基于表面肌电信号的人体肘关节运动角度预测

摘要

表面肌电(surface electromyography，sEMG)信号是从人体皮肤表面检测到的生物电信号，它可以反映神经以及肌肉的活动状态。由于表面肌电信号的提取方式具有方便、准确、无创伤等优点，在康复医学、运动医学及智能机器人等领域都有广泛的研究与应用。目前通过表面肌电信号识别人体行为意图的研究大多集中在对表面肌电信号进行模式识别，从而区分肢体不同的运动模式。而在某个单一的肢体动作模式中，肢体的运动状态如运动速度、动作幅度和转动角度等方面的研究较少。单纯使用这种模式分类结果来控制假肢，无法实现假肢的关节像人体关节一样可控。
　　随着信息科技的不断发展，通过sEMG预测肢体的连续的运动状态，成为肌电信号控制仿生假肢技术研究的关键点。因此，本文以手臂肘关节运动的角度作为切入点，旨在研究基于sEMG的肘关节运动角度的预测方法，重点探究表面肌电信号的特征提取和肘关节运动角度的网络预测方法。
　　本文主要内容包括:
　　(1)信号采集系统的构建。本文首先分析了sEMG的产生机理和特点，进而确定表面肌电信号和关节角度信号的测量方法。搭建表面肌电信号和关节角度的采集平台，包括表面肌电仪、表面电极、MEMS传感器，Xsens惯性追踪设备以及表面肌电信号和角度信号的采集软件。设计实验方案，实现对sEMG和肘关节角度的采集。
　　(2)信号的处理和特征分析。首先分析了表面肌电信号和可能混入的噪声的主要频率段，设计滤波器对采集到的原始信号进行滤波，在此基础上进行特征分析，为了兼顾信号的时间和频谱特性，从时域和频域各提取了几个比较有代表性的特征值，为肘关节运动角度的预测模型提供基础。
　　(3)肘关节运动角度预测。使用选定的sEMG特征值作为BP神经网络的输入，将处理后的肘关节角度信号作为神经网络的输出，构建BP人工神经网络预测模型，然后把遗传算法与BP神经网络结合建立改进的预测模型，具有较好的预测效果。
　　实验结果表明，基于BP神经网络预测的肘关节运动角度，与实际角度比较接近，平均误差在8度左右。而经过遗传算法优化后的BP神经网络的预测误差有所下降，平均误差从8度下降到了5度，与目前国内的一些研究相比，预测效果有了较大的提升。这说明使用遗传算法对BP神经网络进行改进，能够减少误差，从而有效提升预测精度。本文研究的人体肘关节运动角度预测方法，对人体的肩关节、膝关节等其他关节的角度预测具有一定的参考价值，还可以与肢体的离散动作模式分类方法相结合，应用到仿生假肢控制中。

目录

摘要

1．1 课题研究背景和意义

1．2 研究现状

1．2．1 肌电信号在假肢控制领域发展现状

1．2．2 肌电信号的特征分析方法研究进展

1．2．3 基于肌电信号的分类和预测算法研究情况

1．2．4 目前存在的主要问题

1．3 本文研究内容与结构安排

1．3．1 主要研究内容

1．3．2 论文结构安排

第2章 表面肌电信号和关节角度采集系统的构建

2．1 引言

2．2 肌电信号的采集系统构建

2．2．1 表面肌电信号的特点

2．2．2 采集设备主要硬件组成

2．2．3 表面肌电信号采集软件

2．2．4 表面肌电信号的采集系统

2．3 人体肘关节角度信息的采集系统

2．3．1 测量人体肘关节角度的意义和方法介绍

2．3．2 实验设备介绍

2．3．3 测量肘关节角度软件界面

2．3．4 肘关节运动角度信息获取系统

2．4 本章总结

第3章 信号的采集和处理

3．1 系统采集方案设计

3．2 表面肌电信号的采集和预处理

3．2．1 表面肌电信号的采集

3．2．2 表面肌电信号的预处理

3．3 肘关节运动角度的采集

3．3．1 肘关节运动角度的采集方法

3．3．2 肘关节角度信号的测量原理

3．4 表面肌电信号与关节角度信号的同步

3．5 本章总结

第4章 表面肌电信号的初步分析和特征提取

4．1．2 肌肉用力大小对表面肌电信号的影响

4．2 肌电信号的特征提取

4．2．1 肌电信号的特征提取方法介绍

4．2．2 时域特征提取方法

4．2．3 频域特征提取方法

4．3 本章总结

第5章 基于sEMG的肘关节运动角度信号的预测

5．1 BP神经网络预测模型

5．1．1 人工神经网络模型

5．1．2 BP神经网络模型

5．1．3 BP神经网络学习算法和实现

5．2 遗传算法优化的BP神经网络设计

5．2．1 遗传算法的介绍

5．2．2 遗传算法改进的BP神经网络

5．2．3 GA改进BP神经网络的结果及分析

5．3 本章小结

6．1 本文工作总结

6．2 对未来工作的展望

参考文献

攻读学位期间取得的研究成果

致谢

声明