發(fā)布時(shí)間：2018-10-24 16:10

【摘要】：針對(duì)人手抓取動(dòng)作問題,如何有效地提取表面肌電信號(hào)特征是提高其模式識(shí)別率的關(guān)鍵。通過對(duì)前人不同手部抓取動(dòng)作的分類方法及日常生活工作中使用的頻度進(jìn)行統(tǒng)計(jì)學(xué)分析,決定選取8種抓取動(dòng)作進(jìn)行研究。實(shí)驗(yàn)顯示,隨著手部動(dòng)作姿態(tài)種類的增加,基于表面肌電信號(hào)的不同特征提取算法分類能力出現(xiàn)不同程度的下降甚至失效。為取得更為理想的抓取動(dòng)作分類效果,提出將抓取動(dòng)作分割為預(yù)抓取和抓取兩個(gè)動(dòng)作過程。選擇采集預(yù)抓取動(dòng)作前臂肌電信號(hào),除對(duì)其時(shí)域、頻域及時(shí)頻域常用特征量進(jìn)行分析對(duì)比外,還增添了對(duì)時(shí)頻域中小波系數(shù)最大模值的分析,旨在找出最有效表征肌電信號(hào)動(dòng)作分類的特征量。實(shí)驗(yàn)結(jié)果表明,小波系數(shù)最大模值量最有特征可分性,區(qū)分效果比較理想。
[Abstract]:How to extract the features of surface electromyography (EMG) effectively is the key to improve the pattern recognition rate. Based on the statistical analysis of the classification methods of different hand grabbing movements and the frequency used in daily life, it is decided to select 8 grab movements to study. Experiments show that the classification ability of different feature extraction algorithms based on surface EMG signals decreases or even fails with the increase of hand movements and postures. In order to achieve a more ideal classification effect of grab action, it is proposed that the grab action be divided into two processes: pregrab and snatch. Choosing to collect the forearm electromyography signals, besides analyzing and comparing the time-domain and frequency-domain characteristics, the maximum modulus value of time-frequency domain wavelet coefficients is also analyzed. The aim of this paper is to find out the characteristic quantity which is the most effective representation of EMG motion classification. The experimental results show that the maximum modulus value of wavelet coefficients has the most characteristic separability and the discrimination effect is ideal.
【作者單位】： 哈爾濱理工大學(xué)自動(dòng)化學(xué)院;黑龍江科技大學(xué)機(jī)械工程學(xué)院;
【基金】：國(guó)家”863”重大項(xiàng)目子課題高性能仿人型假手(2009AA043803) 哈爾濱市科技創(chuàng)新人才基金(2009RFQGG207) 黑龍江省研究生創(chuàng)新科研基金(YJSCX2009-059HLJ)
【分類號(hào)】：TN911.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊征;;一種改進(jìn)的無損可逆時(shí)頻聯(lián)合特征提取算法[J];科技通報(bào);2014年06期

2 黃喜斌;陸世康;;地聲監(jiān)測(cè)及識(shí)別[J];宇航計(jì)測(cè)技術(shù);1991年05期

3 王金甲;張玲智;;核共空域子空間分解特征提取算法研究[J];中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào);2012年03期

4 楊予昊;陳亞偉;;基于Wigner-Ville平面相關(guān)函數(shù)的微動(dòng)特征提取算法[J];現(xiàn)代雷達(dá);2014年08期

5 徐文良;葉明;;空域相關(guān)濾波在下肢表面肌電信號(hào)中的應(yīng)用[J];機(jī)電工程;2009年09期

6 滕燕;王士允;尹振全;李小寧;;表面肌電信號(hào)采集與處理系統(tǒng)研究[J];機(jī)床與液壓;2013年23期

7 ;模式識(shí)別[J];電子科技文摘;2002年08期

8 曾黃麟;;一類新的模式識(shí)別聯(lián)想神經(jīng)網(wǎng)絡(luò)[J];電訊技術(shù);1992年01期

9 張宇波;聲音模式識(shí)別過程及方法研究[J];電子質(zhì)量;2004年05期

10 呂俊;;基于頭皮和表面肌電信號(hào)假手控制系統(tǒng)[J];電子科技;2011年07期

相關(guān)會(huì)議論文 前4條

1 曹思遠(yuǎn);牟永光;;小波變換與信號(hào)分解[A];1992年中國(guó)地球物理學(xué)會(huì)第八屆學(xué)術(shù)年會(huì)論文集[C];1992年

2 張霖;錢敏;葛軍;;幾種典型環(huán)節(jié)的小波變換研究[A];1996年中國(guó)控制會(huì)議論文集[C];1996年

3 魯昌華;汪濟(jì)洲;;小波變換在通用DSP上的快速實(shí)現(xiàn)[A];第十七屆全國(guó)測(cè)控計(jì)量?jī)x器儀表學(xué)術(shù)年會(huì)（MCMI'2007）論文集（上冊(cè)）[C];2007年

4 李正東;何武良;鄭曉東;宋琛;彭文;成家源;裴春蘭;;小波變換在圖像目標(biāo)識(shí)別中的應(yīng)用[A];中國(guó)工程物理研究院科技年報(bào)（2000）[C];2000年

相關(guān)博士學(xué)位論文 前5條

1 李靖超;基于復(fù)雜度特征的通信輻射源個(gè)體識(shí)別[D];哈爾濱工程大學(xué);2014年

2 寧勇;多通道表面肌電信號(hào)分解的研究[D];浙江大學(xué);2014年

3 周勝靈;基于模式識(shí)別的太赫茲光譜建模及應(yīng)用研究[D];西南大學(xué);2017年

4 王利琴;心電信號(hào)波形檢測(cè)與心律失常分類研究[D];河北工業(yè)大學(xué);2014年

5 王麗榮;基于小波變換的目標(biāo)檢測(cè)方法研究[D];吉林大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 杜鵬飛;心電信號(hào)的預(yù)處理及特征提取算法研究[D];鄭州大學(xué);2015年

2 唐肖芳;面向運(yùn)動(dòng)想象的腦電信號(hào)特征選擇與特征提取算法研究[D];西南科技大學(xué);2015年

3 楊立波;雷達(dá)輻射源無意調(diào)制特征提取算法研究[D];電子科技大學(xué);2014年

4 周杭;基于交叉頻率掃描技術(shù)的腦機(jī)接口設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2015年

5 李會(huì);上肢表面肌電信號(hào)的特征分析方法研究[D];華僑大學(xué);2015年

6 孫光林;人體上肢表面肌電信號(hào)分析方法的研究[D];東北大學(xué);2013年

7 蘇芳茵;表面肌電信號(hào)分析及運(yùn)動(dòng)模式分類研究[D];華僑大學(xué);2016年

8 于亞萍;基于表面肌電信號(hào)的人體下肢動(dòng)作識(shí)別及關(guān)節(jié)力矩分析研究[D];蘇州大學(xué);2016年

9 林上耀;高密度表面肌電信號(hào)采集系統(tǒng)研究[D];浙江大學(xué);2016年

10 王濤;基于表面肌電信號(hào)的多自由度假肢控制算法及系統(tǒng)研究[D];重慶大學(xué);2016年

，

本文編號(hào)：2291870