本文關(guān)鍵詞：基于表面肌電信號的人體肘關(guān)節(jié)運動角度預測　出處：《上海師范大學》2017年碩士論文　論文類型：學位論文

  更多相關(guān)文章： 表面肌電信號 關(guān)節(jié)角度 特征提取 BP神經(jīng)網(wǎng)絡 遺傳算法

【摘要】：表面肌電(surface electromyography,sEMG)信號是從人體皮膚表面檢測到的生物電信號,它可以反映神經(jīng)以及肌肉的活動狀態(tài)。由于表面肌電信號的提取方式具有方便、準確、無創(chuàng)傷等優(yōu)點,在康復醫(yī)學、運動醫(yī)學及智能機器人等領(lǐng)域都有廣泛的研究與應用。目前通過表面肌電信號識別人體行為意圖的研究大多集中在對表面肌電信號進行模式識別,從而區(qū)分肢體不同的運動模式。而在某個單一的肢體動作模式中,肢體的運動狀態(tài)如運動速度、動作幅度和轉(zhuǎn)動角度等方面的研究較少。單純使用這種模式分類結(jié)果來控制假肢,無法實現(xiàn)假肢的關(guān)節(jié)像人體關(guān)節(jié)一樣可控。隨著信息科技的不斷發(fā)展,通過sEMG預測肢體的連續(xù)的運動狀態(tài),成為肌電信號控制仿生假肢技術(shù)研究的關(guān)鍵點。因此,本文以手臂肘關(guān)節(jié)運動的角度作為切入點,旨在研究基于sEMG的肘關(guān)節(jié)運動角度的預測方法,重點探究表面肌電信號的特征提取和肘關(guān)節(jié)運動角度的網(wǎng)絡預測方法。本文主要內(nèi)容包括:(1)信號采集系統(tǒng)的構(gòu)建。本文首先分析了sEMG的產(chǎn)生機理和特點,進而確定表面肌電信號和關(guān)節(jié)角度信號的測量方法。搭建表面肌電信號和關(guān)節(jié)角度的采集平臺,包括表面肌電儀、表面電極、MEMS傳感器,Xsens慣性追蹤設備以及表面肌電信號和角度信號的采集軟件。設計實驗方案,實現(xiàn)對sEMG和肘關(guān)節(jié)角度的采集。(2)信號的處理和特征分析。首先分析了表面肌電信號和可能混入的噪聲的主要頻率段,設計濾波器對采集到的原始信號進行濾波,在此基礎(chǔ)上進行特征分析,為了兼顧信號的時間和頻譜特性,從時域和頻域各提取了幾個比較有代表性的特征值,為肘關(guān)節(jié)運動角度的預測模型提供基礎(chǔ)。(3)肘關(guān)節(jié)運動角度預測。使用選定的sEMG特征值作為BP神經(jīng)網(wǎng)絡的輸入,將處理后的肘關(guān)節(jié)角度信號作為神經(jīng)網(wǎng)絡的輸出,構(gòu)建BP人工神經(jīng)網(wǎng)絡預測模型,然后把遺傳算法與BP神經(jīng)網(wǎng)絡結(jié)合建立改進的預測模型,具有較好的預測效果。實驗結(jié)果表明,基于BP神經(jīng)網(wǎng)絡預測的肘關(guān)節(jié)運動角度,與實際角度比較接近,平均誤差在8度左右。而經(jīng)過遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡的預測誤差有所下降,平均誤差從8度下降到了5度,與目前國內(nèi)的一些研究相比,預測效果有了較大的提升。這說明使用遺傳算法對BP神經(jīng)網(wǎng)絡進行改進,能夠減少誤差,從而有效提升預測精度。本文研究的人體肘關(guān)節(jié)運動角度預測方法,對人體的肩關(guān)節(jié)、膝關(guān)節(jié)等其他關(guān)節(jié)的角度預測具有一定的參考價值,還可以與肢體的離散動作模式分類方法相結(jié)合,應用到仿生假肢控制中。
[Abstract]:Surface electromyography (EMG) signals are bioelectrical signals detected from human skin surfaces. It can reflect the active state of nerve and muscle. Because the method of extracting surface EMG signal has the advantages of convenience, accuracy, no trauma and so on, it is in rehabilitation medicine. Sports medicine and intelligent robot have been widely studied and applied. At present, most of the researches on recognition of human behavior intention by surface EMG signal are focused on pattern recognition of surface EMG signal. In a single limb movement mode, the movement state of the limb is such as the speed of movement. With the development of information technology, the joint of prosthesis can not be controlled as human joints. The prediction of limb motion by sEMG becomes the key point in the research of EMG control biomimetic prosthesis. Therefore, the angle of arm elbow motion is taken as the starting point in this paper. The purpose of this paper is to study the prediction method of elbow motion angle based on sEMG. This paper focuses on the feature extraction of surface EMG signals and the network prediction method of elbow motion angle. The main contents of this paper are as follows: 1). The construction of signal acquisition system. Firstly, the mechanism and characteristics of sEMG are analyzed. Then the measurement method of surface EMG signal and joint angle signal is determined. The acquisition platform of surface EMG signal and joint angle is built, including surface electromyograph, surface electrode MEMS sensor. Xsens inertial tracking equipment and surface EMG signal and angle signal acquisition software. The signal processing and feature analysis of sEMG and elbow angle acquisition are realized. Firstly, the main frequency bands of surface EMG signal and possible noise are analyzed. The filter is designed to filter the original signal. On this basis, the characteristic analysis is carried out. In order to take into account the time and spectrum characteristics of the signal, several representative eigenvalues are extracted from the time domain and the frequency domain respectively. This paper provides the basis for the prediction model of elbow motion angle. The selected sEMG eigenvalue is used as the input of BP neural network. Using the processed angle signal of elbow joint as the output of neural network, the prediction model of BP artificial neural network is constructed, and then the improved prediction model is established by combining genetic algorithm with BP neural network. Experimental results show that the elbow motion angle predicted based on BP neural network is close to the actual angle. The average error is about 8 degrees, but the prediction error of BP neural network optimized by genetic algorithm has decreased, the average error has been reduced from 8 degrees to 5 degrees, compared with some domestic research. The prediction effect has been greatly improved. This shows that using genetic algorithm to improve BP neural network can reduce the error, thus effectively improve the prediction accuracy. This paper studies the prediction method of human elbow motion angle. It has certain reference value for the angle prediction of other joints such as shoulder joint and knee joint and can be combined with the discrete motion pattern classification method of limbs and applied to the control of biomimetic prosthesis.
【學位授予單位】：上海師范大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R496;TN911.7;TP18

【參考文獻】

相關(guān)期刊論文 前10條

1 薛方;;電針系統(tǒng)肌電信號采集及特征提取研究[J];中國醫(yī)療設備;2016年08期

2 卜峰;李傳江;陳佳佳;李歡;郭偉海;;基于ARM的肌電假肢手控制器[J];上海大學學報(自然科學版);2014年04期

3 丁其川;趙新剛;韓建達;;基于肌電信號的上肢多關(guān)節(jié)連續(xù)運動估計[J];機器人;2014年04期

4 葛忠明;楊彥;;殘疾人權(quán)益保障研究現(xiàn)狀與拓展[J];殘疾人研究;2012年04期

5 黃鵬程;楊慶華;鮑官軍;張立彬;;基于幅值立方和BP神經(jīng)網(wǎng)絡的表面肌電信號特征提取算法[J];中國機械工程;2012年11期

6 王德明;王莉;張廣明;;基于遺傳BP神經(jīng)網(wǎng)絡的短期風速預測模型[J];浙江大學學報(工學版);2012年05期

7 沈凌;喻洪流;;國內(nèi)外假肢的發(fā)展歷程[J];中國組織工程研究;2012年13期

8 谷秀川;呂廣明;;基于小波變換的肌電信號的多尺度分解[J];數(shù)學的實踐與認識;2010年24期

9 朱顯武;張東強;;肌電信號的預處理[J];北京生物醫(yī)學工程;2010年03期

10 王人成;金德聞;;仿生智能假肢的研究與進展[J];中國醫(yī)療器械信息;2009年01期

相關(guān)會議論文 前1條

1 卓大宏;;中國當代康復醫(yī)學發(fā)展的大趨勢——中國殘疾人康復協(xié)會第五屆學術(shù)會議報告[A];第20屆中國康協(xié)肢殘康復學術(shù)年會論文選集[C];2011年

相關(guān)博士學位論文 前3條

1 陳彥釗;基于sEMG信號的上肢自主康復訓練動作模式識別[D];山東大學;2015年

2 李慶玲;基于sEMG信號的外骨骼式機器人上肢康復系統(tǒng)研究[D];哈爾濱工業(yè)大學;2009年

3 宋全軍;人機接觸交互中人體肘關(guān)節(jié)運動意圖與力矩估計[D];中國科學技術(shù)大學;2007年

相關(guān)碩士學位論文 前10條

1 徐文墨;基于sEMG的上肢康復機器人控制系統(tǒng)研究[D];華北理工大學;2015年

2 高允領(lǐng);基于表面肌電信號的人手抓取動作模式識別技術(shù)研究[D];上海師范大學;2014年

3 王士允;基于表面肌電信號的膝關(guān)節(jié)康復機器人控制技術(shù)研究[D];南京理工大學;2013年

4 鄭鑫;基于表面肌電信號的手臂運動模式識別方法研究[D];吉林大學;2012年

5 孫欣;基于表面肌電信號定量辨識的上肢康復機器人運動控制[D];哈爾濱工業(yè)大學;2010年

6 劉南庚;面向仿人手的表面肌電信號的模式識別研究[D];上海交通大學;2008年

7 時改杰;動作表面肌電信號的特征提取方法研究[D];上海交通大學;2008年

8 楊晶晶;基于肌電信號的人體上肢動作辨識與軌跡預測方法研究[D];天津大學;2006年

9 史穎;人體關(guān)節(jié)角的測量及基于SEMG信號識別的神經(jīng)網(wǎng)絡預測[D];天津大學;2005年

10 毛玲;基于GA—BP算法的模糊網(wǎng)絡分類器在ECG自動識別中的應用研究[D];國防科學技術(shù)大學;2003年

，

本文編號：1431587