针对电极移位的表面肌电信号手势识别鲁棒算法

发布时间：2023-08-14 19:13

　　表面肌电信号(Surface Electromyography,sEMG)是由表面电极从肌肉表面获取的生物电信号,因其无创性、采集便捷、包含肌肉收缩的生理信息而被广泛应用于上肢假肢控制领域。从sEMG信号中准确地识别出上肢体的手势动作模式,是肌电假手进行准确控制的关键。目前对sEMG手势识别的研究取得了较大成功,但在日常使用中穿戴假肢套筒导致的电极移位问题会造成数据分布发生改变,从而显著降低手势识别的准确性。大量研究已经证实,电极移位是影响肌电假手手势识别鲁棒性的关键因素。因此研究电极移位下手势识别的鲁棒算法具有重要的意义。目前针对电极移位的算法主要利用电极移位后新收集的样本来校准分类器。虽然校准方法能够保持系统的准确性,但是收集新标记样本对于用户而言是非常不方便且耗时的。而不使用新标记样本的方法,在电极移位对数据分布改变显著时,无法保持其准确性。因此本文深入分析了电极移位对数据分布的影响,基于获取少量无标记新样本的前提下,通过分析电极移位前后数据的分布关联性及特征关系,提出了基于分布映射的多分类器加权结合方法及无监督域适应方法,有效地运用电极移位前的数据来辅助模型对电极移位后数据的学...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 肌电假肢控制的研究现状
        1.2.2 sEMG手势识别的研究现状
        1.2.3 针对电极移位问题的研究现状
    1.3 本文主要研究内容
    1.4 本文组织结构
第二章 背景知识
    2.1 表面肌电信号(sEMG)
        2.1.1 sEMG的产生及特点
        2.1.2 基于sEMG手势识别的肌电控制
    2.2 电极移位
        2.2.1 电极移位的产生
        2.2.2 电极移位的影响
    2.3 相关机器学习方法概述
        2.3.1 机器学习方法类型
        2.3.2 在线半监督多通道生长型神经气OSSMGNG
        2.3.3 线性判别分析LDA
        2.3.4 多层神经网络MLP
    2.4 本章小结
第三章 针对电极移位的sEMG手势识别在线半监督学习方法
    3.1 基本概述
    3.2 在线半监督学习模型
    3.3 实验验证
        3.3.1 实验设定
        3.3.2 实验结果和分析
    3.4 本章小结
第四章 基于分布映射的多分类器加权结合方法
    4.1 基本概述
    4.2 基于分布映射的多分类器加权结合方法
        4.2.1 分布映射的学习
        4.2.2 加权分类器的学习
        4.2.3 数据分布评估及分类
    4.3 实验验证
        4.3.1 实验设定
        4.3.2 实验结果和分析
    4.4 本章小结
第五章 针对电极移位的sEMG手势识别无监督域适应方法
    5.1 基本概述
    5.2 基于LDA的无监督域适应方法
        5.2.1 基准类的选择
        5.2.2 非基准类分布参数的估计
        5.2.3 LDA分类器的校准
    5.3 实验验证
        5.3.1 实验设定
        5.3.2 实验结果和分析
    5.4 本章小结
总结与展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件



本文编号：3841897