表面肌电信号分析及运动模式分类研究

发布时间：2017-10-22 13:32

  本文关键词：表面肌电信号分析及运动模式分类研究

  更多相关文章： 表面肌电信号 独立分量分析 高斯过程模型 支持向量机

【摘要】：表面肌电信号(surface electromyography signal,sEMG)是人体神经控制肌肉收缩时产生的生物电信号在皮肤表层的叠加,这种安全易获取的无创性信号可以作为控制信号源广泛应用在智能机械手臂领域。目前对于肌电信号作为智能机械手臂控制源的研究还存在以下几个主要问题:1)表面肌电信号在采集过程中会受到较强的噪声干扰,传统的模拟滤波器去噪效果不理想;2)在表面肌电信号的采集处理过程中会造成信号的滞后,无法满足对智能机械手臂控制的实时性;3)一般的特征分类器对于上臂多模式的动作识别率较低,影响智能机械手臂的精确控制。鉴于此,本文提出了更适用的处理算法来优化信号控制源,对sEMG采集去噪、预测分析,对上臂多模式动作分类进行识别。1)在小波去噪的基础上,提出了独立分量分析结合小波的去噪方法,并与传统滤波器和小波去噪进行了对比,定量分析显示前者效果最好,既滤除了噪音信号也保留住有用信号;2)对表面肌电信号采用高斯过程模型结合小波回归建立数学模型,其预测效果较佳;3)采用神经网络分类器和支持向量机分类器对其进行分类,分类结果表明,支持向量机分类器优于神经网络分类器,而在神经网络中,动量BP法和LM算法比传统的BP网络分类效果好。本文通过MATLAB的实时工作空间搭建了表面肌电信号的数据采集系统,完成了对上臂八种不同动作的表面肌电信号采集工作,利用独立分量分析结合小波的去噪方法滤波;根据该微信号的特有品质,对其进行高斯过程回归建模,并将预测结果进行时域、频域和时频域分析提取特征值;最后通过支持向量机分类器对提取的特征向量进行动作模式分类。本文的设计方案不仅改善了信号的信噪比和实时性,还提高了动作模式的识别率。
【关键词】：表面肌电信号 独立分量分析 高斯过程模型 支持向量机
【学位授予单位】：华侨大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R49;TN911.6
【目录】：

• 摘要3-4
• Abstract4-9
• 第1章 绪论9-17
• 1.1 课题研究背景及意义9-10
• 1.2 本课题相关内容研究现状10-14
• 1.2.1 表面肌电信号采集研究现状10-11
• 1.2.2 表面肌电信号预处理研究现状11-12
• 1.2.3 表面肌电信号特征提取研究现状12-14
• 1.2.4 表面肌电信号分类识别研究现状14
• 1.3 表面肌电信号处理存在问题14-15
• 1.4 主要研究内容及章节安排15-17
• 第2章 表面肌电信号采集和预处理17-41
• 2.1 表面肌电信号的相关特征17-22
• 2.1.1 表面肌电信号的产生原理17-18
• 2.1.2 肌电信号数学模型18-22
• 2.1.3 表面肌电信号具有的特点22
• 2.2 表面肌电信号的采集22-28
• 2.2.1 实验采集系统23-25
• 2.2.2 信号采集实验方案25-28
• 2.3 表面肌电信号预处理28-40
• 2.3.1 肌电中噪声来源28
• 2.3.2 数字滤波器设计28-31
• 2.3.3 小波变换去噪31-35
• 2.3.4 小波结合独立分量分析去噪35-38
• 2.3.5 去噪效果分析38-40
• 2.4 本章小结40-41
• 第3章 表面肌电信号的建模预测41-51
• 3.1 表面肌电信号建模研究41-45
• 3.1.1 肌电信号物理性建模41-43
• 3.1.2 基于AR参数模型建模43-44
• 3.1.3 基于傅里叶级数建模44-45
• 3.2 基于高斯过程的肌电信号建模45-47
• 3.2.1 高斯过程理论45-46
• 3.2.2 高斯过程建模46-47
• 3.3 小波变换结合高斯模型47-48
• 3.4 模型预测结果48-50
• 3.4.1 GP模型预测结果48-49
• 3.4.2 WT-GP模型预测结果49-50
• 3.5 本章小结50-51
• 第4章 表面肌电信号特征提取51-65
• 4.1 传统信号特征提取方法51-52
• 4.1.1 时域分析特征提取方法51-52
• 4.1.2 频域分析特征提取方法52
• 4.2 时频域特征提取方法52-54
• 4.2.1 小波分析53
• 4.2.2 多分辨率小波分析53-54
• 4.3 特征提取结果分析54-64
• 4.3.1 时域特征提取分析54-55
• 4.3.2 频域特征分析55-57
• 4.3.3 小波特征分析57-63
• 4.3.4 特征向量的确定63-64
• 4.4 本章小结64-65
• 第5章 表面肌电信号动作识别研究65-77
• 5.1 动作识别分类器65-66
• 5.2 BP神经网络分类器66-70
• 5.2.1 BP标准算法67-68
• 5.2.2 改进BP算法68-69
• 5.2.3 BP神经网络设计69-70
• 5.3 支持向量机分类器70-71
• 5.3.1 支持向量机原理70
• 5.3.2 多类支持向量分类机70-71
• 5.4 实验结果分析71-75
• 5.5 本章小结75-77
• 第6章 总结与展望77-79
• 6.1 工作总结77-78
• 6.2 本课题研究展望78-79
• 参考文献79-83
• 致谢83-85
• 个人简历、在学期间发表的学术论文与研究成果85

【参考文献】

中国期刊全文数据库 前3条

1 黄鹏程;杨庆华;鲍官军;张立彬;;基于幅值立方和BP神经网络的表面肌电信号特征提取算法[J];中国机械工程;2012年11期

2 刘南庚;雷敏;;基于小波和非线性指标的表面肌电信号动作特征分析[J];中国组织工程研究与临床康复;2008年17期

3 蔡立羽,王志中,张海虹;基于短时傅里叶变换的肌电信号识别方法[J];中国医疗器械杂志;2000年03期

，

本文编号：1078619