主元分析和非線性方法在表面肌電信號(hào)中的應(yīng)用研究.pdf

1、動(dòng)作表面肌電信號(hào)是從皮膚表面記錄下來的神經(jīng)肌肉活動(dòng)時(shí)發(fā)放的生物電信號(hào)，它反映了神經(jīng)、肌肉的功能狀態(tài)。不同的動(dòng)作產(chǎn)生的肌電信號(hào)是不同的，基于此，本文主要研究如何從肌電信號(hào)中有效地提取特征信息，從而更為準(zhǔn)確地實(shí)現(xiàn)動(dòng)作模式識(shí)別。 首先，本文詳細(xì)介紹了肌電信號(hào)的產(chǎn)生機(jī)理及其應(yīng)用，概述了當(dāng)前表面肌電信號(hào)的研究現(xiàn)狀，這部分知識(shí)為本課題的研究提供了理論基礎(chǔ)。 然后，本文創(chuàng)新性地提出了三種方法對(duì)不同動(dòng)作模式進(jìn)行模式識(shí)別研究，均取得了良好

2、的效果。它們分別是：基于多元AR模型和主元分析的特征提取與支持向量機(jī)模式分類相結(jié)合,其利用時(shí)域方法提取信號(hào)特征，對(duì)前臂六種動(dòng)作模式的識(shí)別率達(dá)到98.89％；基于小波變換的多尺度主元分析的特征提取與貝葉斯分類相結(jié)合，其利用時(shí)頻方法提取特征，識(shí)別率達(dá)到99.44％；融合小波系數(shù)和核函數(shù)方法的特征提取與貝葉斯分類相結(jié)合，將時(shí)頻方法與非線性特征提取相融合，識(shí)別率高達(dá)100％。由此可見，隨著信號(hào)特征提取方法的不斷改進(jìn)，所得到動(dòng)作模式的正確識(shí)別率也

3、相應(yīng)提高。 最后，本文利用非線性動(dòng)力學(xué)方法對(duì)動(dòng)作表面肌電信號(hào)的非線性特性進(jìn)行了分析研究，闡述了非線性時(shí)間序列的相空間重構(gòu)理論，并由計(jì)算出的表面肌電信號(hào)的延遲時(shí)間和最佳嵌入維數(shù)來實(shí)現(xiàn)對(duì)肌電信號(hào)的重構(gòu)，在此基礎(chǔ)上進(jìn)一步計(jì)算出其最大李雅普諾夫指數(shù)，關(guān)聯(lián)維數(shù)以及近似熵。結(jié)果證明動(dòng)作表面肌電信號(hào)可能具有非線性確定成分和混沌特性，這使得我們對(duì)肌電信號(hào)的非線性特性有了進(jìn)一步的認(rèn)識(shí)和理解。 本文將主元分析和非線性方法特征提取的思想貫穿于