智能輪椅人機(jī)接口中表面肌電信號動(dòng)作識別.pdf

1、近年來，隨著現(xiàn)在計(jì)算機(jī)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(jìn)入了進(jìn)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(jī)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(dòng)作模式識別算法，進(jìn)而實(shí)現(xiàn)手腕展拳、握拳、內(nèi)翻及外翻四種動(dòng)作模式分類。通

2、過這個(gè)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(shí)踐平臺。主要研究工作及創(chuàng)新之處如下：
　?。?）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(gè)方面。設(shè)計(jì)的平臺可以實(shí)時(shí)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(shí)，最大程度的降低特征空間的維數(shù)進(jìn)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(jìn)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(dòng)作模式特征矩陣；并與時(shí)域法、頻域法、時(shí)-頻域法等特征提取方法對比實(shí)驗(yàn)。通過使用非線性自回歸神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行對比實(shí)驗(yàn)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(shí)域分析法及常用的頻域和時(shí)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)。
　　（3）為了提高前臂動(dòng)作模式的識別效率，運(yùn)用非線性自回歸神經(jīng)網(wǎng)絡(luò)對表面信號進(jìn)行動(dòng)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(shí)驗(yàn)可知，非線性自回歸網(wǎng)絡(luò)對動(dòng)作模式的特征識別效率更高。
　　實(shí)驗(yàn)結(jié)果表明，運(yùn)用文中提出的表面肌電信號的動(dòng)作模式特征表示和識別方法