發(fā)布時間：2017-10-22 13:32

  本文關鍵詞：表面肌電信號分析及運動模式分類研究

  更多相關文章： 表面肌電信號 獨立分量分析 高斯過程模型 支持向量機

【摘要】：表面肌電信號(surface electromyography signal,sEMG)是人體神經(jīng)控制肌肉收縮時產(chǎn)生的生物電信號在皮膚表層的疊加,這種安全易獲取的無創(chuàng)性信號可以作為控制信號源廣泛應用在智能機械手臂領域。目前對于肌電信號作為智能機械手臂控制源的研究還存在以下幾個主要問題:1)表面肌電信號在采集過程中會受到較強的噪聲干擾,傳統(tǒng)的模擬濾波器去噪效果不理想;2)在表面肌電信號的采集處理過程中會造成信號的滯后,無法滿足對智能機械手臂控制的實時性;3)一般的特征分類器對于上臂多模式的動作識別率較低,影響智能機械手臂的精確控制。鑒于此,本文提出了更適用的處理算法來優(yōu)化信號控制源,對sEMG采集去噪、預測分析,對上臂多模式動作分類進行識別。1)在小波去噪的基礎上,提出了獨立分量分析結(jié)合小波的去噪方法,并與傳統(tǒng)濾波器和小波去噪進行了對比,定量分析顯示前者效果最好,既濾除了噪音信號也保留住有用信號;2)對表面肌電信號采用高斯過程模型結(jié)合小波回歸建立數(shù)學模型,其預測效果較佳;3)采用神經(jīng)網(wǎng)絡分類器和支持向量機分類器對其進行分類,分類結(jié)果表明,支持向量機分類器優(yōu)于神經(jīng)網(wǎng)絡分類器,而在神經(jīng)網(wǎng)絡中,動量BP法和LM算法比傳統(tǒng)的BP網(wǎng)絡分類效果好。本文通過MATLAB的實時工作空間搭建了表面肌電信號的數(shù)據(jù)采集系統(tǒng),完成了對上臂八種不同動作的表面肌電信號采集工作,利用獨立分量分析結(jié)合小波的去噪方法濾波;根據(jù)該微信號的特有品質(zhì),對其進行高斯過程回歸建模,并將預測結(jié)果進行時域、頻域和時頻域分析提取特征值;最后通過支持向量機分類器對提取的特征向量進行動作模式分類。本文的設計方案不僅改善了信號的信噪比和實時性,還提高了動作模式的識別率。
【關鍵詞】：表面肌電信號 獨立分量分析 高斯過程模型 支持向量機
【學位授予單位】：華僑大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R49;TN911.6
【目錄】：

• 摘要3-4
• Abstract4-9
• 第1章 緒論9-17
• 1.1 課題研究背景及意義9-10
• 1.2 本課題相關內(nèi)容研究現(xiàn)狀10-14
• 1.2.1 表面肌電信號采集研究現(xiàn)狀10-11
• 1.2.2 表面肌電信號預處理研究現(xiàn)狀11-12
• 1.2.3 表面肌電信號特征提取研究現(xiàn)狀12-14
• 1.2.4 表面肌電信號分類識別研究現(xiàn)狀14
• 1.3 表面肌電信號處理存在問題14-15
• 1.4 主要研究內(nèi)容及章節(jié)安排15-17
• 第2章 表面肌電信號采集和預處理17-41
• 2.1 表面肌電信號的相關特征17-22
• 2.1.1 表面肌電信號的產(chǎn)生原理17-18
• 2.1.2 肌電信號數(shù)學模型18-22
• 2.1.3 表面肌電信號具有的特點22
• 2.2 表面肌電信號的采集22-28
• 2.2.1 實驗采集系統(tǒng)23-25
• 2.2.2 信號采集實驗方案25-28
• 2.3 表面肌電信號預處理28-40
• 2.3.1 肌電中噪聲來源28
• 2.3.2 數(shù)字濾波器設計28-31
• 2.3.3 小波變換去噪31-35
• 2.3.4 小波結(jié)合獨立分量分析去噪35-38
• 2.3.5 去噪效果分析38-40
• 2.4 本章小結(jié)40-41
• 第3章 表面肌電信號的建模預測41-51
• 3.1 表面肌電信號建模研究41-45
• 3.1.1 肌電信號物理性建模41-43
• 3.1.2 基于AR參數(shù)模型建模43-44
• 3.1.3 基于傅里葉級數(shù)建模44-45
• 3.2 基于高斯過程的肌電信號建模45-47
• 3.2.1 高斯過程理論45-46
• 3.2.2 高斯過程建模46-47
• 3.3 小波變換結(jié)合高斯模型47-48
• 3.4 模型預測結(jié)果48-50
• 3.4.1 GP模型預測結(jié)果48-49
• 3.4.2 WT-GP模型預測結(jié)果49-50
• 3.5 本章小結(jié)50-51
• 第4章 表面肌電信號特征提取51-65
• 4.1 傳統(tǒng)信號特征提取方法51-52
• 4.1.1 時域分析特征提取方法51-52
• 4.1.2 頻域分析特征提取方法52
• 4.2 時頻域特征提取方法52-54
• 4.2.1 小波分析53
• 4.2.2 多分辨率小波分析53-54
• 4.3 特征提取結(jié)果分析54-64
• 4.3.1 時域特征提取分析54-55
• 4.3.2 頻域特征分析55-57
• 4.3.3 小波特征分析57-63
• 4.3.4 特征向量的確定63-64
• 4.4 本章小結(jié)64-65
• 第5章 表面肌電信號動作識別研究65-77
• 5.1 動作識別分類器65-66
• 5.2 BP神經(jīng)網(wǎng)絡分類器66-70
• 5.2.1 BP標準算法67-68
• 5.2.2 改進BP算法68-69
• 5.2.3 BP神經(jīng)網(wǎng)絡設計69-70
• 5.3 支持向量機分類器70-71
• 5.3.1 支持向量機原理70
• 5.3.2 多類支持向量分類機70-71
• 5.4 實驗結(jié)果分析71-75
• 5.5 本章小結(jié)75-77
• 第6章 總結(jié)與展望77-79
• 6.1 工作總結(jié)77-78
• 6.2 本課題研究展望78-79
• 參考文獻79-83
• 致謝83-85
• 個人簡歷、在學期間發(fā)表的學術論文與研究成果85

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 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

2 劉南庚;雷敏;;基于小波和非線性指標的表面肌電信號動作特征分析[J];中國組織工程研究與臨床康復;2008年17期

3 蔡立羽,王志中,張海虹;基于短時傅里葉變換的肌電信號識別方法[J];中國醫(yī)療器械雜志;2000年03期

，

本文編號：1078619