论文部分内容阅读
手是人体运动最灵活的器官之一,手部动作研究一直是康复医疗领域中一个值得关注的研究内容。现在的智能假手只模拟肢体的闭合、张开等简单动作,不能进行精细动作模拟。而应用高密度表面肌电(High Density surface EMG,HD-sEMG)信号采集系统,能克服传统表面电极无法识别肌肉群sEMG信号的缺点。较多通道能检测覆盖在限定皮肤区域的肌肉电信号,获取整块肌肉活动区域sEMG信号的时域和空间域分布信息,利于对精细动作sEMG信号的解析。由于人体手部运动尤其手指的EMG信号解析较困难,本文提出一种针对手指精细化动作的HD-sEMG信号解析方法,对实验者手指四种不同弯曲角度(15°,45°,70°和90°)时指浅屈肌的HD-sEMG信号进行解析。在本研究中,首先,将16通道HD-sEMG电极置于指浅屈肌上进行HD-sEMG信号采集。在数据预处理方面,分别应用主成分分析(Principle Components Analysis,PCA)、快速独立元分析(Independent Components Analysis,ICA)和多类别共同空间模式(Multiclass Common Spatial Patterns,Multiclass CSP)对采集的HD-sEMG信号进行空间滤波,以减少冗余信息,降低数据维数,并求得分离矩阵以实现对原始信息的重构。为了减少通道数量,即将肌肉电信号较强的通道从原通道中筛选出来,提出基于Multiclass CSP通道间互信息最大化的通道选择方法,并将通道按互信息最大化进行降序排列。其次,在特征提取方面,分别提取预处理后HD-sEMG信号的时域、频域和经小波包变换(Wavelet Packet Transform,WPT)分解后的时频域特征。此外,将经小波包变换分解后的时频域特征与基于互信息最大化的通道选择算法提取的HD-sEMG信号的空间特征相结合,对以上特征集进行比较分析可得,时-空-频域相结合的特征集对手指四种动作模式具有更明显的特征表示。最后,将不同空间滤波数据的时频域特征与时-空-频域特征相结合的特征集训练线性判别分析(Linear discriminant analysis,LDA)、人工神经网络(Artificial Neural Network,ANN)和支持向量机(Support Vector Machine,SVM)三种分类器,得出采用时-空-频域特征相结合的支持向量机分类器,当仅选择5路原信号通道时,便能达到86.7%的识别率。