论文部分内容阅读
肌音信号(MMG)是一种肌肉收缩时发出的低频信号，反映了肌肉的力学特性，是近年来研究的热点。头部动作识别在应用于方便人类生活的辅助器具的人机交互方面，具有现实重要意义，比如可灵活控制电动轮椅运动。因此本课题将肌音信号引入头部动作模式识别领域，实现了低头、抬头、左转、右转、左摆、右摆六种头部动作的模式识别，并在成功识别的基础上，利用头部动作的肌音信号控制硬件设备如模型小车进行运动。 本课题首先设计了肌音信号的采集系统，选择TD-3压电加速度传感器、美国NI9205采集板卡采集头部动作时的颈部肌音信号并转换成数字量信号存入计算机中进行后续的离线信号分析处理研究:对原始信号进行软件预处理，然后根据采集得到的头部动作肌音信号的特点提取有效特征空间并降维，再对比分析线性分类器、SVM支持向量机、BP神经网络三种分类器的模式分类效果，进行性能分析。 结果得出最优的特征选择为双谱主对角切片特征和coif4小波包4层分解系数的能量特征组合成的特征空间，而对特征进行降维的处理中，发现Fisher线性判别分析(Fisher Linnear Discriminat Analysis，FLDA)比PCA主成分分析(Principal Component Analysis，PCA)有更好的降维效果。BP神经网络中的基于级联前向神经网络(CFN)分类器是最佳选择，识别准确率为91.63％，运行效率在2s～4s之间。 最后，进一步设计了基于Matlab GUI的头部动作肌音信号处理的用户图形界面，并且将识别出的头部动作肌音信号成功控制模型小车前后左右加减速的运动，具有较大的现实应用意义。