基于直方圖和頻譜的表面肌電信號處理.pdf

1、表面肌電信號(surface electromyography (SEMG)蘊涵了很多與肢體運動相關(guān)聯(lián)的信息，用SEMG 控制仿生假手已成為假手研究的一項重要內(nèi)容，因此還原表面肌電信號中蘊含的信息，對假肢研究意義重大。本文結(jié)合課題要求，從SEMG信號的拾取、預(yù)處理、特征提取、基于SEMG 信號的動作模式識別等多個方面進行了理論探索和實踐。對信號的盲源分離、基于直方圖和頻譜分析的特征提取，及先識別后融合的分類方法進行了深入的研究，以此為目

2、標，本文作了以下工作：
　　 (1)本文簡要概括了肌電假手的研究背景、研究現(xiàn)狀和研究意義；總結(jié)了SEMG 信號處理中常用的特征提取方法，同時選擇直方圖和頻譜分析作為本文特征提取的切入點，為接下去的研究奠定基礎(chǔ)和方向，并介紹了幾種肌電假手動作識別的常用模式分類方法；
　　 (2)本文針對多通道肌電信號采集產(chǎn)生的混迭現(xiàn)象，首次將時頻分析和參考累積量算法結(jié)合，提出一種改進的盲源分離算法用于消除SEMG 混迭現(xiàn)象。算法整合了參考

3、累積量在統(tǒng)計非平穩(wěn)信號信息的優(yōu)勢和時頻分析在反映高階統(tǒng)計量變化的優(yōu)勢，通過構(gòu)造參考累積量矩陣作為對照函數(shù)，并進行時頻分析，利用非正交聯(lián)合對角化(Non-Orthogonal Joint Diagonalization)該矩陣，最后得到本通道的最優(yōu)SEMG 估計，為接下去的SEMG 模式識別打下基礎(chǔ)。
　　 (3)為有效提取SEMG 信號的特征，本文提出了一種基于直方圖和頻譜分析的特征提取方法。作者經(jīng)過分析后認為要想更好的表征SE

4、MG 信號的特征，應(yīng)該從不同的角度對其特征參數(shù)進行提取，本文利用直方圖統(tǒng)計對SEMG 信號時域特征參數(shù)即兩路SEMG最大波幅比值進行提取，同時結(jié)合頻譜分析提取SEMG頻域特征參數(shù)—功率譜比值。最后利用BP 神經(jīng)網(wǎng)絡(luò)對時域和頻域的兩類特征參數(shù)分別進行模式識別，利用其得到的識別結(jié)果再進行D-S 證據(jù)融合，得到最終的識別結(jié)果。算法既利用D-S 理論來表達和處理不精確的、模糊的信息，又可以發(fā)揮神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)和容錯能力，使整個識別系統(tǒng)具