基于表面肌电信号的下肢运动模式识别的研究

发布时间：2017-04-08 15:14

  本文关键词：基于表面肌电信号的下肢运动模式识别的研究，由笔耕文化传播整理发布。

【摘要】：由脑卒中引起的下肢偏瘫给患者和家庭带来巨大痛苦。随着患者人数增加，也给社会带来负担。传统上，医师采用徒手对患者进行康复训练，但患者易产生厌烦。下肢康复机器人可以代替医师完成康复训练，可以提高疗效，，减轻负担。为了实现患者的自主训练，本课题将肌电信号作为主要控制信息源，以体现患者的运动意图。本文针对人体下肢运动模式识别做了以下基础性研究： 首先，详细阐述了脑卒中发病机理，介绍了表面肌电信号的机理及其应用。根据下肢各肌肉的功能特点，选择胫骨前肌和内腓肠肌上的表面肌电信号为控制信号，对其每个步态周期划分为支撑前期、支撑中期、支撑末期和摆动期四种运动模式。 其次，表面肌电信号的预处理和特征提取是非常重要的环节。小波包μ律绝对值阈值法解决了肌电信号中夹杂生理噪声的干扰，消噪效果优于传统的软、硬阈值法。用50%的“重叠窗”方法划分数据段，对时域、频域及时域-频域联合分析后，用时频分析法中的小波变换计算每一段的小波特征奇异值，构建特征编码后输入分类器中进行模式识别。 最后，为了对下肢四种细分的步态状态进行运动模式识别，提出了GA-Elman网络。它是利用遗传算法优化Elman神经网络的初始权值和阈值，解决了传统神经网络收敛速度慢且易受局部极小点困扰的缺陷，经过网络训练、识别后得到85%的平均识别率，明显优于传统的BP和Elman网络。考虑到下肢步态的四种运动模式能够对应到隐马尔可夫（HMM）的四种状态，本文尝试用HMM的信号分类识别方法对下肢步态状态进行识别，经过Baum-Welch算法对HMM参数进行重估训练和Viterbi算法进行识别后，得到的平均识别率为93.75%。识别效果优于GA-Elman神经网络，能够更加精确地对下肢外骨骼实施控制。
【关键词】：康复机器人 表面肌电信号 运动模式识别 小波分析
【学位授予单位】：河北工业大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：R318.04;TN911.7
【目录】：

• 摘要4-5
• ABSTRACT5-7
• 目录7-10
• 第一章 绪论10-20
• 1.1 研究背景10-11
• 1.2 研究意义11
• 1.3 国内外的研究现状11-16
• 1.3.1 下肢肌电信号在国外康复医疗领域的应用12-16
• 1.3.2 下肢肌电信号在国内康复医疗领域的应用16
• 1.4 下肢外骨骼康复机器人的控制机理16-18
• 1.4.1 控制信号源的研究16-17
• 1.4.2 肌电信号的控制原理17-18
• 1.5 研究的主要内容18-20
• 第二章 表面肌电信号的产生与采集20-36
• 2.1 肌电信号的概述20-22
• 2.1.1 表面肌电信号的产生机理20-21
• 2.1.2 表面肌电信号的特征21-22
• 2.2 人体下肢肌肉的功能及其步态分析22-27
• 2.2.1 人体的运动分析22-23
• 2.2.2 下肢肌群及其作用分析23-25
• 2.2.3 下肢步态分析25-27
• 2.3 表面肌电信号的采集系统27-35
• 2.3.1 表面肌电信号采集的硬件系统27-32
• 2.3.2 采集过程的干扰因素32-33
• 2.3.3 表面肌电信号的采集33-35
• 2.4 本章小结35-36
• 第三章 表面肌电信号预处理和特征提取方法36-54
• 3.1 表面肌电信号预处理36-41
• 3.1.1 小波包分析的信号消噪技术37-39
• 3.1.2 仿真分析39-41
• 3.2 表面肌电信号特征提取方法综述41-44
• 3.2.1 时域分析方法41-42
• 3.2.2 频域分析方法42
• 3.2.3 时频分析方法42-44
• 3.3 表面肌电信号的小波特征提取44-53
• 3.3.1 小波变换的基本理论44-45
• 3.3.2 常用的小波函数及选择45-47
• 3.3.3 Mallat算法47-49
• 3.3.4 数据段分割技术49
• 3.3.5 小波特征的提取方法49-53
• 3.4 本章小结53-54
• 第四章 基于遗传算法优化神经网络的下肢肌电信号处理54-66
• 4.1 人工神经网络与模式识别概述54-57
• 4.1.1 人工神经网络简介54-56
• 4.1.2 模式识别概述56
• 4.1.3 神经网络模式识别的特点56-57
• 4.2 Elman神经网络57-59
• 4.2.1 Elman神经网络的结构57-58
• 4.2.2 Elman 神经网络算法58-59
• 4.3 遗传算法的基本理论59-62
• 4.3.1 遗传算法的基本组成59-60
• 4.3.2 遗传算法的运算过程及关键问题60-62
• 4.4 遗传算法优化 Elman 神经网络的实现62-65
• 4.4.1 遗传算法优化神经网络的结构62-63
• 4.4.2 实验结果63-65
• 4.5 本章小结65-66
• 第五章 基于 HMM 的下肢表面肌电信号模式识别的研究66-80
• 5.1 HMM 的基本原理66-68
• 5.1.1 马尔可夫模型66-67
• 5.1.2 HMM 的基本概念67
• 5.1.3 HMM 的结构组成67-68
• 5.2 HMM 经典算法分析68-74
• 5.2.1 HMM 的三个基本问题68-69
• 5.2.2 HMM 的三个基本算法69-74
• 5.3 HMM 的类型及算法实现中的问题74-75
• 5.3.1 HMM 的基本类型74
• 5.3.2 HMM 算法实现中出现的问题74-75
• 5.4 基于 HMM 的下肢 SEMG 模式识别75-78
• 5.4.1 特征提取75
• 5.4.2 基于 HMM 的 SEMG 状态识别75-77
• 5.4.3 实验结果与分析77-78
• 5.5 本章小结78-80
• 第六章 结论80-82
• 参考文献82-86
• 攻取学位期间所取得的相关科研成果86-88
• 致谢88

【参考文献】

中国期刊全文数据库 前10条

1 丁祥峰;孙怡宁;孙启柱;;表面肌电检测中消除工频干扰的方法[J];北京生物医学工程;2006年01期

2 李祥兵;肖合林;;基于Matlab的小波阈值折衷去噪算法研究[J];电脑开发与应用;2009年06期

3 加玉涛;罗志增;;肌电信号特征提取方法综述[J];电子器件;2007年01期

4 齐敏;黄世震;;基于Matlab的小波去噪算法研究[J];电子器件;2012年01期

5 孙全玲;李莹莹;;遗传算法优化神经网络结构的研究[J];福建电脑;2006年11期

6 徐俊波,许庆国,周传光,赵文;反馈神经网络进展[J];化工自动化及仪表;2003年01期

7 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

8 杨健群,刘秉正,彭建华,马治家;表面肌电的非线性动力学初步分析[J];航天医学与医学工程;1999年03期

9 孙承奎;叶明;梅品高;;基于最优小波包分析的肌电信号消噪[J];机电工程;2008年08期

10 洪晓明;叶明;孟明;;一种新的阈值方法在肌电信号消噪中的应用[J];机电工程;2009年10期

  本文关键词：基于表面肌电信号的下肢运动模式识别的研究，由笔耕文化传播整理发布。

本文编号：293123