摘要
表面肌电信号（Surface electromyography，sEMG）是人体重要的生物电信号，由肌肉收缩而产生。基于 sEMG 信号的上肢手腕动作识别是医工融合的研究热点，被应用于康复训练和假肢控制等领域。当前，对 sEMG 信号的降噪、数据分割、特征提取、特征降维和模式识别等方面依然存在一些问题待优化。针对这些问题，主要研究工作如下： 首先，根据上肢肌肉群运动功能特性，采集8种手势动作和4种不同力模式手腕连续运动的 12通道 sEMG信号。对比不同的去噪方法，选择完全自适应噪声集合经验模态分解进行去噪。使用时间滑动窗口技术进行数据分割，对比不同滑动参数组合的分割效果，确定滑动窗口宽度和滑动增量分别为 128 和 64，并提出一种基于时间滑动窗口的全通道处理方法进行活动段检测。 其次，选取4种具有高斯分布的时域特征和时频域特征小波包变换系数作为特征提取值。采用主成分分析和 K 均值聚类进行特征降维，将降维后的时域和小波包变换特征值相结合，分别构成4种多阶特征空间。 最后，针对模式识别，提出融合高斯混合模型的卷积神经网络算法（Gaussian Mixture Model-Convolutional Neural Networks，GMM-CNN）和人工鱼群优化支持向量机分类器。实验结果表明：肌电积分值结合小波包系数（IEME）相对其他特征空间具有更好的区分性；GMM-CNN 具有良好的鲁棒性，其平均分类准确率达到 94.25%，高于其他分类模型；降维相对未降维的特征在平均分类准确率提高11.72~14.23%，训练时间减少数倍。
NETL