论文部分内容阅读
表面肌电信号(surface electromyography signal,sEMG)是表征骨骼肌肌肉纤维兴奋、收缩时运动单元冲动的生物电信号。它与肌肉活动状态紧密相关,在一定程度上能够反映出神经肌肉的功能状态,并且采集方便,仿生性好,目前已经在辅助诊断研究上有了广泛的应用。然而肌电信号极易受环境影响,在实际场景使用中存在鲁棒性不强,性能不稳定等问题,并且采集设备成本高,需要长期维护,因此在临床医学应用上仍然具有很大的局限性。本文的研究旨在提升与推广基于肌电信号的模式识别应用(例如假肢手控制)。为了降低信号采集成本,探究了肌电信号采样率对于手势识别的影响,另外本文提出了一种新的肌电特征算法以及基于表面肌电图的网络特征提取方法以提升不同场景下的手势识别效果,并对网络肌电特征进行了分析与评估。本文的主要工作如下:(1)提出了公开数据集Elonxi DB,并详细描述了表面肌电信号的采集过程,包括手势动作的选择,电极位置的排布以及信号采集的规则等。(2)研究了传统的肌电特征提取方法,包括时域特征(Time Domain,TD),频域特征(Frequency Domain,FD),时频域特征(Time-Frequency Domain,TFD)和参数模型分析,并在此基础上提出了一种改进特征:动态差分幅值(Dynamic Amplitude Difference,DAD)。实验表明,该特征在一定程度上能够反映信号的变化过程,从而降低误差提升识别效果。(3)为了探究传统的分类模型对分时间段肌电信号的手势识别性能,本文使用了k近邻算法(KNN),线性判别分析方法(LDA)和支持向量机(SVM),对同时间段和跨时间段获取的肌电特征进行模式识别操作。并在此基础上,进一步探究了采样率对于识别效果的影响。实验表明,不同的肌电特征对采样率的敏感度不同,并且在不同场景下低采样频率(约200Hz)仍能得到不错的识别效果,从而为降低硬件采集成本提供了现实意义。(4)本文提出了一种表面肌电信号的网络特征提取方法,在电极位置发生偏移以及不同人的数据存在差异的情况下,与传统的26种肌电特征(包括本文提出的新特征:DAD特征)进行对比,并分别从识别率,安全距离以及可重复性三个指标进行分析与评估,该方法也被用于公开肌电数据集(NinaPro)以验证其鲁棒性。实验表明,网络特征(CNNFeat)能够提升手势识别效果,并且具有较强的鲁棒性,本文提出的网络结构能够在肌电应用中获取良好的性能。论文最后对全文进行了总结,并对未来的工作提出了计划与展望。