肌电信号多类特征分析及在步态识别中的应用

摘要

人体行走时，运动神经元释放电脉冲，引起肌肉产生动作电位。该动作电位沿肌纤维传播，并经过时间和空间上的叠加，形成肌电信号(EMG)。肌电信号包含大量与人体运动状态有关的生理信息，体现运动模式的组合及分解关系，预示肢体运动意图，在临床医学诊断、人体运动模式识别以及新型人机接口设计等领域得到广泛应用。不同运动模式间的差异可通过肌电信号特征的不同来体现，基于该特征可以对人体运动状态进行识别研究。
　　本文结合人体运动实际，设计实验采集下肢相关肌肉所产生的表面肌电信号，并以此为研究对象，对如何更加有效地提取肌电信号特征，以及如何更好地识别下肢运动步态进行深入讨论和研究。
　　首先，分析原始肌电信号中所含具体噪声，在比较常见消噪方法特点的基础上，采用小波模极大值算法对肌电信号进行预处理，使得消噪后信号既保留肌电信号本身特性，又增大了信噪比，波形曲线更加光滑，有利于后续特征提取和模式识别。
　　其次，针对肌电信号自身非稳定、混沌的特点，应用Katz算法提取其非线性分形维数，对肌电信号整体复杂度进行深入研究，从更高维度分析信号特征，捕捉信号细节变化。同时，计算绝对值均值和方差两大时域特征，并以此构造特征向量集，用于后续步态识别。
　　然后，针对分类器性能优化问题，采用遗传算法(GA)优化支持向量机(SVM)惩罚参数和核函数参数，构造GA-SVM分类器，并结合下肢步态识别实际，设置参数初始值，进行下肢步态识别。实验结果表明，优化后SVM分类器识别率更高，且稳定性和泛化能力更强。
　　最后，针对多维肌电信号非线性特征分类问题中，定性分析方法效果差，易受边界值和交叉点干扰的缺陷，采用改进K均值算法进行定量分析。改进K均值算法基于样本分布密度和散度，对初始聚类中心的选择进行优化，排除孤立噪声点的干扰。实验结果表明，改进K均值算法分类正确率高，收敛速度快，具有良好应用效果。
　　本文系统地研究了基于肌电信号的下肢步态识别问题，并对解决该问题的各环节进行深入探讨分析。采用小波模极大值方法，对原始肌电信号所含噪声进行有效去除，既保留信号本身特性，又增大了信噪比；提取绝对值均值和方差两大时域特征，并计算非线性分形维数，深层次地认识了肌电信号特性；构造GA-SVM分类器，提升了SVM的应用效果；采用改进K均值算法对肌电信号非线性分形维线性特征进行聚类分析，取得了理想效果，并且加快了收敛速度。上述工作对于肌电信号在临床诊断、医学评价以及智能康复设备等领域的应用具有重要价值。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题背景与研究意义

1.2 国内外研究现状及发展趋势

1.3 存在的问题分析

1.4 本课题研究内容

第2章 下肢运动与肌电信号

2.1 下肢及步态

2.2 表面肌电信号

2.3 基于肌电信号的步态识别

2.4 本章小结

第3章 肌电信号预处理及特征提取

3.1 肌电信号预处理

3.2 肌电信号特征提取

3.3 本章小结

第4章 基于SVM的肌电信号识别与优化

4.1 步态识别

4.2 模式识别算法

4.3 基于SVM的步态识别

4.4 SVM优化算法

4.5 基于GA优化SVM的步态识别

4.6 本章小结

第5章 基于K均值算法的肌电信号分类与识别

5.1 EMG信号非线性特征

5.2 聚类分析方法研究

5.3 改进K均值算法的下肢步态分类

5.4 本章小结

第6章 总结及展望

6.1研究总结

6.2研究展望

致谢

参考文献

附录