生物電信號能夠為人機交互提供更加自然、便捷以及有效的連接方式。但是,基于傳統(tǒng)機器學(xué)習(xí)的肌電模式識別研究中,肌電特征種類和特征集維度的上升將導(dǎo)致分類模型的泛化性降低。并且,考慮到智能模型的識別效果過度依賴肌電特征提取方法的優(yōu)劣性,而在實際應(yīng)用中,由于手勢類別多樣化,現(xiàn)有手工特征提取方法結(jié)合傳統(tǒng)機器學(xué)習(xí)模型依舊很難充分區(qū)分相似手勢之間的細微差別。因此,開展結(jié)合高維特征集約簡的肌電模式識別研究具有重要的意義。針對以上問題,本文以NinaPro DB1肌電數(shù)據(jù)集為研究對象,利用32種肌電特征提取方法,以肌電特征選擇算法、深度學(xué)習(xí)為研究基礎(chǔ),開展結(jié)合最佳肌電特征集和深度卷積神經(jīng)網(wǎng)絡(luò)的肌電模式識別框架研究。本文主要研究工作包括:(1)針對肌電模式識別的原始數(shù)據(jù)來源不一、肌電特征提取種類繁多的問題,采用NinaPro DB1肌電子集作為原始肌電信號數(shù)據(jù)集,并進行信號預(yù)處理,最后提取上述數(shù)據(jù)集中32種時域及頻域肌電特征,組建原始肌電特征集供后續(xù)特征選擇所需。(2)針對目前肌電特征集維度較高的問題,提出雙向遞歸特征選擇算法,通過前向動態(tài)遞歸特征選擇算法確定具有最大相關(guān)性的候選肌電特征集,并結(jié)合后向動態(tài)過...

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 課題相關(guān)國內(nèi)外研究現(xiàn)狀
        1.2.1 表面肌電信號特征提取的國內(nèi)外研究現(xiàn)狀
        1.2.2 表面肌電信號特征選擇的國內(nèi)外研究現(xiàn)狀
        1.2.3 基于深度學(xué)習(xí)的肌電模式識別國內(nèi)外研究現(xiàn)狀
    1.3 主要研究內(nèi)容
第2章 基于表面肌電信號的特征提取
    2.1 表面肌電信號的獲取
    2.2 表面肌電信號的預(yù)處理
    2.3 表面肌電信號的特征提取分析
        2.3.1 表面肌電信號時域特征的選取
        2.3.2 表面肌電信號頻域特征的選取
    2.4 本章小結(jié)
第3章 雙向遞歸肌電特征選擇算法
    3.1 肌電特征子集的選擇方法及評價方式
        3.1.1 過濾式特征選擇方法
        3.1.2 嵌入式特征選擇方法
    3.2 基于肌電特征選擇的子集評價模型
        3.2.1 k近鄰模型
        3.2.2 支持向量機模型
        3.2.3 隨機森林模型
    3.3 雙向遞歸肌電特征選擇算法
        3.3.1 基于最大相關(guān)的前向動態(tài)遞歸特征選擇
        3.3.2 基于最小冗余的后向動態(tài)過濾特征選擇
    3.4 算法的仿真實驗
        3.4.1 前向動態(tài)遞歸特征選擇算法的實驗仿真驗證
        3.4.2 后向動態(tài)過濾特征選擇算法的實驗仿真驗證
        3.4.3 雙向遞歸肌電特征選擇算法的實驗仿真驗證
    3.5 本章小結(jié)
第4章 基于卷積神經(jīng)網(wǎng)絡(luò)的肌電模式識別
    4.1 肌電圖像的構(gòu)建
    4.2 基于卷積神經(jīng)網(wǎng)絡(luò)的手勢預(yù)測模型
    4.3 預(yù)測模型的仿真實驗
        4.3.1 不同網(wǎng)絡(luò)參數(shù)下的實驗結(jié)果對比及分析
        4.3.2 不同網(wǎng)絡(luò)輸入下的實驗結(jié)果對比及分析
        4.3.3 不同實驗方法下的實驗結(jié)果對比及分析
    4.4 本章小結(jié)
第5章 全文總結(jié)與展望
    5.1 全文總結(jié)
    5.2 展望
致謝
參考文獻
附錄1 攻讀碩士學(xué)位期間的成果
附錄2 攻讀碩士學(xué)位期間參加的科研項目



本文編號：3756122