论文部分内容阅读
对于前臂截肢者,可通过残余肌肉的表面肌电信号进行手部动作识别以控制肌电假手,从而提高前臂截肢者的生活质量。由于前臂截肢者残余肌肉有限,在使用较少数量肌电传感器的情况下,识别更多的手部动作具有更高的实用价值。另一方面,由于受到温度、皮肤电阻等因素的影响,肌电信号特性发生变化,导致固定识别模型难以长时间准确识别手部动作,因此需要更新识别模型以适应肌电信号特性变化。该文使用了三个通道肌电信号识别六个手部动作。首先,文中对比分析时域、时频域、非线性动力学领域的特征提取方法,根据分类精度选取了小波变换方法来提取表面肌电信号特征。然后,在分类识别方法方面,该文使用小波神经网络作为识别模型,该模型设计主要涉及选择最佳小波函数作为网络激励函数、结合反向传播和梯度下降法训练模型参数。六名健康受试者的平均识别精度达94.67%;且实验结果证明了小波神经网络优于BP神经网络和支持向量机。另外,两名前臂截肢者的实验结果依然表明小波神经网络具有优势。为了解决长时间情况下固定识别模型无法跟随肌电信号特征变化的问题,本文提出了基于小波神经网络集成的增量式学习方法以适应表面肌电信号特性的变化。此外,使用负相关学习方法同时交叉训练小波神经网络集成,以得到小波神经网络集成的最佳参数。十名健康受试者参与了超过两小时的连续性识别手部动作实验。实验结果对比验证了所提方法可以长时间跟随肌电信号特性的变化,明显改善了长时间下固定识别模型识别效果差的问题,且平均识别精度达92.17%。小波变换方法提取表面肌电信号特征并将小波神经网络作为分类模型可以达到很好的手部动作识别效果;同时,在处理肌电信号特性变化的问题中,小波神经网络集成的增量式学习被证明是可行的,且识别效果较好。本文中的方法未来将用于前臂截肢者实时控制肌电假手。