基于表面肌电信号的手部动作识别与交互.pdfVIP

摘 要 摘 要 在人类的日常生活和工作中，双手起着至关重要的作用。疾病或意外事故导致手部 残疾患者的数量与日俱增，患者的生活品质受到严重影响。随着社会和医疗的发展，人 们对生活质量的要求日益提高，进而对康复的效果要求更加精准和追求完美。为了提高 手部残疾患者的自理能力，智能假手等医疗辅助产品逐渐成为研究热点，并在一定程度 上改善了残疾患者的日常生活。手部运动意图的精准识别是智能假手的关键技术之一， 因此提高手部动作识别的准确性和可靠性具有重要研究价值。 本文以手部运动作为研究对象，基于表面肌电信号对手部动作识别进行深入探索， 并以仿真假手作为控制对象进行实时人机交互控制实验。研究成果期望能够改善康复装 备的智能水平，帮助残疾人提高生活自主能力，促进社会和谐发展。本文的主要研究内 容和贡献如下： （1）针对表面肌电信号的复杂低频噪声问题，本文采用三阶巴特沃斯高通滤波器 处理表面肌电信号，去除表面肌电信号中20Hz 以下的低频噪声，保留表面肌电信号中 的有效信息。从而使表面肌电信号的信噪比提升14.2%，达到12.71dB，去噪效果明显。 （2 ）针对表面肌电信号的特征提取问题，提出了一种基于主成分分析的改进频谱 图（spectrum map，SPM ）特征。在支持向量机、K 近邻和线性判别分析这三种分类器 下，改进的SPM 特征的识别准确率分别为：81.88%、80.08%和81.72%，运行时间相比 于原始的SPM 特征分别下降：23.5% 、15.4%和16.7%，特征的综合性能最佳。 （3 ）针对基于表面肌电信号的手部动作识别问题，提出了基于双并行通道（dual parallel channel ，DPC ）卷积神经网络（convolutional neural network，CNN ）的动作识别 方法。DPC-CNN 从不同聚焦角度对改进的SPM 特征进行有效信息再提取，克服单一通 道无法完全反应手部运动意图的局限性。使用数据集训练不同结构的CNN ，DPC-CNN 的效果最佳，测试集的平均识别准确率达到 93.79% 。在仿真假手的控制实验中，DPC- CNN 的平均识别准确率为92.75%，平均运行时间为263.15ms ，算法的实时控制效果最 佳。 I 河北大学硕士学位论文 （4 ）基于上述研究成果，本文开展了基于DPC-CNN 手部动作识别方法在假手仿 真控制中的应用研究。阐述了仿真实验的具体实施过程，并将DPC-CNN 手部动作识别 方法应用到仿真假手的控制实验研究，实验结果进一步验证了本文研究成果的可行性和 有效性。 关键词 表面肌电信号 手部动作识别 特征提取 频谱图 卷积神经网络 II Abstract Abstract Hands play a vital role in human daily life and work. The number of patients with hand disabilities is increasing due to illness or accidents, and the quality of life of patients is severely affected. With the development of society and medical care, peoples requirements for the quality of life are increasing, and then the effect of rehabilitation is more precise and the pursuit of perfection. To improve the self-care ability of patients with hand di