基于腦電與肌電信號融合的多自由度手部動作識別研究.pdf

1、肢體殘疾者渴望擁有像正常人一樣能按自身意愿支配的肢體，而仿生假手正是在此背景下應(yīng)運而生，可以通過檢測人體的各種特征，如肌電信號(electromyography，EMG)等信號源控制假手的動作。高性能多自由度仿生假手已經(jīng)成為康復(fù)醫(yī)學(xué)工程研究領(lǐng)域的熱點課題，對提高肢體殘疾人士的生活質(zhì)量以及促進殘疾人康復(fù)事業(yè)的發(fā)展意義重大。
　　 肌電信號是一種由神經(jīng)肌肉活動所產(chǎn)生的生物電信號，其中蘊含了很多與肢體運動相關(guān)聯(lián)的信息，是肌肉的生物電活

2、動在皮膚表面處時間和空間上的綜合結(jié)果，現(xiàn)已廣泛的應(yīng)用于生物醫(yī)學(xué)工程的各個領(lǐng)域。腦電信號(electroencephalogram，EEG)是一種非常微弱的非平穩(wěn)信號，包含了大量腦神經(jīng)細胞的電生理活動信息，體現(xiàn)了人的思維活動與肢體動作行為，因此將腦電信號作為仿生假手的控制信號也是一種可行的方案。目前國內(nèi)已有許多正在進行單獨基于肌電或者腦電信號的研究，但將兩者結(jié)合起來，將腦電和肌電信號有效融合，進而對假手進行仿生控制的研究還有待開展。本論文

3、從運動意識與手部動作的一致性出發(fā)，嘗試將肌電信號和腦電信號相結(jié)合，并用支持向量機(support vector machine，SVM)和D-S證據(jù)推理(Dempster-Shafer Inference)的方法進行信息融合，以控制多自由度仿生假手的腕內(nèi)旋、腕外旋、伸腕、屈腕、展拳和握拳六個動作，有望為仿生假手提供一種新的控制方法。
　　 本文在國家自然科學(xué)基金項目(60874102)的支持下，對肌電和腦電信號的采集和預(yù)處理方法

4、、特征提取、模式識別以及最終的決策層信息融合等多個方面展開了理論研究與實踐。本文主要完成了以下研究工作，并取得了部分創(chuàng)新成果：
　　 (1)從肌電信號和腦電信號的產(chǎn)生機理出發(fā)，分別概括了其信號特性和采集過程中所遇到的各種干擾。針對肌電和腦電信號微弱、背景噪聲強的特點，介紹了用小波分解重構(gòu)方法對采集的信號進行消噪處理。
　　 (2)介紹了腦電信號的特點和分類，以及采集過程中腦電極的導(dǎo)聯(lián)方法。針對獨立源產(chǎn)生的偽跡噪聲，無法用

5、小波消噪的方法濾除，因此本文提出了一種基于熵估計的RADICAL盲源分離算法應(yīng)用于腦電信號的偽跡處理，實驗結(jié)果表明，該方法能有效的消除腦電信號中所夾雜的眼電偽跡。為后續(xù)腦電信號的特征提取創(chuàng)造了良好的條件，提高了識別率。
　　 (3)考慮到肌電和腦電信號的非平穩(wěn)性，研究了肌電信號和腦電信號的基本尺度熵和排列組合熵的特征提取方法，并分別給出了相關(guān)算法。針對腕內(nèi)旋、腕外旋、伸腕、屈腕、展拳和握拳六種待識別的動作模式，采集尺側(cè)腕伸肌和尺

6、側(cè)腕屈肌兩路肌電信號以及C3、C4、P3和P4四路腦電信號。肌電信號采用基本尺度熵提取特征值，得到一個肌電信號的二維特征向量；腦電信號采用排列組合熵提取特征值，得到一個腦電信號的四維特征向量。以基本尺度熵和排列組合熵得到的特征向量能較好的表達各待識別動作的特征。
　　 (4)主要研究了基于支持向量機和D-S證據(jù)推理融合方法，使支持向量機的輸出符合D-S證據(jù)推理的基本概率分配(basic probability assignmen