本文關(guān)鍵詞：基于表面肌電信號(hào)的人體肘關(guān)節(jié)運(yùn)動(dòng)角度預(yù)測(cè)　出處：《上海師范大學(xué)》2017年碩士論文　論文類(lèi)型：學(xué)位論文

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

【摘要】：表面肌電(surface electromyography,sEMG)信號(hào)是從人體皮膚表面檢測(cè)到的生物電信號(hào),它可以反映神經(jīng)以及肌肉的活動(dòng)狀態(tài)。由于表面肌電信號(hào)的提取方式具有方便、準(zhǔn)確、無(wú)創(chuàng)傷等優(yōu)點(diǎn),在康復(fù)醫(yī)學(xué)、運(yùn)動(dòng)醫(yī)學(xué)及智能機(jī)器人等領(lǐng)域都有廣泛的研究與應(yīng)用。目前通過(guò)表面肌電信號(hào)識(shí)別人體行為意圖的研究大多集中在對(duì)表面肌電信號(hào)進(jìn)行模式識(shí)別,從而區(qū)分肢體不同的運(yùn)動(dòng)模式。而在某個(gè)單一的肢體動(dòng)作模式中,肢體的運(yùn)動(dòng)狀態(tài)如運(yùn)動(dòng)速度、動(dòng)作幅度和轉(zhuǎn)動(dòng)角度等方面的研究較少。單純使用這種模式分類(lèi)結(jié)果來(lái)控制假肢,無(wú)法實(shí)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(guò)sEMG預(yù)測(cè)肢體的連續(xù)的運(yùn)動(dòng)狀態(tài),成為肌電信號(hào)控制仿生假肢技術(shù)研究的關(guān)鍵點(diǎn)。因此,本文以手臂肘關(guān)節(jié)運(yùn)動(dòng)的角度作為切入點(diǎn),旨在研究基于sEMG的肘關(guān)節(jié)運(yùn)動(dòng)角度的預(yù)測(cè)方法,重點(diǎn)探究表面肌電信號(hào)的特征提取和肘關(guān)節(jié)運(yùn)動(dòng)角度的網(wǎng)絡(luò)預(yù)測(cè)方法。本文主要內(nèi)容包括:(1)信號(hào)采集系統(tǒng)的構(gòu)建。本文首先分析了sEMG的產(chǎn)生機(jī)理和特點(diǎn),進(jìn)而確定表面肌電信號(hào)和關(guān)節(jié)角度信號(hào)的測(cè)量方法。搭建表面肌電信號(hào)和關(guān)節(jié)角度的采集平臺(tái),包括表面肌電儀、表面電極、MEMS傳感器,Xsens慣性追蹤設(shè)備以及表面肌電信號(hào)和角度信號(hào)的采集軟件。設(shè)計(jì)實(shí)驗(yàn)方案,實(shí)現(xiàn)對(duì)sEMG和肘關(guān)節(jié)角度的采集。(2)信號(hào)的處理和特征分析。首先分析了表面肌電信號(hào)和可能混入的噪聲的主要頻率段,設(shè)計(jì)濾波器對(duì)采集到的原始信號(hào)進(jìn)行濾波,在此基礎(chǔ)上進(jìn)行特征分析,為了兼顧信號(hào)的時(shí)間和頻譜特性,從時(shí)域和頻域各提取了幾個(gè)比較有代表性的特征值,為肘關(guān)節(jié)運(yùn)動(dòng)角度的預(yù)測(cè)模型提供基礎(chǔ)。(3)肘關(guān)節(jié)運(yùn)動(dòng)角度預(yù)測(cè)。使用選定的sEMG特征值作為BP神經(jīng)網(wǎng)絡(luò)的輸入,將處理后的肘關(guān)節(jié)角度信號(hào)作為神經(jīng)網(wǎng)絡(luò)的輸出,構(gòu)建BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,然后把遺傳算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合建立改進(jìn)的預(yù)測(cè)模型,具有較好的預(yù)測(cè)效果。實(shí)驗(yàn)結(jié)果表明,基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的肘關(guān)節(jié)運(yùn)動(dòng)角度,與實(shí)際角度比較接近,平均誤差在8度左右。而經(jīng)過(guò)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差有所下降,平均誤差從8度下降到了5度,與目前國(guó)內(nèi)的一些研究相比,預(yù)測(cè)效果有了較大的提升。這說(shuō)明使用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),能夠減少誤差,從而有效提升預(yù)測(cè)精度。本文研究的人體肘關(guān)節(jié)運(yùn)動(dòng)角度預(yù)測(cè)方法,對(duì)人體的肩關(guān)節(jié)、膝關(guān)節(jié)等其他關(guān)節(jié)的角度預(yù)測(cè)具有一定的參考價(jià)值,還可以與肢體的離散動(dòng)作模式分類(lèi)方法相結(jié)合,應(yīng)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(xué)位授予單位】：上海師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：R496;TN911.7;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 薛方;;電針系統(tǒng)肌電信號(hào)采集及特征提取研究[J];中國(guó)醫(yī)療設(shè)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(xué)學(xué)報(bào)(自然科學(xué)版);2014年04期

3 丁其川;趙新剛;韓建達(dá);;基于肌電信號(hào)的上肢多關(guān)節(jié)連續(xù)運(yùn)動(dòng)估計(jì)[J];機(jī)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(luò)的表面肌電信號(hào)特征提取算法[J];中國(guó)機(jī)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(luò)的短期風(fēng)速預(yù)測(cè)模型[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2012年05期

7 沈凌;喻洪流;;國(guó)內(nèi)外假肢的發(fā)展歷程[J];中國(guó)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(hào)的多尺度分解[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2010年24期

9 朱顯武;張東強(qiáng);;肌電信號(hào)的預(yù)處理[J];北京生物醫(yī)學(xué)工程;2010年03期

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

相關(guān)會(huì)議論文 前1條

1 卓大宏;;中國(guó)當(dāng)代康復(fù)醫(yī)學(xué)發(fā)展的大趨勢(shì)——中國(guó)殘疾人康復(fù)協(xié)會(huì)第五屆學(xué)術(shù)會(huì)議報(bào)告[A];第20屆中國(guó)康協(xié)肢殘康復(fù)學(xué)術(shù)年會(huì)論文選集[C];2011年

相關(guān)博士學(xué)位論文 前3條

1 陳彥釗;基于sEMG信號(hào)的上肢自主康復(fù)訓(xùn)練動(dòng)作模式識(shí)別[D];山東大學(xué);2015年

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

3 宋全軍;人機(jī)接觸交互中人體肘關(guān)節(jié)運(yùn)動(dòng)意圖與力矩估計(jì)[D];中國(guó)科學(xué)技術(shù)大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

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

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

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

4 鄭鑫;基于表面肌電信號(hào)的手臂運(yùn)動(dòng)模式識(shí)別方法研究[D];吉林大學(xué);2012年

5 孫欣;基于表面肌電信號(hào)定量辨識(shí)的上肢康復(fù)機(jī)器人運(yùn)動(dòng)控制[D];哈爾濱工業(yè)大學(xué);2010年

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

7 時(shí)改杰;動(dòng)作表面肌電信號(hào)的特征提取方法研究[D];上海交通大學(xué);2008年

8 楊晶晶;基于肌電信號(hào)的人體上肢動(dòng)作辨識(shí)與軌跡預(yù)測(cè)方法研究[D];天津大學(xué);2006年

9 史穎;人體關(guān)節(jié)角的測(cè)量及基于SEMG信號(hào)識(shí)別的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[D];天津大學(xué);2005年

10 毛玲;基于GA—BP算法的模糊網(wǎng)絡(luò)分類(lèi)器在ECG自動(dòng)識(shí)別中的應(yīng)用研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2003年

，

本文編號(hào)：1431587