论文部分内容阅读
肌肉自主收缩或者受到外部刺激时,神经肌肉系统中的运动神经元将会被激活,募集到的运动单位(MU)形成的运动单位动作电位(MUAP)经由肌肉、脂肪以及皮肤等组织构成的容积导体后,在皮肤表面电极测量位置处与各种噪声叠加形成的电信号就是表面肌电信号(Surface Electromyography,SMEG)。表面肌电信号作为一种重要的生物电信号,已被广泛应用于生物反馈、康复工程、仿生学和运动医学中。近年来,随着人机交互技术的发展,手势识别成为其中一项关键技术,基于动作SEMG信号的手势识别技术作为一个研究热点,被开发为人机交互的控制信号,广泛用于机器人、虚拟现实、三维设计、计算机视觉、医学研究、手语理解等领域中。在手势动作SEMG信号的模式识别研究中,分类算法的研究与应用是手势识别的关键技术之一。本文采用一种基于自适应共振理论(Adaptive Resonance Theory,ART)的神经网络ART2对手势动作SMEG信号进行模式识别研究,并进行了单用户和多用户的实验。研究结果表明,基于ART2的手势识别系统具有快速识别的能力,且能改善基于动作SMEG信号手势识别系统的自适应性和稳定性。本研究为实现基于手势动作的具体设备或虚拟现实的实时交互控制打下了良好的基础,具有重要的理论意义和实际工程应用价值。围绕SEMG信号的手势识别研究,本文的主要工作和成果有:1.在对表面肌电信号的生理学本质深刻理解及其特征深入分析的基础上,设计了多通道SEMG信号采集和实验方案,完成了手势动作SEMG信号的预处理、活动段检测和特征提取。利用20Hz~400Hz的带通滤波器对采集到的原始SEMG信号进行预处理,有效地抑制了噪声、消除了基线漂移的影响。采用移动平均算法在连续采集的肌电信号中对活动段进行检测,判断有效动作信号的起始点和终止点,获得有效的动作信号。采用多通道归一化绝对值均值(MAV)和5阶AR模型对8通道手势动作SEMG信号进行特征提取。2.基于ART2神经网络分类器的SEMG手势动作模式识别研究。在对ART2神经网络模型结构、表面肌电信号手势识别方法的广泛调研和深入分析的基础上,将ART2神经网络分类器应用于手势动作SEMG信号的模式识别中,实现了八类手势动作的有效识别。并针对手势动作肌电信号识别中存在的识别效率和稳定性问题,进行了单用户和多用户的实验,并与BP神经网络分类器的分类结果进行对比分析。研究结果表明,ART2分类器具有识别率高、实时性好、鲁棒性强的优点,对手势动作SEMG信号的识别具有良好的自适应性和较稳定的分类能力。