论文部分内容阅读
表面肌电信号(surface electromyography,sEMG)是由肌肉兴奋时募集的多个运动单元产生的动作电位在表面电极处的综合叠加。目前,基于sEMG的智能假肢已成为研究热点。遗憾的是,大部分的研究都倾向于识别人手动作模式,却很少对假肢手抓取物体时所应该施加的力进行预测估计,从而难以研制出更加精确抓取任务的智能假肢手。本文的目的在于探索一种基于sEMG的手部抓取动作识别以及抓取力预测的方法,本文研究的主要内容有:(1)在采用6阶巴特沃斯带通滤波与快速独立成分分析(FastICA)相结合的方法对sEMG进行预处理的基础上;采用小波包结合样本熵的特征提取方法得到sEMG的标准样本熵(SSE)特征;然后采用SVM模型分类器进行基于两通道与四通道sEMG的抓取动作模式识别。(2)分别在随意与规定抓取模式下,选取sEMG的标准样本熵为特征,采用AGA--SVR预测模型进行抓取力预测实。预测精度优于传统的采用sEMG幅值或MAV特征进行抓取力预测。(3)设计了基于MATLAB-GUI的实验平台,详细分析了抓取模式识别和抓取力预测的精度,验证了本文方案的可行性:在基于sEMG手部抓取动作识别平台进行验证实验,结果得出基于两通道的4种抓取动作模式的正确识别率大于92%,进一步的交叉验证试验结果的最低识别率为90%,验证了该分类器的良好性能;基于四通道的实验结果得到每种抓取动作模式的正确识别率均大于96%,表明适当增加电极的个数所得正确识别率有所提高。在随意抓取模式下基于二通道的力预测实验结果表明sEMG的幅值能够反映抓取力大小的变化;AGA--SVR预测模型的回归精度优于BP算法预测模型;基于四通道的力预测实验结果表明其预测精度优于基于两通道的力预测。在规定抓取模式下基于四通道的力预测实验结果表明其力预测的精度优于随意抓取模式下的力预测;采用基于四通道sEMG的MAV特征进行力预测的精度要优于直接用sEMG的幅值进行力预测,而采用sEMG的SSE特征进行力预测的精度则又优于用sEMG的MAV特征进行力预测。实验结果表明,采用手臂的sEMG信号不仅能够识别出手部动作模式种类,还能预测出抓取力的大小,该研究有助于研发能够完成精确抓取任务的肌电假肢手。