基于肌電信號的手臂動作識別及虛擬仿真.pdf

1、表面肌電信號作為一種重要的人體生理電信號可以應用于智能系統(tǒng)，實現(xiàn)對虛擬假肢或智能假肢的控制。目前，在智能仿生假肢研究中，利用肌電信號特征進行動作識別和運動控制是其研究的關鍵。論文主要圍繞表面肌電信號采集與預處理、肌電特征提取與識別、虛擬手臂3D模型設計以及虛擬假肢動作仿真等方面進行了相關研究，主要研究內(nèi)容如下:
　　1)表面肌電信號采集與預處理。設計了前臂外旋、前臂內(nèi)旋、握拳、展拳、上切、下切、內(nèi)翻和外翻8種動作模式，分別采集指伸

2、肌，尺側(cè)腕屈肌，掌長肌，屈指淺肌4塊前臂肌肉群活動的表面肌電信號，利用小波變換結(jié)合自適應濾波的方法，對實驗采集的不同動作對應的表面肌電信號進行預處理，獲得純凈的表面肌電信號。
　　2)表面肌電信號特征提取。提取了表面肌電信號的絕對積分平均值、均方根值作為時域特征;提取平均功率頻率、中值頻率作為頻域特特征。采用db3小波進行5層小波分解，分別計算第5層近似系數(shù)與第3、4、5層細節(jié)系數(shù)的均方根值與方差作為表面肌電信號的時頻特征,并對手

3、臂不同動作模式對應的表面肌電信號特征的差異性進行統(tǒng)計分析。
　　3)基于表面肌電信號特征的動作識別。首先利用BP神經(jīng)網(wǎng)絡算法，分別采用肌電信號的時域特征、頻域特征以及時頻特征，進行8種手臂動作的分類識別，獲得了89％、77％、91％的平均識別正確率。然后，設計棧式自編碼深度學習算法，分別利用表面肌電信號時域特征、頻域特征和時頻特征，進行手臂動作模式分類，平均分類正確率為95％、91％和96％。結(jié)果表明:肌電信號時頻特征能夠較好體現(xiàn)

4、不同動作模式之間的差異，同時，棧式自編碼深度學習算法應用于表面肌電信號特征分類與動作識別要優(yōu)于BP神經(jīng)網(wǎng)絡算法。
　　4)虛擬手臂3D假肢設計與動作仿真。采用改進的D-H方法建立了連桿機械手臂模型，并對其進行了運動學分析和軌跡規(guī)劃，利用Matlab軟件仿真平臺，實現(xiàn)連桿機械手臂執(zhí)行連續(xù)喝水動作的模擬。使用SolidWorks軟件設計了虛擬3D假肢模型，并在虛擬現(xiàn)實環(huán)境中，通過計算機仿真驗證了虛擬3D假肢模型的合理性。最后，將表面肌