肌电信号识别和控制机理的研究和展望.pdfVIP

一． ．． ．． ．29鲢国匪鏖复j盒捶谂塞基==鏖复王程嫠筮 选择实验、神经网络参数选择实验、人手运动在线训练实验和人手运动在线辨识实验等，充分利 用了该平台的功能。 根据辨识手指运动为目的，通过实验确定系统分别从指总伸肌、拇短伸肌、尺侧腕屈肌和指 浅屈肌表面提取四通道EMG信号，然后采用5级小波分解算法提取特征向量输入到BP神经网络 中进行训练网络或辨识手指运动，神经网络的中间层有30个神经元，输出层有6个神经元，学 习速率是O．3。主要识别的手指运动有：拇指屈、食指屈、中指屈、拇指伸、食指伸和中指伸， 但不限于此，还可以扩展识别更多的组合动作，包括拇指与食指捏取、张开，拇指与中指捏取、 张开和拇指食指中指三指捏取、张开等。 先对实验对象进行在线训练先前规定的6个手指运动，然后在线识别。在线训练过程中一共 有240个学习样本(由sEMG信号特征值向量和教师信号组成)输入到BP神经网络进行训练，最 后得到了一个训练好的BP神经网络，保存到数据库。在线识别过程中，对输入新的运动类型进 行实时识别，识别结果见表l所示，其中T表示识别结果正确，F表示识别结果错误。 表1在线识别结果 动作类型第1次第2次第3次第4次第5次识别率(％) 拇指屈 T T T T T 100 食指屈 T T T T T 100 中指屈 T T T T T 100 拇指伸 T T T T T 100 食指伸 F T T T F 60 中指伸 T T F T F 80 3结论与讨论 我们设计的这套系统为多指假手表面肌电控制方法研究提供了一个完整、高效、操作简单的 实验平台，为进一步探索研究一个通用性好、识别率高且稳定的表面肌电控制方法提供了条件。 从以上实验结果中可以看出，平均识别率为86％，说明以上所述的sEMG辨识方法是可行的。影 响识别率的因素有很多，其中动作的规范性和可重复性对识别率的影响很大，特别是手指运动， 连带关系明显。所以实验前要告知实验对象实验目的以及整个实验过程，规范其动作，并且需要 做一定量的针对性训练。 4致谢 本文得到了国家自然科学基金重点项目的支持。 参考文献 a1．AcombinationofARandneuralnetwork for [I】AsresAinishet，DOUHuifang，ZHOUZhaoying，et technique EMG ofthe1 80AnnualInternationalConferenceoftheIEEE in identification．Proceedings Engineering pattern Medicine andBiologySociety,1996，4(31)：1464-1465． Takao．Adiscrimination neuralnetworkfor Kamtoshi，Okimura system 【21Kuribayashi Koji，Taniguchi using internationalOrlRobotandHuman EMG--controlled Communication，1992．63—68． prostheses．IEEEWorkshop Victor,Rosas