【摘要】：手是人體運動最靈活的器官之一,手部動作研究一直是康復(fù)醫(yī)療領(lǐng)域中一個值得關(guān)注的研究內(nèi)容�，F(xiàn)在的智能假手只模擬肢體的閉合、張開等簡單動作,不能進(jìn)行精細(xì)動作模擬。而應(yīng)用高密度表面肌電(High Density surface EMG,HD-sEMG)信號采集系統(tǒng),能克服傳統(tǒng)表面電極無法識別肌肉群sEMG信號的缺點。較多通道能檢測覆蓋在限定皮膚區(qū)域的肌肉電信號,獲取整塊肌肉活動區(qū)域sEMG信號的時域和空間域分布信息,利于對精細(xì)動作sEMG信號的解析。由于人體手部運動尤其手指的EMG信號解析較困難,本文提出一種針對手指精細(xì)化動作的HD-sEMG信號解析方法,對實驗者手指四種不同彎曲角度(15°,45°,70°和90°)時指淺屈肌的HD-sEMG信號進(jìn)行解析。在本研究中,首先,將16通道HD-sEMG電極置于指淺屈肌上進(jìn)行HD-sEMG信號采集。在數(shù)據(jù)預(yù)處理方面,分別應(yīng)用主成分分析(Principle Components Analysis,PCA)、快速獨立元分析(Independent Components Analysis,ICA)和多類別共同空間模式(Multiclass Common Spatial Patterns,Multiclass CSP)對采集的HD-sEMG信號進(jìn)行空間濾波,以減少冗余信息,降低數(shù)據(jù)維數(shù),并求得分離矩陣以實現(xiàn)對原始信息的重構(gòu)。為了減少通道數(shù)量,即將肌肉電信號較強的通道從原通道中篩選出來,提出基于Multiclass CSP通道間互信息最大化的通道選擇方法,并將通道按互信息最大化進(jìn)行降序排列。其次,在特征提取方面,分別提取預(yù)處理后HD-sEMG信號的時域、頻域和經(jīng)小波包變換(Wavelet Packet Transform,WPT)分解后的時頻域特征。此外,將經(jīng)小波包變換分解后的時頻域特征與基于互信息最大化的通道選擇算法提取的HD-sEMG信號的空間特征相結(jié)合,對以上特征集進(jìn)行比較分析可得,時-空-頻域相結(jié)合的特征集對手指四種動作模式具有更明顯的特征表示。最后,將不同空間濾波數(shù)據(jù)的時頻域特征與時-空-頻域特征相結(jié)合的特征集訓(xùn)練線性判別分析(Linear discriminant analysis,LDA)、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)和支持向量機(Support Vector Machine,SVM)三種分類器,得出采用時-空-頻域特征相結(jié)合的支持向量機分類器,當(dāng)僅選擇5路原信號通道時,便能達(dá)到86.7%的識別率。
【學(xué)位授予單位】：沈陽工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TN911.7;R496
【圖文】：

圖 1.1 手部姿態(tài)Fig. 1.1 Hand Gesture研究人員青睞于高密度電極進(jìn)行sEMG感知點，捕獲了單塊肌肉或肌肉群活相對應(yīng)的激活區(qū)域的地形圖。在相對

腕部上下左右 4 種運動模式以及手部開合 2 種模面肌電（High Density surface EMG, HD-sEMG）信號G 信號，應(yīng)用線性判別分析(Linear discriminant analysiMulticlass Common Spatial Patterns, Multiclass CSP）算識別，還得到了手指的力運動信息，與普通的低密集電極可呈現(xiàn)肌肉電信號位置，從而獲得更多的 EMG隊針對中風(fēng)患者康復(fù)問題，對前臂和上臂進(jìn)行了 HD通過建立的通道選擇驗證了通道數(shù)量與識別準(zhǔn)確率之可以獲得較高的準(zhǔn)確率。王東青等[4]應(yīng)用 46 路 HD-sE處采集肌肉活動電信號，如圖 1.2 所示，對胳膊和手部（Wavelet Packet Transform，WPT） WPT 特征時，分道數(shù)減少到期望的 10 路時，分類準(zhǔn)確度為 92.92%，也

高密度采集矩陣式電極采集了人體前臂肌肉的sEMG信號，利用高密度矩陣式電極特有的云圖，提出一種瞬時sEMG圖像識別手部姿態(tài)的方法，如圖1.3所示，為通過瞬時sEMG信號圖像識別手勢的示意圖，與傳統(tǒng)sEMG信號的特征分析方法不同，他們通過直接分析HD-sEMG信號形成的二維空間圖像進(jìn)行模式識別，然后應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)對手部姿態(tài)進(jìn)行分類。網(wǎng)絡(luò)的輸入為不同時刻HD-sEMG信號圖像，不同手部姿勢作為網(wǎng)絡(luò)的輸出，該模式識別方法對手部8種姿勢的識別率達(dá)到89.3%。128通道sEMG信號816圖像分類深度卷積神經(jīng)網(wǎng)絡(luò)16行8列圖1.3 通過瞬時sEMG圖像識別手勢的示意圖Fig. 1.3 Schematic illustration of gesture recognition by instantaneous sEMG images1.3 手部動作的國內(nèi)外研究現(xiàn)狀上述研究者應(yīng)用 HD-sEMG 信號完成了對胸部肌肉活動的研究及手部、肘部、肩部運動模式的識別。然而，目前對手部的研究僅局限于手部的張開、閉合動作，為無動力、無交互的簡單裝置。近年來，隨著機器人技術(shù)的飛速發(fā)展和深度研究，研發(fā)出能夠補償人體缺失的運動功能、感覺功能及性能逼近人類的智能機器人或輔助器械

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 部義峰;李世明;;遞增負(fù)荷誘發(fā)肌肉疲勞過程中肌肉sEMG與負(fù)荷的非線性關(guān)系研究[J];山東體育學(xué)院學(xué)報;2013年06期

2 王樂軍;陸愛云;龔銘新;毋江波;董菲;張磊;;sEMG指標(biāo)監(jiān)測快速點擊鼠標(biāo)致指伸肌疲勞的適用性評價研究[J];體育科學(xué);2013年01期

3 王東巖;李慶玲;杜志江;孫立寧;葉騰茂;;小波分析在表面肌電信號(sEMG)研究中的應(yīng)用[J];黑龍江大學(xué)自然科學(xué)學(xué)報;2008年04期

4 王樂軍;黃勇;龔銘新;陳志勇;許翔;馬國強;;小波包分析與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合探索運動性肌肉疲勞過程中sEMG變化特征[J];體育科學(xué);2009年12期

5 蔡明明;徐建中;王凌云;馬艷芬;王鋒;孟憲華;;體操運動員腰部豎脊肌疲勞過程中sEMG的變化[J];首都體育學(xué)院學(xué)報;2006年04期

6 劉耀榮;;骨骼肌不同速度離心收縮時肌力與sEMG交互特征[J];西安體育學(xué)院學(xué)報;2008年05期

7 王奎,劉建紅,宋剛;sEMG技術(shù)在評價運動性疲勞方面的方法及應(yīng)用[J];安徽體育科技;2004年03期

8 孫威;賈剛;;旋轉(zhuǎn)推鉛球最后用力階段肌肉用力特征的sEMG分析[J];山東體育學(xué)院學(xué)報;2014年01期

9 陳慶杰;吳瑛;伍勰;;賽艇運動員拉槳技術(shù)運動學(xué)特征及其相關(guān)肌肉sEMG分析[J];上海體育學(xué)院學(xué)報;2012年05期

10 周楠;滕燕;;基于SEMG的膝關(guān)節(jié)康復(fù)動作模式識別技術(shù)研究[J];機械制造與自動化;2016年06期

相關(guān)會議論文 前10條

1 王江;李韜;費向陽;曾啟明;張立;;遺傳算法在sEMG分解中的應(yīng)用[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

2 周里;劉耀榮;;跳躍運動員膝關(guān)節(jié)屈伸肌群不同速度向心收縮時肌力與sEMG變化特征[A];第12屆全國運動生物力學(xué)學(xué)術(shù)交流大會論文匯編[C];2008年

3 王東巖;董旭;孫忠人;;基于sEMG評價的不同穴位電刺激方法對腦卒中后上肢功能重建影響的研究[A];中國針灸學(xué)會針推結(jié)合專業(yè)委員會成立大會暨針灸教育與腧穴應(yīng)用學(xué)術(shù)研討會論文匯編[C];2010年

4 王樂軍;陸愛云;龔銘新;毋江波;董菲;張磊;;sEMG指標(biāo)監(jiān)測快速點擊鼠標(biāo)致指伸肌疲勞的適用性評價研究[A];第十五屆全國運動生物力學(xué)學(xué)術(shù)交流大會（CABS2012）論文摘要匯編[C];2012年

5 崔景輝;付麗敏;;競技武術(shù)套路中搬腳朝天蹬直立平衡動作下肢肌肉用力特征的sEMG分析[A];第十五屆全國運動生物力學(xué)學(xué)術(shù)交流大會（CABS2012）論文摘要匯編[C];2012年

6 王樂軍;黃勇;龔銘新;馬國強;;sEMG指標(biāo)評價全力蹬踏自行車運動致股直肌疲勞的敏感性和穩(wěn)定性分析[A];第九屆全國體育科學(xué)大會論文摘要匯編(2)[C];2011年

7 葉偉;陳劍;吳飛;王健;;運動負(fù)荷誘發(fā)局部肌肉疲勞和恢復(fù)過程中SEMG信號復(fù)雜度變化[A];中國人類工效學(xué)學(xué)會第六次學(xué)術(shù)交流會論文摘要匯編[C];2003年

8 王凌云;肖云;董惠榮;王鋒;馬艷芬;孟憲華;;應(yīng)用sEMG評定乒乓球運動員上肢肌疲勞的研究[A];第七屆全國體育科學(xué)大會論文摘要匯編（二）[C];2004年

9 王立平;李建設(shè);;青年女性著高跟鞋行走時下肢肌肉sEMG信號變化——與疲勞的相關(guān)研究[A];第十屆全國運動生物力學(xué)學(xué)術(shù)交流大會論文匯編[C];2002年

10 劉耀榮;周里;;骨骼肌不同負(fù)荷離心收縮時肌力與sEMG交互特征[A];第12屆全國運動生物力學(xué)學(xué)術(shù)交流大會論文匯編[C];2008年

相關(guān)博士學(xué)位論文 前6條

1 劉加海;基于sEMG信號非線性動力學(xué)分析的肌肉功能狀態(tài)評價研究[D];浙江大學(xué);2001年

2 范淵杰;基于sEMG與交互力等多源信號融合的下肢外骨骼康復(fù)機器人及其臨床實驗研究[D];上海交通大學(xué);2014年

3 楊鋯;不同類型身體活動的軀干肌群sEMG反應(yīng)模式[D];浙江大學(xué);2012年

4 陳彥釗;基于sEMG信號的上肢自主康復(fù)訓(xùn)練動作模式識別[D];山東大學(xué);2015年

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

6 史小華;坐/臥式下肢康復(fù)機器人研究[D];燕山大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 陳淑甜;基于sEMG的時—空—頻域手指動作識別研究[D];沈陽工業(yè)大學(xué);2019年

2 張振陽;基于sEMG人手動作識別的康復(fù)機械手控制研究[D];浙江工業(yè)大學(xué);2019年

3 張?zhí)?脛骨前肌不同時間皮膚預(yù)冷刺激進(jìn)行中低負(fù)荷等長收縮時sEMG變化特征[D];蘇州大學(xué);2018年

4 高興雷;基于sEMG的康復(fù)機器人控制方法研究[D];東北大學(xué);2013年

5 葉偉;靜態(tài)運動負(fù)荷誘發(fā)肌肉疲勞過程中SEMG信號變化的生理機制[D];浙江大學(xué);2002年

6 康博;基于sEMG的頸部仰臥位生理特性研究及舒適性評價[D];哈爾濱工業(yè)大學(xué);2015年

7 李延軍;優(yōu)秀旋轉(zhuǎn)推鉛球運動員張竣主要技術(shù)階段肌肉用力特征的sEMG分析[D];華東師范大學(xué);2010年

8 韓瑜;鞋跟高度在步行過程中與相關(guān)肌肉sEMG及足底壓力的關(guān)系[D];武漢體育學(xué)院;2012年

9 胡玉葉;基于sEMG信號的上肢康復(fù)機器人訓(xùn)練系統(tǒng)的研究[D];天津理工大學(xué);2017年

10 黎超明;基于sEMG評價的齊刺法對改善腦卒中患者膝關(guān)節(jié)控制能力的研究[D];黑龍江中醫(yī)藥大學(xué);2012年

本文編號：2786218