上肢表面肌電信號的處理與運動模式辨識方法研究.pdf

1、表面肌電(SEMG)信號是一種復雜的人體表皮下肌肉電活動在皮膚表面處時間和空間上的綜合結(jié)果，是從人體骨骼肌表面通過非侵入方式記錄下來的神經(jīng)肌肉活動時發(fā)放的生物電信號，它能在非損傷狀態(tài)下實時反映神經(jīng)和肌肉的功能狀態(tài)。本文主要研究上肢表面肌電信號的處理與運動模式的辨識方法，其研究內(nèi)容主要涉及神經(jīng)-肌肉學科中的神經(jīng)肌電信號、信號處理和模式識別等方面，屬于典型的學科交叉研究范疇。 近年來，隨著計算機等技術(shù)的發(fā)展，國內(nèi)外學者對表面肌電的研

2、究也逐漸深入，使得表面肌電信號不僅在臨床醫(yī)學、運動醫(yī)學及康復醫(yī)學等領(lǐng)域被廣泛應用，而且還成為人工假肢的理想控制信號。肌電信號的模式識別是肌電應用的基礎(chǔ)，為此，本文深入探討了如何由采集的表面肌電信號來識別上肢不同的運動模式。其目的是根據(jù)表面肌電信號的非平穩(wěn)及隨機特性，運用現(xiàn)代信號處理方法尋求其內(nèi)在的本質(zhì)特征，并深入研究及運用現(xiàn)代模式識別理論設(shè)計模式分類器，使其能夠?qū)ι现煌\動模式的本征值進行有效識別，為揭示動作表面肌電信號的本質(zhì)與多自由

3、度肌電控制假肢的實用化提供理論依據(jù)。主要工作及創(chuàng)新之處如下： 1.運用小波變換的多分辨分析技術(shù)，結(jié)合人工神經(jīng)網(wǎng)絡(luò)與多類支持向量機分類器對前臂八種運動模式的辨識進行了研究。 針對肌電信號非常微弱、易受干擾的非平穩(wěn)隨機特性，在經(jīng)過理論分析與大量實驗比較的基礎(chǔ)上，根據(jù)小波變換的多分辨分析思想，本文提出利用離散小波變換對原始肌電信號進行多尺度分解，分別提取一定尺度上db4小波變換肌電信號的最大值、dmey小波分解系數(shù)的特征值、b

4、ior3.1小波變換肌電信號的奇異值作為原始肌電信號的特征，并由BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)與運用統(tǒng)計學習理論設(shè)計的多類支持向量機分類器對其進行模式識別，得到了較好的識別結(jié)果。 提出采用磁場刺激技術(shù)對掌長肌、肱橈肌、尺側(cè)腕屈肌和肱二頭肌進行處理，并采用coif5小波和bior3.1小波對磁場刺激后的原始肌電信號進行多尺度分解，提取一定尺度上分解系數(shù)絕對值的平均值作為原始肌電信號的特征，識別效果良好。 2.提出基于小波

5、包能量與最大奇異值肌電信號的特征提取方法。 為了更加全面、系統(tǒng)地從肌電信號的非平穩(wěn)隨機特性中獲取有價值的信息，經(jīng)過理論分析與實驗驗證，在特征提取方面，本文提出采用coif3小波包變換肌電信號的能量與db4小波包變換肌電信號的最大奇異值作為原始肌電信號的特征，并與支持向量機分類器相結(jié)合，有效地實現(xiàn)了對前臂八種動作模式的辨識。實驗結(jié)果表明，采用小波包變換比小波分析對不同運動模式的辨識更為有效。 3.采用參數(shù)模型法對肌電信號的

6、特征提取進行了探討，并運用聚類分析技術(shù)與Bayes分類方法對肌電信號的模式識別進行了研究。 通過對肌電信號的分析，對其建立AR參數(shù)模型，并運用U-C算法對肌電信號AR參數(shù)模型進行參數(shù)估計，在確定AR模型階數(shù)的基礎(chǔ)上，實現(xiàn)了肌電信號的特征提取。提出采用相似性測度的Mahalanobis距離與Bayes分類方法對肌電信號的AR參數(shù)特征值進行分類，得到了較好的識別效果。 提出采用動態(tài)聚類中心的設(shè)計思想對Bayes分類方法進行改

7、進，并利用改進的Bayes分類器對從前臂八種運動模式中提取的的AR模型特征值進行辨識，實驗結(jié)果表明，改進的Bayes分類器比Bayes分類方法更能有效地實現(xiàn)對前臂八種運動的模式識別。 4.對表面肌電信號的復雜性測度進行了研究，提出采用支持向量機與模糊識別技術(shù)對表面肌電信號的復雜性測度及AR特征值進行模式分類。 根據(jù)肌電信號復雜度的定義，確定了對其提取的方法，并運用此方法對前臂八種運動模式采集的原始表面肌電信號進行分析與處

8、理，實現(xiàn)了對表面肌電信號復雜度的提取。并以此作為肌電信號的特征值，提出采用支持向量機、C-均值聚類算法、模糊C-均值聚類算法及模糊Kohonen聚類網(wǎng)絡(luò)對肌電信號復雜性測度的模式分類進行了深入探討，取得了很好的分類效果。 此外，尚采用以上方法對表面肌電信號的AR特征值進行了模式分類研究。 5.采用混沌與分形理論對表面肌電信號的非線性動力學特征進行了研究，并通過提取肌電信號的分形維數(shù)進行模式辨識。 (1)運用非線性

9、時間序列分析，采用延時坐標法，對肌電信號進行相空間重構(gòu)，并采用Wolf算法對表面肌電信號進行處理，結(jié)果表明，SEMG信號具有正的最大Lyapunov指數(shù)，呈現(xiàn)出某些混沌特征。 (2)采用改變粗視化程度的方法提取表面肌電信號的分形維數(shù)，對上肢八種動作在相關(guān)肌肉上分形維數(shù)的聚類分布進行了研究，很好地刻畫了表面肌電信號的分形維數(shù)與運動模式之間的關(guān)系。提出采用支持向量機與Bayes分類方法對肌電信號的分形維數(shù)進行模式辨識。 本課