上肢表面肌電信號(hào)的處理與運(yùn)動(dòng)模式辨識(shí)方法研究.pdf

1、表面肌電(SEMG)信號(hào)是一種復(fù)雜的人體表皮下肌肉電活動(dòng)在皮膚表面處時(shí)間和空間上的綜合結(jié)果，是從人體骨骼肌表面通過非侵入方式記錄下來的神經(jīng)肌肉活動(dòng)時(shí)發(fā)放的生物電信號(hào)，它能在非損傷狀態(tài)下實(shí)時(shí)反映神經(jīng)和肌肉的功能狀態(tài)。本文主要研究上肢表面肌電信號(hào)的處理與運(yùn)動(dòng)模式的辨識(shí)方法，其研究?jī)?nèi)容主要涉及神經(jīng)-肌肉學(xué)科中的神經(jīng)肌電信號(hào)、信號(hào)處理和模式識(shí)別等方面，屬于典型的學(xué)科交叉研究范疇。 近年來，隨著計(jì)算機(jī)等技術(shù)的發(fā)展，國(guó)內(nèi)外學(xué)者對(duì)表面肌電的研

2、究也逐漸深入，使得表面肌電信號(hào)不僅在臨床醫(yī)學(xué)、運(yùn)動(dòng)醫(yī)學(xué)及康復(fù)醫(yī)學(xué)等領(lǐng)域被廣泛應(yīng)用，而且還成為人工假肢的理想控制信號(hào)。肌電信號(hào)的模式識(shí)別是肌電應(yīng)用的基礎(chǔ)，為此，本文深入探討了如何由采集的表面肌電信號(hào)來識(shí)別上肢不同的運(yùn)動(dòng)模式。其目的是根據(jù)表面肌電信號(hào)的非平穩(wěn)及隨機(jī)特性，運(yùn)用現(xiàn)代信號(hào)處理方法尋求其內(nèi)在的本質(zhì)特征，并深入研究及運(yùn)用現(xiàn)代模式識(shí)別理論設(shè)計(jì)模式分類器，使其能夠?qū)ι现煌\(yùn)動(dòng)模式的本征值進(jìn)行有效識(shí)別，為揭示動(dòng)作表面肌電信號(hào)的本質(zhì)與多自由

3、度肌電控制假肢的實(shí)用化提供理論依據(jù)。主要工作及創(chuàng)新之處如下： 1.運(yùn)用小波變換的多分辨分析技術(shù)，結(jié)合人工神經(jīng)網(wǎng)絡(luò)與多類支持向量機(jī)分類器對(duì)前臂八種運(yùn)動(dòng)模式的辨識(shí)進(jìn)行了研究。 針對(duì)肌電信號(hào)非常微弱、易受干擾的非平穩(wěn)隨機(jī)特性，在經(jīng)過理論分析與大量實(shí)驗(yàn)比較的基礎(chǔ)上，根據(jù)小波變換的多分辨分析思想，本文提出利用離散小波變換對(duì)原始肌電信號(hào)進(jìn)行多尺度分解，分別提取一定尺度上db4小波變換肌電信號(hào)的最大值、dmey小波分解系數(shù)的特征值、b

4、ior3.1小波變換肌電信號(hào)的奇異值作為原始肌電信號(hào)的特征，并由BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)與運(yùn)用統(tǒng)計(jì)學(xué)習(xí)理論設(shè)計(jì)的多類支持向量機(jī)分類器對(duì)其進(jìn)行模式識(shí)別，得到了較好的識(shí)別結(jié)果。 提出采用磁場(chǎng)刺激技術(shù)對(duì)掌長(zhǎng)肌、肱橈肌、尺側(cè)腕屈肌和肱二頭肌進(jìn)行處理，并采用coif5小波和bior3.1小波對(duì)磁場(chǎng)刺激后的原始肌電信號(hào)進(jìn)行多尺度分解，提取一定尺度上分解系數(shù)絕對(duì)值的平均值作為原始肌電信號(hào)的特征，識(shí)別效果良好。 2.提出基于小波

5、包能量與最大奇異值肌電信號(hào)的特征提取方法。 為了更加全面、系統(tǒng)地從肌電信號(hào)的非平穩(wěn)隨機(jī)特性中獲取有價(jià)值的信息，經(jīng)過理論分析與實(shí)驗(yàn)驗(yàn)證，在特征提取方面，本文提出采用coif3小波包變換肌電信號(hào)的能量與db4小波包變換肌電信號(hào)的最大奇異值作為原始肌電信號(hào)的特征，并與支持向量機(jī)分類器相結(jié)合，有效地實(shí)現(xiàn)了對(duì)前臂八種動(dòng)作模式的辨識(shí)。實(shí)驗(yàn)結(jié)果表明，采用小波包變換比小波分析對(duì)不同運(yùn)動(dòng)模式的辨識(shí)更為有效。 3.采用參數(shù)模型法對(duì)肌電信號(hào)的

6、特征提取進(jìn)行了探討，并運(yùn)用聚類分析技術(shù)與Bayes分類方法對(duì)肌電信號(hào)的模式識(shí)別進(jìn)行了研究。 通過對(duì)肌電信號(hào)的分析，對(duì)其建立AR參數(shù)模型，并運(yùn)用U-C算法對(duì)肌電信號(hào)AR參數(shù)模型進(jìn)行參數(shù)估計(jì)，在確定AR模型階數(shù)的基礎(chǔ)上，實(shí)現(xiàn)了肌電信號(hào)的特征提取。提出采用相似性測(cè)度的Mahalanobis距離與Bayes分類方法對(duì)肌電信號(hào)的AR參數(shù)特征值進(jìn)行分類，得到了較好的識(shí)別效果。 提出采用動(dòng)態(tài)聚類中心的設(shè)計(jì)思想對(duì)Bayes分類方法進(jìn)行改

7、進(jìn)，并利用改進(jìn)的Bayes分類器對(duì)從前臂八種運(yùn)動(dòng)模式中提取的的AR模型特征值進(jìn)行辨識(shí)，實(shí)驗(yàn)結(jié)果表明，改進(jìn)的Bayes分類器比Bayes分類方法更能有效地實(shí)現(xiàn)對(duì)前臂八種運(yùn)動(dòng)的模式識(shí)別。 4.對(duì)表面肌電信號(hào)的復(fù)雜性測(cè)度進(jìn)行了研究，提出采用支持向量機(jī)與模糊識(shí)別技術(shù)對(duì)表面肌電信號(hào)的復(fù)雜性測(cè)度及AR特征值進(jìn)行模式分類。 根據(jù)肌電信號(hào)復(fù)雜度的定義，確定了對(duì)其提取的方法，并運(yùn)用此方法對(duì)前臂八種運(yùn)動(dòng)模式采集的原始表面肌電信號(hào)進(jìn)行分析與處

8、理，實(shí)現(xiàn)了對(duì)表面肌電信號(hào)復(fù)雜度的提取。并以此作為肌電信號(hào)的特征值，提出采用支持向量機(jī)、C-均值聚類算法、模糊C-均值聚類算法及模糊Kohonen聚類網(wǎng)絡(luò)對(duì)肌電信號(hào)復(fù)雜性測(cè)度的模式分類進(jìn)行了深入探討，取得了很好的分類效果。 此外，尚采用以上方法對(duì)表面肌電信號(hào)的AR特征值進(jìn)行了模式分類研究。 5.采用混沌與分形理論對(duì)表面肌電信號(hào)的非線性動(dòng)力學(xué)特征進(jìn)行了研究，并通過提取肌電信號(hào)的分形維數(shù)進(jìn)行模式辨識(shí)。 (1)運(yùn)用非線性

9、時(shí)間序列分析，采用延時(shí)坐標(biāo)法，對(duì)肌電信號(hào)進(jìn)行相空間重構(gòu)，并采用Wolf算法對(duì)表面肌電信號(hào)進(jìn)行處理，結(jié)果表明，SEMG信號(hào)具有正的最大Lyapunov指數(shù)，呈現(xiàn)出某些混沌特征。 (2)采用改變粗視化程度的方法提取表面肌電信號(hào)的分形維數(shù)，對(duì)上肢八種動(dòng)作在相關(guān)肌肉上分形維數(shù)的聚類分布進(jìn)行了研究，很好地刻畫了表面肌電信號(hào)的分形維數(shù)與運(yùn)動(dòng)模式之間的關(guān)系。提出采用支持向量機(jī)與Bayes分類方法對(duì)肌電信號(hào)的分形維數(shù)進(jìn)行模式辨識(shí)。 本課