论文部分内容阅读
近年来，基于模式识别的智能仿生技术取得了长足的发展，智能仿生假肢的功能、性能、可穿戴性及智能化程度越来越高，已成为国内外学者的研究热点。对智能仿生系统开展研究不仅具有重要的学术意义，而且具有很高的社会与经济价值。
表面肌电信号(surface Electromyography，sEMG)作为一种生物电信号，能够反映功能性肌肉收缩的电活动，具有提取方便、无创伤等特点。然而由于肌电信号本身固有的缺陷，导致残肢接口信息源不足，难以同时呈现同一肌肉收缩的电生理和形态学变化信息，A型超声传感(A-mode ultrasound sensing ,AUS)能够无创监测活动性肌肉的形态结构。另一方面，优化肌电信号电极位置、通道数目与特征配置，对提升可穿戴仿生设备的便捷性和经济性尤为重要。本文研究肌电信号通道与特征优化及其与超声信号融合的手势识别算法，充分挖掘肌肉神经电的机理，提高残肢的信息传输率。文中针对肌电接口通道与特征多目标优化、sEMG/AUS模态融合、残疾人手部运动意图估计等关键问题，分别提出基于计算智能的多目标优化进化算法和基于深度学习的sEMG/AUS手势模式识别方法。
本文取得的主要成果有：
(1)针对肌电信号通道与特征优选及电极配置等一系列关键问题，开展以肌电信号手势识别准确率为目标的优化算法研究，提出了基于遗传算法的肌电通道优化方法，深入分析了优选通道和随机选择通道对识别精度的影响，揭示不同手势对sEMG通道优化的机理，给出sEMG通道数目与准确率之间的关系。实验结果表明：使用11个sEMG通道的手势识别最佳相对准确率可达到97％；将电极放置前臂中部可以获得比放在前臂近身体端更好的效果。针对肌电信号通道与特征组合优化问题，分别提出了基于差分进化、量子进化、粒子群、量子粒子群和蚁群等算法的肌电通道与特征综合优化方法。实验结果表明：量子进化和粒子群算法表现出较好的迭代效果，能够得到表面肌电检测通道与特征的最优数量以及最优空间分布，为实现低密度表面肌电信号检测系统奠定基础。
(2)以肌电信号通道数目、特征数目、方差以及全部动作识别准确率为目标函数，建立了肌电信号通道识别与特征优选的多目标优化数学模型。采用切比雪夫聚合方法将多目标优化问题转换为单目标优化问题，改进了角度选择的多目标优化算法(MOEA/D-AU)，提出了一种具有全局综合排序的自适应角度更新策略的多目标进化算法(MOEA/D-AAU-GGR)。实验结果表明：MOEA/D-AAU-GGR算法对解空间的特征使用率、通道的平均使用率均较高。采用覆盖度、广泛性和均匀性三种指标对多目标进化算法进行评价与有效性验证。开发了肌电通道与特征多目标优化的机器人手势识别系统，采集16通道肌电信号识别7种手势的相对准确率可达98.57%，经多目标优化后的6通道肌电信号手势识别精确分别为88.57%和90%，验证了本方法的实用性和有效性。
(3)将卷积神经网络(CNN )、长短期记忆网络LSTM(LongShort-TermMemory)、胶囊网络(CapsNets)等深度学习算法应用于基于肌电信号的手势识别。将角度场GAF(Gramian)用于肌电信号二维化，提出基于CNN-LSTM+GAF的肌电信号手势识别算法，给出CNN-LSTM串并联网络结构的手势识别分类模型，实验结果表明其分类精度明显优于SVM等算法。提出基于CNN-CapsNets并联网络结构的肌电信号手势识别算法，实验结果验证了算法具有较好的鲁棒性和迁移性，其分类准确率远高于SVM、BP、CNN等算法的结果，提升了智能识别算法的识别精度和鲁棒性，为精确控制仿生假肢手的动作提供基础。
(4)针对残肢表面肌电信号存在的缺陷及其以在反映深层肌肉活动方面固有的局限性，将A超应用于手势动作检测，构建了sEMG/AUS双模态融合的信号同步采集实验系统，提出了肌电与超声模态融合的残疾人手部动作意图识别方法。通过某康复临床中心获得残疾人实验数据，使用4组便携式混合sEMG/AUS模块进行9种手势的20次实验，采集桡动脉截肢者前臂残余肌肉信号，对所获得的sEMG与AUS信号数据进行特征提取。分别采用SVM、CNN和基于线性判别分析的分类器对手势动作进行分类，给出了sEMG和AUS对每个动作意图识别的准确度分析和鲁棒性能分析。通过三种交叉验证策略比对sEMG和AUS的性能。实验结果揭示了AUS相对于sEMG在手势识别应用中的优势，最后进一步比较了AUS和sEMG对经桡侧截肢患者的手部运动意图识别效果，说明了这两种方法的优缺点。最后，对未来进一步的研究提出了建议。
表面肌电信号(surface Electromyography，sEMG)作为一种生物电信号，能够反映功能性肌肉收缩的电活动，具有提取方便、无创伤等特点。然而由于肌电信号本身固有的缺陷，导致残肢接口信息源不足，难以同时呈现同一肌肉收缩的电生理和形态学变化信息，A型超声传感(A-mode ultrasound sensing ,AUS)能够无创监测活动性肌肉的形态结构。另一方面，优化肌电信号电极位置、通道数目与特征配置，对提升可穿戴仿生设备的便捷性和经济性尤为重要。本文研究肌电信号通道与特征优化及其与超声信号融合的手势识别算法，充分挖掘肌肉神经电的机理，提高残肢的信息传输率。文中针对肌电接口通道与特征多目标优化、sEMG/AUS模态融合、残疾人手部运动意图估计等关键问题，分别提出基于计算智能的多目标优化进化算法和基于深度学习的sEMG/AUS手势模式识别方法。
本文取得的主要成果有：
(1)针对肌电信号通道与特征优选及电极配置等一系列关键问题，开展以肌电信号手势识别准确率为目标的优化算法研究，提出了基于遗传算法的肌电通道优化方法，深入分析了优选通道和随机选择通道对识别精度的影响，揭示不同手势对sEMG通道优化的机理，给出sEMG通道数目与准确率之间的关系。实验结果表明：使用11个sEMG通道的手势识别最佳相对准确率可达到97％；将电极放置前臂中部可以获得比放在前臂近身体端更好的效果。针对肌电信号通道与特征组合优化问题，分别提出了基于差分进化、量子进化、粒子群、量子粒子群和蚁群等算法的肌电通道与特征综合优化方法。实验结果表明：量子进化和粒子群算法表现出较好的迭代效果，能够得到表面肌电检测通道与特征的最优数量以及最优空间分布，为实现低密度表面肌电信号检测系统奠定基础。
(2)以肌电信号通道数目、特征数目、方差以及全部动作识别准确率为目标函数，建立了肌电信号通道识别与特征优选的多目标优化数学模型。采用切比雪夫聚合方法将多目标优化问题转换为单目标优化问题，改进了角度选择的多目标优化算法(MOEA/D-AU)，提出了一种具有全局综合排序的自适应角度更新策略的多目标进化算法(MOEA/D-AAU-GGR)。实验结果表明：MOEA/D-AAU-GGR算法对解空间的特征使用率、通道的平均使用率均较高。采用覆盖度、广泛性和均匀性三种指标对多目标进化算法进行评价与有效性验证。开发了肌电通道与特征多目标优化的机器人手势识别系统，采集16通道肌电信号识别7种手势的相对准确率可达98.57%，经多目标优化后的6通道肌电信号手势识别精确分别为88.57%和90%，验证了本方法的实用性和有效性。
(3)将卷积神经网络(CNN )、长短期记忆网络LSTM(LongShort-TermMemory)、胶囊网络(CapsNets)等深度学习算法应用于基于肌电信号的手势识别。将角度场GAF(Gramian)用于肌电信号二维化，提出基于CNN-LSTM+GAF的肌电信号手势识别算法，给出CNN-LSTM串并联网络结构的手势识别分类模型，实验结果表明其分类精度明显优于SVM等算法。提出基于CNN-CapsNets并联网络结构的肌电信号手势识别算法，实验结果验证了算法具有较好的鲁棒性和迁移性，其分类准确率远高于SVM、BP、CNN等算法的结果，提升了智能识别算法的识别精度和鲁棒性，为精确控制仿生假肢手的动作提供基础。
(4)针对残肢表面肌电信号存在的缺陷及其以在反映深层肌肉活动方面固有的局限性，将A超应用于手势动作检测，构建了sEMG/AUS双模态融合的信号同步采集实验系统，提出了肌电与超声模态融合的残疾人手部动作意图识别方法。通过某康复临床中心获得残疾人实验数据，使用4组便携式混合sEMG/AUS模块进行9种手势的20次实验，采集桡动脉截肢者前臂残余肌肉信号，对所获得的sEMG与AUS信号数据进行特征提取。分别采用SVM、CNN和基于线性判别分析的分类器对手势动作进行分类，给出了sEMG和AUS对每个动作意图识别的准确度分析和鲁棒性能分析。通过三种交叉验证策略比对sEMG和AUS的性能。实验结果揭示了AUS相对于sEMG在手势识别应用中的优势，最后进一步比较了AUS和sEMG对经桡侧截肢患者的手部运动意图识别效果，说明了这两种方法的优缺点。最后，对未来进一步的研究提出了建议。