基于手势动作肌电信号的虚拟鼠标控制

摘要

表面肌电信号(Surface Electromyography)SEMG作为一种重要的生物电信号，已经被广泛应用于仿生学、生物反馈、运动医学和康复工程中。近年来，基于动作SEMG信号的手势识别技术作为一个研究热点，被开发作为人机交互的控制信号，用于控制肌电假肢、辅助装置以及其他电子设备。论文的研究内容有以下几个方面： 1)基于神经网络的手势动作肌电信号的模式识别，包括信号的预处理、活动段检测、特征提取和分类。利用带通滤波器对采集到的原始SEMG信号进行预处理，以抑制噪声；采用移动平均算法对活动段进行检测，以判断有效动作信号的起始点和终止点；提取幅度绝对值均值、过零率和3阶AR模型系数作为SEMG信号的特征；采用BP神经网络和SOFM网络对动作SEMG信号进行分类。实验结果表明，两种神经网络对手势的识别均获得了较高的识别正确率。 2)基于VB平台的虚拟鼠标(光标)控制的设计和实现。利用手势动作肌电信号模式识别的结果，采用Windows自带的API函数实现对光标的控制。

目录

文摘

英文文摘

声明

第一章绪论

1.1肌电信号的生理基础

1.1.1神经肌肉控制系统

1.1.2肌电信号的产生

1.2国内外研究现状

1.3课题的研究内容和研究意义

1.3.1研究内容

1.3.2研究意义

第二章基于BP神经网络的手势SEMG信号模式识别

2.1手势动作肌电信号模式识别流程

2.2手势动作的选取

2.3 SEMG信号预处理

2.4活动段检测

2. 5特征提取

2.5.1 AR模型系数及Burg算法

2.5.2信号幅度绝对值均值

2.5.3信号的过零率

2.5.4特征融合

2.6 BP神经网络分类器

2.6.1神经网络的基本理论

2.6.2 BP网络基本算法

2.6.3 BP算法的若干改进

2.6.4隐层神经元数目的选择

2.7 SOFM神经网络分类器

2.7.1内星和外星学习规则

2.7.2 SOFM网络基本理论

第三章基于VB的光标控制设计

3.1光标控制概述

3.2基于Visual B2Lsic平台的光标控制

3.2.1 Windows动态连接库

3.2.2基于VB平台的光标控制设计

第四章实验结果及分析

4.1数据采集

4.2动作肌电信号模式识别结果

4.2.1 BP网络分类结果

4.2.2 SOFM网络分类结果

第五章总结和展望

5.1论文总结

5.2工作展望

参考文献

硕士期间发表论文

致谢