论文部分内容阅读
在可穿戴助力机器人(WearableAssistiveRobot，WAR)领域，表面肌电(SurfaceElectromyoghphy，SEMG)是识别人体运动意图、分析助力效应的主要信号。针对WAR特定的SEMG识别、SEMG-肌肉收缩关系检测，本文运用小波变换和改进的支持向量机(SupportVectorMachine，SVM)实现人体动作精确识别，具体如下:发明一种集成电极的SEMG传感器，便于WAR穿戴和实时检测SEMG;设计一种嵌入微型3维力传感器的充气式束缚带，实现实时检测交互力;提出一种基于最优小波包基的特征提取方法，实现快速提取SEMG特征;分析常用核函数，发现基于线性核的SVM的识别率最高;发现随机抽样比顺序抽样的识别率高;针对大噪声样本，为提高SVM的学习能力和泛化性能进行SVM参数优化，发现粒子群优化算法优于大多数算法;为提高分类器识别精度和鲁棒性，提出集成分类器，实现一种新的识别算法—双层SVM。预测精度:双层SVM高于单个SVM;预测性能:双层SVM器优于随机森林和旋转森林等集成分类器，有效提高分类器识别精度和鲁棒性。此外，为实时检测SEMG-肌肉收缩关系，本文实验证明:SEMG幅频特性可以检测瞬间肌肉收缩强度，SEMG积分可以检测单位时间内肌肉收缩强度变化，从而实现实时检测助力效应。本文研究方法和成果，将为基于SEMG的WAR助力控制和助力效应分析提供新的思路和技术途径。(限500字)