英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
摘要
基于表面肌电信号的手势准确识别在人体运动中具有重要意义人体假体相互作用的研究。
在本文中，多特征组合与自适应AdaBoost算法用于识别九种特定手势。首先，为了自适应地设置阈值提取表面肌电活动段的算法对信号进行改进，通过剔除无效的活动段，得到有效的活动段值。其次，提出了一种基于多特征组合的精细手势分类方法。在本文中，采用基于循环特征选择的递归特征消除算法对特征进行筛选设置顶级分类效果，统计8个实验对象选择的特征集，通过实验分析，得到了最佳的特征组合。最后，通过结合AdaBoost算法构造的弱分类器对9个手势动作进行识别以及单层决策树。实验结果表明，该算法能够实现九种精细手势的平均识别率为98.56（plusmn;1.44%）。
索引：手势识别、AdaBoost算法、表面肌电信号、多功能组合。
一、绪论
表面肌电图（sEMG）信号，作为伴随肌肉收缩活动而产生的生物电信号，广泛应用于疾病诊断、康复训练和生物反馈控制，特别是针对人机的人工肢体的交互控制。因为不同人体的肢体运动与肌肉收缩模式通过表面处理肌电信号可以获得运动的信息模式。目前，气动信息的提取从表面肌电图（sEMG）信号研究了很多，但是从生物学上复制现实的姿态还是很困难的。这是因为人类的手不仅是有一个高度清晰的系统，可能有超过20度的运动自由度，而且它还有一个复杂的肌肉系统。因此，多指多自由的研究肢体已成为当今世界的热点问题。过去十年左右，有许多家公司和研究机构已经开发了几个多功能拟人假手，如义肢手和聪明的手。一只手，至少有8个自由度。最近几年来，中国在仿生研究方面取得了长足的进步，自然基金项目赞助了许多关于肌电假肢的研究课题。2004年，清华大学姜明文教授研究了“具有触滑功能的肌电图人工手”课题。2009年，杭州大学电子科学与技术学院唐建友教授研究了“肌电假手设计的三自由度比例控制”课题，罗志增教授研究了“单电机驱动多指多关节机械手设计”课题。2012年，哈尔滨工业大学的哈鲁教授和杨大鹏教授研究了“编码多自由度肌电人工手控制系统”等。
目前，基于表面肌电信号模式识别的方法主要有支持向量机，人工神经网络，隐马尔可夫模型，线性判别分类器等。这些模式识别传统的表面肌电信号识别方法计算简单，参数多，操作时间长。此外，这些模式识别方法或多或少地与这些参数的设置相适应，针对上述问题，Schapire和Freund等人提出了一种新的模式识别方法。利用权值进行基于误差的实时变换，提出了AdaBoost算法。AdaBoost算法是第一个应用于和写入字体识别，并显示成功的实际应用。它不仅大大减少识别错误率，也可以识别不同类型的字体。维奥拉等人提出了一种人脸检测算法在AdaBoost上，它大大提高了精确度。它大大加快了探测速度。它一经提出就迅速发展成为该领域的主流算法。Zhang等人用AdaBoost算法设计了一组虹膜分类器各种情况。董元芳等提议用于XML文档分类的AdaBoost算法。这个AdaBoost算法主要应用于以上三种情况
本文提出了一种基于自适应的研究方法已应用于多功能组合精细手势运动模式识别。这个过程有四个主要阶段：数据采集和处理、信号表示、特征选择与提取、运动记录、初始分类。首先，在数据处理过程中，提出了一种基于迭代滑动平均的滑动窗口有效活动段提取方法，该方法为表面肌电信号和精细手势识别提供了一种新的有效的主动段提取方法。其次，分析了三种表示方法：高斯滤波、小波滤波和中值滤波用均方根误差、平均绝对误差和平滑度评价讨论了滤波问题。通过综合分析，假设高斯低通滤波对表面肌电信号进行去噪。在特征选择中，循环特征选择的递归特征消除算法用于过滤特征组合，通过统计得到最优特征组合。基于此，自适应AdaBoost算法在前面的手势识别中得到了应用旨在提高表面肌电信号分类的识别率。
二、表面肌电信号采集
A、NinaPro数据库
NinaPro数据库的获取旨在使研究人员能够研究的全球基线数据集表面肌电与手臂运动学的关系，从而自然地控制翻译截肢者的手假体。在这项研究中，我们使用了产品数据库1。试验程序NinaPro数据库需要得到机构审查委员会的批准。52项运动分为三种不同的运动。练习A包括12个基本的指法动作。练习B包括八个等长的动作和九个基本的手腕动作。练习C包括23种抓取和功能模仿日常活动的动作。在这个论文中，本文提出了基于NinaPro数据库：拇指弯曲（F1），食指弯曲（F2）、中指弯曲（F3）、无名指弯曲（F4），小指弯曲（F5）、四指弯曲（F6）、三指弯曲（F7）、双指弯曲（F8）、拇指食指弯曲（F9）。NinaPro数据库为可接受的手势提供了标准动作参考，使结果更加准确和令人信服。
B、电极位置如图1所示，未经确认的手势
在人的前臂位置有不同的肌肉群，我们无法确定哪些肌肉群的手势与动作有关。同时，因为人们认为要处理的数据量很大，有必要选择一个尽可能小的肌肉群。通过大量的搜索在相关文献和实验测试中发现，这三种肌肉群与确定的九种精细手势有很大的相关性：外展肌肉（APL）、上肢屈肌（FDS）、尺骨腕屈肌（FCU）。确定肌肉群的位置后，将三个音乐肌肉传感器放置在三个位置。传感器可以同时获得包络信号和原始信号（如图2所示）。
C、 受试者
8名受试者（4名男性，4名女性，年龄22-27岁）的肌电图数据收集同意参与研究。所有受试者都很健康，没有已知的身体问题。我们两周内分别收集了8个受试者实验数据，每次重复动作10次。测试完成后，手指恢复到初始状态，如图1所示。每次实验前，如图2所示，每个受试者的前臂皮肤用医用酒精降低温度。实验开始前，受试者接受了相关人员关于如何做手势的指导。
三、实验算法
A、 信号处理
1） 一种改进的有效提取方法
基于滑动窗口的动作段
有效的活动段提取的目的是识别每个活动段，以减少处理的数据量，并确保活动段的信息最大化。因此，本文提出了一种基于迭代滑动平均的滑动窗口有效活动段提取方法。因此，本文提出了一种基于迭代滑动平均法的滑动窗口有效活动段提取方法W=32ms，采样频率f=2000hz的64个样品一个信号信道。在试验中，如果一个或多个信号信道的信噪比较低，则信道噪声对E的影响更大。因此，我们取各通道均为平方移动平均值。(SMA) : E =
m表示包络表面肌电信号上的通道数，n表示采样点数。此时，单通道噪声对形状记忆的影响减少，但不包括主动段检测的最终效果。所以我们可以得到三个通道的总能量轮廓，然后根据能量图，我们进一步设置提取活动段的适当阈值。其次，相关阈值的设置会直接影响有效活动段的提取，因此我们通过迭代方法而不是传统的人工设置。方法步骤具体如下：
（1）设置提取非活动段的初始阈值thu1。根据实验，将激活段信号幅度最大值的60%取为初始阈值，如图3所示。
（2）整个非活动段的平均值为在基于初始阈值的阈值thu2处获得我们通过低于该能量阈值thu1的所有分段的迭代方法。
（3） 将获取到的thu1和 thu2相加，得到用于提取有效活动段的最终阈值thu3。该方法可以根据不同的实验对象获得不同的动态阈值，并通过划分不同的肌肉段来获得有效的活动段。在实验中，不活跃的部分会有毛刺，而且根据阈值，误差并没有很好地避免。因此，根据实际的实验测试，在阈值thu2的基础上增加一个固定的阈值thu3，可以很好地避免毛刺现象。方法通过多次迭代提取有效的活动段，但所花费的时间较少。经过实验分析，这不仅可以提取有效的主动段，同时也保证了活动片段具有更有效的信息，如图4中所示。
（2）预处理
本文分析了三种去噪方法：高斯滤波、小波滤波和中值滤波。高斯滤波器是根据高斯函数的形状选择权重的线性平滑滤波器。高斯平滑滤波器在去除服从正态分布的噪声方面非常有效。一维零均值高斯函数为：g(x)=
其中，高斯分布参数sigma;决定高斯滤波器宽度。对于图像，常用二维零均值离散高斯函数作为平滑滤波器，一维零均值高斯函数作为处理肌电信号的平滑滤波器，中值滤波是一种空域非线性图像去噪方法。其原理类似于均值滤波。它还使用当前像素的邻域处理后，对邻域中像素的灰度值进行排序，并选择中值作为中值。中间膜置换了像素的灰度值以中值处理。在这个实验中，在一维域中使用中值滤波处理肌电信号和1*1的不同值，分别设置1lowast;3、1lowast;5、1lowast;7和1lowast;9对灰色进行排序，中值滤波后x点的灰度值。
过程是：x = Med（x1，x3，hellip;，x n），n=1,3,5,7,9
小波滤波试图通过去除保留所有信号的噪音，不管它们的频率范围。小波滤波是在小波域中处理小波系数的一种方法。其中9（t）是小波函数；alpha;被称为比例因子，小尺度变换包含信号的高频成分，大尺度变换包含信号的低频成分，tau;称为平移因子，它是一个关于时间的系数，是小波变换的时域信息。离散小波变换公式为：W =
B、特征选择
(1）初步筛选
这里选择的特征包括时频域特征、频域特征和时间域功能。时频特性为：平均绝对值系数，平均能量系数和标准偏差系数；频域特征为：总功率（TTP）、平均频率（MNF）、中值频率（MNP）、峰值频率（PKF）；时域特征为：平均绝对值（MAV）、方差（VAR）、均方根（RMS）、简单平方积分（SSI）、高阶V（Vorder）、积分肌肉电学值（IEMG）、绝对标准差（DASDV）、平均值振幅变化（AAC）、最大分形长度（MFL），逻辑检测（对数）、斜率符号变化（SSC）、波形形状长度（WL）、威立森振幅（WAMP）、斯坦标准峰度（Kr）、过零率（ZC）、最大值（MAX）、最小值范围（MM）。所选的肌电信号如下所示的特点在表1中。
（2）特征筛选
有三种主要的特征选择方法：过滤器、包装器和嵌入式。过滤法主要是通过对每个特征进行打分和设置打分来选择特征阈值。嵌入式方法首先识别出合适的分类器，然后使用选定的分类器来选择能够提高分类精度的特征。包装器方法是几个特性的关联，然后计算和比较多个组合，以及评价的标准通常是分类器模型的准确性。因为本文是建立在自适应AdaBoost算法不单独测试一个特征它验证特征集的值。因此本文选择了包装器方法进行特征选择。包装器方法的主要思想是将子集的选择看作一个搜索优化问题，生成不同的组合，评估组合，然后将它们与其他组合进行比较。对于数目n的特征集，子集的数目是2nminus;1。必须指定一个学习算法，所有子集的误差都由该算法计算，最小的子集选择错误作为所选功能。这涉及到子集的组成作为一个优化问题。可以求解的优化算法很多，特别是一些启发式优化算法，如遗传算法等，本文主要应用基于循环特征选择的递归特征消除算法。
递归特征消除算法过程：
（1） 初始权重分配给初始特征集中的特征。
（2） 训练以最小重量移除特征。
（3） 不断迭代，直到特征集的数量达到预定值。
C、AdaBoost算法
AdaBoost是一个迭代算法。它从弱学习算法出发，反复学习得到一系列弱分类器，然后将这些弱分类器组合起来形成一个强分类器。AdaBoost算法主要关注误分类的初始样本。在样本数较少的情况下，AdaBoost算法可以主动搜索特征信息，充分发挥数据的利用率，尽可能提高分类效果。其中，泛化误差和过拟合是衡量机器学习方法性能的两个重要指标。AdaBoost算法在这两方面都有很好的性能。文献证明，即使AdaBoost算法有大量迭代，也不会出现过拟合现象。文献指出训练迭代次数没有影响泛化错误。此外，AdaBoost算法自适应地调整弱错误分类器，使其比其他强大的分类器具有更高的精度，而且可调整或设置。
首先，在整个算法中使用的弱分类器是单层决策树。因为AdaBoost算法基于的单层决策树是一个二分类器，因此必须将其更改为多分类器。改进思想是：将训练样本中的一个动作样本作为一个类，将另一个动作样本作为另一个类，并将第一个类重新分配给类标记，将其他八个类动作视为相应的第二个类，并重新分配类标签设置为-1，这会将多个类别转换为两个类别问题。然后使用第一类的分类器。以此类推，一共建立了有九个分类器。注意，测试集假设类标记点还不知道。这要求将测试样本按顺序输入到上面创建的九个分类器中，以查看它属于哪个类。这样，我们就为AdaBoost确定了两个核心思想：
（1）AdaBoost
算法将改变训练的权重分布
每次迭代中的数据，并提高上一轮弱分类器不合格样本的权重，同时降低正确样本的权重。分类样本的重量。因此，那些没有被正确分类的数据由于其权重的增加而对弱分类器的结果的造成更大影响；
（2）组合弱分类器采用加权多数投票法。
分类错误率小，它在投票中起着较大的作用，从而降低了分类错误率大的弱分类器的权重，使其在投票效果上较小。
四、结果
A、去噪分析
如图5所示，在不同的去噪方法中设置不同程度的去噪参数。通过与其它去噪方法的比较，选择了各种去噪方法中的最优去噪参数，通过均方根误差、绝对平均误差和平滑度的综合比较，最终选择高斯滤波进行去噪。
B、特征集的阈值选择
通过应用递归特征消除算法，我们得到了8个实验对象的识别在不同特征集的程度下，如图6所示。
我们的结论是，随着特征集数量的增加，总体识别率也随之增加，但当特征集的数量为30时，总体识别率趋于稳定。因此，阈值的数目功能设置显示30。然后对功能进行排序和筛选，并选择按前30位排序的功能集。结合统计方法，这些筛选特征的统计以及每个特征的出现总数如表2所示。由于数据量大，可以选择出现次数多的特征。本实验设定的时间为3次以上。最后选择16个特征作为特征选择，包括9个原始特征和7个包络特征，如表2所示。
C、分类结果
在这个实验中，每个动作收集的数据为80组，其中80%是训练数据，20%是测试数据。AdaBoost分类器的迭代参数为50次。
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238995]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
