摘要
近年来研究人员逐渐不满足基于图形界面的人机交互技术，通过机器人对人的语音、生物电信号等信息的检测与处理并给予反馈成为当前人机交互技术研究的重点。利用表面肌电信号主动识别人的运动意图构建人机交互系统，相较其他方法具有信息丰富、受环境影响小等优点，是最具潜力的人机交互方法之一。当前通过表面肌电信号识别人体运动意图主要是通过先提取其的特征，然后使用深度学习等方法进行手势识别。但是这种方法存在两个问题:常用特征缺乏体现肌电信号本质的信息，缺乏具有生物可解释性的特征;基于深度学习的方法主要是利用更深的网络结构提高手势识别的准确率，但是意味着需要更大的计算开销。 基于当前主流的肌电信号分解方法能够从肌电信号中提取运动单元的种类、发放信息，能够准确反映神经系统对肌肉的控制信息，因此针对传统手势识别方法存在的问题，本文将肌电信号分解所得到的运动单元动作电位序列作为特征进行分析，并使用具有生物可解释性高、运算速率快、计算开销小等优点的“第三代神经网络”——脉冲神经网络对处理特征，实现更高效、更节能和更具生物可解释性的手势识别。本文主要内容包括采集高密度表面肌电信号、肌电信号分解方法研究、混合特征手势识别方法研究以及该方法的在线使用和人机交互界面设计，具体内容如下: 本文首先采集了高密度表面肌电信号，建立了用于后续分析的手势数据库。使用Quattrocento高密度肌电信号采集系统的两片具有64通道的电极阵列采集了30名健康被试的9种手势高密度表面肌电信号。为提高信号质量方便后续使用，对采集到的高密度肌电信号进行了预处理去噪，此外还介绍了需要从高密度肌电信号中提取的8种时域特征以及对特征进行归一化处理的方法。 针对当前已有的高密度表面肌电信号分解方法仅能获取运动单元发放时刻，无法获取运动单元波形的缺陷，本文建立了小波模板匹配的运动单元波形、发放时刻选择方法，将其与独立成分分析结合建立了新的肌电信号分解方法。并使用由包含50个运动单元的仿真肌肉生成的模拟肌电信号对分解方法进行了验证，当信噪比30dB时，使用本文提出的方法能够从模拟肌电信号中分解出35个运动单元，充分证实了本文提出的肌电信号分解方法具有很高的可靠性。最后使用该方法对实际采集到的20名被试对象的高密度肌电信号进行了分解，平均分解出12个运动单元，平均轮廓系数值为0.649,证实了本文提出方法的有效性。 此外，本文提出了使用脉冲神经网络对混合特征处理进行手势识别的方法。首先基于LeakyIntegrateandFired神经元模型构建全连接层网络和卷积层网络，并将其组成残差脉冲神经网络。在混合特征方面，首先使用泊松编码器将从肌电信号中提取的时域特征编码为脉冲序列，其次使用本文提出的肌电信号分解方法从肌电信号中提取运动单元动作电位序列，再将二者组合为混合特征，由脉冲残差神经网络对混合特征处理进行手势识别。此外本文还探索了不同超参数对神经网络性能的影响，最终结果表明，本文提出的方法对9种手势的识别准确率达到97％以上。 最后，将上述方法进行线上应用，在线使用时对4种手势的识别准确率达到90％以上，平均耗时89毫秒，验证本文提出方法的可靠性与快速性。还设计了人机交互界面以便于将本方法日后用于康复机器人系统。该人机界面包含登录、功能选择、主动康复训练、被动康复训练、遥操作界面和用户管理界面等。本文的研究为未来设计制造高患者意图识别准确率、高适应性、低功耗的新一代康复机器人提供了新思路。
NETL