基于表面肌电信号的人手动作识别研究

发布时间：2020-06-12 15:18

【摘要】：表面肌电信号(surface Electromyogram signal,sEMG)是肌肉收缩期间在皮肤表面产生的一种微弱生物电信号,它具有采集方便、非侵入、对肢体无损伤的特性,近年来得到了广泛研究。利用sEMG控制的交互设备具有潜在的应用研究价值,基于sEMG的人手动作识别研究成为目前仿生假肢的一个重要研究热点。当前基于sEMG的动作识别虽然取得了一些进展,但在sEMG包络信号的研究分析与使用、活动段检测算法的复杂性与准确率、特征的优化选择与处理、个体差异性等方面仍存在一些问题,导致识别率下降、能够识别的动作不够多。针对这些问题,本文以开发肌电假肢为目标,采用实验与理论相结合的方法,就基于表面肌电信号的人手动作识别进行了如下研究:1)研究了两种类型的sEMG信号的特性,包括sEMG原始信号和sEMG包络信号。前者是从皮肤表面通过氯化银电极贴直接获取的,只经过简单放大未经信号处理电路进一步处理,是一种交流信号,拥有丰富的时域和频域信息。后者是利用信号处理电路对sEMG原始信号进行整流、积分和放大后得到的直流信号,反映的是sEMG原始信号的包络轨迹,只在时域中携带丰富的信息。2)活动段检测及预处理方法的研究。在活动段检测中本文提出并比较了改进的基于短时能量和基于滑动绝对值平均的两种算法,分析了它们的优劣。在数据预处理过程中本文对sEMG原始信号采用八阶巴特沃斯带通滤波器,对sEMG包络信号研究了三种预处理方法,包括滑动中值滤波、数字滤波器和小波变换,最终选择出基于小波六层分解与重构的平滑消抖预处理技术。3)sEMG的特征提取及处理方法的研究。这些研究内容包括特征提取、特征的预处理和特征的选择优化。本文根据sEMG原始信号的性质,从sEMG原始信号时域、频域、时频域和参数模型中共提取了52个特征。根据sEMG包络信号的特性,从sEMG包络信号的时域中提取了24个特征。不同的特征其量纲不同,在特征的预处理过程中本文对所有特征进行了最大最小缩放处理以消除量纲。由于个体差异性,不同的人最优特征组合是不一样的,本文使用了四种单变量特征选择算法包括皮尔森相关系数、F检验、卡方检验和Relief-F对原始特征进行了选择优化。4)sEMG的使用方式以及有监督学习与单变量特征选择的匹配研究。本文运用了三种有监督学习算法,包括K近邻、多层前馈神经网络和支持向量机。在实验中发现,模式分类器与单变量特征选择算法匹配不同所得到的识别结果不同,同时将sEMG原始信号与sEMG包络信号结合使用效果最佳,经过一系列的分析比较,本文选择出F检验与支持向量机的最佳匹配组合,将两种信号结合使用的方法。通过这种方法,本文仅仅使用两个传感器,对九种人手动作达到了95%的识别率。5)仿生机械手的在线实时肌电控制实验。将以上得到的结论在硬件平台上实现,开发出了仿生手实时模仿实验者的实验平台。该实验平台包括数据采集终端、波形显示以及数据处理终端和仿生机械手控制终端。它们之间通过串口或NRF24L01无线通信模块进行通信,能够对实验者动作进行在线实时识别并模拟。
【图文】：

图 1.1 针式电极生的肌电信号叫做表面肌电信号（ 用表面电极贴来采集，如图 1.2 所无疼痛的肌电信号采集方式。sEM反映，是不同肌肉纤维群动作电小在50μV~5mV,频率小于 1000 ，它的大小和幅值具有不确定性，关[8]。同针式电极的采集方式相比势，它获得的肌电信号虽然含有较有伤害，因此得到了较为广泛的应 sEMG 中识别出肢体的运动模式机器人和智能硬件等领域的一个

图 1.1 针式电极产生的肌电信号叫做表面肌电信号（surfacG 用表面电极贴来采集，如图 1.2 所示，而伤无疼痛的肌电信号采集方式。sEMG 是肌合反映，是不同肌肉纤维群动作电位在皮大小在50μV~5mV,频率小于 1000 HZ[6,7]，，号，它的大小和幅值具有不确定性，但在一相关[8]。同针式电极的采集方式相比，sEM优势，它获得的肌电信号虽然含有较多的噪没有伤害，因此得到了较为广泛的应用。随从 sEMG 中识别出肢体的运动模式已成为生机器人和智能硬件等领域的一个重要研究
【学位授予单位】：东北师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN911.7;R318

【相似文献】

中国期刊全文数据库 前10条

1 王松;党建武;王阳萍;杜晓刚;;实时动作识别方法研究[J];计算机工程与应用;2017年03期

2 李文辉;;基于多示例多特征的人体动作识别[J];信息技术;2016年12期

3 王松;杜晓刚;王阳萍;杨景玉;;基于关节点运动轨迹的人体动作识别[J];宁夏大学学报(自然科学版);2017年02期

4 任丹;;基于表面肌电信号特征的动作识别[J];辽东学院学报(自然科学版);2017年01期

5 区峻;石千惠;;特征降维和高斯混合模型的体育运动动作识别[J];现代电子技术;2017年11期

6 凌佩佩;邱崧;蔡茗名;徐伟;丰颖;;结合特权信息的人体动作识别[J];中国图象图形学报;2017年04期

7 王松;党建武;王阳萍;杜晓刚;;基于关节间夹角变化序列的动作识别算法研究[J];计算机应用与软件;2017年06期

8 侯静怡;刘翠微;吴心筱;;基于隐任务学习的动作识别方法[J];北京理工大学学报;2017年07期

9 韩敏捷;;基于深度学习框架的多模态动作识别[J];计算机与现代化;2017年07期

10 冀中;郭威辰;;基于局部保持典型相关分析的零样本动作识别[J];天津大学学报(自然科学与工程技术版);2017年09期

中国重要会议论文全文数据库 前10条

1 袁飞;程韬波;周松斌;肖先文;;基于加速度特征的可拓动作识别方法[A];广州市仪器仪表学会2009年学术年会论文集[C];2010年

2 叶喜勇;陶霖密;王国建;邸慧军;;视角无关的人体躯干动作识别[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

3 朱岩;赵旭;刘允才;;基于稀疏编码和局部时空特征的人体动作识别[A];第十五届全国图象图形学学术会议论文集[C];2010年

4 黄飞跃;徐光yP;;自然的人体动作识别[A];第三届和谐人机环境联合学术会议（HHME2007）论文集[C];2007年

5 吕超;;基于动作识别的增强现实系统中实时交互技术的研究~[A];中国造船工程学会电子技术学术委员会2017年装备技术发展论坛论文集[C];2017年

6 黄艳欢;叶少珍;;连续动作分割综述[A];第十四届全国图象图形学学术会议论文集[C];2008年

7 刘志强;尹建芹;张玲;魏军;刘小丽;;基于Kinect数据主成分分析的人体动作识别[A];2015光学精密工程论坛论文集[C];2015年

8 王彦鸿;倪世宏;王刚;谢川;;基于遗传算法的飞行动作识别规则获取方法[A];中国航空学会控制与应用第十二届学术年会论文集[C];2006年

9 征容;严潇然;;PCA在智能家居中的动作识别实例和测试[A];四川省通信学会2015年学术年会论文集[C];2015年

10 席旭刚;金燕;朱海港;高云园;;基于小波包熵和支持向量机的手部肌电信号动作识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

中国重要报纸全文数据库 前8条

1 记者 顾瑾　通讯员 徐红萍;杭州电信推出“网络健身馆”[N];人民邮电;2010年

2 杜浩;无人书店的启示[N];山西日报;2018年

3 本报记者 陈丹;人与机器的“对话”[N];科技日报;2010年

4 本报记者 郝天韵 见习记者 朱丽娜;无人书店，是噱头还是趋势[N];中国新闻出版广电报;2018年

5 宁夏 边书丽 编译;深入了解体感技术[N];电子报;2013年

6 本报记者 马爱平;动一动就认清你？机器说可以[N];科技日报;2017年

7 曹_g;强强联手引领运动健康产业发展[N];中国体育报;2016年

8 安吉;Kinect for Windows带来精彩行业应用[N];科技日报;2014年

中国博士学位论文全文数据库 前10条

1 王磊;视频人体运动的检测跟踪与识别[D];上海交通大学;2017年

2 Fangbemi Abassin Sourou;基于时空二进制特征的动作识别算法研究[D];中国科学技术大学;2018年

3 陈野;基于可穿戴传感器数据的人体动作识别方法的研究[D];大连理工大学;2018年

4 杨维信;基于路径重积分特征和深度学习方法的轨迹数据的表征和识别[D];华南理工大学;2018年

5 郭明;融合多源体感信息的人体动作识别方法[D];大连理工大学;2018年

6 王廷蔚;基于鉴别主题和时序结构的动作识别[D];南京理工大学;2018年

7 王亮亮;基于视觉的人体动作识别研究[D];哈尔滨工业大学;2017年

8 李向新;基于多源神经信息解码的多功能假肢控制性能增强及优化方法[D];中国科学院大学(中国科学院深圳先进技术研究院);2017年

9 林连冬;基于仿生机械手的肌动传感器动作识别研究[D];黑龙江大学;2017年

10 赵洋;4D人体动作识别中的关键技术研究[D];电子科技大学;2018年

中国硕士学位论文全文数据库 前10条

1 韩涛涛;基于跨域学习和双链融合网络的开放域动作识别算法研究[D];天津理工大学;2019年

2 朱宇祥;基于量子神经网络的肢体动作识别研究[D];沈阳工业大学;2019年

3 门鑫;基于深度学习的视频内容识别和搜索算法研究[D];北京邮电大学;2019年

4 吴骞;融合时空差分信息的动作识别算法研究[D];浙江大学;2019年

5 郑集元;基于深度学习的人体动作识别研究[D];重庆理工大学;2019年

6 徐振新;基于卷积神经网络的人体动作识别研究[D];哈尔滨工程大学;2019年

7 薛炜辰;基于深度学习的视频动态模式识别[D];上海交通大学;2017年

8 何俊佑;多模态人体动作识别研究[D];北京邮电大学;2019年

9 吴颜生;基于表面肌电信号的人手动作识别研究[D];东北师范大学;2019年

10 刘芸糖;基于LTE的无源人体动作识别的研究[D];南京大学;2019年

本文编号：2709721