基于直方圖和頻譜的表面肌電信號處理.pdf

1、表面肌電信號(surface electromyography (SEMG)蘊涵了很多與肢體運動相關聯(lián)的信息，用SEMG 控制仿生假手已成為假手研究的一項重要內容，因此還原表面肌電信號中蘊含的信息，對假肢研究意義重大。本文結合課題要求，從SEMG信號的拾取、預處理、特征提取、基于SEMG 信號的動作模式識別等多個方面進行了理論探索和實踐。對信號的盲源分離、基于直方圖和頻譜分析的特征提取，及先識別后融合的分類方法進行了深入的研究，以此為目

2、標，本文作了以下工作：
　　 (1)本文簡要概括了肌電假手的研究背景、研究現(xiàn)狀和研究意義；總結了SEMG 信號處理中常用的特征提取方法，同時選擇直方圖和頻譜分析作為本文特征提取的切入點，為接下去的研究奠定基礎和方向，并介紹了幾種肌電假手動作識別的常用模式分類方法；
　　 (2)本文針對多通道肌電信號采集產生的混迭現(xiàn)象，首次將時頻分析和參考累積量算法結合，提出一種改進的盲源分離算法用于消除SEMG 混迭現(xiàn)象。算法整合了參考

3、累積量在統(tǒng)計非平穩(wěn)信號信息的優(yōu)勢和時頻分析在反映高階統(tǒng)計量變化的優(yōu)勢，通過構造參考累積量矩陣作為對照函數，并進行時頻分析，利用非正交聯(lián)合對角化(Non-Orthogonal Joint Diagonalization)該矩陣，最后得到本通道的最優(yōu)SEMG 估計，為接下去的SEMG 模式識別打下基礎。
　　 (3)為有效提取SEMG 信號的特征，本文提出了一種基于直方圖和頻譜分析的特征提取方法。作者經過分析后認為要想更好的表征SE

4、MG 信號的特征，應該從不同的角度對其特征參數進行提取，本文利用直方圖統(tǒng)計對SEMG 信號時域特征參數即兩路SEMG最大波幅比值進行提取，同時結合頻譜分析提取SEMG頻域特征參數—功率譜比值。最后利用BP 神經網絡對時域和頻域的兩類特征參數分別進行模式識別，利用其得到的識別結果再進行D-S 證據融合，得到最終的識別結果。算法既利用D-S 理論來表達和處理不精確的、模糊的信息，又可以發(fā)揮神經網絡的自學習、自適應和容錯能力，使整個識別系統(tǒng)具