论文部分内容阅读
当代社会,由脑卒中风等神经系统疾病或是意外伤害所引起的肢体功能弱化甚至偏瘫的情形已屡见不鲜。康复医学作为一个现今医学界新兴发展的技术研究领域,针对上述伤患提出了主动康复的概念。即以患者自身的体质信息为控制源,外部设备为辅配合进行康复训练。这样能够有效地体现患者本身的“训练参与感”,相比被动康复有着更好的实践效果。表面肌电信号(surface electromyogram signal,sEMG)是人体肌肉运动时在皮肤表面采集到的微弱生物电信号,在一定程度上能够反应出人体神经与肌肉的功能状态。它具有实时性强,仿生性好,并且无创伤的特点,现已成为仿生康复手控制领域中最常用的信号源。目前肌电信号的模式辨识当中主要存在以下问题:识别动作种类少、稳定性和实时性较差。因此,在保证高识别率的前提下,如何提高实验稳定性以及缩短算法延时成为本文的主要研究内容,这从康复医学的角度上来讲也具有重要的理论与应用价值。本文主要工作包括:(1)结合自主研制的12通道表面肌电信号采集器的特点,利用3D扫描、三维建模以及3D打印技术制作了前臂电极阵列板,并根据人手前臂肌肉解剖图和所选手指动作类型,确定采集电极的布置方式,保证了采集实验的稳定性。通过滑动窗口法将实验采集得到的表面肌电信号进行分割预处理,并分析其参数对算法延时的影响。(2)选择时域分析法、AR参数模型法和时频域分析法对屈拇指、屈食指、屈中指、屈无名指、屈小指、屈五指这6种动作的sEMG数据样本进行特征提取,并对各个特征空间进行了有效性评价。通过主元分析的方法将提取的三种特征矩阵进行降维优化,去除冗余信息,获得了更加精简的有效的特征矩阵。(3)根据BP神经网络和SVM的理论并结合6种动作的表面肌电信号时域特征矩阵、AR模型系数特征矩阵与小波包相对能量系数特征矩阵,确定了分类器的各个模型参数,设计出了基于sEMG的BP神经网络和SVM多分类器。最后提出了平方调解法来提取原始表面肌电信号的特征包络线,完成教师样本标签的制定。(4)完成了分类器的训练和测试并将表面肌电信号时域特征、AR模型系数特征以及小波包相对能量系数特征在BP神经网络和多分类支持向量机两种分类器中的模式识别效果进行对比分析,实验显示小波包相对能量系数特征与多分类支持向量机组合分类效果最佳。本文针对现阶段表面肌电信号在模式识别领域内所存在的问题研制出表面电极阵列板,在一定程度上保证了采集实验的稳定性;并结合滑动窗口法与平方调解法使得最终模式识别正确率达到了98.78%,为康复器械以及智能假肢的控制提供了理论基础,具有良好的参考价值。