肌電信號(hào)多類(lèi)特征分析及在步態(tài)識(shí)別中的應(yīng)用.pdf

1、人體行走時(shí)，運(yùn)動(dòng)神經(jīng)元釋放電脈沖，引起肌肉產(chǎn)生動(dòng)作電位。該動(dòng)作電位沿肌纖維傳播，并經(jīng)過(guò)時(shí)間和空間上的疊加，形成肌電信號(hào)(EMG)。肌電信號(hào)包含大量與人體運(yùn)動(dòng)狀態(tài)有關(guān)的生理信息，體現(xiàn)運(yùn)動(dòng)模式的組合及分解關(guān)系，預(yù)示肢體運(yùn)動(dòng)意圖，在臨床醫(yī)學(xué)診斷、人體運(yùn)動(dòng)模式識(shí)別以及新型人機(jī)接口設(shè)計(jì)等領(lǐng)域得到廣泛應(yīng)用。不同運(yùn)動(dòng)模式間的差異可通過(guò)肌電信號(hào)特征的不同來(lái)體現(xiàn)，基于該特征可以對(duì)人體運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別研究。
　　本文結(jié)合人體運(yùn)動(dòng)實(shí)際，設(shè)計(jì)實(shí)驗(yàn)采集下肢

2、相關(guān)肌肉所產(chǎn)生的表面肌電信號(hào)，并以此為研究對(duì)象，對(duì)如何更加有效地提取肌電信號(hào)特征，以及如何更好地識(shí)別下肢運(yùn)動(dòng)步態(tài)進(jìn)行深入討論和研究。
　　首先，分析原始肌電信號(hào)中所含具體噪聲，在比較常見(jiàn)消噪方法特點(diǎn)的基礎(chǔ)上，采用小波模極大值算法對(duì)肌電信號(hào)進(jìn)行預(yù)處理，使得消噪后信號(hào)既保留肌電信號(hào)本身特性，又增大了信噪比，波形曲線(xiàn)更加光滑，有利于后續(xù)特征提取和模式識(shí)別。
　　其次，針對(duì)肌電信號(hào)自身非穩(wěn)定、混沌的特點(diǎn)，應(yīng)用Katz算法提取其非線(xiàn)性

3、分形維數(shù)，對(duì)肌電信號(hào)整體復(fù)雜度進(jìn)行深入研究，從更高維度分析信號(hào)特征，捕捉信號(hào)細(xì)節(jié)變化。同時(shí)，計(jì)算絕對(duì)值均值和方差兩大時(shí)域特征，并以此構(gòu)造特征向量集，用于后續(xù)步態(tài)識(shí)別。
　　然后，針對(duì)分類(lèi)器性能優(yōu)化問(wèn)題，采用遺傳算法(GA)優(yōu)化支持向量機(jī)(SVM)懲罰參數(shù)和核函數(shù)參數(shù)，構(gòu)造GA-SVM分類(lèi)器，并結(jié)合下肢步態(tài)識(shí)別實(shí)際，設(shè)置參數(shù)初始值，進(jìn)行下肢步態(tài)識(shí)別。實(shí)驗(yàn)結(jié)果表明，優(yōu)化后SVM分類(lèi)器識(shí)別率更高，且穩(wěn)定性和泛化能力更強(qiáng)。
　　最后

4、，針對(duì)多維肌電信號(hào)非線(xiàn)性特征分類(lèi)問(wèn)題中，定性分析方法效果差，易受邊界值和交叉點(diǎn)干擾的缺陷，采用改進(jìn)K均值算法進(jìn)行定量分析。改進(jìn)K均值算法基于樣本分布密度和散度，對(duì)初始聚類(lèi)中心的選擇進(jìn)行優(yōu)化，排除孤立噪聲點(diǎn)的干擾。實(shí)驗(yàn)結(jié)果表明，改進(jìn)K均值算法分類(lèi)正確率高，收斂速度快，具有良好應(yīng)用效果。
　　本文系統(tǒng)地研究了基于肌電信號(hào)的下肢步態(tài)識(shí)別問(wèn)題，并對(duì)解決該問(wèn)題的各環(huán)節(jié)進(jìn)行深入探討分析。采用小波模極大值方法，對(duì)原始肌電信號(hào)所含噪聲進(jìn)行有效去除