论文部分内容阅读
肌电(EMG)信号是人体自主运动时神经肌肉活动发放的生物电信号,它反映了神经、肌肉的功能状态。表面肌电信号(SEMG)是使用方便且无痛苦的表面电极测得的肌电信号。表面肌电信号不仅在临床医学、运动医学等领域被广泛应用,而且成为多自由度人工假肢和功能性神经电刺激的理想控制信号。国内有很多研究专注于对表面肌电信号进行模式识别,从而区分肢体不同的运动模式,实现多自由度假肢的控制。但是,在单个运动模式中,假肢的运动状态如运动速度、运动幅度和手臂位置等却无法控制。这主要是由于肌电信号产生机理的复杂性及肌电信号和人体自主运动控制体系的复杂关系,使得表面肌电信号和人手运动状态的关系难以确定。随着信号处理方法和计算机技术的发展,如何从EMG信号中有效地提取信息并实现准确的动作识别,是肌电控制假肢实用化进程中的重要问题。为此本文在EMG信号的特征提取及模式识别方法上进行了理论和实践上的探讨。所做的主要工作如下:1.利用人体上肢肌肉的肌电信号辨识人体肘关节运动状态。当人体手臂做屈伸运动时,采集肱二头肌和肱三头肌的肌电(EMG)信号和肘关节角度信号,对EMG进行处理和特征提取。提取的特征值作为一个四层的神经网络模型的输入信号,运用改进后的误差反传学习算法最优化网络各层权值,映射出人体表面肌电信号和手臂运动状态间的非线性关系,试验结果表明所建立的神经网络预测模型能较准确的将处理后的肌电信号转换为相应时刻的肘关节运动角度。2.基于人手做展拳、握拳、前臂内旋、前臂外旋等不同的动作时采集到的肌电信号,首先提取其有效的动作信号。再利用离散小波变换对其进行多尺度分解,提取一定尺度上的小波系数模最大值作为特征值。分别采用多层前馈神经网络和高阶神经网络作为分类器对人手不同动作进行分类识别,均取得了较为满意的识别结果。本课题得到了国家自然科学基金(项目号:50375108)和天津市自然科学基金(项目号:033601611)的资助。