肌电信号控制下肢外骨骼的步态识别与步态规划研究

摘要

人体下肢体外骨骼是一种智能的辅助设备，它能跟人体下肢有机的结合起来，增强人体的运动能力，在民用和军用市场上都有很好的应用价值。下肢外骨骼可以辅助残疾人行走，扩展下肢的运动能力，极大的方便其日常生活，也可以帮助士兵减轻他们的下肢肌肉受力，增加负荷，提高他们的忍耐力。
　　sEMG是大脑意识的直接反应，将sEMG作为下肢体外骨骼的控制信号源，将得到更加灵活智能的控制效果。本文通过获取人体下肢sEMG和运动信息，对路况和自身的疲劳程度进行识别，根据不同的路况信息，自适应输出关节角度。这其中包括了两方面内容:第一是需要解决下肢体外骨骼与人的信息耦合问题，能否有效的识别人的运动状态;第二是需要解决人体下肢体外骨骼关节角度自适应输出的问题，也就是要根据不同的步态及时调整外骨骼的关节角度，使外骨骼像人一样行走。本文在sEMG信号模式辨识及多路况关节角度输出方面进行了研究，研究内容可归纳如下：
　　(1)本文首先采用EMD和小波联合去噪的方式对肌电信号进行滤波处理，sEMG具有周期性，利用移动窗单门限多阈值技术获取起始和结束位置，然后进行特征提取，为了选出较好的特征，本文引进一种基于动态相关性和冗余性分析的前向特征选择方法，提高了已选特征子集在未知数剧的分类性能和泛化能力。
　　(2)传统分类器BP或RBF采用梯度学习算法，训练时间比较长，本文引入ELM算法，该算法学习速度快，泛化性能好，适合在线学习。针对在实际过程中样本本不可能全部得到，可能会随时间环境发生变化，本文采用OS_ ELM在线极限学习机进行在线学习，来适应不同的环境变化。同时为了进一步提高精度，本文采用集成在线分类器，提高了实验精度。
　　(3)下肢外骨骼辅助人行走需要根据不同步态和外界路况信息输出关节角度，本文采用基于粒子群优化的模糊神经网络进行建模，建立了路况信息、步频和髋关节膝关节的角度映射，解决了不同路况下的步态规划问题。该方案应用到智能下肢外骨骼中，可以作为一种在线的步态规划方法，也可以作为调节髋、膝关节的一种准则模型。

目录

声明

摘要

第1章 绪论

1．1 引言

1．2 人体下肢外骨骼研究介绍

1．2．1 国外人体外骨骼研究现状

1．2．2 国内人体外骨骼研究现状

1．3 人体肌电信号研究概述

1．3．1 sEMG在下肢外骨骼的应用研究

1．3．2 sEMG的特征提取方法

1．3．3 sEMG的模式分类方法

1．3．4 sEMG的模式在线学习

1．4 课题的研究意义

1．5 论文主要工作

1．5．1 论文主要研究内容

1．5．2 论文结构

第2章 下肢肌电信号及运动信息获取

2．1 sEMG的生理基础

2．1．1 sEMG产生的机理

2．1．2 sEMG的特点

2．2 实验设备

2．1．2 sEMG采集相关设备

2．1．2下肢运动信息采集相关设备

2．3 sEMG和下肢运动信息采集实验

2．3．1 sEMG电极位置选择

2．3．2 Mti传感器位置安放

2．3．3 sEMG及下肢运动信号实验过程

2．3．4 sEMG及运动信息实验结果与分析

2．4 本章小结

第3章 下肢sEMG预处理及特征提取

3．1 sEMG滤波处理

3．1．1 肌电信号采集的干扰因素

3．1．2 EMD滤波

3．1．3 小波去噪

3．1．4 EMD+小波去噪

3．2 sEMG的活动段提取技术

3．2．1 单门限多阈值活动段提取技术

3．2．2 实验结果及步频计算

3．3 sEMG特征提取技术

3．3．1 时域特征

3．3．2 频域特征

3．3．3 小波包奇异值分解

3．3．4 时序模型AR特征

3．4 sEMG特征选择技术

3．4．1 常用特征选择算法

3．4．2 相关性和冗余性指标

3．4．3 基于动态相关性和冗余性分析的前向特征选择方法

3．4．4 实验结果与讨论

3．5 本章小结

第4章 基于sEMG路况识别和疲劳检测的在线学习算法

4．1 传统分类器

4．1．1 RBF神经网络

4．1．2 BP神经网络

4．2 ELM极限学习机

4．2．1 ELM极限学习机概述

4．2．2 隐含层节点数选择

4．2．3 疲劳检测实验结果及对比分析

4．3 OS_ELM极限学习机在线增量学习算法

4．3．1 引言

4．3．2 OS_ELM在线学习原理

4．3．3 路况识别实验结果与分析

4．4 集成在线分类器

4．4．1 基于adaboost+OS_ELM增强分类器

4．4．2 实验结果与分析

4．5 本章小结

第5章 基于多路况关节角度步态规划模型的建立

5．1 引言

5．1．1 多路况关节角度步态规划模型的建立过程

5．2 关节角度特征提取

5．2．1 关节角度傅里叶级数系数提取

5．2．2 基于PCA的降维处理

5．3 基于粒子群优化的模糊神经网络建模

5．3．1 模糊神经网络原理

5．3．2 粒子群优化算法

5．3．3 实验结果与分析

5．4 本章小结

第6章 总结与展望

6．1 结论

6．2 问题与展望

参考文献

致谢