论文部分内容阅读
近年来,国内外每年都有大量的关于 sEMG 信号分解的文章发表。他们研究的目标是将 sEMG 信号分解为 MUAP 或 MUAPT,通过动作模式识别控制假肢。很少有学者将 sEMG 信号分解为 SFAP。sEMG 信号分解至 SFAP 在疾病诊断、针灸治病机理分析以及假肢控制等方面具有重要意义。 本文在 Graupe D.和 Huang Q.等研究的基础上,提出了一种新的基于 RBF 神经网络和遗传算法的 sEMG 至 SFAP 的分解算法。Graupe D.等巧妙地运用了sEMG 信号可以近似用若干 Gaussian 函数的和表示的特点,以 Gaussian 函数作为 Hopfield 神经网络的节点函数,运用 Hopfield 神经网络拟合 sEMG 信号。通过曲线拟合,将 sEMG 信号分解为若干 Gaussian 函数,聚类处理后就得到了组成 sEMG 信号的 SFAP。本文基于同样的思路,采用具有全局逼近性能和最佳逼近性能的 RBF 神经网络拟合 sEMG 信号,避免了 Hopfield 神经网络易陷入局部最优解的缺点,加快了算法的收敛速度,提高了拟合的精度。为了提高算法的精度,本文采用参数优化能力强的遗传算法训练 RBF 神经网络的权值和节点函数参数。 另外,本文在肌肉电生理学研究的基础上提出了 sEMG 至 SFAP 的可分解性定理,指出了在轻度收缩条件下 sEMG 至 SFAP 可分解且分解结果唯一,为算法的设计提供了理论依据。