基于脑电与肌电信号融合的多自由度手部动作识别研究的中期报告.docxVIP

基于脑电与肌电信号融合的多自由度手部动作识别研究的中期报告 摘要： 本研究旨在探究基于脑电（EEG）和肌电（EMG）信号融合的多自由度手部动作识别问题。在前期工作中，我们采集了六名健康受试者的EEG和EMG数据，并使用经验模态分解（EMD）方法对两种信号进行了特征提取。在单个信号的分类实验中，我们使用了支持向量机（SVM）算法和多层感知机（MLP）算法，并取得了较好的分类效果。但是，由于手部动作通常涉及多个关节和肌肉的协同运动，单个信号的分类结果不能满足高自由度的手部动作识别需求。 因此，在中期阶段，我们引入了融合模型，将EEG和EMG信号进行融合，并使用统计学习算法进行分类。具体来说，我们首先使用EMD方法提取EEG和EMG信号的时频特征，然后使用互信息（MI）方法进行特征选择，并将选出的特征输入到随机森林（RF）算法中进行分类。实验结果表明，融合模型可以显著提高手部动作识别精度，特别是对于高自由度的手部动作识别任务。 本中期报告详细介绍了我们的融合模型和实验结果，并分析了模型存在的问题和改进方向。未来，我们将进一步优化模型，并尝试在真实应用场景中进行验证。 关键词：脑电信号；肌电信号；经验模态分解；支持向量机；多层感知机；融合模型；互信息；随机森林；手部动作识别