智能轮椅是在电动轮椅的基础上引入智能机器人技术,它的研究涉及到机械、控制、传感器、人工智能多种领域。目前由于智能轮椅具有良好的自主性、实用性的特点,能够有效解决老年人及残障人士的代步问题,受到了越来越多的国内外研究学者的关注。其中,伴随着人工智能的发展,语音、肌电等无需手动的轮椅控制方式的研究也获得了大量研究人员的青睐。本文结合课题的研究方向,从选题的背景及意义出发,分析语音和肌电信号的特点,分别研究语音和肌电信号的采集与预处理、特征提取和模式分类等过程,同时对一款商业轮椅进行改造,构建包含电机驱动,电源电路,音频采集,肌电采集,无线通信等一整套轮椅硬件控制系统,在LabVIEW平台上搭建语音和肌电的识别系统,并进一步探讨融合语音和肌电两种信息的电动轮椅控制方法。研究过程中取得的成果如下:(1)针对语音信号在采集的过程中容易受到背景噪声以及采集仪器的干扰,传统的经验模态的降噪方法容易导致低频有效语音信号丢失,提出将经验模态分解(EMD)和小波分析(Wavelet)相结合对语音信号降噪,该方法能够保留低频语音信号,降噪后有效语音段的幅值更明显,在加噪信号信噪比为-10db时,降噪后的均方差误差和信噪比分别为0.0358,-8.954和-7.225db。由于EMD-Wavelet算法主要降低高频噪声对语音信号的干扰,为了弥补EMD-Wavelet算法对低频噪声不敏感的缺点,将对低频噪声抗噪性好的梅尔倒谱参数(MFCC)作为语音识别特征参数,利用主成分分析(PCA)降低MFCC维度,采用动态时间规整(DTW)的语音识别速度提高26.2%,并且语音识别的准确率提高6.2%。(2)由于肌电信号的信噪比比较低,采用小波阈值去噪的效果并不明显,提出将体现噪声信号特性的小波熵和经验模态分解相结合,并根据熵增原理,自适应的选取每层小波分解系数的噪声阈值,比传统的噪声阈值选取方法更精确。在加噪信号信噪比为10db时,降噪后的信号的均方差误差、信噪比、相关系数分别为0.2183,18.4db,0.5277。为了提高肌电识别分类器的准确率和效率,提出利用粒子群算法(PSO)对双支持向量机(TWSVM)的参数进行优化,模型训练时间比SVM提高2.75倍,由于引入PSO算法优化模型参数,导致TWSVM的耗时略低于PSO-TWSVM模型,但PSO-TWSVM模型明显高于TWSVM和SVM,分类准确率提高4.2%。与SVM相比,PSO-TWSVM在识别精度和识别速度上更有优越性。(3)通过完成智能轮椅控制系统的软硬件设计,搭建融合语音和肌电的智能轮椅控制系统实验平台,并邀请5名志愿者分别使用LabVIEW语音-肌电的操控方式驾驶轮椅完成预定的轨迹,通过分析三种控制方案中的不同志愿者的表现,发现路径的完成时间容易受操作者熟练度的影响,三种方案中,语音识别的准确率比较稳定,维持在±0.4%范围内波动,肌电动作的识别率的波动范围为±1.5%,肌电动作的识别效率将直接影响规划路径的完成时间,方案三的路径完成时间明显低于其余两个方案。因此在实际的轮椅使用中,应尽量提高操作者的熟练度,减少肌电动作的种类,避免肌肉疲劳。最终,选用方案三作为轮椅的最终控制方式:通过语音指令实现轮椅不同运动方向的切换,用一对手部肌电动作来确定已选定运动方向是否执行。本文完成对语音和肌电信号识别方法的研究,在识别的准确率和识别时间比传统的方法更优越,同时语音-肌电融合的控制方式比单一控制源的控制稳定性更高,降低无意识行为的动作误判,为肢体能动性欠缺患者提供一种替代操作杆的方法,使轮椅操作变得更加简单化和人性化。