本文關(guān)鍵詞：基于AdaBoost算法的手部動作表面肌電信號分類方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：表面肌電信號是一種從肌肉表面通過表面電極采集的生物電信號，它在一定程度上能夠反映出肌肉的功能以及動作狀態(tài)。從表面肌電信號準確地提取信號的主要運動特征信息并完成動作識別是表面肌電信號研究的關(guān)鍵性問題。本文針對日常的手部動作識別分類問題，研究表面肌電信號的特征提取和模式識別。本文研究工作有以下幾個方面： 1.閱讀大量有關(guān)肌電信號，模式識別分類及優(yōu)化算法的論文，了解表面肌電信號的理論基礎(chǔ)、產(chǎn)生機制，以及近些年國內(nèi)外在肌電假肢、肌電信號分類方法問題上的研究進展。 2.根據(jù)局部解剖學(xué)，確定與所選手部動作有關(guān)的肌肉作為表面肌電信號采集源，通過MQ-8肌電信號采集儀完成四種手部動作信號的采集。由于采集的原始肌電信號中含有許多噪聲干擾，本文軟件上設(shè)計高通、低通濾波器，陷波器完成對原始肌電信號的去噪處理，保留有效的肌電信號；采集的連續(xù)肌電信號不方便對信號進行特征提取，本文采用移動窗能量判別法對其進行截取處理。對采集的原始肌電信號進行預(yù)處理，有助于四種動作肌電信號的模式識別。 3.對表面肌電信號在時域、頻域、時頻域三個方面特征提取，通過三者比較選擇能夠清晰分辨四種動作的特征，作為表面肌電信號模式識別的依據(jù)。本文利用小波包分析，選擇小波包系數(shù)方差作為特征向量用來區(qū)分四種動作的特征向量，在盡量減少特征向量數(shù)量的情況下，同時保證分類效果。 4.根據(jù)常見的分類算法，選擇適合于表面肌電信號模式識別分類的方法，研究BP神經(jīng)網(wǎng)絡(luò)、SVM算法、AdaBoost算法、以及對AdaBoost算法的改進。本文利用BP神經(jīng)網(wǎng)絡(luò)、SVM算法、AdaBoost算法作為對比實驗，，計算三種方法對四種動作的識別率，分析AdaBoost算法在表面肌電信號動作分類的優(yōu)勢，以及AdaBoost算法在疲勞肌電信號干擾下的識別能力，同時，計算各種算法完成動作分類的迭代次數(shù)。 5.進行了仿真實驗，結(jié)果表明，本文研究的AdaBoost算法在表面肌電信號在訓(xùn)練的過程中，保證準確率的同時，對疲勞狀態(tài)下的識別也有很好的效果，達到了論文預(yù)期目的。
【關(guān)鍵詞】：表面肌電信號 小波包分析 AdaBoost算法 模式識別
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：R318.03;TN911.3
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-18
• 1.1 課題來源10
• 1.2 課題研究背景與意義10-12
• 1.3 國內(nèi)外研究現(xiàn)狀12-14
• 1.3.1 肌電假肢控制的研究現(xiàn)狀12-14
• 1.3.2 表面肌電信號分類的研究現(xiàn)狀14
• 1.4 本文主要工作與結(jié)構(gòu)安排14-18
• 1.4.1 本文主要工作14-15
• 1.4.2 本文結(jié)構(gòu)安排15-18
• 第2章 表面肌電信號的產(chǎn)生機理及采集18-28
• 2.1 表面肌電信號的概述與產(chǎn)生機理18-19
• 2.2 表面肌電信號的特點19-20
• 2.3 肌電信號的數(shù)學(xué)模型20-21
• 2.4 表面肌電信號的采集21-27
• 2.4.1 表面肌電信號采集儀21-22
• 2.4.2 電極的選擇22-23
• 2.4.3 手部動作的肌肉選擇23-24
• 2.4.4 表肌電信號的采集24-27
• 2.5 本章小結(jié)27-28
• 第3章 表面肌電信號處理與特征提取方法研究28-44
• 3.1 表面肌電信號去噪28-30
• 3.2 連續(xù)肌電信號截取30-32
• 3.3 肌電信號特征提取方法32-42
• 3.3.1 時域特征提取32-34
• 3.3.2 頻域特征提取34-35
• 3.3.3 時頻域特征提取35-42
• 3.4 本章小結(jié)42-44
• 第4章 表面肌電信號分類方法研究44-58
• 4.1 人工神經(jīng)網(wǎng)絡(luò)44-46
• 4.2 BP 神經(jīng)網(wǎng)絡(luò)46-48
• 4.3 SVM 算法48-49
• 4.4 AdaBoost 算法49-51
• 4.5 AdaBoost 算法網(wǎng)絡(luò)設(shè)計51-56
• 4.6 本章小結(jié)56-58
• 第5章 表面肌電信號模式識別實驗58-68
• 5.1 實驗設(shè)計58-59
• 5.2 模式識別結(jié)果分析59-66
• 5.2.1 BP 神經(jīng)網(wǎng)絡(luò)隱函層節(jié)點數(shù)識別率分析59-61
• 5.2.2 AdaBoost 算法弱分類器個數(shù)識別率分析61-62
• 5.2.3 表面肌電信號三種分類方法識別率62-63
• 5.2.4 AdaBoost 算法與 BP 神經(jīng)網(wǎng)絡(luò)誤差63-64
• 5.2.5 疲勞肌電信號干擾的 AdaBoost 算法分類識別64-66
• 5.2.6 AdaBoost 算法與 BP 神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)66
• 5.3 本章小結(jié)66-68
• 第6章 總結(jié)與展望68-70
• 6.1 總結(jié)68
• 6.2 展望68-70
• 參考文獻70-76
• 作者簡介76-78
• 致謝78

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊廣映,羅志增;肌電信號的功率譜分析方法[J];傳感技術(shù)學(xué)報;2004年03期

2 加玉濤;羅志增;;肌電信號特征提取方法綜述[J];電子器件;2007年01期

3 梁政,楊基海,錢曉進,陳香,葉xC,榮蓓鈺,譚春祥,馮煥清;基于時頻分布的表面肌電信號瞬時中值頻率的研究[J];航天醫(yī)學(xué)與醫(yī)學(xué)工程;2004年01期

4 葉明;孫承奎;馬文杰;;基于Hilbert-Huang邊際譜的肌電信號特征提取[J];機電工程;2008年09期

5 張禹;馬駟良;張忠波;韓笑;;基于AdaBoost算法與神經(jīng)網(wǎng)絡(luò)的快速虹膜檢測與定位算法[J];吉林大學(xué)學(xué)報(理學(xué)版);2006年02期

6 董元方;李雄飛;李軍;李巍;;XML文檔分類的IL-AdaBoost算法[J];吉林大學(xué)學(xué)報(工學(xué)版);2011年04期

7 郭喬進;李立斌;李寧;;一種用于不平衡數(shù)據(jù)分類的改進AdaBoost算法[J];計算機工程與應(yīng)用;2008年21期

8 楊曉帆;陳廷槐;;人工神經(jīng)網(wǎng)絡(luò)固有的優(yōu)點和缺點[J];計算機科學(xué);1994年02期

9 劉伊威;趙京東;;機器人靈巧手的研究與發(fā)展[J];機械傳動;2009年04期

10 蔡立羽,王志中,劉瑜;基于盲辨識理論的雙通道肌電信號建模與分類[J];上海交通大學(xué)學(xué)報;2000年11期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 蘭天;多指仿人機器人靈巧手的同步控制研究[D];哈爾濱工業(yè)大學(xué);2010年

2 李陽;智能仿生手臂肌電信號—運動模型化與模式識別理論方法研究[D];吉林大學(xué);2012年

  本文關(guān)鍵詞：基于AdaBoost算法的手部動作表面肌電信號分類方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：289466