论文部分内容阅读
随着人工智能技术的飞速发展,生物医学工程与模式识别技术的结合广泛应用在人机交互、疾病诊断、假肢控制等多个领域,其中,功能智能化的假肢的发展使得手势动作的分类识别成为研究的热点之一。迄今为止,解码表面肌电信号(sEMG)成为手势动作识别的主要研究手段,但sEMG也是一种微弱的生理电信号,容易受到电磁干扰和肌肉疲劳的影响。通常,传统的肌电采集设备大多采用的是金属电极,需要采用涂导电膏的方式降低电极与皮肤之间的接触阻抗,不适用于导电膏过敏人群且易造成患者不适,从而不便于电生理信号的长期监测。因为手势动作需要肌群之间协同完成,且每个手势动作的肌肉收缩水平不同,针对sEMG与肌电采集传感器的不足,本文选择纳米金柔性传感器,将其拉伸过程中良好的导电性能应用在手势动作分类中,纳米金柔性传感器利用前臂肌肉收缩水平的差异性将传感器被拉伸后的形变信号应用于手势动作分类,验证其分类性能,为基于生理信号的假肢控制应用提供一种新的技术手段。本文的研究内容主要包括以下几个方面:(1)针对纳米金柔性传感器及其采集平台做了初步的研究,首先,本文设计并制备了纳米金柔性传感器,通过实验探讨了其不同的封装形式,然后根据日常手势动作使用频率选择了8个手势动作作为本文中手势动作分类的目标动作,最后针对形变信号数据处理方式进行探究,选择了最优的特征,明确了分类器,为后续手势动作分类奠定了基础。(2)基于纳米金柔性传感器的位置及手臂姿势对手势动作分类性能的影响进行了研究。根据实验结果明确了纳米金柔性传感器在手臂前臂放置的位置,并对其分类性能进行了分析;设计实验验证了手臂自然垂直和手臂弯曲90°两种手臂姿势状态的差异性,结果表明两者之间的没有显著性差异。(3)针对形变信号,研究了随机训练模式和重复训练模式两种不同的训练模式对手势动作分类准确率的影响。本文从时域波形、每个手势动作的分类准确率和每个受试者的平均分类准确率方面对比两种训练模式的差异性,明确了两种手势动作训练模式没有显著性差异。(4)基于解码sEMG信号成为手势动作分类的常用手段之一,本文设计实验同时采集sEMG和纳米金柔性传感器的形变信号,并从时域波形、同通道数的手势动作分类准确率、不同通道数的手势动作分类准确率和特征向量散点图等方面进行对比分析。通过实验进一步验证了纳米金柔性传感器与传统肌电信号采集设备电极一样,可以实现可靠的手势识别。(5)为了进一步验证形变信号在手势动作分类中的分类性能,本文选择了一种柔性可拉伸材料并制备成一种柔性应变传感器,设计实验验证了形变信号在不同手势动作以及不同力度时的分类性能,完善了形变信号在手势动作分类中的影响因素的探究。