康复机器人系统中表面肌电信号特征提取方法研究与应用

摘要

表面肌电信号是由控制肌纤维收缩的神经电在皮肤表面叠加产生的复杂生物电信号。为了将其引入康复机器人系统，研究具有针对性的表面肌电信号特征提取方法是其关键之一。本文的研究将提升康复机器人系统的康复功能，具有较强的理论研究与实际应用价值。 围绕表面肌电信号特征提取方法研究与应用的主题，结合康复机器人系统的需要，本文提出了二次特征提取框架，其重点展开的研究工作如下: (1)在一次特征提取中，针对表面肌电信号非平稳随机特性，本文建立了表面肌电信号的现象模型，采用了基于卡尔曼滤波的方差估计方法将信号去随机化，提取了非随机的肌力相关量，作为下一次特征提取环节的输入信号。 (2)在二次特征提取中，针对肌力变化复杂的特性，本文采用了时域、模型参数与时频域的特征提取方法，从一次特征中多角度地提取了肌力-运动的相关特征。由于上肢运动的复杂特性，肌力-运动的原始特征无法直接描述运动规律。针对该问题，本文采用了非负分解方法（Nonnegative Matrix Factorization，NMF）压缩原始特征，自学习与抽取特征基，产生新的低维特征。针对NMF算法易产生畸形点与收敛慢的问题，本文采用了基于交替投影梯度非负最小二乘的改进NMF算法(Alternating Nonnegative Least Squares Projected Gradient NMF,PGNMF)提高了收敛速度，解决了畸形点的问题。 (3)为了识别上肢动作以设定机器人控制系统的控制指令，本文采用了极限学习机算法(Extreme Learning Machine)建立了基于肌力-运动特征运动模式的分类器。针对实际采集中可能出现的人为干扰导致数据不稳定的问题，本文采用了TSSVD-ELM的改进算法，增强了分类器的稳定性。 (4)编写了相应的表面肌电信号采集系统软件，设计了基于表面肌电信号的连续上肢运动识别实验。针对连续识别的问题，本文设计了肌电信号活动段分割算法以提取有效的活动段信号。 最后，经过大量的仿真实验与实际测试，证明了本文提出的表面肌电信号特征提取框架与特征提取方法的有效性。

目录

声明

摘要

第1章绪论

1．1课题研究背景及意义

1．2课题国内外研究现状及趋势

1．2．1康复机器人的发展现状

1．2．2表面肌电信号特征提取方法研究现状

1．3本文主要工作

第2章康复机器人表面肌电采集子系统

2．1表面肌电信号产生机理

2．1．1运动单元与运动电位

2．1．2表面肌电形成

2．2康复机器人表面肌电信号采集系统搭建

2．3．1采集系统硬件

2．3．2采集系统软件

2．3表面肌电信号采集实验

2．4本章小结

第3章表面肌电信号预处理方法

3．1表面肌电信号中运动伪影噪声的滤波方法

3．1．1采集系统的受噪声影响分析

3．1．2数字高通滤波器设计

3．1．3运动伪影滤波实验

3．2表面肌电信号去随机化方法

3．2．1表面肌电信号的现象模型

3．2．2表面肌电信号方差估计

3．2．3基于卡尔曼滤波的方差估计

3．2．4表面肌电信号的方差估计实验

3．3表面肌电信号活动段分割方法

3．3．1基于线性判别器的启动判别

3．3．2带延迟补偿的启动判别

3．4本章小节

第4章表面肌电信号的多特征提取方法

4．1表面肌电信号的时域特征提取方法

4．2基于模型参数的特征分析方法

4．3时域特征的时间窗口长度分析

4．4基于小波变换的表面肌电信号时频域特征提取方法

4．4．1小波变换

4．4．2基于小波能量系数的表面肌电信号特征提取

4．5本章小结

第5章基于NMF的表面肌电信号多特征融合方法

5．1表面肌电信号特征融合方法选取

5．2基础NMF方法

5．2．1 NMF基本问题

5．2．2 NMF目标函数

5．2．3 NMF乘法迭代更新规则

5．3交替投影梯度NMF方法

5．3．1交替非负最小二乘问题

5．3．2带边界约束优化问题的投影梯度解法

5．3．3交替投影梯度NMF算法

5．4基于PGNMF的表面肌电特征融合仿真实验

5．4．1防畸形点测试

5．4．2收敛速度实验

5．5本章小结

第6章基于表面肌电特征的运动模式分类器设计与实验

6．1基于表面肌电信号特征的运动识别分类器的建模方法

6．2 ELM算法概述

6．3基于截断奇异值分解的ELM(TSSVD-ELM)

6．4基于表面肌电特征的上肢动作识别实验

6．4．1表面肌电信号特征提取框架

6．4．2识别动作设计

6．4．3表面肌电信号采样点选择

6．4．4表面肌电信号采样条件

6．4．5基于表面肌电特征的运动模式分类实验

6．5本章小节

第7章总结与展望

参考文献

致谢

攻读硕士学位期间发表的论文