基于直方圖和頻譜的表面肌電信號(hào)處理.pdf

1、表面肌電信號(hào)(surface electromyography (SEMG)蘊(yùn)涵了很多與肢體運(yùn)動(dòng)相關(guān)聯(lián)的信息，用SEMG 控制仿生假手已成為假手研究的一項(xiàng)重要內(nèi)容，因此還原表面肌電信號(hào)中蘊(yùn)含的信息，對(duì)假肢研究意義重大。本文結(jié)合課題要求，從SEMG信號(hào)的拾取、預(yù)處理、特征提取、基于SEMG 信號(hào)的動(dòng)作模式識(shí)別等多個(gè)方面進(jìn)行了理論探索和實(shí)踐。對(duì)信號(hào)的盲源分離、基于直方圖和頻譜分析的特征提取，及先識(shí)別后融合的分類方法進(jìn)行了深入的研究，以此為目

2、標(biāo)，本文作了以下工作：
　　 (1)本文簡(jiǎn)要概括了肌電假手的研究背景、研究現(xiàn)狀和研究意義；總結(jié)了SEMG 信號(hào)處理中常用的特征提取方法，同時(shí)選擇直方圖和頻譜分析作為本文特征提取的切入點(diǎn)，為接下去的研究奠定基礎(chǔ)和方向，并介紹了幾種肌電假手動(dòng)作識(shí)別的常用模式分類方法；
　　 (2)本文針對(duì)多通道肌電信號(hào)采集產(chǎn)生的混迭現(xiàn)象，首次將時(shí)頻分析和參考累積量算法結(jié)合，提出一種改進(jìn)的盲源分離算法用于消除SEMG 混迭現(xiàn)象。算法整合了參考

3、累積量在統(tǒng)計(jì)非平穩(wěn)信號(hào)信息的優(yōu)勢(shì)和時(shí)頻分析在反映高階統(tǒng)計(jì)量變化的優(yōu)勢(shì)，通過(guò)構(gòu)造參考累積量矩陣作為對(duì)照函數(shù)，并進(jìn)行時(shí)頻分析，利用非正交聯(lián)合對(duì)角化(Non-Orthogonal Joint Diagonalization)該矩陣，最后得到本通道的最優(yōu)SEMG 估計(jì)，為接下去的SEMG 模式識(shí)別打下基礎(chǔ)。
　　 (3)為有效提取SEMG 信號(hào)的特征，本文提出了一種基于直方圖和頻譜分析的特征提取方法。作者經(jīng)過(guò)分析后認(rèn)為要想更好的表征SE

4、MG 信號(hào)的特征，應(yīng)該從不同的角度對(duì)其特征參數(shù)進(jìn)行提取，本文利用直方圖統(tǒng)計(jì)對(duì)SEMG 信號(hào)時(shí)域特征參數(shù)即兩路SEMG最大波幅比值進(jìn)行提取，同時(shí)結(jié)合頻譜分析提取SEMG頻域特征參數(shù)—功率譜比值。最后利用BP 神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)域和頻域的兩類特征參數(shù)分別進(jìn)行模式識(shí)別，利用其得到的識(shí)別結(jié)果再進(jìn)行D-S 證據(jù)融合，得到最終的識(shí)別結(jié)果。算法既利用D-S 理論來(lái)表達(dá)和處理不精確的、模糊的信息，又可以發(fā)揮神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)和容錯(cuò)能力，使整個(gè)識(shí)別系統(tǒng)具