1.1 研究目的及意义

本文针对偏瘫患者单侧肢体运动功能受损的特点，研究基于表面肌电信号的上肢动作定性辨识，用于理解患者运动意图，从而为患者提供自主性的运动控制，实现手写数字0-9的识别。表面肌电信号（surfaceelectromyography，sEMG）是通过表面肌电电极从人体皮肤表面获取的肌肉活动的电信号，它来自于检测肌肉的神经纤维的电活动。

sEMG 是一种微弱的信号，峰峰值只有0~10mV，有用信号的频率范围为0~500Hz。该信号的获取是进行假肢控制的信号基础，而在获取的过程中会伴随着电子设备的固有噪声，人体内各组织的噪声以及环境噪声，如果不对这些噪声进行严格的处理，sEMG很容易被淹没在各种噪声之中。消噪是一切工作的前提，即使硬件设备模块已经进行了消噪，我们也要使用软件消噪的方式对噪声进一步去除，因此如何降低获取信号过程中的噪声功率，提高表面肌电信号功率是本文研究的主要内容之一。

sEMG的特征值是一种能够反映和表征人体各种动作特性和差异的参数，不同的人体动作会产生不同的表面肌电信号，那么提取到的特征矢量也就不同。通过特征提取得到的特征矢量对于动作识别至关重要，合适的特征矢量可以提高最终的识别率。因此，选取合适的特征矢量对动作的识别效果以及控制效果具有重要的意义，为下一步将神经网络作为分类器进行模式识别奠定良好的基础。

神经网络是较好的分类器，其在环境复杂，背景知识模糊、推理规律不确定的情况下识别效果很好，且允许有较大的样本畸变和干扰。本文以神经网络作为分类器，进行模式识别，然而神经网络中隐含神经元个数一直是困扰人们的难点，并且其能够识别的种类数有限，因此如何改进算法，选择合适的网络参数对于模式识别的最终效果有很大的影响，这也是本文主要的研究方向之一。

综上所述，本文研究的主要目的就是对表面肌电信号的消噪，特征提取以及模式识别这三个方面进行相应的研究，使得以表面肌电信号为信号源和控制源的手写识别系统更加成熟，更加广泛的应用于人体康复，假肢控制等医疗领域，使得该项技术更广泛的惠及普通百姓。

1.2 国内外研究现状

目前，基于表面肌电信号的手写识别系统的识别率不令人满意，因此继续进行深入的研究是必要的，而作为手写识别系统信号源的表面肌电信号，在消噪，特征提取和模式识别各过程的理论研究现状也不尽相同，下面依次进行阐述。

sEMG传统的消噪方法为根据肌电信号的频率范围，设计出相应带宽的滤波器进行滤波，提取有用信号，然而这种方法提取过程粗糙，滤掉的成分中含有大量的有效信号成分，消噪效果并不明显。随着相应理论的发展，S.N.Kale和S.V.Dudul尝试利用人工神经网络的方法来消除肌电信号中携带的各种噪声，消噪效果很好，但是这种方法较为复杂，不具有普遍性而且实施过程难度较大。后来随着小波理论的盛行，人们开始逐渐将这种理论运用于表面肌电信号的消噪中，学者先后提出小波阈值消噪、小波包消噪以及小波消噪的各种算法，经消噪的信号最终识别率达到了80%以上，本文对小波理论进行更深层次的探索，并且着眼于算法改进，进一步改善消噪效果。

sEMG的特征值是一种能够反映和表征人体各种动作特性和差异的参数。人体不同的动作在sEMG信号上的表现差别较大，提取的特征矢量差别就大，相反相同或相近的动作提取的特征矢量相似，特征值的选取在一定程度上决定着最终控制效果的好坏。早期，国内外的特征值的提取方法主要有幅值直方图，积分值，功率谱提取，自回归模型参数的提取，然而这些方法都存在一定的局限性，比如说，功率谱提取的方法虽然识别率较高但是只研究了肌电信号的频域特性，丢掉了肌电信号的时域特性。2001年，KevinEnglehart等人首次提出了使用小波方法提取sEMG的时频特征值，通过主成分分析进行降维。随后，大量学者运用小波理论对肌电信号特征值提取进行研究，相继出现了提取小波系数、提取小波系数的奇异值，均值、提取小波熵等方法，并且这些方法的效果不错。近年来，又有不少学者试图提取肌电信号的非线性动力学特征、复杂度、混沌与分形、近似熵等，然而最终的识别效果不够明显且实施过程较为复杂，本文对肌电信号的特征值提取作深一步研究以增加识别率，简化实现过程。