肌電信號多類特征分析及在步態(tài)識別中的應(yīng)用.pdf

1、人體行走時，運(yùn)動神經(jīng)元釋放電脈沖，引起肌肉產(chǎn)生動作電位。該動作電位沿肌纖維傳播，并經(jīng)過時間和空間上的疊加，形成肌電信號(EMG)。肌電信號包含大量與人體運(yùn)動狀態(tài)有關(guān)的生理信息，體現(xiàn)運(yùn)動模式的組合及分解關(guān)系，預(yù)示肢體運(yùn)動意圖，在臨床醫(yī)學(xué)診斷、人體運(yùn)動模式識別以及新型人機(jī)接口設(shè)計等領(lǐng)域得到廣泛應(yīng)用。不同運(yùn)動模式間的差異可通過肌電信號特征的不同來體現(xiàn)，基于該特征可以對人體運(yùn)動狀態(tài)進(jìn)行識別研究。
　　本文結(jié)合人體運(yùn)動實(shí)際，設(shè)計實(shí)驗(yàn)采集下肢

2、相關(guān)肌肉所產(chǎn)生的表面肌電信號，并以此為研究對象，對如何更加有效地提取肌電信號特征，以及如何更好地識別下肢運(yùn)動步態(tài)進(jìn)行深入討論和研究。
　　首先，分析原始肌電信號中所含具體噪聲，在比較常見消噪方法特點(diǎn)的基礎(chǔ)上，采用小波模極大值算法對肌電信號進(jìn)行預(yù)處理，使得消噪后信號既保留肌電信號本身特性，又增大了信噪比，波形曲線更加光滑，有利于后續(xù)特征提取和模式識別。
　　其次，針對肌電信號自身非穩(wěn)定、混沌的特點(diǎn)，應(yīng)用Katz算法提取其非線性

3、分形維數(shù)，對肌電信號整體復(fù)雜度進(jìn)行深入研究，從更高維度分析信號特征，捕捉信號細(xì)節(jié)變化。同時，計算絕對值均值和方差兩大時域特征，并以此構(gòu)造特征向量集，用于后續(xù)步態(tài)識別。
　　然后，針對分類器性能優(yōu)化問題，采用遺傳算法(GA)優(yōu)化支持向量機(jī)(SVM)懲罰參數(shù)和核函數(shù)參數(shù)，構(gòu)造GA-SVM分類器，并結(jié)合下肢步態(tài)識別實(shí)際，設(shè)置參數(shù)初始值，進(jìn)行下肢步態(tài)識別。實(shí)驗(yàn)結(jié)果表明，優(yōu)化后SVM分類器識別率更高，且穩(wěn)定性和泛化能力更強(qiáng)。
　　最后

4、，針對多維肌電信號非線性特征分類問題中，定性分析方法效果差，易受邊界值和交叉點(diǎn)干擾的缺陷，采用改進(jìn)K均值算法進(jìn)行定量分析。改進(jìn)K均值算法基于樣本分布密度和散度，對初始聚類中心的選擇進(jìn)行優(yōu)化，排除孤立噪聲點(diǎn)的干擾。實(shí)驗(yàn)結(jié)果表明，改進(jìn)K均值算法分類正確率高，收斂速度快，具有良好應(yīng)用效果。
　　本文系統(tǒng)地研究了基于肌電信號的下肢步態(tài)識別問題，并對解決該問題的各環(huán)節(jié)進(jìn)行深入探討分析。采用小波模極大值方法，對原始肌電信號所含噪聲進(jìn)行有效去除