论文部分内容阅读
表面肌电信号能够反映人体肢体最原始的动作特征,通过对表面肌电信号进行分析处理能够识别人体的动作意图,但由于表面肌电信号随机非平稳的特性,利用表面肌电信号控制人工智能假肢始终无法达到理想的效果。因此如何提高表面肌电信号识别率以更好的控制人工智能假肢成为了当前康复医学研究的热点。对于表面肌电信号手势识别的效果很大程度上取决于对原始信号的处理、信号特征的提取,以及分类模型的构建。针对以上问题,本文研究了包括不同采集位置对表面肌电信号的影响;性别差异性与表面肌电信号的关系;以及特征的提取和识别算法;最后通过建立MATLAB与ADAMS的联合仿真实现手势动作的可视化操作。主要研究内容如下:(1)首先介绍了国内外表面肌电信号的研究现状,包括特征提取和识别分类方法,并对表面肌电信号的产生机理和特点进行了介绍。(2)其次根据传统电极采集方式研究了新的采集方式,即根据单个手指活动时对应肌群的伸缩确定电极采集位置。实验共设计了10种手势动作,针对不同性别间的差异性,采用滑动平均能量检测表面肌电信号的动作起始点,并通过能量补偿的方式增加动作段的特征辨识度,减小不同性别的表面肌电信号差异性,实验结果表明补偿后的识别率提高了6%左右。(3)本文共采用了四种特征提取方式,包括时域、频域、小波包分解、梅尔倒谱系数(MFCC),对于维数高的MFCC特征系数采用主成分PCA进行了降维。将几种特征提取算法的结果送入分类器进行识别比较,结果表明MFCC提取的特征效果最好。(4)实验设计了四种分类器,包括传统BP神经网络、支持向量机(SVM)、粒子群优化支持向量机(PSO-SVM)、以及改进后的(CCPSO-SVM),结果表明改进后的CCPSO-SVM识别率最高,同一性别识别率为98.5%,不同性别识别率为93.5%。(5)根据真实人手建立了一个仿生灵巧手模型,通过ADAMS的Controls模块与MATLAB进行联合仿真,实现了10种手势动作的仿真运动,验证了表面肌电信号对灵巧手模型的控制有效性。