肌音信号(Mechanomyographic,MMG)是人体发生动作时由肌肉收缩产生的声音信号,相比于其他生物电信号,肌音信号有较强的抗干扰,抗疲劳能力强,受环境干扰小,性价比较高等诸多优点,而且信号中蕴含了丰富的能够反映人肢体的运动状态的肌肉活动信息,可以作为仿生假肢的控制信号源,并在实现假肢的多自由度控制上现出了良好的研究和应用前景,特别是在康复工程中的智能假肢领域,关于肌音信号的研究取得了极大的发展,因而一种基于肌音信号的智能假肢成为了研究热点。本课题研究的课题为肌音信号采集及其在假肢控制中的研究应用。课题通过肌音传感器采集人手前臂特定肌肉振动信号作为假肢手信号源,通过算法对不同手势动作信号进行分类实现假肢手势动作模式分类,并在结合PC端开发相应的假肢手控制系统进行验证。本文的主要研究内容和创新点如下:(1)、本课题研究中选取Xsens公司开发的MEMS型三维加速度传感器来采集肌音信号。针对肌音信号的非线性非平稳特性,容易混入与有效肌音信号频谱范围重叠的噪声信号,考虑到传统滤波器的局限性,课题着重研究了一种新的信号处理方法,即通过将经典切比雪夫带通滤波器和经验模态分解方法相结合来处理加速度信号中的噪声信号,提高肌音信号信噪比。(2)、关于肌音信号的手势动作模式分类模型的研究,针对传统的浅层神经网络存在训练速度慢,易陷入局部最小值的缺陷,课题设计了一种基于限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)的深度信念网络模型作为肌音假肢手势动作识别的模型,该模型逐层分别对每一个RBM模型进行单独训练,直到完成最顶层的RBM模型,训练好的RBM模型即可构成深度信念网络,通过反向传播对网络模型微调,则可得到最优的深度信念网络识别模型。将提取得到的肌音信号手势动作数据样本的小波系数能量特征输入模型训练学习,实现对肌音信号的分类识别。通过仿真实验,和传统浅层神经网络相比,该算法的时间效率明显缩短,并取得了更好的识别率,过拟合现象得到缓解。(3)、考虑到该模型的实用性,本课题基于QT5平台开发了假肢手控制系统。该系统能够实时采集并分析肌音信号得到手势动作类别信息,经USB-422高速串口对假肢手进行驱动控制。通过该假肢手实验平台有效的验证了课题模型研究的可行性。