基于表肌电信号的手势模式识别研究与交互系统的设计

摘要

随着穿戴式设备的普及与发展，人机交互方式不断推陈出新，打破以往的交互界限，因而如何寻求更为高效自然的信息沟通方式成为行业的热点。肢体语言，尤其是骨骼肌运动所表征的含义成为人机交互探索的方向，而肌电信号作为运动模型探索的信息来源，在一定程度上反应人体神经肌肉的功能状态。
　　本文从表肌电信号的原理入手，并对信号提取、特征提取、特征降维逐步展开研究，随后又分析对比基于表肌电信号的分类方法。主要的工作如下:
　　通过了解手臂上的骨骼肌群，设计表肌电采集实验——选取9种代表性的手腕手势动作，并将其大体分为主手腕动作与主手指动作两类。
　　为了简单有效地提取表肌电信号中的信息，本文对信号的时域以及频域进行较为全面的特征抽取，并人工添加高斯白噪音，以便模拟现实采集环境中可能遇到的随机干扰信息，从而实现对特征的健壮性分析，挑选出鲁棒性强的特征从而更好地应用在现实的环境中。对抽取特征的冗余信息进行主成分分析(PCA)和非相关线性判别分析(ULDA)，并结合传统应用中常见的线性分类器、BP神经网络以及支持向量机分类器，分析不同组合之间的正确率以及不同手势的识别空间大小，针对分类结果进行较为深入的分析。
　　结合上述的实验分析结果，本文采用Matlab编程，设计出一套实时手势模式识别系统。为了增强手势活动区间判断的合理性，本文提出一种基于表肌电信号时域频域特征的新活动段判定方法。

目录

声明

摘要

第1章 绪论

1．1 研究背景与意义

1．2 国内外现状研究

1．2．1 手势识别领域

1．2．2 基于生物肌电信号的识别

1．3 论文内容及结构

第2章 表肌电信号的采集实验

2．1 肌电信号识别的理论依据

2．1．1 sEMG信号的特点

2．2 表肌电信号的采集

2．2．1 采集实验的设备

2．2．2 肌群以及手势的选定

第3章 表肌电信号数据分析

3．1 活动段的提取

3．2 特征的提取

3．2．1 时域特征

3．2．2 频域特征

3．3 特征健壮性分析

第4章 肌电信号的运动模型识别

4．1 特征降维

4．1．1 主成分分析PCA

4．1．2 非相关的线性判别分析

4．2 分类器的选择

4．2．1 线性分类器

4．2．2 BP神经网络

4．2．3 支持向量机

4．3 对比分析

第5章 基于表肌电信号的实时识别系统

5．1 人机交互

5．2 系统整体框架

5．3 活动段策略的改进

5．4 本章小结

第6章 结论与展望

6．1 全文总结

6．2 未来展望

参考文献

致谢