基于sEMG的时—空—频域手指动作识别研究

发布时间：2020-08-08 22:47

【摘要】：手是人体运动最灵活的器官之一,手部动作研究一直是康复医疗领域中一个值得关注的研究内容。现在的智能假手只模拟肢体的闭合、张开等简单动作,不能进行精细动作模拟。而应用高密度表面肌电(High Density surface EMG,HD-sEMG)信号采集系统,能克服传统表面电极无法识别肌肉群sEMG信号的缺点。较多通道能检测覆盖在限定皮肤区域的肌肉电信号,获取整块肌肉活动区域sEMG信号的时域和空间域分布信息,利于对精细动作sEMG信号的解析。由于人体手部运动尤其手指的EMG信号解析较困难,本文提出一种针对手指精细化动作的HD-sEMG信号解析方法,对实验者手指四种不同弯曲角度(15°,45°,70°和90°)时指浅屈肌的HD-sEMG信号进行解析。在本研究中,首先,将16通道HD-sEMG电极置于指浅屈肌上进行HD-sEMG信号采集。在数据预处理方面,分别应用主成分分析(Principle Components Analysis,PCA)、快速独立元分析(Independent Components Analysis,ICA)和多类别共同空间模式(Multiclass Common Spatial Patterns,Multiclass CSP)对采集的HD-sEMG信号进行空间滤波,以减少冗余信息,降低数据维数,并求得分离矩阵以实现对原始信息的重构。为了减少通道数量,即将肌肉电信号较强的通道从原通道中筛选出来,提出基于Multiclass CSP通道间互信息最大化的通道选择方法,并将通道按互信息最大化进行降序排列。其次,在特征提取方面,分别提取预处理后HD-sEMG信号的时域、频域和经小波包变换(Wavelet Packet Transform,WPT)分解后的时频域特征。此外,将经小波包变换分解后的时频域特征与基于互信息最大化的通道选择算法提取的HD-sEMG信号的空间特征相结合,对以上特征集进行比较分析可得,时-空-频域相结合的特征集对手指四种动作模式具有更明显的特征表示。最后,将不同空间滤波数据的时频域特征与时-空-频域特征相结合的特征集训练线性判别分析(Linear discriminant analysis,LDA)、人工神经网络(Artificial Neural Network,ANN)和支持向量机(Support Vector Machine,SVM)三种分类器,得出采用时-空-频域特征相结合的支持向量机分类器,当仅选择5路原信号通道时,便能达到86.7%的识别率。
【学位授予单位】：沈阳工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN911.7;R496
【图文】：

图 1.1 手部姿态Fig. 1.1 Hand Gesture研究人员青睐于高密度电极进行sEMG感知点，捕获了单块肌肉或肌肉群活相对应的激活区域的地形图。在相对

腕部上下左右 4 种运动模式以及手部开合 2 种模面肌电（High Density surface EMG, HD-sEMG）信号G 信号，应用线性判别分析(Linear discriminant analysiMulticlass Common Spatial Patterns, Multiclass CSP）算识别，还得到了手指的力运动信息，与普通的低密集电极可呈现肌肉电信号位置，从而获得更多的 EMG队针对中风患者康复问题，对前臂和上臂进行了 HD通过建立的通道选择验证了通道数量与识别准确率之可以获得较高的准确率。王东青等[4]应用 46 路 HD-sE处采集肌肉活动电信号，如图 1.2 所示，对胳膊和手部（Wavelet Packet Transform，WPT） WPT 特征时，分道数减少到期望的 10 路时，分类准确度为 92.92%，也

高密度采集矩阵式电极采集了人体前臂肌肉的sEMG信号，利用高密度矩阵式电极特有的云图，提出一种瞬时sEMG图像识别手部姿态的方法，如图1.3所示，为通过瞬时sEMG信号图像识别手势的示意图，与传统sEMG信号的特征分析方法不同，他们通过直接分析HD-sEMG信号形成的二维空间图像进行模式识别，然后应用卷积神经网络对手部姿态进行分类。网络的输入为不同时刻HD-sEMG信号图像，不同手部姿势作为网络的输出，该模式识别方法对手部8种姿势的识别率达到89.3%。128通道sEMG信号816图像分类深度卷积神经网络16行8列图1.3 通过瞬时sEMG图像识别手势的示意图Fig. 1.3 Schematic illustration of gesture recognition by instantaneous sEMG images1.3 手部动作的国内外研究现状上述研究者应用 HD-sEMG 信号完成了对胸部肌肉活动的研究及手部、肘部、肩部运动模式的识别。然而，目前对手部的研究仅局限于手部的张开、闭合动作，为无动力、无交互的简单装置。近年来，随着机器人技术的飞速发展和深度研究，研发出能够补偿人体缺失的运动功能、感觉功能及性能逼近人类的智能机器人或辅助器械

【相似文献】

相关期刊论文 前10条

1 部义峰;李世明;;递增负荷诱发肌肉疲劳过程中肌肉sEMG与负荷的非线性关系研究[J];山东体育学院学报;2013年06期

2 王乐军;陆爱云;龚铭新;毋江波;董菲;张磊;;sEMG指标监测快速点击鼠标致指伸肌疲劳的适用性评价研究[J];体育科学;2013年01期

3 王东岩;李庆玲;杜志江;孙立宁;叶腾茂;;小波分析在表面肌电信号(sEMG)研究中的应用[J];黑龙江大学自然科学学报;2008年04期

4 王乐军;黄勇;龚铭新;陈志勇;许翔;马国强;;小波包分析与人工神经网络相结合探索运动性肌肉疲劳过程中sEMG变化特征[J];体育科学;2009年12期

5 蔡明明;徐建中;王凌云;马艳芬;王锋;孟宪华;;体操运动员腰部竖脊肌疲劳过程中sEMG的变化[J];首都体育学院学报;2006年04期

6 刘耀荣;;骨骼肌不同速度离心收缩时肌力与sEMG交互特征[J];西安体育学院学报;2008年05期

7 王奎,刘建红,宋刚;sEMG技术在评价运动性疲劳方面的方法及应用[J];安徽体育科技;2004年03期

8 孙威;贾刚;;旋转推铅球最后用力阶段肌肉用力特征的sEMG分析[J];山东体育学院学报;2014年01期

9 陈庆杰;吴瑛;伍勰;;赛艇运动员拉桨技术运动学特征及其相关肌肉sEMG分析[J];上海体育学院学报;2012年05期

10 周楠;滕燕;;基于SEMG的膝关节康复动作模式识别技术研究[J];机械制造与自动化;2016年06期

相关会议论文 前10条

1 王江;李韬;费向阳;曾启明;张立;;遗传算法在sEMG分解中的应用[A];2003年中国智能自动化会议论文集（下册）[C];2003年

2 周里;刘耀荣;;跳跃运动员膝关节屈伸肌群不同速度向心收缩时肌力与sEMG变化特征[A];第12届全国运动生物力学学术交流大会论文汇编[C];2008年

3 王东岩;董旭;孙忠人;;基于sEMG评价的不同穴位电刺激方法对脑卒中后上肢功能重建影响的研究[A];中国针灸学会针推结合专业委员会成立大会暨针灸教育与腧穴应用学术研讨会论文汇编[C];2010年

4 王乐军;陆爱云;龚铭新;毋江波;董菲;张磊;;sEMG指标监测快速点击鼠标致指伸肌疲劳的适用性评价研究[A];第十五届全国运动生物力学学术交流大会（CABS2012）论文摘要汇编[C];2012年

5 崔景辉;付丽敏;;竞技武术套路中搬脚朝天蹬直立平衡动作下肢肌肉用力特征的sEMG分析[A];第十五届全国运动生物力学学术交流大会（CABS2012）论文摘要汇编[C];2012年

6 王乐军;黄勇;龚铭新;马国强;;sEMG指标评价全力蹬踏自行车运动致股直肌疲劳的敏感性和稳定性分析[A];第九届全国体育科学大会论文摘要汇编(2)[C];2011年

7 叶伟;陈剑;吴飞;王健;;运动负荷诱发局部肌肉疲劳和恢复过程中SEMG信号复杂度变化[A];中国人类工效学学会第六次学术交流会论文摘要汇编[C];2003年

8 王凌云;肖云;董惠荣;王锋;马艳芬;孟宪华;;应用sEMG评定乒乓球运动员上肢肌疲劳的研究[A];第七届全国体育科学大会论文摘要汇编（二）[C];2004年

9 王立平;李建设;;青年女性着高跟鞋行走时下肢肌肉sEMG信号变化——与疲劳的相关研究[A];第十届全国运动生物力学学术交流大会论文汇编[C];2002年

10 刘耀荣;周里;;骨骼肌不同负荷离心收缩时肌力与sEMG交互特征[A];第12届全国运动生物力学学术交流大会论文汇编[C];2008年

相关博士学位论文 前6条

1 刘加海;基于sEMG信号非线性动力学分析的肌肉功能状态评价研究[D];浙江大学;2001年

2 范渊杰;基于sEMG与交互力等多源信号融合的下肢外骨骼康复机器人及其临床实验研究[D];上海交通大学;2014年

3 杨锆;不同类型身体活动的躯干肌群sEMG反应模式[D];浙江大学;2012年

4 陈彦钊;基于sEMG信号的上肢自主康复训练动作模式识别[D];山东大学;2015年

5 李庆玲;基于sEMG信号的外骨骼式机器人上肢康复系统研究[D];哈尔滨工业大学;2009年

6 史小华;坐/卧式下肢康复机器人研究[D];燕山大学;2014年

相关硕士学位论文 前10条

1 陈淑甜;基于sEMG的时—空—频域手指动作识别研究[D];沈阳工业大学;2019年

2 张振阳;基于sEMG人手动作识别的康复机械手控制研究[D];浙江工业大学;2019年

3 张特;胫骨前肌不同时间皮肤预冷刺激进行中低负荷等长收缩时sEMG变化特征[D];苏州大学;2018年

4 高兴雷;基于sEMG的康复机器人控制方法研究[D];东北大学;2013年

5 叶伟;静态运动负荷诱发肌肉疲劳过程中SEMG信号变化的生理机制[D];浙江大学;2002年

6 康博;基于sEMG的颈部仰卧位生理特性研究及舒适性评价[D];哈尔滨工业大学;2015年

7 李延军;优秀旋转推铅球运动员张竣主要技术阶段肌肉用力特征的sEMG分析[D];华东师范大学;2010年

8 韩瑜;鞋跟高度在步行过程中与相关肌肉sEMG及足底压力的关系[D];武汉体育学院;2012年

9 胡玉叶;基于sEMG信号的上肢康复机器人训练系统的研究[D];天津理工大学;2017年

10 黎超明;基于sEMG评价的齐刺法对改善脑卒中患者膝关节控制能力的研究[D];黑龙江中医药大学;2012年

本文编号：2786218