摘 要

人在运动的时候，其肌肉上方的皮肤表面处会产生极其微弱的生物电信号，即表面肌电信号(Surface Electromyography, sEMG)，该生物电信号能够反映出人准确的的运动状态，提取该信号简单方便，并且具有无痛无创等优点。只要采用合适的方法，就能够从sEMG信号中提取出反映人肢体的运动意图和肌肉疲劳程度等有用信息，因此表面肌电信号在肢体康复训练、医学诊断等研究领域具有很高的研究价值。

本次设计利用小波去噪算法对采集到的表面肌电信号进行去噪处理，然后从四个通道的sEMG信号中提取出时域特征波长、威尔逊赋值、均方根、过零点，频域特征自回归系数和时频域特征小波变换，利用BP神经网络、线性判别分析和高斯模糊算法对sEMG信号的特征进行模式识别。最后在Labview软件中设计了信号处理方法集成系统，对该系统进行了在线测试。测试结果显示，该系统对踝关节运动模式有较好的识别效果。

关键词：表面肌电信号；特征提取；模式识别

Abstract

When a person is in motion, a very weak bioelectric signal is generated on the surface of the skin above the muscle, ie, Surface Electromyography (sEMG). The bioelectric signal can reflect the exact motion state of the person and extract the The signal is simple and convenient, and has the advantages of painless and non-invasive. As long as appropriate methods are used, useful information reflecting the physical intentions of the human limb and the degree of muscle fatigue can be extracted from the sEMG signal, so the surface EMG signal has a high research value in the field of physical rehabilitation training, medical diagnosis and other research fields.

This design uses wavelet denoising algorithm to denoise the acquired surface EMG signal, and then extracts the time-domain characteristic wavelength, Wilson's assignment, RMS, zero-crossing, and frequency domain characteristics from the four channel sEMG signals. Self-regression coefficient and time-frequency domain feature wavelet transform, using BP neural network, linear discriminant analysis and Gaussian fuzzy algorithm for pattern recognition of sEMG signal features. Finally, a signal processing method integrated system was designed in Labview software and the system was tested online. The test results show that the system has a good recognition effect on the ankle joint movement pattern.

Key Words: surface electromyography; feature extraction; pattern recognition

目录

第 1 章 绪论 1

1.1 研究目的及意义 1

1.2 国内外研究现状 1

1.3 本文主要内容及组织结构 2

第 2 章 设计原理及方案选择 4

2.1 信号采集方案 4

2.1.1 肌电信号采集 4

2.1.2 肌肉组织选取 4

2.1.3 sEMG采集设备 5

2.2信号预处理 5

2.3特征参数选择 6

2.3模式识别 8

2.4 技术方案选择 9

2.5本章小结 10

第3 章 系统设计与实现 12

3.1 离线系统设计 12

3.1.1 小波阈值去噪 12

3.1.2 特征提取 13

3.1.3 模式识别 15

3.2 Labview界面设计 20

3.3 在线系统测试 20

3.4 本章小结 22

第 4 章 总结与展望 24

4.1 工作总结 24

4.2 工作展望 24

参考文献 25

致谢 26

第 1 章 绪论

1.1 研究目的及意义

在生活中，人的肢体可因内外因素而受损，如肌肉运动不当导致肌肉受伤，营养不良导致肌肉发育，交通事故导致身体受伤。人的运动神经和肌肉损伤可引起多个运动问题，例如肌肉萎缩、肌无力和声音嘶哑等问题，影响人的基本动作能力，给人们的正常生活带来诸多不便。由于社会上康复训练员人数有限，加上身体限制这些活动的能力，需要一种运动辅助装置来帮助他们取代康复训练师。恢复这种行动能力受限的人最好的办法就是重复一遍一遍的动作，引导他们主动回应。重复运动有助于身体的运动，从而使人减少肌肉萎缩的出现。人体主动做出反应有助于运动神经记忆和记忆运动的神经通路。康复训练辅助平台就是设定好固定的运动轨迹，引导人做反复运动，增强现有运动能力和辅助肢体运动，并有助于进行辅助治疗。

肌电信号能在一定程度上反映人体神经肌肉的活动。我们可以通过研究肌电信号，获得人体神经和肌肉的一些信息，进而了解人体的身体状况。目前采集肌电信号的方法有针电极和表面电极。相比于针电极，表面电极在测量上具有非侵入性、无创伤、操作简单等优点。因此表面肌电信号一般用于康复工程和仿生控制中的恢复和控制。

本次毕业设计的研究是提取人体表面肌电信号，对其进行预处理去噪，提取其特征矢量，对其进行模式识别，从而实现信号处理各阶段多种算法的快速选择。本次设计可以应用到临床检验和康复医学中，以判断用户的运动意图，从而引导用户进行主动训练，并恢复用户的受损动作能力。

1.2 国内外研究现状

肌电信号预处理主要是信号去噪。在人体皮肤表面采集的肌电信号会有各种各样的噪声，从而影响对信号进行模式识别的正确率。传统的去噪方法是基于肌电信号的频率范围设计滤波器，如卡曼滤波器，但这种方法非常粗糙。1997年，国外研究者为了去除肌电信号中大部分的噪声，他们通过成功运用人工神经网络消除了肌电信号的噪声，把信号的均方误差减小到很低^[3]。国内外部分研究者因为小波理论的逐渐发展，于是采用小波变换来进行信号去噪，并提出了一些改进的小波阈值去噪，小波包去噪和小波去噪算法。其中采用小波阈值法对sEMG信号进行去噪，提取适当的特征值并采用合适的分类器，最终动作识别准确率达到85%~97%。

肌电信号的特征值是表现该信号中具体规范特征的量。许多国内外研究者都非常关注sEMG信号的特征值提取问题，这是因为根据选择的特征值不同，最后模式识别得到的分类效果也不同，有的特征值识别率高，有的特征值识别率低。起初研究特征值，研究者提取的特征值主要是肌电信号的积分值和自回归模型参数。例如国外Katsutoshi Kuri- bayashi等研究者使用积分值法提取了肌电信号的积分值特征矢量，DANIEL GRAUPE等研究者第一次成功地提取了sEMG的AR模型参数，而且它的识别正确率达到85%，这在当时效果已经较好。从2000年开始，各个国家的研究人员开始探究肌电信号的时频特性，其中Kevin Englehart等研究人员在2001年第一次研究出用小波法来提取肌电信号的时频特征值^[3]。这段时间，国内一些专家提出肌电信号具有非线性动力学特性，因此许多学者尝试提取肌电信号的非线性动力学特性，复杂性，混沌性和分形性。

研究表面肌电信号的最终目标是正确识别出人体的动作，从而实现控制机器运动。国内的研究者已经从模式识别算法中最基本的算法开始研究，例如贝叶斯决策算法和聚类分析算法等等。虽然我们学习了国外这些算法的一些理论知识和实际应用，但是这些模式识别算法对于有着复杂结构的肌电信号进行特征提取还是存在问题的。正是因为这个问题，不久后研究者就提出基于支持向量基的方法用来识别人们的动作，例如有研究人员采用支持向量基的方法来识别人体手部运动，同时对动作的识别也较为准确。现在人工神经网络正快速的发展，研究者就提出采用神经网络算法来对sEMG的特征值进行分类识别。

在综合分析国内外人体表面肌电信号研究现状的基础上，可以看出,大多数研究人员利用小波理论对肌电信号进行去噪。然而，小波去噪法并不能完全去除信号的噪声，还会有许多‘毛刺’存在，我们要更深入地去研究新的算法来获得噪声更少的sEMG信号，目前sEMG信号的模识识别方法对一些特征值依然不能取得很高的识别正确率。我们研究肌电信号是为了能够识别人体的动作，因此有必要研究和分析表面肌电信号处理的各个环节，来获得较高的动作识别率。我们不仅要研究现有的技术和方案，也要在算法上做出创新，设计一个完整的系统来快速准确地识别人的肢体动作。

1.3 本文主要内容及组织结构

本文主要设计并实现表面肌电信号处理集成系统。在深入研究并总结肌电信号预处理方法、特征提取方法及模式识别方法的基础上，设计并开发出一套肌电信号处理方法集成系统，实现信号处理各阶段多种算法的快速选择，并通过动作识别实验验证系统的有效性。系统的整体设计方案是通过动作识别实验，采用Matlab软件验证各种信号处理算法的可行性，最后在Labview软件中开发信号处理方法集成系统，实现动作识别系统各阶段算法的快速选择。

本文的组织结构为四章，各章内容如下：

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：