肌音信號采集及其在假肢手控制中的研究應用.pdf

1、肌音信號(Mechanomyographic，MMG)是人體發(fā)生動作時由肌肉收縮產生的聲音信號，相比于其他生物電信號，肌音信號有較強的抗干擾，抗疲勞能力強，受環(huán)境干擾小，性價比較高等諸多優(yōu)點，而且信號中蘊含了豐富的能夠反映人肢體的運動狀態(tài)的肌肉活動信息，可以作為仿生假肢的控制信號源，并在實現假肢的多自由度控制上現出了良好的研究和應用前景，特別是在康復工程中的智能假肢領域，關于肌音信號的研究取得了極大的發(fā)展，因而一種基于肌音信號的智能假肢

2、成為了研究熱點。本課題研究的課題為肌音信號采集及其在假肢控制中的研究應用。課題通過肌音傳感器采集人手前臂特定肌肉振動信號作為假肢手信號源，通過算法對不同手勢動作信號進行分類實現假肢手勢動作模式分類，并在結合PC端開發(fā)相應的假肢手控制系統(tǒng)進行驗證。
　　本文的主要研究內容和創(chuàng)新點如下：
　　(1)、本課題研究中選取Xsens公司開發(fā)的MEMS型三維加速度傳感器來采集肌音信號。針對肌音信號的非線性非平穩(wěn)特性，容易混入與有效肌音信

3、號頻譜范圍重疊的噪聲信號，考慮到傳統(tǒng)濾波器的局限性，課題著重研究了一種新的信號處理方法，即通過將經典切比雪夫帶通濾波器和經驗模態(tài)分解方法相結合來處理加速度信號中的噪聲信號，提高肌音信號信噪比。
　　(2)、關于肌音信號的手勢動作模式分類模型的研究，針對傳統(tǒng)的淺層神經網絡存在訓練速度慢，易陷入局部最小值的缺陷，課題設計了一種基于限制玻爾茲曼機(Restricted Boltzmann Machine，RBM)的深度信念網絡模型作為肌

4、音假肢手勢動作識別的模型，該模型逐層分別對每一個RBM模型進行單獨訓練，直到完成最頂層的RBM模型，訓練好的RBM模型即可構成深度信念網絡，通過反向傳播對網絡模型微調，則可得到最優(yōu)的深度信念網絡識別模型。將提取得到的肌音信號手勢動作數據樣本的小波系數能量特征輸入模型訓練學習，實現對肌音信號的分類識別。通過仿真實驗，和傳統(tǒng)淺層神經網絡相比，該算法的時間效率明顯縮短，并取得了更好的識別率，過擬合現象得到緩解。
　　(3)、考慮到該模型