表面肌電信號手勢識別研究

第1章　緒論 1
1.1　研究背景與意義 1
1.2　智能假肢控制與識別研究存在的主要問題 4
1.2.1 表面肌電信號采集通道數量與位置分布需要優(yōu)化 4
1.2.2 深層肌肉活動信號采集不足 4
1.2.3 已有算法識別的手勢數量少、魯棒性差 4
1.2.4 電極移位和串擾對信號采集影響較大 5
1.3　本書主要研究內容和主要章節(jié)安排 5
1.3.1 本書主要研究內容 5
1.3.2 本書主要章節(jié)安排 7
第2章 基于肌電信號與超聲波的手勢識別研究進展 9
2.1　基于表面肌電信號的手勢識別研究進展 9
2.1.1 表面肌電信號的特征提取 9
2.1.2 基于傳統(tǒng)識別算法的表面肌電信號識別 11
2.1.3 基于深度學習的表面肌電信號識別 12
2.1.4 表面肌電信號識別穩(wěn)定性方法研究 13
2.2　利用超聲波探測肌肉形變及其感知解碼的研究現狀 14
2.3　基于多模態(tài)融合的動作意圖識別的研究現狀 16
2.3.1 肌電信號與超聲波模態(tài)融合 16
2.3.2 肌電信號與腦電信號融合 17
2.3.3 肌電信號與慣性測量單元融合 18
2.3.4 肌電信號與近紅外融合 18
2.3.5 肌電信號與肌動圖融合 19
2.3.6 肌電信號與鐵磁共振融合 19
2.4　基于肌電信號的假肢人機接口系統(tǒng)開發(fā) 19
2.5　本章小結 20
第3章 表面肌電信號產生的機理分析與檢測 21
3.1　引言 21
3.2　表面肌電信號的生理學機理 21
3.3　表面肌電信號的特點 23
3.4　前臂肌肉與手勢的關系 24
3.5　表面肌電信號的數據采集 25
3.5.1 表面肌電信號采集電極的研制現狀 26
3.5.2 ELONXI肌電采集系統(tǒng) 26
3.5.3 表面肌電信號電極設計 27
3.5.4 表面肌電信號實驗方案設計 28
3.6　表面肌電信號的實驗數據集 29
3.6.1 Ninapro DB數據集 29
3.6.2 ELONXI DB數據集 32
3.7　表面肌電信號的數學模型 33
3.7.1 表面肌電信號產生機理的數學抽象 33
3.7.2 線性模型 34
3.7.3 集中參數模型 35
3.7.4 非穩(wěn)態(tài)模型 35
3.7.5 雙極型模型 36
3.8 本章小結 37
第4章 表面肌電信號的特征提取與識別方法 38
4.1　引言 38
4.2　表面肌電信號的窗口分析法 38
4.3　表面肌電信號的特征提取 40
4.3.1 時域特征 40
4.3.2 頻域特征 42
4.3.3 時頻域特征 44
4.3.4 參數模型特征 44
4.4　表面肌電信號的經典識別模型 46
4.4.1 K 近鄰算法 46
4.4.2 線性判別分析 46
4.4.3 支持向量機 47
4.4.4 隨機森林 49
4.5　本章小結 50
第5章 表面肌電信號采集通道與特征智能優(yōu)化算法 51
5.1　引言 51
5.2　基于遺傳算法的表面肌電信號采集通道優(yōu)化 52
5.2.1 表面肌電信號采集通道優(yōu)化的遺傳算法 52
5.2.2 基于遺傳算法的采集通道優(yōu)化實驗結果與分析 54
5.2.3 電極位置影響的實驗結果與分析 59
5.3　基于進化算法的表面肌電信號采集通道與特征組合優(yōu)化 60
5.3.1 表面肌電信號采集通道與特征組合優(yōu)化的差分進化算法 61
5.3.2 表面肌電信號采集通道與特征組合優(yōu)化的量子進化算法 65
5.4　基于群智能算法的表面肌電信號采集通道與特征組合優(yōu)化 72
5.4.1 表面肌電信號采集通道與特征組合優(yōu)化的粒子群優(yōu)化算法 72
5.4.2 表面肌電信號采集通道與特征組合優(yōu)化的量子粒子群優(yōu)化算法 74
5.4.3 表面肌電信號采集通道與特征組合優(yōu)化的蟻群優(yōu)化算法 76
5.5　表面肌電信號采集通道與特征智能優(yōu)化算法實驗分析 79
5.5.1 表面肌電信號采集通道與特征組合優(yōu)化的單一算法實驗與分析 79
5.5.2 表面肌電信號采集通道與特征組合優(yōu)化的多種智能算法對比分析 83
5.6　本章小結 86
第6章 表面肌電信號采集通道與特征多目標智能優(yōu)化算法 88
6.1　引言 88
6.2　表面肌電信號采集通道與特征多目標優(yōu)化問題建模 89
6.3　多目標優(yōu)化問題差分進化求解方法 90
6.3.1 多目標優(yōu)化問題轉換為一組單目標優(yōu)化問題 91
6.3.2 多目標優(yōu)化問題差分進化求解方法詳敘 91
6.4　基于全局綜合排序自適應角度選擇的多目標優(yōu)化進化算法 92
6.5 MOEA/D-AAU-GGR算法實驗分析 95
6.6　MOEA/D、MOEA/D-AU與MOEA/D-AAU-GGR實驗對比分析 98
6.7　多目標優(yōu)化算法的評價與有效性驗證 103
6.7.1 多目標優(yōu)化算法的評價 103
6.7.2 有效性驗證 105
6.8　基于肌電通道與特征優(yōu)化的機器人識別系統(tǒng) 105
6.8.1 系統(tǒng)平臺與架構 105
6.8.2 系統(tǒng)軟件功能與實現 106
6.8.3 現場實驗與結果分析 113
6.9　本章小結 114
第7章 基于深度學習的表面肌電信號手勢識別 116
7.1　引言 116
7.2　循環(huán)神經網絡與長短期記憶神經網絡 117
7.2.1 循環(huán)神經網絡 117
7.2.2 長短期記憶神經網絡 119
7.3　基于GAF的一維時間序列信號二維化 122
7.4　基于GAF的CNN-LSTM串并聯網絡結構的表面肌電信號手勢識別 123
7.5　基于GAF的CapsNet的表面肌電信號手勢識別 126
7.5.1 CapsNet的結構 126
7.5.2 基于CNN-CapsNet并聯的表面肌電信號手勢識別實驗設計 128
7.5.3 采集臂套偏移魯棒性實驗及其結果分析 129
7.5.4 基于CapsNet的表面肌電信號手勢識別的遷移性實驗及其結果分析 129
7.6　基于CapsNet-GRU的表面肌電信號手勢識別 130
7.6.1 CapsNet-GRU復合神經網絡模型 130
7.6.2 優(yōu)化算法與損失函數 131
7.6.3 離線實驗設置 132
7.6.4 離線實驗結果與分析 133
7.7　基于雙流網絡的表面肌電信號手勢識別 138
7.7.1 基于時空特征的雙流網絡模型 138
7.7.2 CNN-LSTMs串行網絡模型 140
7.7.3 多特征融合網絡模型 140
7.7.4 三種模型的實驗對比 141
7.7.5 基于時空特征的雙流網絡模型與傳統(tǒng)方法的對比 143
7.8　基于深度學習的表面肌電信號手勢識別實驗研究 144
7.8.1 不同手勢數量的實驗對比與分析 145
7.8.2 不同訓練集規(guī)模的實驗對比與分析 145
7.8.3 不同LSMT神經網絡隱藏層單元數量的實驗對比與分析 146
7.8.4 時空特征的可視化實驗對比與分析 146
7.9　基于雙流網絡模型的機械臂控制 148
7.10　本章小結 150
第8章 肌電與超聲波模態(tài)融合的殘疾人手部動作意圖識別 152
8.1　引言 152
8.2　肌電與超聲波模態(tài)融合的手勢識別實驗設計 153
8.2.1 sEMG/AUS實驗數據采集 153
8.2.2 混合sEMG/AUS系統(tǒng)同步采集 155
8.2.3 sEMG/AUS手勢識別實驗設計 155
8.2.4 AUS信號實驗數據預處理與特征提取 156
8.3　基于CNN-LSTM的肌電與超聲波模態(tài)融合手勢識別 158
8.3.1 基于CNN的超聲波信號手勢識別 158
8.3.2 肌電與超聲波模態(tài)融合的神經網絡結構 159
8.3.3 肌電與超聲波模態(tài)融合的手勢識別實驗 160
8.3.4 CNN-LSTM與SVM的識別準確度比較 163
8.4　橈骨截肢患者手部動作意圖識別交叉驗證分析 164
8.4.1 比較sEMG和AUS信號性能的三種交叉驗證實驗 164
8.4.2 三種交叉驗證的識別準確度分析 165
8.4.3 sEMG和AUS信號對每種動作意圖識別的準確度分析 165
8.4.4 sEMG和AUS信號三種交叉驗證的混淆矩陣分析 167
8.5　基于超聲波和肌電的殘疾人手勢識別對比與難點分析 169
8.5.1 準確度和魯棒性分析 169
8.5.2 基于AUS信號手勢識別的難點分析 170
8.6　本章小結 170
第9章 基于sEMG的在線手勢識別與抓取實驗平臺的開發(fā) 171
9.1　引言 171
9.2　在線手勢識別與抓取實驗平臺 171
9.2.1 人機交互界面的開發(fā) 172
9.2.2 Baxter機器人的簡介 174
9.3　在線手勢識別與抓取實驗 176
9.3.1 實驗方案設計 176
9.3.2 評價指標設定 178
9.3.3 在線實驗結果與分析 178
9.4　本章小結 179
0章 總結與展望 180
10.1　總結 180
10.2　展望 181
參考文獻