论文部分内容阅读
在人类的日常生活和工作中,双手起着至关重要的作用。疾病或意外事故导致手部残疾患者的数量与日俱增,患者的生活品质受到严重影响。随着社会和医疗的发展,人们对生活质量的要求日益提高,进而对康复的效果要求更加精准和追求完美。为了提高手部残疾患者的自理能力,智能假手等医疗辅助产品逐渐成为研究热点,并在一定程度上改善了残疾患者的日常生活。手部运动意图的精准识别是智能假手的关键技术之一,因此提高手部动作识别的准确性和可靠性具有重要研究价值。本文以手部运动作为研究对象,基于表面肌电信号对手部动作识别进行深入探索,并以仿真假手作为控制对象进行实时人机交互控制实验。研究成果期望能够改善康复装备的智能水平,帮助残疾人提高生活自主能力,促进社会和谐发展。本文的主要研究内容和贡献如下:(1)针对表面肌电信号的复杂低频噪声问题,本文采用三阶巴特沃斯高通滤波器处理表面肌电信号,去除表面肌电信号中20Hz以下的低频噪声,保留表面肌电信号中的有效信息。从而使表面肌电信号的信噪比提升14.2%,达到12.71dB,去噪效果明显。(2)针对表面肌电信号的特征提取问题,提出了一种基于主成分分析的改进频谱图(spectrum map,SPM)特征。在支持向量机、K近邻和线性判别分析这三种分类器下,改进的SPM特征的识别准确率分别为:81.88%、80.08%和81.72%,运行时间相比于原始的SPM特征分别下降:23.5%、15.4%和16.7%,特征的综合性能最佳。(3)针对基于表面肌电信号的手部动作识别问题,提出了基于双并行通道(dual parallel channel,DPC)卷积神经网络(convolutional neural network,CNN)的动作识别方法。DPC-CNN从不同聚焦角度对改进的SPM特征进行有效信息再提取,克服单一通道无法完全反应手部运动意图的局限性。使用数据集训练不同结构的CNN,DPC-CNN的效果最佳,测试集的平均识别准确率达到93.79%。在仿真假手的控制实验中,DPCCNN的平均识别准确率为92.75%,平均运行时间为263.15ms,算法的实时控制效果最佳。(4)基于上述研究成果,本文开展了基于DPC-CNN手部动作识别方法在假手仿真控制中的应用研究。阐述了仿真实验的具体实施过程,并将DPC-CNN手部动作识别方法应用到仿真假手的控制实验研究,实验结果进一步验证了本文研究成果的可行性和有效性。