基于表面肌電信號(hào)的下肢動(dòng)作識(shí)別研究.pdf

1、隨著老齡化的加劇和交通意外的頻發(fā)，假肢或者輔助康復(fù)平臺(tái)的需求越來越大。肌電信號(hào)包含豐富的運(yùn)動(dòng)控制信息，利用合適的信號(hào)處理方法，使用者的意圖能夠被檢測出來。因此，肌電信號(hào)能夠被用作控制設(shè)備的指令信號(hào)。
　　人體表面肌電信號(hào)（Surface Electromyography, sEMG），在給定的采集點(diǎn)，用來描述肌電信號(hào)的特征集在給定的運(yùn)動(dòng)狀態(tài)下是能夠重復(fù)得到的，而且在不同的運(yùn)動(dòng)狀態(tài)下得到的特征集也各不相同。相比于注入式肌電信號(hào)，采用

2、sEMG信號(hào)進(jìn)行分析處理并不會(huì)降低識(shí)別的準(zhǔn)確率，而且sEMG的提取方式較為簡單方便，具有無創(chuàng)無痛的特點(diǎn)。
　　本文通過對(duì)采集的sEMG信號(hào)進(jìn)行分析處理，識(shí)別出運(yùn)動(dòng)者的運(yùn)動(dòng)意圖，幫助使用者進(jìn)行主動(dòng)康復(fù)訓(xùn)練。主要研究了連續(xù)信號(hào)的特征提取，分類器設(shè)計(jì)和模式識(shí)別后處理。本文的主要工作包括如下四個(gè)方面:
　　(1)采用線性判別分析（Linear Discriminant Analysis，LDA）和聯(lián)合特征對(duì)sEMG信號(hào)進(jìn)行模式識(shí)別。

3、首先對(duì)5個(gè)不同的受試者采集的連續(xù)信號(hào)進(jìn)行預(yù)處理，采用疊加的分析窗口進(jìn)行分割，然后提取了信號(hào)的波長(Waveform Length，WL)，自回歸(Autoregression，AR)系數(shù)和小波系數(shù)作為特征矢量，并根據(jù)特征矢量的分離信息，進(jìn)行了特征的融合。最后采用改進(jìn)的LDA分類器進(jìn)行識(shí)別，得到了較好的識(shí)別效果。
　　(2)基于模糊理論提出了一種基于高斯徑向基函數(shù)的模糊模式識(shí)別算法。采用不同的特征矢量進(jìn)行識(shí)別均取得了較好的識(shí)別效果，

4、而且特征矢量的FI(Fisher's Index)值越大，識(shí)別的錯(cuò)誤率越低。與LDA和反向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行比較，采用WL特征時(shí)，這種算法的平均識(shí)別錯(cuò)誤率更低。
　　(3)對(duì)識(shí)別的結(jié)果進(jìn)行了模式識(shí)別后處理，在不影響實(shí)時(shí)性的前提下，提高了系統(tǒng)的識(shí)別準(zhǔn)確率。采用了多數(shù)決議(Majority Vote，MV)并對(duì)其進(jìn)行了改進(jìn)提出了等待下一個(gè)窗口的后處理方法，將平均的識(shí)別錯(cuò)誤率降低至0.04％。
　　(4)設(shè)計(jì)并實(shí)現(xiàn)了基于人體肌電信號(hào)