学位论文 > 优秀研究生学位论文题录展示

基于肌音信号的手部多动作模式识别与假肢手控制研究

作　者: 曹炜
导　师: 夏春明
学　校: 华东理工大学
专　业: 机械电子工程
关键词: 肌音信号 PCA 采集位置条件互信息 DSP
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 81次
引　用: 0次
阅　读: 论文下载

内容摘要

肌音信号是人体动作时肌肉收缩所发出的声音,可以作为假肢控制的信号源。近些年,多项国内外研究成果显示,肌音信号在假肢手控制方面具有极好的应用前景,倘若应用于实际,将是假肢手控制的一大进步,可惠及广大人群。本课题完成肌音信号采集系统的搭建,其中包括传感器的选取、信号放大滤波等软硬件设计。通过Matlab软件编写模式识别系统程序,对手部的多动作模式识别进行研究。利用4路TD-3压电加速度传感器采集32位受试者进行4个手部动作(手部握紧、手部伸展、向下压腕、腕部伸展)时前臂四块肌肉(尺侧腕屈肌、桡侧腕屈肌、桡侧腕长伸肌、指总伸长肌)的肌音信号,提取18个时域和频域特征构成特征空间,利用主成分分析法(PCA, Principal Component Analysis)对其进行降维,使用线性分类器分类并采用10重交叉验证评估实验结果。对6个手部动作(手部握紧、手部伸展、向下压腕、腕部向上伸展、内旋切腕、腕部外旋伸展)模式识别进行研究,添加小波分解系数、峰度等8个特征,通过扩展特征空间来获取更多手部动作识别信息。利用基于条件互信息(CMI, Conditional Mutual Information)的特征选择方法对原始特征空间进行特征选择,减小计算量和特征空间的复杂性。通过硬件电路设计和嵌入式程序编写等工作,基于TMS320F2812型号DSP的实时系统平台搭建成功。四个手部动作模式识别的实验结果证明,其识别率能够达到95%以上,并且采用3个通道的时候识别效果最佳,四块肌肉的位置选取对识别效果没有影响。通过特征空间的扩展可以有效提高了利用主成分分析法时的6手部动作模式识别的准确率。基于条件互信息的特征选择方法进行特征选择的结果是：不同受试者之间选取的最优特征子集有所差异,同一受试者的最优特征子集相对稳定。采用特征选择方法的动作识别率相对利用主成分分析法差,但它为实时系统的实现提供了有益的参考。DSP计算得到分类结果后驱动假肢手做出相应的动作,假肢手的指部产生压力信号反馈给系统,基本实现物品的抓握。在实际应用中肌音信号可以作为可靠的控制信号源对假肢手进行控制。

全文目录

摘要  5-6
Abstract  6-10
第1章引言  10-18
  1.1 课题的研究背景  10
  1.2 课题目的和意义  10
  1.3 上肢假肢控制技术的发展  10-12
    1.3.1 机械式假肢  11
    1.3.2 肌电信号控制假肢  11
    1.3.3 声控式假肢  11
    1.3.4 脑电信号控制假肢  11-12
    1.3.5 神经控制假肢  12
    1.3.6 肌音信号控制假肢  12
  1.4 肌音信号上肢假肢控制技术的现状  12-13
  1.5 手部动作模式识别  13-15
    1.5.1 信号源数据获取  13
    1.5.2 数据预处理  13-14
    1.5.3 特征生成和提取  14-15
    1.5.4 分类器设计  15
  1.6 特征选择  15-16
  1.7 本课题研究内容  16-18
第2章肌音信号采集系统设计  18-25
  2.1 肌音信号采集传感器  18-20
  2.2 肌音信号放大电路  20-21
  2.3 肌音信号模拟滤波  21-22
  2.4 肌音信号采集设备  22-23
  2.5 肌音信号采集软件  23-24
  2.6 本章小结  24-25
第3章肌音信号四动作模式识别方法及其采集通道与位置选择研究  25-41
  3.1 肌音信号的软件滤波与归一化  25-27
  3.2 肌音信号的动作分割  27-29
  3.3 肌音信号帧的特征生成  29-33
    3.3.1 基本时域特征  29-30
    3.3.2 基于AR模型的参数估计特征  30
    3.3.3 基于高阶累积量的特征  30-31
    3.3.4 基于倒谱参数估计的特征  31-32
    3.3.5 基于功率谱参数的特征  32
    3.3.6 基于非负矩阵分解系数的特征  32-33
  3.4 肌音信号特征降维  33-35
    3.4.1 主成分分析法  33-34
    3.4.2 基于主成分分析的特征优化  34-35
  3.5 手部动作识别分类器与实验结果交叉验证  35-36
  3.6 基于肌音信号的手部四动作识别实验  36-38
    3.6.1 受试者信息统计  36
    3.6.2 实验设备  36-37
    3.6.3 实验规程  37-38
  3.7 实验结果与分析  38-40
    3.7.1 肌音信号4动作模式识别结果与分析  38
    3.7.2 肌音信号的采集通道结果与分析  38-39
    3.7.3 肌音信号采集位置研究结果与分析  39-40
  3.8 本章小结  40-41
第4章肌音信号六动作模式识别研究与特征选择  41-52
  4.1 肌音信号动作帧特征空间的扩展  41-43
    4.1.1 基于分位数的特征  41
    4.1.2 基于峰度的特征  41-42
    4.1.3 基于偏度的特征  42
    4.1.4 基于小波分解的特征  42-43
    4.1.5 基于熵值的特征  43
  4.2 手部六动作模式识别结果  43-45
  4.3 基于互信息的特征选择  45-51
    4.3.1 特征选择方法  46
    4.3.2 互信息的概念  46-47
    4.3.3 基于条件互信息的肌音信号特征选择方法  47-48
    4.3.4 六动作模式识别实验结果与分析  48-51
  4.4 本章小结  51-52
第5章基于DSP的实时肌音信号控制假肢  52-70
  5.1 基于DSP的实时肌音信号控制假肢的设计方案  52-53
  5.2 基于DSP的实时肌音信号控制假肢的硬件设计  53-61
    5.2.1 肌音信号偏置电路  53-55
    5.2.2 假肢手驱动模块  55-58
    5.2.3 假肢手力反馈模块  58-59
    5.2.4 电源管理模块  59-61
  5.3 实时系统软件设计  61-69
    5.3.1 功能模块配置  62-65
    5.3.2 实时系统的动作分割  65-66
    5.3.3 实时系统的特征选择及其两个手部动作模式识别  66-68
    5.3.4 假肢手动作软件设计  68-69
  5.4 本章小结  69-70
第6章结论与展望  70-72
  6.1 结论  70-71
  6.2 展望  71-72
参考文献  72-76
致谢  76-77
攻读硕士学位期间发表的学术论文  77-78
附录一肌音信号模式识别  78-80
附录二肌音信号采集软件程序  80-84
附录三条件互信息特征选择程序  84-86
附录四 DSP嵌入式系统程序  86-94

基于肌音信号的手部多动作模式识别与假肢手控制研究

内容摘要

全文目录

相似论文