手部动作的肌电信号与建模分析报告.docVIP

手部动作的肌电信号分析与建模 摘要 随着人机交互技术的发展，机器的智能程度不断提高，利用肌肤表面的电位信号判断手部动作就是典型的智能技术，其具有广泛的应用前景和实用价值。本文根据实验一、实验二中所给的数据进行分析，对每种动作所反馈的不同识别信号进行研究并建出模型。 1、针对问题一，在MATLAB中利用plot函数将所得数据绘制肌电信号图（图5.1—5.6），比较各个手部动作的肌电信号之间的差异，从图像可以看出各个手部动作的肌电信号的差异性比较明显，总结差异。这说明建立的模型的准确性、可靠性。2、针对问题二，进行时域、频域、小波变换、预处理分析，利用MATLAB软件计算肌电信号的均值、标准差、方差、积分肌电值IEMG、均方根有效值RMS等时域指标参数和平均功率频率MPF、中值频率MF等频域指标，得到时域、频域、小波变换图像，得出各个手部动作的肌电信号的特征数值。3、针对问题三问题四，创建AR识别模型，在MATLAB中利用plot函数将剩余数据绘制肌电信号图（图5.15—5.20），六种动作的“能量-功率”特征差异是非常明显的，从而准确的识别出六种动作。用来检验识别模型的好坏，得到的拟合曲线几乎完全重合，拟合效果不明显再次对数据进行若干次小波分解，将数据简单化、特征化，计算出每层分解的标准差σi,?到达八级小波分解时，数据趋于固定，得到无偏估计值图表（表5.2—5.3），然后对其做lsqcurvefi散点-曲线拟合处理，并将拟合图像叠加，得到图像（图5.23—5.24），显然所得图像中各个动作差异明显，不同动作的识别准确率有一定差异。针对模型阶数、编程、噪音、测试仪器等因素，分析影响识别准确率的原因。4、针对问题五，base 1的female_1人，利用6个动作的部分数据建立识别模型，然后利用剩余的数据识别信号对应的6种的不同动作类别，分析影响识别准确率的原因。 针对Database 1中的所有人female_1、female_2和male_1male_3和male_2base 2中的male_day_1male_day_2和male_day_3female_1、female_2和male_1male_3和male_2Xmean是特征的均值， 是特征的方差， S是特征的标准差 Xiemg是积分肌电值 Xrms是均方根 C是小波系数 E为在电阻上消耗的能量 模型的建立与求解 5.1问题1的模型建立与求解 5.1.1手部动作肌电信号分析处理 在采用单一变量法原则后，对于六种动作、每种动作两个通道的数据成像仍十分繁杂，考虑到采取肌电信号的两个传感器均在前臂皮肤上，在同种动作下两个位置肌肉所表达的能量总体特征是一致的，我们即用六种动作单一通道的数据成像来分析不同动作肌电信号差异 。 5.1.2用plot（）绘图函数绘制肌电信号图 在MATLAB环境中，用plot（）函数将处理后的数据进行绘图，得到了六种手部动作相应肌电信号图形。 图5.1 握圆柱物体 图5.2 提手柄 图5.3 夹片状物体 图5.4 手执长物体 图5.5 握球 图5.6 掐小颗粒物体 5.1.3图像差异分析 通过以上6副图可以判断，在不同手部动作下，测得的肌电信号的幅值是不同的，并且与手形具有一定的关联：比如掐、执、夹时手部靠食指与拇指发力，其图像幅值的Max在0.3附近；而握、提时发力的不仅仅是两只手指，所以图像幅值的Max要大，在1附近波动。 5.2问题2的模型建立与求解 5.2.1时域特征 时域特征的提取方法是将肌电信号看成均值为零、方差随信号强度变化而变化的 随机信号，由于时域特征的提取比较简单，故在肌电信号应用领域得到比较广泛的应用，最常用的肌电信号的时域特征有以下几种： 均值： 对于一组随机变量来说，均值是一个很重要的数值特征，用来描述一组变量的平 均水平。其严格的数学定义非常简单，就是一个随机变量关于概率测度的积分。 因此，在此处，均值表示肌电信号的平均水平。公式如下 标准差： 标准差（Standard Deviation） ，也称均方差（mean square error），是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根，用表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同方差是各个数据与平均数之差的平方的平均数。在概率论和数理统计中，方差