表面肌电信号手势识别研究

第1章　绪论 1
1.1　研究背景与意义 1
1.2　智能假肢控制与识别研究存在的主要问题 4
1.2.1 表面肌电信号采集通道数量与位置分布需要优化 4
1.2.2 深层肌肉活动信号采集不足 4
1.2.3 已有算法识别的手势数量少、鲁棒性差 4
1.2.4 电极移位和串扰对信号采集影响较大 5
1.3　本书主要研究内容和主要章节安排 5
1.3.1 本书主要研究内容 5
1.3.2 本书主要章节安排 7
第2章 基于肌电信号与超声波的手势识别研究进展 9
2.1　基于表面肌电信号的手势识别研究进展 9
2.1.1 表面肌电信号的特征提取 9
2.1.2 基于传统识别算法的表面肌电信号识别 11
2.1.3 基于深度学习的表面肌电信号识别 12
2.1.4 表面肌电信号识别稳定性方法研究 13
2.2　利用超声波探测肌肉形变及其感知解码的研究现状 14
2.3　基于多模态融合的动作意图识别的研究现状 16
2.3.1 肌电信号与超声波模态融合 16
2.3.2 肌电信号与脑电信号融合 17
2.3.3 肌电信号与惯性测量单元融合 18
2.3.4 肌电信号与近红外融合 18
2.3.5 肌电信号与肌动图融合 19
2.3.6 肌电信号与铁磁共振融合 19
2.4　基于肌电信号的假肢人机接口系统开发 19
2.5　本章小结 20
第3章 表面肌电信号产生的机理分析与检测 21
3.1　引言 21
3.2　表面肌电信号的生理学机理 21
3.3　表面肌电信号的特点 23
3.4　前臂肌肉与手势的关系 24
3.5　表面肌电信号的数据采集 25
3.5.1 表面肌电信号采集电极的研制现状 26
3.5.2 ELONXI肌电采集系统 26
3.5.3 表面肌电信号电极设计 27
3.5.4 表面肌电信号实验方案设计 28
3.6　表面肌电信号的实验数据集 29
3.6.1 Ninapro DB数据集 29
3.6.2 ELONXI DB数据集 32
3.7　表面肌电信号的数学模型 33
3.7.1 表面肌电信号产生机理的数学抽象 33
3.7.2 线性模型 34
3.7.3 集中参数模型 35
3.7.4 非稳态模型 35
3.7.5 双极型模型 36
3.8 本章小结 37
第4章 表面肌电信号的特征提取与识别方法 38
4.1　引言 38
4.2　表面肌电信号的窗口分析法 38
4.3　表面肌电信号的特征提取 40
4.3.1 时域特征 40
4.3.2 频域特征 42
4.3.3 时频域特征 44
4.3.4 参数模型特征 44
4.4　表面肌电信号的经典识别模型 46
4.4.1 K*近邻算法 46
4.4.2 线性判别分析 46
4.4.3 支持向量机 47
4.4.4 随机森林 49
4.5　本章小结 50
第5章 表面肌电信号采集通道与特征智能优化算法 51
5.1　引言 51
5.2　基于遗传算法的表面肌电信号采集通道优化 52
5.2.1 表面肌电信号采集通道优化的遗传算法 52
5.2.2 基于遗传算法的采集通道优化实验结果与分析 54
5.2.3 电极位置影响的实验结果与分析 59
5.3　基于进化算法的表面肌电信号采集通道与特征组合优化 60
5.3.1 表面肌电信号采集通道与特征组合优化的差分进化算法 61
5.3.2 表面肌电信号采集通道与特征组合优化的量子进化算法 65
5.4　基于群智能算法的表面肌电信号采集通道与特征组合优化 72
5.4.1 表面肌电信号采集通道与特征组合优化的粒子群优化算法 72
5.4.2 表面肌电信号采集通道与特征组合优化的量子粒子群优化算法 74
5.4.3 表面肌电信号采集通道与特征组合优化的蚁群优化算法 76
5.5　表面肌电信号采集通道与特征智能优化算法实验分析 79
5.5.1 表面肌电信号采集通道与特征组合优化的单一算法实验与分析 79
5.5.2 表面肌电信号采集通道与特征组合优化的多种智能算法对比分析 83
5.6　本章小结 86
第6章 表面肌电信号采集通道与特征多目标智能优化算法 88
6.1　引言 88
6.2　表面肌电信号采集通道与特征多目标优化问题建模 89
6.3　多目标优化问题差分进化求解方法 90
6.3.1 多目标优化问题转换为一组单目标优化问题 91
6.3.2 多目标优化问题差分进化求解方法详叙 91
6.4　基于全局综合排序自适应角度选择的多目标优化进化算法 92
6.5 MOEA/D-AAU-GGR算法实验分析 95
6.6　MOEA/D、MOEA/D-AU与MOEA/D-AAU-GGR实验对比分析 98
6.7　多目标优化算法的评价与有效性验证 103
6.7.1 多目标优化算法的评价 103
6.7.2 有效性验证 105
6.8　基于肌电通道与特征优化的机器人识别系统 105
6.8.1 系统平台与架构 105
6.8.2 系统软件功能与实现 106
6.8.3 现场实验与结果分析 113
6.9　本章小结 114
第7章 基于深度学习的表面肌电信号手势识别 116
7.1　引言 116
7.2　循环神经网络与长短期记忆神经网络 117
7.2.1 循环神经网络 117
7.2.2 长短期记忆神经网络 119
7.3　基于GAF的一维时间序列信号二维化 122
7.4　基于GAF的CNN-LSTM串并联网络结构的表面肌电信号手势识别 123
7.5　基于GAF的CapsNet的表面肌电信号手势识别 126
7.5.1 CapsNet的结构 126
7.5.2 基于CNN-CapsNet并联的表面肌电信号手势识别实验设计 128
7.5.3 采集臂套偏移鲁棒性实验及其结果分析 129
7.5.4 基于CapsNet的表面肌电信号手势识别的迁移性实验及其结果分析 129
7.6　基于CapsNet-GRU的表面肌电信号手势识别 130
7.6.1 CapsNet-GRU复合神经网络模型 130
7.6.2 优化算法与损失函数 131
7.6.3 离线实验设置 132
7.6.4 离线实验结果与分析 133
7.7　基于双流网络的表面肌电信号手势识别 138
7.7.1 基于时空特征的双流网络模型 138
7.7.2 CNN-LSTMs串行网络模型 140
7.7.3 多特征融合网络模型 140
7.7.4 三种模型的实验对比 141
7.7.5 基于时空特征的双流网络模型与传统方法的对比 143
7.8　基于深度学习的表面肌电信号手势识别实验研究 144
7.8.1 不同手势数量的实验对比与分析 145
7.8.2 不同训练集规模的实验对比与分析 145
7.8.3 不同LSMT神经网络隐藏层单元数量的实验对比与分析 146
7.8.4 时空特征的可视化实验对比与分析 146
7.9　基于双流网络模型的机械臂控制 148
7.10　本章小结 150
第8章 肌电与超声波模态融合的残疾人手部动作意图识别 152
8.1　引言 152
8.2　肌电与超声波模态融合的手势识别实验设计 153
8.2.1 sEMG/AUS实验数据采集 153
8.2.2 混合sEMG/AUS系统同步采集 155
8.2.3 sEMG/AUS手势识别实验设计 155
8.2.4 AUS信号实验数据预处理与特征提取 156
8.3　基于CNN-LSTM的肌电与超声波模态融合手势识别 158
8.3.1 基于CNN的超声波信号手势识别 158
8.3.2 肌电与超声波模态融合的神经网络结构 159
8.3.3 肌电与超声波模态融合的手势识别实验 160
8.3.4 CNN-LSTM与SVM的识别准确度比较 163
8.4　桡骨截肢患者手部动作意图识别交叉验证分析 164
8.4.1 比较sEMG和AUS信号性能的三种交叉验证实验 164
8.4.2 三种交叉验证的识别准确度分析 165
8.4.3 sEMG和AUS信号对每种动作意图识别的准确度分析 165
8.4.4 sEMG和AUS信号三种交叉验证的混淆矩阵分析 167
8.5　基于超声波和肌电的残疾人手势识别对比与难点分析 169
8.5.1 准确度和鲁棒性分析 169
8.5.2 基于AUS信号手势识别的难点分析 170
8.6　本章小结 170
第9章 基于sEMG的在线手势识别与抓取实验平台的开发 171
9.1　引言 171
9.2　在线手势识别与抓取实验平台 171
9.2.1 人机交互界面的开发 172
9.2.2 Baxter机器人的简介 174
9.3　在线手势识别与抓取实验 176
9.3.1 实验方案设计 176
9.3.2 评价指标设定 178
9.3.3 在线实验结果与分析 178
9.4　本章小结 179
第10章 总结与展望 180
10.1　总结 180
10.2　展望 181
参考文献