论文部分内容阅读
表面肌电信号(surface electronomyography signal,sEMG)携带着大量与人体运动模式有关的信息。大量研究证明,通过对表面肌电信号的处理分析,能够识别肌肉的活动状态。随着生物医学技术和模式识别技术的发展,表面肌电信号在医疗评估,假肢控制,人机交互等方面得到了广泛应用。本文首先根据在广东省工伤康复中心对十名手部损伤患者进行的问卷调查,选取手部八种动作。根据选择的动作和胳膊肌肉组织结构,选择在指浅屈肌、拇长屈肌、指总伸肌、尺侧腕屈肌四块肌肉肌腹位置放置电极,设计实验采集肌电信号,并对采集到的肌电信号进行处理分析。本文主要工作集中在信号预处理,特征提取,降维与分类,具体如下:(1)信号预处理。对肌电信号预处理主要包括两方面的工作内容,消噪和活动段提取。在对肌电信号进行消噪时,选择使用Sym8作为基函数的小波阈值消噪,并与传统巴特沃斯滤波器效果进行对比,实验证明该方法信噪比高,能够获得理想的消噪效果,为肌电信号的进一步处理奠定良好基础。在活动段提取时,采用变步长移动平均法。采用该方法不仅能够实现对活动段提取的功能,而且计算速度加快。(2)特征提取。分别选取时域、频域和时频域具有代表性的特征进行研究,并使用DB指数对特征进行评价。以DB指数的计算结果作为选择特征的标准,经过实验验证能够达到分类要求。(3)降维和分类方法研究。不同降维方法和分类器的组合,会产生不同的分类效果。本文选择了两种降维方法:主成分分析(PCA)和局部线性嵌入法(LLE),两种分类方法:支持向量机(SVM)和线性判别分析(LDA),一共组成四种肌电信号识别方法,分别为PCA-LDA,PCA-SVM,LLE-SVM,LLE-LDA。对上述四种分类方法进行研究,并针对支持向量机在解决多分类问题时不同的组成方式进行对比分析,对分类性能进行评价主要是根据数据处理时间和分类准确率。