前已经商业化的专业采集设备价格昂贵、不易于携带,以及目前国内的肌电信号采集设备大多精度较低的问题,设计了便携式、可穿戴的肌电信号采集装置,采用了专门用于采集生物电信号的ADS1299来保证肌电信号采集的精度。同时对于传统的肌电采集设备通道数较少的问题,本文设计支持4通道的信号采集,通过无线传输方式来上传数据到上位机中。其次,针对于肌电信号中干扰噪声较多的问题,如工频干扰、基线漂移等,通过50Hz陷波器、中值滤波、带通滤波等滤波器设计将其滤除。针对于单一特征的动作分类准确率较低的问题,本文对肌电信号的特征选择进行了详细的测试,通过单时域、频域特征与各特征组合的对比结果,最终确定了选择平均绝对值、均方根、波形长度三种时域特征组合作为分类器的输入。利用BP神经网络和支持向量机对选定的特征值组合进行动作分类,准确率分别达到了92.8%和83.3%,最终选择利用BP神经网络来对4通道肌电信号提取出的三时域特征组合进行动作分类,与单一特征分类相比准确率提高了3.2%。最后,针对于目前没有完整的配套采集设备的软件训练平台,本文设计了基于硬件设备的动作识别系统,控制设备的通讯、采样率、采集模式等相关参数,可以准确有效接收上传数据以及绘制数据的实时波形,可对数据进行特征提取、分类训练、存取特征与训练网络等操作,集成了数据活动段检测、网络训练参数显示、串口通讯等功能,实现了对机械手的实时控制。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP241;TN911.23;R318
【图文】：

模式识别,分类器,准确率,仿生机械手

哈尔滨工业大学工程硕士学位论文第三章，肌电信号特征提取与模式识别，详细介绍了肌电信号在采集中所包含的各种干扰，以及如何滤除的方法，对肌电信号进行滑动分窗，分析了表面肌电信号常用的几类特征，例如时域、频域、AR 参数模型等方法，通过对比输入分类器中的结果来决定最终选取哪些特征作为输入，对比了两种分类器对于五种手势动作的分类效果，最终选定分类准确率最高的 BP 神经网络进行动作模式的识别。第四章，动作识别系统设计与肌电假肢实验，设计了基于本课题采集训练平台的实时控制实验，详细介绍了上位机基于 matalb gui 语言的软件设计，基于 udp通讯协议的组网数据传输，训练者完成采集及分类训练后，软件实时显示出神经网络的权值和阈值，以及模式识别的准确率，当离线训练完成后，利用已训练好的网络，将实时采集的信号输入其中进行对比，进行模式识别，将输出的分类信号直接用于控制仿生机械手。

结构图,运动神经元,结构图,动作电位

叫做运动单位（MU），可由该单位收缩兴奋任意位置的肌肉进行独立运动，运动神经元的构成原理图如图2-1 所示。在肌肉纤维受到刺激而兴奋收缩时，动作电位在其中传递从而引发电流场，这时可以通过贴在肌肉表面上的电极来捕获这些生理电位信号，这些生理电位信号也被称为表面肌电信号。图 2-1 运动神经元结构图当肌纤维没有收到兴奋，处于静置状态时，在肌细胞的两侧电位之差大概为1~100uV，即静置电位，这种状态也称为极化。若肌纤维收到兴奋传导，此时静置电位会迅速改变，这种电位叫做动作电位(Action Potential，AP)。动作电位的变化十分迅速，并且是一个非平稳信号，电位一直在改变。一般情况下，动作电位是由α运动神经元产生的兴奋，兴奋沿着轴突传导到运动终板，在肌纤维上产生刺激，这时肌纤维上的离子开始运动，动作电位便引发了电流场，电极就可以捕获到运动电势。单个运动电势(Single FiberAction Potential，SFAP)检测出的信号波形大小是由肌纤维和运动终板的相对位置决定的。运动神经元动作电位(MotorUnit Action PotentialTrain，MUAPT)是该α运动神经元产生的所有运动电势在时间和空间上的累加共同形成的

【相似文献】