《基于肌电信号的行为识别的研究》由会员分享，可在线阅读，更多相关《基于肌电信号的行为识别的研究（30页珍藏版）》请在金锄头文库上搜索。
1、广东商学院数学与计算科学学院基于肌电信号的行为识别的研究广 东商学院2013-JX16-本科毕业论文（设计） 基于肌电信号的行为识别的研究 院 （系）数学与计算科学学院专 业信息与计算科学班 级09信息与计算科学一班提交日期2013年 月 日毕业论文(设计)成绩评定表毕业论文（设计）指导教师评语及成绩成绩 指导教师签名 年 月 日毕业论文（设计）复评教师评语及成绩成绩 复评教师签名 年 月 日毕业论文（设计）答辩评语及成绩成绩 答辩委员会主席签名 年 月 毕业论文（设计）总成绩（五级记分制） 院（系）负责人签名 年 月 日TITLE: Recognition Research Based On
2、 The Behavior of The EMG SignalMAJOR: Information And Computing Science内容摘要本文对前臂肌肉群多个位置（包括肱桡肌、桡侧腕屈肌、桡侧腕长伸肌、尺侧腕伸肌、尺侧腕屈肌）进行表面肌电信号的采集，用RMS（均方差）与AR模型两种方法分别对采集的肌电信号进行特征分析和特征提取，再通过不同的分类方法（包括监督式学习、LDA分类算法）对现有的信号数据进行模式识别，区别屈肘、屈腕、屈指和前臂旋转等多种动作，最终使用MATLAB实验软件绘图直观表示各种分类方法的识别率，得到多种分类方法的优劣程度并最终得出结论从而将该项的研究成果拓展到人体
3、其他肌群及相关假肢的控制中，另外在仿生控制人工动力假肢研究领域同样具有重要的意义。关键词：特征提取 模式识别 MATLAB 表面肌电信号 AbstractIn this research,I collect the surface EMGs in several of the forearm muscle groups (including brachioradialis、flexor carpi、carpi radialis longus、extensor carpi ulnaris and flexor carpi ulnaris). With the methods such as RM
4、S and AR model ,I extract the feature from the EMGs which has been collected.Then by using classification methods(Supervised Learning:The LDA algorithm),I use the existing EMGs in order to differentiate between elbow、wrist flexion,、flexor 、forearm rotation and so on.I also use two more signal optimi
5、zations to raise recognition rate.Ultimately, we use MATLAB to plot pictures and intuitively to show the recognition rate.Finally the best recognition rate is 98.611%.Keywords: Pattern recognition Feature extraction SEMG目 录1引言 111 理论研究112国内外文献综述与研究现状12 表面肌电信号的采集 3 21 肌电信号的模型说明322 肌电信号的数据说明42.2.1肌电信号
6、的拾取42.2.2肌电信号的位置52.2.3动作展示63表面肌电信号的预处理84模式识别 941特征提取94.1.1时域特征值：RMS 均方根94.1.2频域特征值：AR 自回归模型94.2监督式学习114.3绘图展示 134.3.1 表面肌电信号134.3.2 RMS特征值144.3.3 AR模型特征155 信号优化处理165.1 Majority Vote与去噪函数165.2绘图展示176 结论18参考文献 19附录2161引言表面肌电信号(Surface Electromyography，SEMG)是人自主活动中肌肉表层多个运动单位所发出的电位序列最终在皮肤表面通过电极检测得到的时间与空
7、间综合叠加的结果10，是神经肌肉系统活动时伴随的生物电信号。由于它在一定程度上关联着肌肉的活动状态与功能状态，因此也能够反映一定的神经肌肉活动状况2，故在肌电信号在临床医学（如神经肌肉疾病诊断）、康复医学（如肌肉功能评价）、人机工效学（如肌肉工作的工效学分析）、体育科学（如疲劳判定、运动技术合理性分析、肌纤维类型和无氧阈值的无损伤性预测）、仿生学（如人体假肢控制具）13等方面均有重要的利用价值。1.1理论研究近年来，基于表面肌电信号识别研究在医学生物领域的作用越发凸显，研究学者遍布全球，研究文章也层出不穷，学者在对表面肌电信号进行识别研究时采用同样的步骤，即肌电信号的采集、信号优化处理，特征分
8、析及提取、模式识别，但最主要的是肌电信号分析、特征提取与模式识别两个方面。特征提取的目的在于通过研究表面肌电信号的时、频域特征与肌肉结构以及肌肉活动状态和功能状态之间的关联性，从而利用SEMG的变化有效反映肌肉的活动和功能，其研究分析主要集中在时域和频域分析。特征提取就所利用的理论方法而言，可分为五个方面：时域法、频域法、时域-频域法、高阶谱及混沌与分形等。特征提取是基础，分类是关键，分类器可以为肌电假肢提供更可靠的控制信号。用于表面肌电信号的模式分类方法很多，其中模糊分类器和神经网络分类器的应用最为广泛。1.2国内外文献综述与研究现状在对表面肌电信号进行识别研究时，国内外学者往往从单一的分析方法及单一的分类方法中得出识别率并将此应用在实际生活的各个领域中。学者研究的思路大都相似，不同之处在于以下两点：第一点是对采集的表面肌电信号进行特征提取的方法。在国外方面，20Disselhorst-Klug（2008）利用时域方法（平均值）提取出SEMG的特征值，用于研究SEMG与肌肉力之间的关系；22Reddy（2007）利用时域方法（均
