表面肌電信號(hào)手勢(shì)識(shí)別研究

第1章　緒論 1
1.1　研究背景與意義 1
1.2　智能假肢控制與識(shí)別研究存在的主要問題 4
1.2.1 表面肌電信號(hào)采集通道數(shù)量與位置分布需要優(yōu)化 4
1.2.2 深層肌肉活動(dòng)信號(hào)采集不足 4
1.2.3 已有算法識(shí)別的手勢(shì)數(shù)量少、魯棒性差 4
1.2.4 電極移位和串?dāng)_對(duì)信號(hào)采集影響較大 5
1.3　本書主要研究?jī)?nèi)容和主要章節(jié)安排 5
1.3.1 本書主要研究?jī)?nèi)容 5
1.3.2 本書主要章節(jié)安排 7
第2章 基于肌電信號(hào)與超聲波的手勢(shì)識(shí)別研究進(jìn)展 9
2.1　基于表面肌電信號(hào)的手勢(shì)識(shí)別研究進(jìn)展 9
2.1.1 表面肌電信號(hào)的特征提取 9
2.1.2 基于傳統(tǒng)識(shí)別算法的表面肌電信號(hào)識(shí)別 11
2.1.3 基于深度學(xué)習(xí)的表面肌電信號(hào)識(shí)別 12
2.1.4 表面肌電信號(hào)識(shí)別穩(wěn)定性方法研究 13
2.2　利用超聲波探測(cè)肌肉形變及其感知解碼的研究現(xiàn)狀 14
2.3　基于多模態(tài)融合的動(dòng)作意圖識(shí)別的研究現(xiàn)狀 16
2.3.1 肌電信號(hào)與超聲波模態(tài)融合 16
2.3.2 肌電信號(hào)與腦電信號(hào)融合 17
2.3.3 肌電信號(hào)與慣性測(cè)量單元融合 18
2.3.4 肌電信號(hào)與近紅外融合 18
2.3.5 肌電信號(hào)與肌動(dòng)圖融合 19
2.3.6 肌電信號(hào)與鐵磁共振融合 19
2.4　基于肌電信號(hào)的假肢人機(jī)接口系統(tǒng)開發(fā) 19
2.5　本章小結(jié) 20
第3章 表面肌電信號(hào)產(chǎn)生的機(jī)理分析與檢測(cè) 21
3.1　引言 21
3.2　表面肌電信號(hào)的生理學(xué)機(jī)理 21
3.3　表面肌電信號(hào)的特點(diǎn) 23
3.4　前臂肌肉與手勢(shì)的關(guān)系 24
3.5　表面肌電信號(hào)的數(shù)據(jù)采集 25
3.5.1 表面肌電信號(hào)采集電極的研制現(xiàn)狀 26
3.5.2 ELONXI肌電采集系統(tǒng) 26
3.5.3 表面肌電信號(hào)電極設(shè)計(jì) 27
3.5.4 表面肌電信號(hào)實(shí)驗(yàn)方案設(shè)計(jì) 28
3.6　表面肌電信號(hào)的實(shí)驗(yàn)數(shù)據(jù)集 29
3.6.1 Ninapro DB數(shù)據(jù)集 29
3.6.2 ELONXI DB數(shù)據(jù)集 32
3.7　表面肌電信號(hào)的數(shù)學(xué)模型 33
3.7.1 表面肌電信號(hào)產(chǎn)生機(jī)理的數(shù)學(xué)抽象 33
3.7.2 線性模型 34
3.7.3 集中參數(shù)模型 35
3.7.4 非穩(wěn)態(tài)模型 35
3.7.5 雙極型模型 36
3.8 本章小結(jié) 37
第4章 表面肌電信號(hào)的特征提取與識(shí)別方法 38
4.1　引言 38
4.2　表面肌電信號(hào)的窗口分析法 38
4.3　表面肌電信號(hào)的特征提取 40
4.3.1 時(shí)域特征 40
4.3.2 頻域特征 42
4.3.3 時(shí)頻域特征 44
4.3.4 參數(shù)模型特征 44
4.4　表面肌電信號(hào)的經(jīng)典識(shí)別模型 46
4.4.1 K 近鄰算法 46
4.4.2 線性判別分析 46
4.4.3 支持向量機(jī) 47
4.4.4 隨機(jī)森林 49
4.5　本章小結(jié) 50
第5章 表面肌電信號(hào)采集通道與特征智能優(yōu)化算法 51
5.1　引言 51
5.2　基于遺傳算法的表面肌電信號(hào)采集通道優(yōu)化 52
5.2.1 表面肌電信號(hào)采集通道優(yōu)化的遺傳算法 52
5.2.2 基于遺傳算法的采集通道優(yōu)化實(shí)驗(yàn)結(jié)果與分析 54
5.2.3 電極位置影響的實(shí)驗(yàn)結(jié)果與分析 59
5.3　基于進(jìn)化算法的表面肌電信號(hào)采集通道與特征組合優(yōu)化 60
5.3.1 表面肌電信號(hào)采集通道與特征組合優(yōu)化的差分進(jìn)化算法 61
5.3.2 表面肌電信號(hào)采集通道與特征組合優(yōu)化的量子進(jìn)化算法 65
5.4　基于群智能算法的表面肌電信號(hào)采集通道與特征組合優(yōu)化 72
5.4.1 表面肌電信號(hào)采集通道與特征組合優(yōu)化的粒子群優(yōu)化算法 72
5.4.2 表面肌電信號(hào)采集通道與特征組合優(yōu)化的量子粒子群優(yōu)化算法 74
5.4.3 表面肌電信號(hào)采集通道與特征組合優(yōu)化的蟻群優(yōu)化算法 76
5.5　表面肌電信號(hào)采集通道與特征智能優(yōu)化算法實(shí)驗(yàn)分析 79
5.5.1 表面肌電信號(hào)采集通道與特征組合優(yōu)化的單一算法實(shí)驗(yàn)與分析 79
5.5.2 表面肌電信號(hào)采集通道與特征組合優(yōu)化的多種智能算法對(duì)比分析 83
5.6　本章小結(jié) 86
第6章 表面肌電信號(hào)采集通道與特征多目標(biāo)智能優(yōu)化算法 88
6.1　引言 88
6.2　表面肌電信號(hào)采集通道與特征多目標(biāo)優(yōu)化問題建模 89
6.3　多目標(biāo)優(yōu)化問題差分進(jìn)化求解方法 90
6.3.1 多目標(biāo)優(yōu)化問題轉(zhuǎn)換為一組單目標(biāo)優(yōu)化問題 91
6.3.2 多目標(biāo)優(yōu)化問題差分進(jìn)化求解方法詳敘 91
6.4　基于全局綜合排序自適應(yīng)角度選擇的多目標(biāo)優(yōu)化進(jìn)化算法 92
6.5 MOEA/D-AAU-GGR算法實(shí)驗(yàn)分析 95
6.6　MOEA/D、MOEA/D-AU與MOEA/D-AAU-GGR實(shí)驗(yàn)對(duì)比分析 98
6.7　多目標(biāo)優(yōu)化算法的評(píng)價(jià)與有效性驗(yàn)證 103
6.7.1 多目標(biāo)優(yōu)化算法的評(píng)價(jià) 103
6.7.2 有效性驗(yàn)證 105
6.8　基于肌電通道與特征優(yōu)化的機(jī)器人識(shí)別系統(tǒng) 105
6.8.1 系統(tǒng)平臺(tái)與架構(gòu) 105
6.8.2 系統(tǒng)軟件功能與實(shí)現(xiàn) 106
6.8.3 現(xiàn)場(chǎng)實(shí)驗(yàn)與結(jié)果分析 113
6.9　本章小結(jié) 114
第7章 基于深度學(xué)習(xí)的表面肌電信號(hào)手勢(shì)識(shí)別 116
7.1　引言 116
7.2　循環(huán)神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò) 117
7.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò) 117
7.2.2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò) 119
7.3　基于GAF的一維時(shí)間序列信號(hào)二維化 122
7.4　基于GAF的CNN-LSTM串并聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)的表面肌電信號(hào)手勢(shì)識(shí)別 123
7.5　基于GAF的CapsNet的表面肌電信號(hào)手勢(shì)識(shí)別 126
7.5.1 CapsNet的結(jié)構(gòu) 126
7.5.2 基于CNN-CapsNet并聯(lián)的表面肌電信號(hào)手勢(shì)識(shí)別實(shí)驗(yàn)設(shè)計(jì) 128
7.5.3 采集臂套偏移魯棒性實(shí)驗(yàn)及其結(jié)果分析 129
7.5.4 基于CapsNet的表面肌電信號(hào)手勢(shì)識(shí)別的遷移性實(shí)驗(yàn)及其結(jié)果分析 129
7.6　基于CapsNet-GRU的表面肌電信號(hào)手勢(shì)識(shí)別 130
7.6.1 CapsNet-GRU復(fù)合神經(jīng)網(wǎng)絡(luò)模型 130
7.6.2 優(yōu)化算法與損失函數(shù) 131
7.6.3 離線實(shí)驗(yàn)設(shè)置 132
7.6.4 離線實(shí)驗(yàn)結(jié)果與分析 133
7.7　基于雙流網(wǎng)絡(luò)的表面肌電信號(hào)手勢(shì)識(shí)別 138
7.7.1 基于時(shí)空特征的雙流網(wǎng)絡(luò)模型 138
7.7.2 CNN-LSTMs串行網(wǎng)絡(luò)模型 140
7.7.3 多特征融合網(wǎng)絡(luò)模型 140
7.7.4 三種模型的實(shí)驗(yàn)對(duì)比 141
7.7.5 基于時(shí)空特征的雙流網(wǎng)絡(luò)模型與傳統(tǒng)方法的對(duì)比 143
7.8　基于深度學(xué)習(xí)的表面肌電信號(hào)手勢(shì)識(shí)別實(shí)驗(yàn)研究 144
7.8.1 不同手勢(shì)數(shù)量的實(shí)驗(yàn)對(duì)比與分析 145
7.8.2 不同訓(xùn)練集規(guī)模的實(shí)驗(yàn)對(duì)比與分析 145
7.8.3 不同LSMT神經(jīng)網(wǎng)絡(luò)隱藏層單元數(shù)量的實(shí)驗(yàn)對(duì)比與分析 146
7.8.4 時(shí)空特征的可視化實(shí)驗(yàn)對(duì)比與分析 146
7.9　基于雙流網(wǎng)絡(luò)模型的機(jī)械臂控制 148
7.10　本章小結(jié) 150
第8章 肌電與超聲波模態(tài)融合的殘疾人手部動(dòng)作意圖識(shí)別 152
8.1　引言 152
8.2　肌電與超聲波模態(tài)融合的手勢(shì)識(shí)別實(shí)驗(yàn)設(shè)計(jì) 153
8.2.1 sEMG/AUS實(shí)驗(yàn)數(shù)據(jù)采集 153
8.2.2 混合sEMG/AUS系統(tǒng)同步采集 155
8.2.3 sEMG/AUS手勢(shì)識(shí)別實(shí)驗(yàn)設(shè)計(jì) 155
8.2.4 AUS信號(hào)實(shí)驗(yàn)數(shù)據(jù)預(yù)處理與特征提取 156
8.3　基于CNN-LSTM的肌電與超聲波模態(tài)融合手勢(shì)識(shí)別 158
8.3.1 基于CNN的超聲波信號(hào)手勢(shì)識(shí)別 158
8.3.2 肌電與超聲波模態(tài)融合的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 159
8.3.3 肌電與超聲波模態(tài)融合的手勢(shì)識(shí)別實(shí)驗(yàn) 160
8.3.4 CNN-LSTM與SVM的識(shí)別準(zhǔn)確度比較 163
8.4　橈骨截肢患者手部動(dòng)作意圖識(shí)別交叉驗(yàn)證分析 164
8.4.1 比較sEMG和AUS信號(hào)性能的三種交叉驗(yàn)證實(shí)驗(yàn) 164
8.4.2 三種交叉驗(yàn)證的識(shí)別準(zhǔn)確度分析 165
8.4.3 sEMG和AUS信號(hào)對(duì)每種動(dòng)作意圖識(shí)別的準(zhǔn)確度分析 165
8.4.4 sEMG和AUS信號(hào)三種交叉驗(yàn)證的混淆矩陣分析 167
8.5　基于超聲波和肌電的殘疾人手勢(shì)識(shí)別對(duì)比與難點(diǎn)分析 169
8.5.1 準(zhǔn)確度和魯棒性分析 169
8.5.2 基于AUS信號(hào)手勢(shì)識(shí)別的難點(diǎn)分析 170
8.6　本章小結(jié) 170
第9章 基于sEMG的在線手勢(shì)識(shí)別與抓取實(shí)驗(yàn)平臺(tái)的開發(fā) 171
9.1　引言 171
9.2　在線手勢(shì)識(shí)別與抓取實(shí)驗(yàn)平臺(tái) 171
9.2.1 人機(jī)交互界面的開發(fā) 172
9.2.2 Baxter機(jī)器人的簡(jiǎn)介 174
9.3　在線手勢(shì)識(shí)別與抓取實(shí)驗(yàn) 176
9.3.1 實(shí)驗(yàn)方案設(shè)計(jì) 176
9.3.2 評(píng)價(jià)指標(biāo)設(shè)定 178
9.3.3 在線實(shí)驗(yàn)結(jié)果與分析 178
9.4　本章小結(jié) 179
0章 總結(jié)與展望 180
10.1　總結(jié) 180
10.2　展望 181
參考文獻(xiàn)