基于广义动态模糊神经网络的肌电信号模式识别系统解读.docx
- 文档编号:7295150
- 上传时间:2023-05-11
- 格式:DOCX
- 页数:55
- 大小:1.97MB
基于广义动态模糊神经网络的肌电信号模式识别系统解读.docx
《基于广义动态模糊神经网络的肌电信号模式识别系统解读.docx》由会员分享,可在线阅读,更多相关《基于广义动态模糊神经网络的肌电信号模式识别系统解读.docx(55页珍藏版)》请在冰点文库上搜索。
基于广义动态模糊神经网络的肌电信号模式识别系统解读
华中科技大学
硕士学位论文
基于广义动态模糊神经网络的肌电信号模式识别系统
姓名:
熊汉
申请学位级别:
硕士
专业:
控制工程
指导教师:
黄剑
2011-05-28
华中科技大学硕士学位论文
摘要
在现代康复医学领域中,人们对具有智能康复功能的医疗系统需求越来越高,而通过肌电信号对人体运动信息和意图进行准确判断是建立此类系统的必要前提之
一。
本文旨在系统地研究肌电信号特点机理、采集方式、特征提取方法、动作识别方法,通过多种肌电特征提取方法的比较研究并结合模式识别算法建立起一套稳定的实验平台,通过实测肌电数据在该平台上进行分析验证,达到识别人手多动作模式的目的。
本文首先介绍了肌电信号模式识别研究及其相关领域应用现状。
然后系统研究了多种肌电信号分析和提取方法并阐述了它们的意义,接着对模糊系统和神经网络的结构特点、运行机制进行介绍并结合两者的优势引出了模糊神经网络,介绍该网络的权值运算、隶属度函数选择、基本结构,重点讨论了一种具有动态调整功能的模糊神经网络并分析了它的网络结构。
然后介绍了肌电信号采集装置的系统结构,叙述了该装置硬件设计过程和软件组成。
接着对广义的动态模糊神经网络模式识别算法准则和实现流程进行了详细的阐述。
在最后实验阶段采用了7种特征提取方法并对它们进行分析比较,然后对它们的模式识别结果进行了总结。
实验表明,采用广义的动态模糊神经网络算法对手部7种动作进行识别的准确率可达97%以上,且其在多种特征提取方法应用下具有一定的适用性。
本文通过对该实验平台的研发,实现了基于肌电信号的人手多动作模式识别。
在今后的研究中将继续改善肌电信号采集方式,研究新的特征提取方法,同时对识别算法进行改进以提高系统的实时性,为以后应用于康复机器人运动控制打下良好的基础。
关键词:
肌电信号特征提取模式识别广义动态模糊神经网络
I
华中科技大学硕士学位论文
Abstract
Inmodernrehabilitationmedicine,thereisanincreasingdemandofmedicalsystemwiththefunctionofintelligentrehabilitation,anditisoneoftheindispensableproceduretocreatethesystembyrecognizingthesportsconsciousnessofpeopleaccuratelybytheelectromyographic(EMG).ThecontentofthethesisincludestheresearchofcharacteristicsofEMG,howtorecordEMG,howtoextractthefeatures,howtorecognizetheaction.Accordingtothecompareofseveralalgorithmsoffeatureextraction,wecombineitwiththepatternrecognitionalgorithmstoestablishastableexperimentalsystem,andcertificatetheeffectofthissystemusingactualEMGsignals,finallyrecognizethemulti-actionmodesofhand.
Atthebeginning,thepaperintroducesthecurrentprogressintheresearchofEMGpatternrecognitionanditsrelatedfields.ThenwetakeasystematicapproachtoseveralalgorithmsofEMGfeatureextractionandtheirsignificanceisgiven.Afterthat,thepapersummarizesthestructuralfeaturesandmechanismofthefuzzysystemandneuralnetwork,introducingtheweightoperations,membershipfunctionselection,basicstructureoffuzzyneuralnetwork(FNN)whichincorporatingtheirmerits,andanetworkstructureofaFNNwithdynamicadjustmentfeature(DFNN)isemphasized.ThenthestructureoftheEMGcollectingdeviceincludingthehardwareandsoftwareisintroduced.Afterwards,thepaperdescribesthestandardsandimplementationprocedureofthealgorithmsofpatternrecognitionbasedongeneralizeddynamicfuzzyneuralnetwork(GDFNN)indetail.Atlast,thispaperprovidesananalysisandcomparisoninsevenEMGfeatureextractionalgorithms,andsummarizestheirresultsofpatternrecognition.Theexperimentsindicatethattheaccuracycouldbe97%byusingalgorithmsofGDFNNtorecognizeseventypeofactionsandithasawideapplicabilityinseveralapproachesoffeatureextraction.
Bythedevelopmentofthisexperimentalplatform,weproposedimplementingapproachesofhand’smulti-actionpatternrecognitionbasedonEMGsignals.Inthefuture,wewillsearchamoresuitablemethodofEMGcollecting,studyingthenewalgorithmsoffeatureextraction.Atthesametimewewilladjustthealgorithmsofpatternrecognitiontoimprovethereal-timeperformanceofthesystem,layingasolidfoundationformotioncontrolofrehabilitationrobot.
Keywords:
EMG;featureextraction;patternrecognition;GDFNN;
II
独创性声明
本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。
尽我所知,除文中已经标明引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。
对本文的研究做出贡献的个人和集体,均已在文中以明确方式标明。
本人完全意识到本声明的法律结果由本人承担。
学位论文作者签名:
日期:
年月日
学位论文版权使用授权书
本学位论文作者完全了解学校有关保留、使用学位论文的规定,即:
学校有权保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。
本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
保密□,在年解密后适用本授权书。
本论文属于不保密□。
(请在以上方框内打“√”)
学位论文作者签名:
指导教师签名:
日期:
年月日日期:
年月日
华中科技大学硕士学位论文
1.绪论
1.1.研究背景与意义
在现实社会中,人体各个部位的运动受到内外界因素的综合影响,一些身体部位的受损如运动系统损害、肌肉萎缩、肌体(颈部、手部、腿部)失调等症状严重影响了人们的生产生活,特别是当国内社会老龄化程度的加深,老人作为行动能力上的弱势群体,他们在康复医疗领域上的硬性需求会不断增加,而康复医学及其相关科研的兴起由此而来。
为恢复行动受损人群的正常能力,以智能康复系统为代表的新型控制系统的应用得到人们的重点关注,该系统的基本工作原理是获取使用者的运动信息或运动意图来判断以何种方式、何种途径辅助康复治疗,其中该系统如何提取并识别出运动意图或信息是此类研究中不可缺少的一环。
由于生物电信号在时间和空间范畴上包含着丰富的人体信息,反映了人体的即时动作,所以它被认为是研究人体运动信息的有力途径之一,而表面肌电信号作为生物电信号的典型代表,它是一种表皮下肌肉运动反映在皮肤表面的综合结果,其已被广泛应用于肌肉运动、肌肉营养失调诊断、康复医学及体育运动学等方面的研究,它具有安全、易于采集、与肌肉运动的相关性强等优点,通过其来识别人体运动信息效果较好,例如某些残障者是在交通事故或其他意外事件中失去了手指,但其相关神经系统未受损坏,利用肌电信号所包含的如肌肉力量、操作者的目的、肌肉阻抗等信息来识别残障者的操作意图,即可以使用肌电信号作为义肢的控制信号
[1]。
还有从人体表皮提取肌电信号,利用计算机简化人体传递和处理脑的运动指令的过程,使人-机接口的速度获得大幅度的提高[2],促进受损人士与机器的信息交换来进行下一步的康复训练。
而显然以上目的达成的前提是必须要建立一个稳定的模式识别系统,特别是随着现今康复医学研究的发展,国内外在结合肌电信号处理与康复机器人技术方面有着更多、更深入的研究,目的是研制出具有智能康复功能和评价功能的辅助系统,在此过程中借助对肌电信号的分析识别来实现一系列康复训练的控制策略,在一定程度上辅助甚至替代医师对受损者进行治疗,而通过肌电信号如何更加完整、系统地描述人体运动已经是此类研究的重点,同时肌电信号特征提取方式的发展和肌电信号处理方法的大量应用已成为肌电信号研究的一个突出特点,如何从肌电信号中
1
华中科技大学硕士学位论文
提取有用信息达到识别出肢体的多种运动模式也已经成为康复医学界研究的热点问题之一。
所以本课题的主要任务是对肌电信号进行分析验证,通过对该信号的分类识别来将人体运动信息和意图反馈给控制系统,而现在我们必须首先建立起一套集信号采集、特征提取、模式识别功能于一体的实验平台。
1.2.国内外发展现状及应用
1.2.1.国内研究现状
多年来,人们借助肌电信号反映人体内部信息的特点,通过不同的方法来识别肢体动作的类型和过程,并研制相应装置来辅助个体运动,达到人与机器有机结合的目的。
上海交通大学的雷敏等对表面肌电信号进行了分析研究并给出了各种特征估计,介绍了用于假肢动作控制的两大类表面肌电信号的特征识别方法[3]。
李醒飞等则根据实时采集的肌电信号判断动作始末状态并对该信号进行小波降噪预处理,利用小波变换有效地识别握拳、展拳、手腕内旋和手腕外旋4种动作模式[4],此外还有研究采用新的特征提取方法将个体差异影响程度降到最低,用于在非特定人条件下前臂肌群的多运动模式识别[5]。
对于模糊神经网络与肌电信号的结合,有一种方法采用了γ模型网络对假肢的肌电信号进行学习并达到一定的效果[6]。
钱晓进等[7]也使用了模糊推理与神经网络相结合的方法,成功完成了对混合相肌电信号的分解,而与肌电信号同属生物电范畴的心电信号研究中也有通过模糊神经网络分类器完成训练、检验,证明其对心电信号具有较高识别率[8],这同样在肌电信号的识别研究中具有良好的借鉴效果。
1.2.2.国外研究现状
国外对肌电信号特征提取以及模式识别方法的研究显得越来越积极,其中表面肌电信号在肌肉运动及疲劳损伤分析、康复运动学等方面的研究越来越深入[9][10]。
相对而言,表面肌电信号处理的第一步,即信号分析与特征提取是整个识别系统中非常重要的环节,特征矢量的有效性密切关系到系统的识别能力,而肌电信号的分析研究如表面肌电信号与肌肉力的关系[11]、疲劳状态下肌电特征及其补偿[12]等都对肌电信号的特征规律做了系统的研究,而肌电信号分析方法按发展趋势大致可分为五个理论方面:
时域法、频域法、时频法、高阶谱、混沌与分形等。
2
华中科技大学硕士学位论文
传统的分析方法都是时域法,此类方法具有实现简单,运算速度快等特点而得到广泛的应用,如平均绝对值(MeanAbsoluteValue)是计算肌电信号绝对值的平均值,代表了一种简便的肌肉收缩水平检测方法。
均方根(RootMeanSquare)是对信号先求平方和并取其平均值后再开方,它与肌肉收缩幅度关系紧密,而平均绝对值与均方根方法的效果由E.A.Clancy等做过比较[13][14]。
波长(Waveformlength)是某时间段上的波形累计长度,它与信号的振幅等有关。
过零点(ZeroCrossings)是计算某种条件下信号越过零点的次数,且需设定一个阈值以减少噪音。
方差(VAR)是信号功率的测量,定义为先对信号求平方和后再取平均值。
斜率符号变化数(SSC)与过零点相似,是另外一种反映信号频率的方法.。
EMG信号的时序模型中AR模型得到较多的应用,它假设了EMG信号为平稳的高斯过程,从而推导出线性的AR模型,其模型阶次一般为4阶,而JerJunnLuh等[15]使用的时变AR模型达到了提高肌电信号幅值估计准确度的目的。
EMG直方图是当肌肉高度收缩时检测不同幅值肌电信号的采样个数,并将其作为一种有效特征来进行信号处理,在特征提取过程中需设定阈值和不同的幅值段,然后将各幅值段的信号采样个数作为其特征。
在频域法方面,肌电信号的频率分析也提供了肌肉收缩时的有用信息,其稳定的频域特征受到人们欢迎。
RonagerJ通过傅里叶变换对肌电信号进行了功率谱分析
[16],了解了正常个体与病患者在用力时的功率谱差异,R.Merletti也比较了基于FFT变换与AR模型的两种估计方法[17],且肌电信号的频谱分析不但在肌电检测与分析中具有重大价值,还具有一定的临床意义[18]。
在时频法方面,由于集合了时域和频域的优点,此类方法近年来受到人们特别关注。
现在用于肌电信号的时频分析方法主要有小波变换、短时FFT变换、Wiser-Ville变换、Choi-Williams变换等,这些方法较适合于非平稳信号的分析。
短时FFT变换是指选择适当的窗函数将信号分成几小段,把非平稳信号看成是一系列短时平稳信号的叠加[19]。
同时有人使用小波变换对肌电信号进行实时处理,实现了对腕部动作的识别[20]。
由于传统的随机信号处理只能反映服从高斯分布的随机信号的概率结构,而肌电信号是明显的非平稳信号,所以人们考虑到使用高阶谱分析法从而可以得到信号本身更多的信息,如双谱分析法做肌肉力变化分析和肌肉恢复分析[21]。
3
华中科技大学硕士学位论文
混沌与分形理论现在也开始用于EMG内在产生机理的规律研究,并有理论表明EMG的的分形维数随肌肉收缩强度的增加表现为单凋上升的趋势[22],也有通过非线性滤波来研究静态承受负载下的表面EMG信号[23]。
针对EMG信号的非线性以及不平稳性,人们对各种非线性方法进行了研究,混沌与分形作为其中的主要手段,将在未来EMG信号的非线性处理研究中占主要地位。
1.2.3.肌电信号的应用
肌电信号在康复医疗领域的相关应用是我们关注的重点,特别是应用于肢体康复控制系统方面,如肌电信号用于人体上肢动作辨识与轨迹预测,为实现多自由度假肢的控制打下基础[24],也有利用手势sEMG信号控制虚拟人机交互系统,最后将识别结果转换为机器命令,便于人机信息交流[25],而基于肌电信号的上肢康复机器人姿态控制与轨迹跟踪控制也受到越来越多的关注,KazuoKiguchi等[26]研究的基于肌电信号的外骨骼机器人,它可以辅助老人、伤者、残疾人的上肢运动,达到康复治疗的目的,同时人体下肢表面肌电信号的变化也比较活跃,有结果表明步行时下肢肌电信号有一定的规律性[27],通过均方根法提取肌电特征后,结合模糊神经网络控制器也可对步行时脚踝的运动角度进行控制[28]。
1.3.论文主要内容
本文旨在分析分析多种肌电信号的特征提取方法,结合具有强大学习推理能力的模糊神经网络来对手部多动作模式进行准确有效的识别,为基于肌电信号的运动控制系统应用打下良好的基础,此外我们将通过实验、测试,对结论进行验证。
具体的研究内容如下:
(1)第一章论述了研究背景与意义、国内外研究现状及其相关领域研究,提到了肌电信号特征提取的多种算法以及与本文关系密切的诸多实际应用。
(2)第二章介绍肌电信号的基本特点及其采集装置基本结构,并着重描述了多种时域分析方法的理论基础及其代表的意义;接着引出常用的智能算法,包括模糊系统、神经网络,论述了它们的原理结构;最后讨论了结合模糊系统与神经网络优点的模糊神经网络算法原理及网络结构。
(3)第三章阐述了肌电信号采集装置的设计过程,其中详细描述了噪声分析、放大滤波、隔离屏蔽的设计思路与实现过程,并选择了合理的供电方案,最终控制数据采集卡达到信号初步处理与存储的目的。
4
华中科技大学硕士学位论文
(4)第四章讨论了动态模糊神经网络的设计和实现流程,对算法的动态准则、参数调整方案都做了详细的阐述。
(5)第五章给出了整个系统的实验过程,实现了多种方法的特征值提取并对它们进行初步对比,最后对每种方法的识别效果进行比较并得出结论。
(6)第六章对论文进行了总结和展望,对存在的问题进行探讨,指出进一步的改进方向。
5
华中科技大学硕士学位论文
6
华中科技大学硕士学位论文
7
华中科技大学硕士学位论文
8
华中科技大学硕士学位论文WL=∑Δxk,Δxk=xk−xk−1(2.5)
k=1N
(6)方差(VarianceofEMG)
肌电信号的平均值一般接近于零,而方差代表了肌电信号的一种能量特征,由于肌电信号的均值不同,其方差也将不同,如下是两种方差求取方法:
1N2VAR1=∑xk(2.6)N−1k=1
1N
(|xk|−2(2.7)VAR2=∑N−1k=1
其中,为肌电信号绝对值积分的平均值。
(7)EMG信号的时序模型(AR)
肌电信号在某个较短时间段内可被近似看成一段平稳的高斯信号,所以人们用常见的AR时间序列模型来提取肌电信号特征,一般采用的是4阶AR模型,提取AR模型4个系数作为特征向量。
x(i)=∑aixk−i+ek(2.8)
i=1p
其中是ai是AR系数,p是模型阶次,ek是残差白噪声。
(8)EMG直方图(Histograms)
当肌肉收缩运动时,EMG信号会产生偏离,故可以检测不同幅值段的EMG信号采样个数作为一种有效的特征。
这里需首先设定一个阈值,接着将正负阈值间的距离等分成不同幅值段,最后将不同幅值的EMG采样个数定为该信号特征,其中阈值水平和分段数根据实验而定。
李耀宇等[32]曾阐述了肌电信号的波幅直方图统计处理在临床医学应用中的意义。
(9)短时傅里叶变换(STFT)
把小段非平稳信号看成是大量平稳STFT的基本思想是在傅里叶变换的基础上,
信号的效果叠加,其短时的特性需要通过设置一个时域上的窗函数来实现,它的定义如下:
+∞
Gf(ω,τ)=
−∞∫f(t)g(t−τ)e−jωtdt,f(t)∈L2(R)(2.9)
这里g(t)为窗函数,它所定义的“窗”在时间轴上有规律移动并对原信号进行逐步分析,有学者采用该方法对表面肌电信号进行了处理,使用奇异值分解有效的提取了特征矢量,并通过两通道肌电信号识别了手部四种运动模式[33]。
9
华中科技大学硕士学位论文
10
华中科技大学硕士学位论文解模糊化出口:
将模糊推理结果转换为清晰化的输出;
模糊集是模糊系统的集合,把隶属该集合的程度定义为隶属度,它提供了一种在数学上表达不确定因子的方法。
通常应用最为广泛的隶属度函数是三角函数和高斯函数,他们的定义如下:
(1)三角隶属函数
⎧x−m−1,x−m≤σ⎪μ(x)=⎨(2.10)
σ⎪0,其他⎩
其中m和σ分别为三角模糊集的中心和宽度。
(2)
高斯隶属函数
⎡(x−c)2⎤μ(x)=exp⎢-⎥(2.11)2σ⎢⎥⎣⎦
其中c和σ分别为高斯模糊集的中心和宽度,图2-4、2-5为两个隶属度函数的图形:
图2-4三角形隶属度函数
图2-5高斯型隶属度函数
模糊系统里最常用的模糊推理方式是模糊IF-THEN规则以及TSK模型[34],普
11
华中科技大学硕士学位论文
通的模糊IF-THEN规则都是用IFATHENB形式的语句来表达,这种推理方式帮助人们在不确定环境下仍能做出决策,它是模糊逻辑系统的基础,在这个结构中来自人类专家的语言信息被量化,使得此语言信息能够被系统利用,它的简单形式如下:
Ri:
IFx1isF1iand…..andxrisFri,THENyiisC而基于TSK模型的模糊推理系统的IF-THEN规则如下:
Ri:
IFx1isF1iand…..andxrisFri,THENyi=α0i+α1ix1+........+αrixr其中模糊集为Fji(j=1,2,....,r),yi是指第i个规则的系统输出,αji是实参数。
所以TSK模型所建立规则的IF部分是模糊的,但THEN部分是清晰的,即规则输出为所有输入变量的线性组合,其优点是更加适合于数学分析,计算效率高,一些优化和自适应方法能够得到很好的应用。
一般来说TSK模糊推理系统在执行模糊规则的过程中要经历几个步骤:
(1)在系统输入部分通过比较输入量和隶属度函数关系来获得每个语言标识的隶属度;
(2)根据模糊规则进行模糊推理,得到每条规则的输出权值;(3)通过输出权值产生每条规则的有效结果;
(4)将各规则输出结论叠加解模糊化后得到明确的输出;
u
(5)最终的输出即为每条规则的加权平均:
y=
∑y×w
ii=1
i
∑w
i=1
u
,其中u表示模糊规则
i
数,权值wi=∏μFi。
j=1
u
j
根据以上模糊推理方法,我们可以建立由原始信号输入到系统结论输出的非线性映射,理论证明[35]一个模糊系统可以以任意精度逼近一个连续或离散函数,它为我们提供了一种简单有效的设计方法,通过该方法可以对系统进行有效的建模与控制。
但是模糊系统还存在一些问题,例如它在参数调整过程中,对输入变量的划分、隶属函数的数量选择、规则数的确定都没有一种系统的设计方案,而且在一个多输入多输出系统中,模糊规则数会呈指数级增加,从而加大了运算的困难度和复杂度
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 广义 动态 模糊 神经网络 电信号 模式识别 系统 解读
![提示](https://static.bingdoc.com/images/bang_tan.gif)