智能輪椅人機接口中表面肌電信號動作識別.pdf

1、近年來，隨著現(xiàn)在計算機技術(shù)、神經(jīng)學(xué)、數(shù)字信號處理技術(shù)和模式識別等技術(shù)的快速發(fā)展，相關(guān)研究人員對表面肌電信號(surface electromyography，sEMG)進入了進一步研究。研究表明，表面EMG在智能假肢、智能輪椅、康復(fù)醫(yī)學(xué)等領(lǐng)域有著廣泛應(yīng)用。本文在深入探究表面EMG發(fā)放機理的基礎(chǔ)上，并結(jié)合表面EMG的特性，主要研究人體上肢手臂的表面肌電信號的拾取以及多動作模式識別算法，進而實現(xiàn)手腕展拳、握拳、內(nèi)翻及外翻四種動作模式分類。通

2、過這個研究工作可以為基于肌電的智能輪椅提供一定的參考依據(jù)和實踐平臺。主要研究工作及創(chuàng)新之處如下：
　　（1）搭建基于labview的EMG采集平臺，分為采集表面EMG需要的硬件電路和labview搭建的軟件系統(tǒng)兩個方面。設(shè)計的平臺可以實時采集和處理有效的EMG。
　　（2）針對表面EMG的非平穩(wěn)性和非線性特性以及小波包多尺度分解后系數(shù)維數(shù)過高的問題，為了在表征有效的肌電信號的同時，最大程度的降低特征空間的維數(shù)進而簡化分類器的

3、結(jié)構(gòu)，提出一種小波包多尺度分解的特征表示和模式識別方法。對采集到的肱橈肌、橈側(cè)腕屈肌、尺側(cè)腕屈肌和指伸肌四路表面EMG進行小波包多尺度分解，得到分解后的小波系數(shù)。然后，一方面根據(jù)小波包多尺度分解系數(shù)與表面肌電信號能量之間的內(nèi)在聯(lián)系重構(gòu)了特征向量，另一方面根據(jù)正交小波包基組成的基向量重構(gòu)特征向量，分別獲得動作模式特征矩陣；并與時域法、頻域法、時-頻域法等特征提取方法對比實驗。通過使用非線性自回歸神經(jīng)網(wǎng)絡(luò)分類器進行對比實驗可知，提出的小波包

4、多尺度分解后重構(gòu)特征向量的方法明顯優(yōu)于時域分析法及常用的頻域和時頻域分析法，能夠很好的體現(xiàn)表面 EMG的特征并簡化分類器的結(jié)構(gòu)。
　?。?）為了提高前臂動作模式的識別效率，運用非線性自回歸神經(jīng)網(wǎng)絡(luò)對表面信號進行動作模式識別。通過與Bayes算法、Fisher、BP網(wǎng)絡(luò)、K近鄰和SVM等分類模型對比實驗可知，非線性自回歸網(wǎng)絡(luò)對動作模式的特征識別效率更高。
　　實驗結(jié)果表明，運用文中提出的表面肌電信號的動作模式特征表示和識別方法