表面肌電信號(Surface Electromyography,sEMG)是人體肌肉收縮時(shí),運(yùn)動單元動作電位序列(Motor Unit Action Potential Train,MUAPT)在檢測電極處疊加形成的混合信號。通過對sEMG信號的分析可以準(zhǔn)確的得知人體的運(yùn)動意圖,同時(shí),因其具有易于采集,無創(chuàng)等優(yōu)點(diǎn)而被廣泛的應(yīng)用于假肢控制、人機(jī)交互等領(lǐng)域。當(dāng)前研究者利用sEMG信號來分析人體運(yùn)動意圖的研究以人工設(shè)計(jì)肌電信號特征為主,良好的特征設(shè)計(jì)在研究中會起到事半功倍的作用,然而,目前的特征已經(jīng)涵蓋時(shí)域、頻域,時(shí)頻域、新的特征設(shè)計(jì)將變得困難,另一方面,深度神經(jīng)網(wǎng)絡(luò)可以自動提取特征,為此,本文根據(jù)sEMG信號的特點(diǎn),結(jié)合深度學(xué)習(xí),提出了幾種分類sEMG信號的模型。首先,針對sEMG信號屬于時(shí)序信號,本文通過結(jié)合具有長短期記憶單元的LSTM和卷積神經(jīng)網(wǎng)絡(luò)(CNN)兩種網(wǎng)絡(luò)的優(yōu)點(diǎn),提出了可以直接從原始sEMG信號推斷人體運(yùn)動意圖的LCNN網(wǎng)絡(luò)和CNN-LSTM網(wǎng)絡(luò)。其中的LSTM模塊用于提取信號中的時(shí)序信息,而CNN模塊用于對信號進(jìn)行特征提取。其次,CNN網(wǎng)絡(luò)對圖像具有很強(qiáng)的抽象特征提取能力,...

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景和意義
    1.2 肌電信號的產(chǎn)生及特點(diǎn)
    1.3 研究現(xiàn)狀及發(fā)展趨勢
        1.3.1 肌電信號識別方法研究現(xiàn)狀
        1.3.2 深度學(xué)習(xí)識別方法研究現(xiàn)狀
    1.4 論文主要研究內(nèi)容
    1.5 論文結(jié)構(gòu)安排
第2章 肌電信號識別方法
    2.1 肌電信號特征提取
        2.1.1 時(shí)域特征
        2.1.2 頻域分析方法
        2.1.3 時(shí)頻域特征
    2.2 肌電信號典型分類方法
    2.3 深度學(xué)習(xí)方法類型
    2.4 本章小結(jié)
第3章 基于深度學(xué)習(xí)的肌電信號分類模型設(shè)計(jì)與驗(yàn)證
    3.1 肌電信號分類問題描述
    3.2 模型結(jié)構(gòu)
        3.2.1 Batch Normalization
        3.2.2 CNN-LSTM模型
        3.2.3 LCNN模型
        3.2.4 EMGNet模型
    3.3 實(shí)驗(yàn)驗(yàn)證
        3.3.1 采集界面介紹
        3.3.2 數(shù)據(jù)采集與預(yù)處理
        3.3.3 實(shí)驗(yàn)設(shè)定
        3.3.4 實(shí)驗(yàn)結(jié)果與分析
        3.3.5 智能鼠標(biāo)實(shí)驗(yàn)
    3.4 本章小結(jié)
第4章 肌電信號分類對比實(shí)驗(yàn)
    4.1 表面肌電信號特征組合
    4.2 實(shí)驗(yàn)結(jié)果及分析
        4.2.1 MyoDataset數(shù)據(jù)集
        4.2.2 MyoArmbandDataset數(shù)據(jù)集
        4.2.3 DB5 數(shù)據(jù)集
        4.2.4 EMGNet模型驗(yàn)證
    4.3 本章小結(jié)
第5章 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 本課題工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果
致謝



本文編號：3818378