论文部分内容阅读
表面肌电信号具有无创伤测量、仿生性好等特点,已成为肌电假肢理想的控制信号源。目前表面肌电信号特征提取与分类识别的方法不十分成熟,表面肌电信号未得到广泛应用。因此,如何提取表面肌电信号的有效特征,并针对这些特征实现动作高准确率分类,成为肌电假肢实用化进程中的重要问题。本文分别对上肢肱二头肌、肱三头肌、三角肌的运动采集表面肌电信号,通过对信号进行小波阈值去噪、特征提取和分类识别处理,实现上肢曲臂、伸臂、手臂垂直内旋和手臂垂直外旋4个动作的高准确率的分类。首先,对小波阈值去噪方法进行分析,针对硬软阈值存在不连续点和恒定偏差的问题,利用非线性函数过渡,引入控制系数,运用一种改进阈值去噪方法对肌电信号进行去噪处理。表面肌电信号分别用三种阈值去噪法去噪后的实验结果表明,改进阂值去噪法不仅兼顾了硬软阈值去噪法的优点,而且提高了表面肌电信号的信噪比。运用数值分析法对改进阈值去噪法的控制系数进行参数整定后,得到了信噪比较高的表面肌电信号,为表面肌电信号特征提取和分类作准备。其次,表面肌电信号经去噪和活动段检测后,分别提取信号的时域特征、AR模型系数及每级小波系数模最大值特征,并将三种进行比较。实验结果显示,后两者对表面肌电信号有很好的可分性。本文运用单一特征组合的方法,将后两者进行组合作为特征矢量,经PCA降维处理后,选用BP神经网络分类器和支持向量机分类器进行分类识别,并与单一特征和其他组合特征进行分类率比较。实验结果表明,本文提出的组合特征具有较好的表面肌电信号表征能力,其准确率分类均高于单一特征和其他组合特征,达97%以上。因此,对采集的表面肌电信号运用改进阈值去噪法去噪后,经数值分析法得到了信噪比较高的表面肌电信号,并对其提取AR模型系数和每级小波系数模最大值的组合特征,分别经BP神经网络和支持向量机分类后,均实现了不同动作的较高准确率分类的目的。