论文部分内容阅读
表面肌电信号是由控制肌纤维收缩的神经电在皮肤表面叠加产生的复杂生物电信号。为了将其引入康复机器人系统,研究具有针对性的表面肌电信号特征提取方法是其关键之一。本文的研究将提升康复机器人系统的康复功能,具有较强的理论研究与实际应用价值。围绕表面肌电信号特征提取方法研究与应用的主题,结合康复机器人系统的需要,本文提出了二次特征提取框架,其重点展开的研究工作如下:(1)在一次特征提取中,针对表面肌电信号非平稳随机特性,本文建立了表面肌电信号的现象模型,采用了基于卡尔曼滤波的方差估计方法将信号去随机化,提取了非随机的肌力相关量,作为下一次特征提取环节的输入信号。(2)在二次特征提取中,针对肌力变化复杂的特性,本文采用了时域、模型参数与时频域的特征提取方法,从一次特征中多角度地提取了肌力-运动的相关特征。由于上肢运动的复杂特性,肌力-运动的原始特征无法直接描述运动规律。针对该问题,本文采用了非负分解方法(Nonnegative Matrix Factorization,NMF)压缩原始特征,自学习与抽取特征基,产生新的低维特征。针对NMF算法易产生畸形点与收敛慢的问题,本文采用了基于交替投影梯度非负最小二乘的改进NMF算法(Alternating Nonnegative Least Squares Projected Gradient NMF,PGNMF)提高了收敛速度,解决了畸形点的问题。(3)为了识别上肢动作以设定机器人控制系统的控制指令,本文采用了极限学习机算法(Extreme Learning Machine)建立了基于肌力-运动特征运动模式的分类器。针对实际采集中可能出现的人为干扰导致数据不稳定的问题,本文采用了 TSSVD-ELM的改进算法,增强了分类器的稳定性。(4)编写了相应的表面肌电信号采集系统软件,设计了基于表面肌电信号的连续上肢运动识别实验。针对连续识别的问题,本文设计了肌电信号活动段分割算法以提取有效的活动段信号。最后,经过大量的仿真实验与实际测试,证明了本文提出的表面肌电信号特征提取框架与特征提取方法的有效性。