论文部分内容阅读
目前,我国由于疾病、意外事故及老龄化造成人体上肢功能障碍者已超1亿人,利用上肢康复机器人辅助上肢康复训练问题日益得到广泛关注。为增加患者在康复训练阶段主动参与度,基于sEMG信号的动作识别成为康复机器人辅助上肢康复训练的研究焦点。然而,目前基于sEMG的上肢动作识别的研究存在识别动作简单（单关节动作）、动作识别种类少（4-8种）、没有在线验证等问题。为解决以上问题,本论文通过对8通道sEMG数据的采集、预处理、特征提取与融合、识别分类等过程,实现14种多关节复杂上肢动作的离线识别,并将其算法用于M2上肢康复训练平台实现在线验证。本文主要研究工作如下:（1）sEMG数据采集。依据人体上肢关节主要动作及对应肌群分析,确定14种动作及8块肌肉,设计sEMG采集方案以获取高质量数据,并将采集结果按动作类别分类储存为csv格式。（2）s EMG数据预处理。在去噪方面,本论文提出复合小波去噪法,能同时有效去除sEMG中的高频噪声和基线漂移。通过分析小波去噪综合评价指标T用于sEMG中的不足,提出改进后的综合评价指标P,实验验证了P指标的有效性。将P指标用于评价小波变换阈值、小波变换数字滤波阈值以及复合小波去噪的去噪效果,其中复合小波去噪后的P值最小且效果最优。在有效信号段提取方面,采用分帧能量法实现了对有效信号段快速准确地提取。本文的预处理算法去除了sEMG中的冗余信号并缩短了处理时间。（3）s EMG特征提取与分析。本论文提取了sEMG的5个常用时域特征、3个频域特征和2个时频域特征。在此基础之上,针对直接提取非线性熵特征时计算量大的问题,研究并提取了12个基于单窗口及多窗口分析法的sEMG模糊熵和分布熵特征,并对不同类特征进行全面分析。其中,时域特征变化最大,最不稳定。熵特征值小于1,其稳定性最强。（4）基于Fisher判别的多特征融合与动作识别分类。引入Fisher判别法对提取的22个特征进行可分性评估,得到9个基于Fisher的特征融合向量。将其分别输入经粒子群算法（PSO）和网格搜索算法（Grid Search）优化的SVM,以测试识别率作为评价指标,得到最优融合特征向量6F和最优分类器PSO-SVM,识别率达93.66%。（5）将离线sEMG动作识别算法应用于M2上肢康复训练平台进行上肢康复训练验证实验。以6种动作为例,最终所得在线动作识别率为79.79%。这足以证实本论文基于s EMG的动作识别用于上肢康复训练的可行性。