论文部分内容阅读
不论是民用领域、医疗领域还是军事领域,人机交互都广泛地被应用,如智能假肢控制、运动医学、康复医疗、临床医疗、作战指挥领导等方面,它已经逐渐地成为当下社会科学家们研究的一项焦点。在智能假肢领域中,表面肌电信号以其容易被获取并且控制假肢更直接、自然且无创伤的优势,成为应用最为广泛的控制信号源。对于目前的状况而言,通过利用表面肌电信号来控制智能假肢还存在问题。首先,手势识别的动作种类较少,且均是一些基础的手势和手腕部动作。其次,离线的表面肌电信号控制智能假肢不具备实时性,从发布指令开始到动作的完成,时延长,会对使用者产生困扰。然后,传统的特征提取方法,需要大量复杂的计算,这样既耗时又耗力,导致手势识别的准确率低,会影响智能假肢的精准控制。对于以上的问题,本文针对一些手指动作,研究表面肌电信号的特征提取及动作识别。本文研究内容主要如下:(1)介绍了国内外智能假肢现状、表面肌电信号特征提取方法和识别方法的研究现状,并且阐述了表面肌电信号相应产生机理、数学模型及特点。同时介绍了本文所用的NinaPro数据库中的DB2健康个体数据集和DB3残疾个体数据集,对于其中的9种手指动作的数据进行了归一化、降采样和滤波等预处理。(2)将经过预处理的表面肌电信号通过主成分分析法进行特征提取并降维,然后利用支持向量机算法进行分类,对于DB2和DB3两个数据集所有受试个体得到的平均识别结果分别是60.753%和45.238%。(3)将共空间模式算法应用在表面肌电信号的特征提取中,利用“一对一”共空间模式算法对多类动作进行特征提取,然后利用线性判别分析法作为分类器对相应的手势动作进行分类,并使用了两种改进型的共空间模式算法分别是Tikhonov正则化共空间模式算法和加权Tikhonov正则化共空间模式算法,与原始的共空间模式算法进行对比分析,TRCSP算法识别率最高,DB2数据集所有受试个体平均识别率78.853%,DB3数据集所有受试个体平均识别率63.492%。(4)对表面肌电信号数据提取均方根值,然后设计了一种深度卷积神经网络框架对9种手势动作进行模式识别,将经过特征提取的信号送入网络中,针对健康个体数据集,得到的识别率是86.71%。对于残疾个体数据集,得到的识别率是72.06%。本章还对本文所用的几种识别算法进行了对比,CNN算法识别率最好但是耗时最长,TRCSP算法虽识别率相对CNN较低,但运算速度快。