论文部分内容阅读
随着智能计算技术的飞速发展,对新颖的人机交互技术的探索研究层出不穷,其中手势识别技术是近年来被关注的热点。表面肌电信号(Surface Electromyography,SEMG)是伴随人体肌群运动产生的一种重要的生物信号,肢体的特定关节运动由其对应的肌肉群控制,运动过程中产生的肌电信号可以反映肢体姿态和肌肉激活方式,目前已被应用于人机交互、人体运动学、日常监护等相关领域。由于SEMG为弱生理电信号,极易耦合外界噪声,对信号的采集与处理造成了较大困难。此外,SEMG信号的采集多使用医用湿电极或者金属电极,具有可穿戴性差、不能长期佩戴的缺点,因此需要使用新型的电极材料代替传统电极进行信号采集。柔性织物电极能够很好贴合人体皮肤表面,且使用具有无碍性,适用于可穿戴式生理电信号采集系统。综上所述,本文将对基于柔性电极的SEMG信号采集与处理方法进行研究,主要工作包括:(1)设计基于柔性电极的可穿戴SEMG信号采集与处理硬件平台。选择合适材料及结构的柔性电极用于采集SEMG信号;然后经由肌电前端模块对信号进行调理;后端微控制器对调理后信号进行数模转换,由蓝牙无线模块与PC端上位机通讯。依据可穿戴设备易于穿戴的特点,设计集成度高,稳定性强的硬件电路。(2)设计信号采集系统的硬件驱动,实现了信号的采集、信号预处理、数据格式转换以及无线传输。设计PC端的实时SEMG信号采集与分析软件,包括人机交互、数据接收、数据解析、历史数据存储以及实时波形显示等功能。(3)对SEMG信号进行分析,并在上位机端实现对信号的处理。针对噪声处理,活动段检测、特征提取的方法展开研究,并提出基于多通道SEMG信号与惯性信号结合的手势识别基本方法。针对信号中常见噪声设计合适的滤波器。采用改进的基于阀域的移动平均法,降低连续手势信号中静息信号时间短而导致的分段错误率。提取信号在时域、频域以及时频域上的特征,并验证手势识别分类效果。(4)分析并获得最佳电极通道与电极位置的选取方案。由于人体手部动作的肌群分布存在相似性,在有效部位放置电极可以极大的减少运算量,因此将在研究中实验不同位置及数目的电极对分类结果影响。结合MRMR-FCO(minimal Redundancy-Maximal Relevance method with F-test Correlation Out)方法对SEMG信号及惯性信号的各类特征进行排序验证与特征压缩,结合准确率与实时性设计最佳特征提取方案。本文通过对SEMG信号的产生机理、信号特征以及常见噪声进行分析,针对现有SEMG信号采集与处理方法中存在的问题与挑战,设计了基于柔性电极的可穿戴SEMG信号采集与处理系统,包括信号的硬件采集方案、上位机软件以及相应的信号处理算法实现,兼顾了实时性与计算性能。研究了基于sEMG信号的手势识别基本方法、常用算法、特征提取与选择方案等,取得了较高的分类率。并通过研究与实现MRMR—FCO算法,确定了最佳电极摆放位置及通道,减少了系统的计算量,实现了较好的分类性能。