摘 要

表面肌电信号（Surface Electromyography，sEMG）是人体肌肉表面的生物电信号，因其采集设备和采集过程对于人体的伤害相对其他采集方法较小，并且其特征也较易提取和分类，因此在智能假肢、上肢康复等领域有广泛的应用，其已经逐渐成为很多科学家们研究的一项焦点。目前来说，使用sEMG作为信号，来控制一些智能设备甚至是人机交互仍然还存在困难，例如高自由度动作分类、对实时sEMG进行分类速度不够快等。

针对以上的问题，本文设计了通过表面肌电信号，对采集者的上肢动作进行识别的研究。经过样本训练后的网络，可以快速识别出对应的动作，可以供外部设备提供进一步动作的依据。

该设计分为三大步：信号预处理、特征提取以及神经网络训练。本文主要内容如下：

1. 针对环境噪声、固有噪声、运动伪迹以及直流偏移电位对肌电信号带来的干扰问题，本文通过将原信号经由线性滤波器、高通滤波器、陷波滤波器以及离散小波变换，来去除噪声。
2. 特征提取采用了绝对平均值（MAV）、过零点数（ZC）、均方根（RMS）、方差（VAR），同时使用滑动窗口方法来提取特征值。
3. 神经网络选择的是反向传播(Back Propagation，简称BP)神经网络，将提取好的特征向量送入网络中进行训练，并检验已训练网络的识别准确率。

本文在特征提取过程中，通过设定多组对照组，对比每组识别效果，确定了较为合适的特征提取策略，做到了在保证识别准确率达到90%以上的情况下，提高了训练速度，从而达到了优化通过表面肌电信号识别上肢动作流程的意义。

关键词：表面肌电信号；BP神经网络；特征提取；动作识别

Abstract

Surface Electromyography (sEMG) is a biological electrical signal on the surface of human muscles. Because of its relatively small damage to the human body due to its collection equipment and collection process, and its characteristics are also easier to extract and classify, it is intelligent Prosthetics, upper limb rehabilitation and other fields have a wide range of applications, and it has gradually become a focus of research by many scientists. At present, it is still difficult to use sEMG as a signal to control some smart devices and even human-computer interaction, such as high-degree-of-freedom action classification, and the classification speed of real-time sEMG is not fast enough.

In response to the above problems, this paper designed a study to identify the movement of the collector's upper limbs through surface EMG signals. After the sample training, the network can quickly identify the corresponding actions, and can provide the basis for further actions for external devices.

The design is divided into three major steps: signal preprocessing, feature extraction, and neural network training. The main contents of this article are as follows:

(1) Aiming at the interference problems caused by environmental noise, inherent noise, motion artifacts and DC offset potentials on EMG signals, this paper passes the original signal through linear filters, high-pass filters, notch filters and discrete wavelet transform To remove noise.

(2) Feature extraction uses absolute mean (MAV), zero crossings (ZC), root mean square (RMS), variance (VAR), and uses sliding window method to extract feature values.

(3) The neural network chooses Back Propagation (BP) neural network, sends the extracted feature vector to the network for training, and checks the recognition accuracy of the trained network.

In the feature extraction process, by setting multiple groups of control groups and comparing the recognition effects of each group, a more appropriate feature extraction strategy is determined, which achieves an increase in training speed while ensuring that the recognition accuracy rate reaches more than 90%. Therefore, the significance of optimizing the recognition of upper limb movement process through surface EMG signals is achieved.

Key Words: Surface EMG signal; BP neural network; feature extraction; Action recognition

目 录

第一章 绪论 1

1.1研究的目的及意义 1

1.2国内外研究现状 1

1.3论文内容安排 2

第二章 研究涉及的原理 3

2.1 采集信号所存在的噪声 3

2.1.1 直流偏移电位 3

2.1.2 运动伪迹 3

2.1.3 工频噪声 3

2.1.4 离散小波变换 4

2.2 滑动窗口 4

2.3 BP神经网络原理 5

第三章 预处理与特征提取 7

3.1 sEMG数据集的选择 7

3.2 信号预处理 8

3.2.1 MATLAB中的FDA tool 8

3.2.2 去除基线漂移 10

3.2.3 陷波滤波 11

3.2.4 离散小波变换 13

3.2.5 预处理过程整合及结果 13

3.3 特征提取 14

3.3.1 选取的特征量 14

3.3.2 滑动窗口提取特征量 16

3.3.3 特征向量 17

3.3.4 状态量 18

第四章 BP神经网络设计 20

4.1 划分数据集 20

4.2 神经网络参数设置 20

4.3 神经网络训练 21

4.4 训练结果分析 22

4.4.1 识别结果矩阵 22

4.4.2 识别结果图 23

4.4.3 每种动作的识别正确率 23

4.4.4 对照组实验的识别正确率 24

第五章 总结与展望 26

参考文献 27

致 谢 29

绪论

1.1研究的目的及意义

人的上肢是人体的重要组成部分，上肢受到损伤，或者因其他原因而截肢的人，生活都或多或少都会受到影响。人的上肢有三部分，手，前臂和手臂。神经系统协调着这三者之间的独立活动以及配合活动。人在日常的活动时，必须要协调不同关节的运动，而这些运动大多都有很多个自由度。对于上肢有残疾的人来说，安装假肢是一种不错的选择，但是因为人体的手协调控制非常复杂，也因此人可以用手做出很多对于假肢来说很复杂的高自由度动作，假肢在智能化方面，仍然很难达到人体手的水平，很难精准地复制人体的协调系统。

典型的假肢涉及三个主要部分：输入信号采集单元，处理和控制单元以及末端执行器。如今，几乎所有高性能人造手（或假肢）都使用表面肌电信号（Surface Electromyography. sEMG）作为控制信号，用其来控制假肢等装置的动作。当肌细胞被神经以电信号的方式激活时，表面肌电记录其在肌细胞表面的电运动。 sEMG信号的峰到峰幅度范围为0到10 mV^[2]，主要能量在20–450 Hz频带内^[4]。此外，获取sEMG信号需要适当的准备，并且应在确定实验人员的肌肉之后，放置EMG探测电极，以探测并获取人体在控制手做活动时，肌肉表面所产生的信号。随着传感器的小型化，用作肌肉输入的换能器的干电极已取代了传统的凝胶EMG电极，并改善了性能。由于将这些干电极放置在单个目标肌肉上而导致肌肉疲劳，所以由研究人员开发了一种模块化方案作为解决方案，该方案使用多个电极和通道的组合进行精确定量。对此的扩展是将这些电极替换为换能器，例如力和电阻传感器，它们仅使用具有较少干扰的单通道采集方法。