基于肌电信号的人体上肢运动识别分析研究通信工程管理专业.docx

i!1摘要1Abstract3xT1-51.1 课题背景及研究意义51.2 国内外研究现状61.2.1 康复机器人系统研究现状71.2.2 基于SEMG运动意图识别的研究现状91.23 上肢刚度估计的研究现状101.24 要问题101.25 文研究内容11第2章上肢表面肌电信号的采集及预处理132.1 肌电信号的产生机理132.2 肌电信号采集平台及肌电实验设计142.3 小波变换理论基础简介172.4 小波阈值量化去噪192.5 本章小结22第3章基于小波变换的特征提取和基于多类模式识别算法的运动意图识别243.1 常用特征提取方法243.2 基于小波变换的小波系数提取263.3 小波系数的特征对比与分析283.4 离线分类323.4.1 距离判别算法简介323.4.2 多类动作分类结果分析333.5 短时窗分类353.5.1 BP神经网络算法简介353.5.2 搭建BP神经网络模型363.5.3 基于神经网络的短时窗分类实验结果393.6 本章小结40第4章基于SEMG的BP神经网络估计刚度424.1 Hill-type肌肉模型建立424.2 肌肉刚度计算方法434.3 基于HiH-type模型和神经网络的刚度估计464.4 不同负载下的刚度变化对比484.5 本章小结52第5章总结与展望535.1 全文总结535.2 未来展望54参考文献55致谢错误!未定义书签。附录58人体表面肌电信号(SurfaceElectromyographiasEMG)是一种伴随着肌肉收缩而产生的生物医学信号，具有无创测量、扰动噪声相对较小等优点，能够反映人体运动意图和相关的肌肉刚度信息，现已成为上肢康复假肢的理想控制信号源。本文结合肌电信号的研究背景，自主设计动作模式肌电实验范式并完成了采集。在此基础上展开预处理、特征提取、模式识别等步骤。论文主要内容如下：1 .本文对肌电信号的实验设计以及数据分析进行了系统的研究，自主设计了10个动作模式的肌电实验，在表面肌电采集系统上自主选取了8个肌肉通道进行表面肌电信号的采集。2 .在信号预处理方面，为了能够最大程度地去除噪音并保留有效信息，选择了具有多分辨率的小波变换算法，对比了默认阈值去噪、强制阈值去噪和给定软阈值去噪三种方法的去噪效果，最终得出使用给定软阈值去噪方法的去噪信号信噪比高、均方根误差小、去噪效果好的结论，为表面肌电信号特征提取与分类识别做了充分的婢准备。3 .研究并实现了基于小波系数的特征提取方法，并对比了小波系数多种特征值的可分性和表征信号的能力，最终用小波系数的奇异值和最大值作为表征信号的特征向量。接着对比了多种线性距离判别、BP神经网络等多种分类算法。选择了Fisher线性判别对信号特征进行离线分类，实现了8通道正确率96.75%和2通道正确率93.25%的十类动作意图识别。在实际应用中，相较于离线分析肌电信号，我们需要更快更高效地短时窗处理和分析肌电信号，故将原始信号分成20OmS的小窗输入BP神经网络，识别率高达97.6%,能够实现对动作意图的高正确率分类的目的。4 .研究了经典的Hill-type肌肉模型以及基于sEMG的肌肉刚度推导公式，搭建了基于sEMG的神经网络用来估计肌肉刚度，并对比了神经网络预测的刚度曲线与肌肉模型估计出的刚度曲线。重新设计针对不同力负载的刚度实验范式，对比不同力负载下的肌肉刚度估计。本文系统地研究了肌电信号的实验范式设计与采集、信号预处理、特征提取算法以及分类算法等，实现了高正确率的多类运动意图识别，并较为准确地基于SEMG估计对应的肌肉刚度，为之后的上肢假肢控制打下了坚实的基础。关键词：表面肌电信号，小波变换，BP神经网络，刚度估计AbstractSurfaceElectromygraphic(sEMG)isabiomedicalsignalgeneratedwithmusclecontraction.Ithastheadvantagesofnon-invasivemeasurement,relativelysmalldisturbancenoise,etc.Itcanreflectthehumanmovementintentionandrelatedmusclestiffnessinformation.Ithasbecomeanidealsourceofcontrolsignalsforupperlimbrehabilitationprostheses.Thisarticlecombinestheresearchbackgroundofmyoelectricsignalsandindependentlydesignstheactionpatternofmyoelectricalexperimentparadigmandcompletestheacquisition.Onthisbasis,thepre-processing,featureextraction,patternrecognitionandotherstepsarecarriedout.Themaincontentofthepaperisasfollows:1. Thisarticlesystematicallystudiedtheexperimentaldesignanddataanalysisofmyoelectricsignals,andindependentlydesigned10motionpatternsofITiyoelectricityexperimentsbasedontheexistingMyoSystem-1400AsurfaceelectromyographytestsystemoftheUSNoraxonbrand.Eightmusclechannelswereindependentlyselectedfortheacquisitionofsurfacemyoelectricsignals.2. Intermsofsignalpreprocessing,wavelettransformalgorithmwithmulti-resolutionwasselectedtomaximizethenoiseremovalandpreserveeffectiveinformation.Thedefaultthresholddenoising,forcedthresholddenoising,andgivensoftthresholddenoisingwerecompared.Thedesiccationeffectofthesemethodsfinallyleadtotheconclusionthatgivensoftthresholddenoisingmethodhadhighsignal-to-noiseratio,smallroot-mean-squareerror,andgooddesiccationeffect,anditprovidedsufficientpreparationforthefeatureextractionandclassificationrecognitionofsurfaceEMGsignals.3. Thefeatureextractionmethodbasedonwaveletcoefficientsisstudiedandimplemented.Theeigenvaluesofwaveletcoefficientsandtheirabilitytocharacterizesignalsarecompared.Finally,thesingularvalueandthemaximumvalueofwaveletcoefficientswereusedasfeaturevectorstocharacterizethesignal.Thenthepapercomparedwithavarietyoflineardistancediscrimination,BPneuralnetworkandotherclassificationalgorithms.Fisherlineardiscriminantwasusedtoclassifythesignalfeaturesoff-line,andthetentypesofmotionintentrecognitionwereachievedwiththecorrectrateof96.75%for8channelsand93.25%for2channels.Finally,thesignalwasdividedinto200mssmallwindowandinputBPneuralnetwork,therecognitionrateofupto97.6%,canachievethepurposeofhighaccuracyrateofactionintheclassification.4. ThepaperstudiedtheclassicalHill-typemusclemodelandthesEMG-basedmusclestiffnessderivationformula.ThesEMG-basedneuralnetworkwasusedtoestimatethemusclestiffness.Thepredictedstiffnesscurveandthecalculatedstiffnesscurvewerecompared.Redesigntheexperimentalparadigmsfordifferentforcesandcomparethemusclestiffnessperformanceunderdifferentforces.Thispapersystematicallystudiedtheexperimentalparadigmdesignandacquisition,signalpreprocessing,featureextractionalgorithms,andclassificationalgorithmsofmyoelectricsignals,andrealizedhigh-accuracymultitypesofmotionintentionrecognition,andaccuratelyestimatedthecorrespondingmusclestiffnessbasedonsEMG.Itprovidedasolidfoundationforthecontroloftheupperlimbprosthesis.Keywords:surfaceelectromygraphic,wavelettransform,BPneuralnetwork,stiffnessestimation第1章绪论1.1 课题背景及研究意义根据第二次全国残疾人抽样调查结果显示，截止到2006年，我国有2412万肢体残疾人，占总人口数的29.07%。他们因为战争、交通事故、疾病或者工伤等原因而落下残疾。根据我国卒中协会2015年首次发布的中国卒中流行报告显示，我国每年新脑卒中患者约270万，每年死于脑卒中患者约130万，每12秒就有一人发生脑卒中，每21秒就有人死于脑卒中。脑卒中是脑部血管因急性损伤而导致大脑神经功能缺损后形成的疾病，存活下来的脑卒中患者会留下不同程度的后遗症，使患者在日常活动中失去自主运动能力，表现为偏瘫、语言表达障碍、面瘫等肢体残疾不但对患者自身带来极大的生理和心灵上的创伤，也对家庭和社会增加了沉重的经济压