肌电信号多类特征分析及在步态识别中的应用-控制工程专业论文.docxVIP

万方数据 万方数据 Dissertation Submitted to Hangzhou Dianzi University for the Degree of Master Analysis of Multi-features and Application of Gait Recognition Based on Electromyographic Signals Candidate: Zheng Xiao Supervisor: Associate Prof. Gao Farong March，2016 杭州电子科技大学 学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明： 所呈交的学位论文，是本人在导师的指导下，独立进行研 究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人 或集体已经发表或撰写过的作品或成果。对本文的研究做出重要贡献的个人和集 体，均已在文中以明确方式标明。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 论文作者签名： 日期： 年 月 日 学位论文使用授权说明 本人完全了解杭州电子科技大学关于保留和使用学位论文的规定，即：研 究生在校攻读学位期间论文工作的知识产权单位属杭州电子科技大学。本人保证 毕业离校后，发表论文或使用论文工作成果时署名单位仍然为杭州电子科技大 学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文 的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。（保密 论文在解密后遵守此规定） 论文作者签名： 日期： 年 月 日 指导教师签名： 日期： 年 月 日 杭州电 杭州电子科技大学硕士学位论文 摘 要 人体行走时，运动神经元释放电脉冲，引起肌肉产生动作电位。该动作电位 沿肌纤维传播，并经过时间和空间上的叠加，形成肌电信号(EMG)。肌电信号包 含大量与人体运动状态有关的生理信息，体现运动模式的组合及分解关系，预示 肢体运动意图，在临床医学诊断、人体运动模式识别以及新型人机接口设计等领 域得到广泛应用。不同运动模式间的差异可通过肌电信号特征的不同来体现，基 于该特征可以对人体运动状态进行识别研究。 本文结合人体运动实际，设计实验采集下肢相关肌肉所产生的表面肌电信 号，并以此为研究对象，对如何更加有效地提取肌电信号特征，以及如何更好地 识别下肢运动步态进行深入讨论和研究。 首先，分析原始肌电信号中所含具体噪声，在比较常见消噪方法特点的基础 上，采用小波模极大值算法对肌电信号进行预处理，使得消噪后信号既保留肌电 信号本身特性，又增大了信噪比，波形曲线更加光滑，有利于后续特征提取和模 式识别。 其次，针对肌电信号自身非稳定、混沌的特点，应用 Katz 算法提取其非线 性分形维数，对肌电信号整体复杂度进行深入研究，从更高维度分析信号特征， 捕捉信号细节变化。同时，计算绝对值均值和方差两大时域特征，并以此构造特 征向量集，用于后续步态识别。 然后，针对分类器性能优化问题，采用遗传算法(GA)优化支持向量机(SVM) 惩罚参数和核函数参数，构造 GA-SVM 分类器，并结合下肢步态识别实际，设 置参数初始值，进行下肢步态识别。实验结果表明，优化后 SVM 分类器识别率 更高，且稳定性和泛化能力更强。 最后，针对多维肌电信号非线性特征分类问题中，定性分析方法效果差，易 受边界值和交叉点干扰的缺陷，采用改进 K 均值算法进行定量分析。改进 K 均 值算法基于样本分布密度和散度，对初始聚类中心的选择进行优化，排除孤立噪 声点的干扰。实验结果表明，改进 K 均值算法分类正确率高，收敛速度快，具 有良好应用效果。 本文系统地研究了基于肌电信号的下肢步态识别问题，并对解决该问题的各 环节进行深入探讨分析。采用小波模极大值方法，对原始肌电信号所含噪声进行 有效去除，既保留信号本身特性，又增大了信噪比；提取绝对值均值和方差两大 时域特征，并计算非线性分形维数，深层次地认识了肌电信号特性；构造 GA-SVM 分类器，提升了 SVM 的应用效果；采用改进 K 均值算法对肌电信号非线性分形 I 维线性特征进行聚类分析，取得了理想效果，并且加快了收敛速度。上述工作对 于肌电信号在临床诊断、医学评价以及智能康复设备等领域的应用具有重要价 值。 关键词：步态识别，肌电信号，分形维数，遗传算法，支持向量机，K 均值聚类 II ABSTRACT The EMG signal is generated from the action potential in motor units by muscles shrinking with walking. EMG contains a great deal of physiological information con