论文总字数：26670字

摘 要

表面肌电信号（sEMG）是最早被人们认识的一种生物电现象，在生物体内普遍存在，常应用于肌肉运动、肌肉损伤诊断、康复医学及体育运动等方面。表面肌电信号微弱、易受干扰，对表面肌电信号的预处理及特征提取是识别的基础和难点，而课题最关键的地方是BP神经网络算法的设计与实现。

本文的主要研究内容是基于硬件采集平台，对表面肌电信号进行采集、处理以及神经网络训练，最终通过训练好的神经网络来识别手势动作。对课题的研究分为两大部分：对样本集的训练以及对实时数据的识别。训练过程首先通过生物传感器采集信号，用Matlab设计原始动作采集程序，采集3种不同手势原始数据并保存作为训练样本集。然后对样本集中的数据逐个进行预处理来提高后续实验的运算速度。再进入特征提取环节，将处理后的信号进行线性插值，在整个时域区间取40个点，利用Hilbert变换提取信号包络。然后将处理过的数据进行聚类分析，根据BP神经网络理论，对随机样本进行训练学习，得到固定的参数值。至此，神经网络训练完毕。对实时样本进行识别时，数据的采集、处理部分与训练过程相同，最后将处理过的数据放入训练好的神经网络进行识别，通过GUI界面显示最终的识别效果。

课题实验过程中，对采集到的信号进行处理分析后可以得到清晰的包络曲线；通过GUI界面可以显示样本的识别次数。由于样本具有泛化能力，在进行实时手势识别时，面对没有出现在样本集中的数据，可能会出现很大的误差。但通过调整BP的迭代次数和精度，不断优化BP神经网络，提高了针对不同手势的识别率。

关键词：表面肌电信号 希尔伯特变换 聚类 BP神经网络 手势识别

Action Recognition and Human-computer Interaction Research Based on sEMG

Abstract

Surface EMG is a kind of biological electrical phenomenon which was known by the people in the earliest time. Surface EMG is ubiquitous in the organisms and is often used in muscle movement, muscle damage diagnosis, rehabilitation medicine as well as sports and so on. Surface EMG is weak and vulnerable to be interferenced. Pretreatment and feature extraction of sEMG is the basis and difficulities of the recognition. However，the most crucial issue in this subject is the design and implementation of BP neural network algorithm.

The main contents of this paper are acquisition, processing and neural network training of surface EMG signal based on a hardware-based collection platform，and gestures are recognized through the trained neural network ultimately. Research on the subject is divided into two parts: the training of the sample set and the identification of the real-time data. Training process begins with acquiring signals through using the biosensor and using Matlab to design the original action collection program to collect three different original gesture data and save it as a training set. Then the data in the sample set are preprocessed one by one to improve the operation speed of subsequent experiments. Then enter the feature extraction part, the processed signal is interpolated linearly, take 40 points across the time domain interval and use Hilbert transform to extract the signal envelope. Then put the processed data into cluster analysis and train random samples based on BP neural network theory to get the fixed parameter value . At this point, the neural network training is complete. When identifying the real-time sample, the collection and processing are the same as the training process. Finally, the processed data will be identified in the trained neural network and the final recognition effects are displayed via GUI interface.

During the experiment, we can obtain the clear envelope curve after processing and analying the collected signal. The identification number of samples can be viewed via GUI interface. While recognizing the real-time gesture, if the data which never appears in the sample set encountered, significant errors may occur because of the generalization ability of the sample. However, by adjusting the number of iterations and the accuracy of BP, BP neural network is optimized constantly and the recognition ratio aiming at various gestures can increase.

Keywords：sEMG; Hilbert transform; Cluster; Back Propagation neural network; gesture recognition

目 录

摘要 I

ABSTRACT II

第一章 绪论 1

1.1 课题研究的背景 1

1.2 课题的研究现状及意义 1

1.2.1 课题的研究现状 1

1.2.2 课题的研究意义 2

1.3 本文所做的工作 3

1.4 本文的结构 4

第二章 表面肌电信号处理系统总体架构 5

2.1 信号采集 5

2.2 预处理 6

2.3 特征提取 6

2.4 神经网络训练 6

2.5 神经网络识别 7

2.6 GUI界面设计 8

第三章 表面肌电信号采集系统 9

3.1 表面肌电信号采集原理 9

3.2 表面肌电信号硬件方案 10

3.2.1 前端信号采集传感器 10

3.2.2 Kinetis K60介绍 10

3.2.3仪表放大电路 11

3.2.4高通滤波器的设计 12

3.2.5低通滤波器的设计 13

3.2.6 A/D信号采集模块 13

3.2.7输出串口初始化 15

第四章 表面肌电信号的分析原理 16

4.1表面肌电信号的特征提取 16

4.1.1时域特征提取 16

4.2.2频域特征提取 16

4.2.3时频域特征提取 17

4.2 表面肌电信号的识别 18

4.2.1 算法选择 18

第五章 软件的设计与实现 21

5.1动作原点采集 21

5.2预处理设计 22

5.3包络提取设计 22

5.4 BP神经网络设计 24

5.4.1聚类 24

5.4.2神经网络参数设置 24

5.5 GUI界面设计 27

第六章 结果分析 28

6.1实验结果 28

6.2 实验结果分析 29

6.3 利用其他数据进行模式识别的结果 29

第七章 总结与展望 31

参考文献 32

致谢 33

第一章 绪论

1.1 课题研究的背景

生物电信号^[1-4]是一种在临床和科学研究中经常用到的携带生物体特征的生物医学信号，包括心电、胃电、诱发电、脑干电、皮肤电、视网膜电、眼电、神经电及肌电。人体复杂的生理系统决定了由人体获得的医学信号具有复杂性和多样性：信号微弱、易干扰、频率范围低、时变与非线性、干扰与信号的频带重叠、随机性强等。科学研究、工业生产等各个行业都离不开传感器，生物电信号的研究过程也离不开生物医学传感器^[5-6]。生物电测量电极是测量生物体各种生物电信息的传感器和换能器，可以将各种信号转换为可以测量的电学量。对于不同类型的生物电信号，研究者可以根据电化学原理，通过不同的生物电测量电极拾取、 记录，最终得到了在生活中人们熟知的脑电图、心电图。多年来，生物信息学的发展使得生物电信号在临床上得到了广泛的应用。

当处于静息状态的肌肉细胞受到神经刺激时，细胞膜的极化状态减弱，产生电位的突发变动。由于肌细胞对电位的快反应，使得肌细胞产生兴奋来控制肌肉的收缩、舒张，形成肌电信号^[7-10]。1791年意大利生理学家Galvani用金属片接触青蛙腿时，发生了收缩现象，揭示了生物学和电化学之间的联系，证明了生物电的存在。之后，生理学家Du Bois-Reymond基于自己对神经及肌纤维点活动的丰富理论，设计了第一台周期断流器，利用该设备检测到了神经系统的电变化。后面到20世纪20年代才真正观察到肌电图^[11]。随着神经生理学、信息学、心理学的发展，肌电信号也成为相关领域的研究热点之一。

1.2 课题的研究现状及意义

1.2.1 课题的研究现状

表面肌电信号（sEMG，surface electromyography）的测量无需像针电极一样将采集设备插入人体当中，只需将电极贴于人体表面即可，是一种无创伤、方便安全的测量方式^[12-14]。由于采集方法的改善以及对生物电认识的愈加深入，现如今，sEMG在诸多领域的应用前景广阔，特别是在智能价值控制、手势语言识别、运动电子产品等方面的应用引起了广泛关注。

请支付后下载全文，论文总字数：26670字