论文部分内容阅读
以人体运动状态作为输入信号控制机器人、机械臂等外部设备是目前人机交互(HCI)领域中的一个重要研究方向。通过不同运动模式的在线识别,可以帮助使用者以便捷、灵活的肢体运动实现更加自然的人机交互功能。本文以基于人体运动状态检测的机器人控制技术为研究对象,以表面肌电(sEMG)信号的检测与识别为技术手段,在离线分析和在线控制两个方面研究人体上肢组合运动的时序关系与识别算法,实现了基于sEMG信号运动状态检测的机器人控制技术。本文的主要研究成果如下:基于sEMG信号的上肢组合运动序列离线分析。在单个特征识别方面,提取了sEMG信号的绝对平均值(MAV)和波形长度(WL)两个特征,使用了区间分割法、决策树与剪枝等方法,将6类上肢组合运动序列成功分类,MAV与WL特征的分类准确率分别达到95.24%和94.05%。随后进行了多特征融合识别,分别采用了特征层融合与决策层融合技术,分类准确率分别达到96.43%和98.81%。实验结果表明,本文所实现的分类器对规定动作任务的离线识别性能较好。基于sEMG信号的上肢组合运动序列人机交互。分别利用同步范式与异步范式对NAO仿人型关节式机器人进行在线控制。在同步控制范式中,采用了随动控制策略,实现了NAO机器人随被试运动完成相同动作的目标,该范式为患者的康复治疗提供了一种思路。在异步控制范式中,采用了映射控制策略,以上述组合运动序列作为状态切换条件,实现了对NAO运动状态的切换控制。上述实验结果表明,基于sEMG信号的序列运动检测能实现有效的人机交互功能。基于sEMG信号的人体上肢自然运动初步探究。为了进一步探索人体自然运动规律和识别算法,我们由上述的6类规定动作序列推广出3类人体自然运动,并用规定动作任务的分析方法进行分类识别。实验结果表明,人体在目标抓取任务中,上肢各关节同样表现出一定的时序关系,但其显著度低于之前的固定序列运动任务。耦合时序关系的解耦将成为人体自然运动识别的关键。综上所述,本文实现了基于sEMG信号的上肢组合运动序列离线分析与在线控制,在医疗康复和武器装备等领域具有一定的应用前景。