基于ART2神经网络的手势动作SEMG信号模式识别研究

摘要

肌肉自主收缩或受到外部刺激时，神经肌肉系统中的运动神经元被激活，所募集运动单位(MU)形成的运动单位动作电位(MUAP)经过由肌肉、脂肪及皮肤等组织构成的容积导体后在皮肤表面测量位置处与各种噪声信息综合叠加形成的电位波形就是表面肌电信号(Surface Electromyography，SMEG)。表面肌电信号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，随着人机交互技术的发展，手势识别成为其中一项关键技术，基于动作SEMG信号的手势识别技术作为一个研究热点，被开发为人机交互的控制信号，广泛用于虚拟现实、三维设计、机器人、计算机视觉、医学研究、手语理解等领域中。 在手势动作SEMG信号的模式识别研究中，分类算法的研究与应用成为手势识别的关键技术之一。本文采用一种基于自适应共振理论(Adaptive Resonance Theory，ART)的神经网络ART2对手势动作SMEG信号进行模式识别研究，并进行了单用户和多用户的实验。研究结果表明，基于ART2的手势识别系统具有快速识别的能力，且能改善基于动作SMEG信号手势识别系统的自适应性和稳定性。本研究为实现基于手势动作的具体设备或虚拟现实的实时交互控制打下了良好的基础，具有重要的理论意义和实际工程应用价值。 围绕SEMG信号的手势识别研究，本文的主要工作和成果有： 1.在对表面肌电信号的生理学本质深刻理解及其特征深入分析的基础上，设计了多通道SEMG信号采集和实验方案，完成了手势动作SEMG信号的预处理、活动段检测和特征提取。利用20Hz～400Hz的带通滤波器对采集到的原始SEMG信号进行预处理，有效地抑制了噪声、消除了基线漂移的影响。采用移动平均算法在连续采集的肌电信号中对活动段进行检测，判断有效动作信号的起始点和终止点，获得有效的动作信号。采用多通道归一化绝对值均值(MAV)和5阶AR模型对8通道手势动作SEMG信号进行特征提取。 2.基于ART2神经网络分类器的SEMG手势动作模式识别研究。在对ART2神经网络模型结构、表面肌电信号手势识别方法的广泛调研和深入分析的基础上，将ART2神经网络分类器应用于手势动作SEMG信号的模式识别中，实现了八类手势动作的有效识别。并针对手势动作肌电信号识别中存在的识别效率和稳定性问题，进行了单用户和多用户的实验，并与BP神经网络分类器的分类结果进行对比分析。研究结果表明，ART2分类器具有识别率高、实时性好、鲁棒性强的优点，对手势动作SEMG信号的识别具有良好的自适应性和较稳定的分类能力。

目录

文摘

英文文摘

声明

第一章绪论

1.1肌电信号手势识别概述

1.2国内外研究现状

1.3研究意义

1.4研究内容

第二章表面肌电信号生理学基础

2.1概述

2.1.1神经肌肉控制系统

2.1.2肌电信号的产生原理

2.2肌电信号的检测与分类

2.3肌电控制

2.4本章小结

第三章手势动作表面肌电信号模式识别技术

3.1概述

3.2表面肌电信号预处理方法

3.3活动段检测算法

3.4表面肌电信号特征提取方法

3.4.1信号幅值绝对值的平均值(MAV)

3.4.2 AR模型系数特征

3.5分类器设计

3.6本章小结

第四章基于ART2神经网络的手势动作肌电信号识别

4.1 ART2自适应共振网络

4.1.1 ART自适应共振网络概述

4.1.2 ART基本原理和网络模型

4.1.3 ART2结构和学习规则

4.2基于ART2神经网络的手势动作肌电信号识别方法

4.2.1基丁ART2神经网络的手势动作肌电信号识别系统

4.2.2 ART2分类器的没计

4.2.3 ART2分类器的算法流程

4.3本章小结

第五章实验结果与分析

5.1手势动作的定义与选择

5.2数据采集实验方案

5.3活动段检测与特征的选择

5.3.1预处理和活动段检测实验结果及分析

5.3.2 归一化绝对均值(MAV)，AR系数特征提取

5.4单用户手势识别实验与结果

5.4.1单用户单天手势动作模式识别实验结果

5.4.2单用户多天手势动作模式识别实验结果

5.5多用户手势识别实验与结果

5.6本章小结

第六章总结与展望

6.1主要工作与成果

6.2工作展望

参考文献

致谢

攻读硕士学位期间发表的论文