基于神经网络的表面肌电信号分类方法研究

发布时间：2017-04-14 00:16

  本文关键词：基于神经网络的表面肌电信号分类方法研究，由笔耕文化传播整理发布。

【摘要】：表面肌电信号是人体肌肉收缩时在皮肤表面收集得到的生物电信号，它在一定程度上反应了人体神经、肌肉的功能状态。目前，表面肌电信号已被广泛应用于临床医学、康复医学和智能机器人等领域。本文依托吉林省科技发展计划重点项目“具有温度、触滑觉临场感的仿生手臂研制与开发”(批准号：20090350)和吉林大学研究生创新研究计划项目“基于神经网络集成技术的表面肌电信号模式识别方法研究”(批准号：20121107)，开展对表面肌电信号分类方法的研究，以促进项目中肌电控制仿生假肢的开发与产业化，因此本文的研究将具有重要的现实与社会意义。 本文的主要工作有： 1.分析了表面肌电信号的产生机理与特点，确定了肌电电极的选择，，结合局部解剖学相关知识，确定了与手臂常见运动模式密切相关的主要肌群，完成了手臂动作模式的选择和肌电电极摆放位置的确定，并完成了手臂5个常见动作模式下表面肌电信号的双路采集实验。 2.分别利用时域法、频域法和时频分析法对已采集得到的双路表面肌电信号进行了特征提取，对比分析三种分析方法下表面肌电信号特征元素的互异性，最终确定利用由小波包分解得到的表面肌电信号特征元素来构成双路表面肌电信号的特征向量。 3.为了进行模式识别试验，本文进行了神经网络分类器的设计，分别设计了BP神经网络、Elman神经网络和集成BP神经网络，对已得到的特征向量进行了模式识别实验，对三种网络结构下表面肌电信号的正确识别率进行了统计分析，集成BP神经网络获得的正确识别率最高，因此得出集成BP神经网络具有较好的模式识别效果。 4.对三种神经网络的训练时间和迭代次数进行了计算，集成BP神经网络所需训练时间和迭代次数最大，说明集成BP神经网络在提高识别率的同时，也增加了训练阶段所需的时间和迭代次数。 5.利用Matlab GUI技术完成了表面肌电信号离线模式识别系统的开发，对表面肌电信号的读取、特征提取、模式识别和识别结果的显示等环节进行整合，形成一个系统，增加了表面肌电信号模式识别各环节的直观性与可视性。 由于神经网络的训练阶段和测试阶段一般可以分开进行，训练阶段可以提前离线完成，因此本文的研究仍具有重要的理论价值，也具有实际意义。
【关键词】：表面肌电信号 神经网络集成 模式识别 特征提取
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TP183;R337.5
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 课题来源9
• 1.2 课题研究背景与意义9-10
• 1.3 国内外研究现状10-12
• 1.3.1 智能假肢研究现状10-12
• 1.3.2 表面肌电信号模式识别现状12
• 1.4 本文主要研究内容与结构安排12-15
• 1.4.1 主要研究工作13
• 1.4.2 本文结构安排13-15
• 第2章 表面肌电信号产生机理与信号采集实验15-25
• 2.1 表面肌电信号概述15-16
• 2.2 表面肌电信号产生机理与特点16-18
• 2.3 表面肌电信号采集实验18-23
• 2.3.1 肌电电极的选择18-19
• 2.3.2 手臂动作选择与电极位置确定19-21
• 2.3.3 表面肌电信号采集21-22
• 2.3.4 表面肌电信号采集注意事项22-23
• 2.4 本章小结23-25
• 第3章 表面肌电信号的特征提取25-37
• 3.1 时域特征提取25-27
• 3.2 频域特征提取27-29
• 3.3 表面肌电信号的时频域分析29-36
• 3.4 本章小结36-37
• 第4章 表面肌电信号模式分类器设计37-49
• 4.1 人工神经网络概述37-38
• 4.2 神经网络模型38-41
• 4.2.1 神经元结构模型39-40
• 4.2.2 神经网络连接方式40-41
• 4.3 BP 神经网络分类器设计41-44
• 4.4 集成神经网络设计44-46
• 4.5 Elman 神经网络设计46-47
• 4.6 本章小结47-49
• 第5章 表面肌电信号模式识别与识别系统设计49-63
• 5.1 模式识别实验设计49-50
• 5.2 模式识别结果分析50-54
• 5.2.1 表面肌电信号正确识别率51-52
• 5.2.2 神经网络训练时间及迭代次数52-54
• 5.3 表面肌电信号离线模式识别系统设计54-61
• 5.3.1 Matlab GUI 技术简介54-55
• 5.3.2 表面肌电信号离线识别系统开发55-59
• 5.3.3 系统整体界面与运行效果59-61
• 5.4 本章小结61-63
• 第6章 总结与展望63-65
• 6.1 全文总结63-64
• 6.2 未来工作展望64-65
• 参考文献65-69
• 攻读硕士期间主要研究工作69-71
• 导师及作者简介71-73
• 致谢73

【参考文献】

中国期刊全文数据库 前7条

1 于育民;梁瑛;;MATLAB-GUI在图形可视化中的应用[J];安阳工学院学报;2010年04期

2 梅品高;罗志增;;基于小波包分析和Elman网络的肌电信号处理[J];机电工程;2008年01期

3 白雪飞;李茹;;神经网络集成的多表情人脸识别方法[J];计算机工程与应用;2010年04期

4 周志华,陈世福;神经网络集成[J];计算机学报;2002年01期

5 李锡杰;师硕;王旭;;基于Elman神经网络的肌电信号分类[J];微计算机信息;2006年23期

6 王刚;王志中;胡晓;黄永峰;;基于最佳小波包的表面肌电信号分类方法[J];中国医学物理学杂志;2006年01期

7 张海虹,蔡立羽,王志中;基于高阶神经网络的肌电信号识别方法的改进[J];中国康复医学杂志;2000年01期

中国博士学位论文全文数据库 前1条

1 赵章琰;表面肌电信号检测和处理中若干关键技术研究[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6条

1 邹晓亮;面向仿生手臂的表面肌电信号采集与处理系统研究[D];吉林大学;2011年

2 张志勇;肌电信号采集与肌电假肢控制的研究[D];哈尔滨工业大学;2010年

3 张春华;基于表面肌电的手指运动向量分类方法研究[D];燕山大学;2006年

4 郭年;基于DCT和RBF神经网络的人脸识别系统[D];重庆大学;2007年

5 邱青菊;表面肌电信号的特征提取与模式分类研究[D];上海交通大学;2009年

6 黄峗伟;基于支持向量机的表面肌电信号模式识别方法研究[D];西安理工大学;2010年

  本文关键词：基于神经网络的表面肌电信号分类方法研究，由笔耕文化传播整理发布。

本文编号：304802