基于AR模型和BP网络的表面EMG信号模式分类

BP神经网络模型概要说明BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。

BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。

它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)（如图5.2所示）。

2.相关理论BP算法由数据流的前向计算（正向传播）和误差信号的反向传播两个过程构成。

正向传播时，传播方向为输入层→隐层→输出层，每层神经元的状态只影响下一层神经元。

若在输出层得不到期望的输出，则转向误差信号的反向传播流程。

通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。

1989年Robert Hecht—Nielon证明了对于任何在闭区间的一个连续函数都可以用一个隐层的BP网络来逼近，因而一个3层的BP网络可以完成任意的N维到M 维的映射，因此在BP网络中多采用单隐层网络。

下面我们以三层神经网络为例来说明BP 网络的标准学习算法。

BP 算法信号的正向传播设定BP 网络的输入层有n 个神经元，隐含层有p 个神经元,输出层有q 个神经元，输入层与隐层之间的权值为 ki ν，隐层与输出层之间的权值为 jk ω。

隐层的传递函数为f 1(·)，输出层的传递函数为f 2(·)，则隐层节点的输出为10()1,2,....n k ki i i z f x k ν===∑输出层节点的输出为：20()1,2,....q j jk k k y f z j ω===∑至此BP 网络就完成了n 维空间向量对m 维空间的近似映射。

一种基于BP神经网络的磁钢表面缺陷分类方法江军兵;严利民【期刊名称】《工业控制计算机》【年(卷),期】2016(029)007【摘要】This paper proposes a back-propagation neural network approach to classify alnico surface defect.In order to obtain alnico defects shape image,industrial camera to obtain image then image processing.Due to differences in character-istics of different defects obviously,seven feature parameters of defect shape extracted by Blob analysis in this paper,such as circularity,rectangularity,and length-width ratio.These characteristic parameters used by the input of BP neural network,al-nico defects trained and classified using BP neural network.%传统磁钢表面缺陷分类一般采用人工检测方式，存在着检测效率低下和视觉疲劳等不可避免的缺点。

针对磁钢的缺角、断裂和刀痕等缺陷类型特征，介绍了一种基于BP神经网络对磁钢表面缺陷进行分类的方法。

首先通过工业相机获取磁钢图像并进行图像处理，得到磁钢缺陷的形状图像。

由于不同缺陷的特征差异明显，采用Blob分析提取出缺陷形状的7个特征参数（圆形度、矩形度、长宽比等参数），将上述的特征参数作为BP神经网络的输入，最后采用BP神经网络对磁钢缺陷特征进行训练并分类。

第47卷第5期Vol.47No.5计算机工程Computer Engineering2021年5月May 2021基于统计聚类方法的儿童下肢肌电信号周期识别闫成起1，赵利华2，陈梦婕2，周军1（1.上海交通大学电子信息与电气工程学院电子系，上海200240；2.上海交通大学医学院附属儿童医院，上海200062）摘要：为运用肌电信号分析髋脱位儿童和正常儿童的差异，提出一种基于统计的聚类方法，识别步态中下肢肌电信号的周期起始时刻。

使用非参数贝叶斯模型将肌电信号序列聚类为状态序列，并通过k 均值聚类算法将该状态序列标记为肌肉活跃和不活跃两种状态，将肌肉活跃状态的起始时刻作为肌电信号周期的起始位置，并且利用窗函数方法提高预测准确性。

实验结果表明，该方法对于预测正常儿童周期起始位置的识别误差较小，平均值为2.15%，并且在5%的置信度水平下与SampEN 、SNEO 和IP 等检测算法相比具有较高的预测准确率。

关键词：肌电信号；周期识别；统计聚类方法；非参数贝叶斯模型；k -means 算法；滑动窗开放科学（资源服务）标志码（OSID ）：中文引用格式：闫成起，赵利华，陈梦婕，等.基于统计聚类方法的儿童下肢肌电信号周期识别［J ］.计算机工程，2021，47（5）：273-276，284.英文引用格式：YAN Chengqi ，ZHAO Lihua ，CHEN Mengjie ，et al.Period identification for electromyography signals of children ’s lower limb based on statistical clustering method ［J ］.Computer Engineering ，2021，47（5）：273-276，284.Period Identification for Electromyography Signals of Children ’s Lower LimbBased on Statistical Clustering MethodYAN Chengqi 1，ZHAO Lihua 2，CHEN Mengjie 2，ZHOU Jun 1（1.Department of Electronics ，College of Electronic Information and Electrical Engineering ，Shanghai Jiao Tong University ，Shanghai 200240，China ；2.Children ’s Hospital Affiliated to Medical College of Shanghai Jiao Tong University ，Shanghai 200062，China ）【Abstract 】To promote the application of Electromyography （EMG ）signals in the analysis of differences betweennormal children and children with hip dislocation ，this paper proposes a method based on statistical clustering for detecting the starting point of the period of EMG signals from lower limb mulscles of walking children.The method employs the nonparametric Bayesian model to cluster EMG signal sequences as pattern sequences ，which are subsequently marked with tags of active state and inactive state by using the k-means algorithm.The starting point of the active state of muscle activities is taken as the starting point of a period of EMG signals ，and the window function method is used to improve the prediction accuracy.Experimental results show that the average recognition error of this method is as small as 2.15%，and is significantly different from that of the other detection algorithms ，including SampEN ，SNEO and IP when the confidence level is 5%.【Key words 】Electromyography （EMG ）signal ；periodic identification ；statistical clustering method ；nonparametric Bayesian model ；k -means algorithm ；sliding window DOI ：10.19678/j.issn.1000-3428.00579230概述肌电（Electromyography ，EMG ）信号的周期起始点检测是指从采集的肌电信号序列中判断出每一步的起始时刻，它是肌电信号应用于智能假肢控制、康复训练和诊断评估的重要条件。

基于深度学习的ECG信号分类
于雁;邱磊
【期刊名称】《计算机与现代化》
【年(卷),期】2022()5
【摘要】心电图(ECG)能够实时反映心脏状态,可用于心律失常和其它心血管疾病的准确诊断。

针对ECG信号采集时的噪声干扰,重构Db6小波的4级分解量并使用巴特沃斯低通滤波实现双重去噪。

将降噪后的ECG信号进行R波提取,并截取P-QRS-T波片段输入到一维改进GoogLeNet模型中进行训练。

一维改进GoogLeNet是原始二维GoogLeNet的优化结构,可减少网络深度并在稀疏连接中添加最大池化层和扩张卷积加大感受野,降低计算量来提高训练性能。

在MIT-BIH 数据集中进行实验得到99.39%的分类准确率,比一维GoogLeNet和原始GoogLeNet分别提升了0.17个百分点和0.22个百分点,训练效率均有提升。

与其他先进的技术相比,心电信号分类有了显著的改进。

【总页数】6页(P16-20)
【作者】于雁;邱磊
【作者单位】青岛大学自动化学院;青岛大学未来研究院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于BP神经网络的ECG信号房早室早分类算法
2.一种基于ECG的多层共轭对称Hadamard特征变换的房颤异常信号分类方法
3.基于三域特征提取和GS-SVM 的ECG信号智能分类技术研究
4.基于深度卷积神经网络的非线性时间序列分类——以ECG信号为例
5.基于深度卷积神经网络的非线性时间序列分类
——以ECG信号为例
因版权原因，仅展示原文概要，查看原文内容请购买。

基于BP网络对模拟声呐信号分类周建平;陶春辉;吕文正;何拥华;顾春华【期刊名称】《海洋学研究》【年(卷),期】2007(025)002【摘要】针对常规的主动声呐调查设备,在简单海洋分层模型的基础上,模拟了多波束类单频信号、侧扫类单频信号、Chirp调频信号和混合信号4类声呐接收信号,并针对接收信号特征构造了3层BP网络模型,将隐藏层神经元数目设为可调节;利用时间域脉冲宽度和水深与频率域功率谱密度相结合的特征参量,成功地对模拟信号进行了分类.采用改进的BP网络模型,用训练成功的BP网络对102个检测信号进行了分类测试,结果表明,分类成功率较高,可达76%～84.6%,因而利用BP网络可以对不同类别设备的模拟声呐接收信号进行分类.【总页数】8页(P83-90)【作者】周建平;陶春辉;吕文正;何拥华;顾春华【作者单位】国家海洋局,第二海洋研究所,国家海洋局,海底科学重点实验室,浙江,杭州,310012;国家海洋局,第二海洋研究所,国家海洋局,海底科学重点实验室,浙江,杭州,310012;国家海洋局,第二海洋研究所,国家海洋局,海底科学重点实验室,浙江,杭州,310012;国家海洋局,第二海洋研究所,国家海洋局,海底科学重点实验室,浙江,杭州,310012;国家海洋局,第二海洋研究所,国家海洋局,海底科学重点实验室,浙江,杭州,310012【正文语种】中文【中图分类】U666.7【相关文献】1.基于BP神经网络的水中目标声音特征信号分类研究 [J], 赵云冬2.基于SFLA优化BP神经网络的语音信号分类 [J], 叶红卫;戴光智3.基于BP 神经网络的 C 波段无线电信号分类识别 [J], 于成龙;赵宝江4.基于改进BP神经网络的心电信号分类方法 [J], 王莉;郭晓东;惠延波5.基于粒子群优化BP神经网络的心电信号分类方法 [J], 王莉; 张紫烨; 郭晓东; 牛群峰因版权原因，仅展示原文概要，查看原文内容请购买。

手部动作的肌电信号分析与建模摘要随着人机交互技术的发展，机器的智能程度不断提高，利用肌肤表面的电位信号判断手部动作就是典型的智能技术，其具有广泛的应用前景和实用价值。

本文根据实验一、实验二中所给的数据进行分析，对每种动作所反馈的不同识别信号进行研究并建出模型。

1、针对问题一，在MATLAB中利用plot绘图函数将所得数据绘制肌电信号图（图5.1—5.6），比较各个手部动作的肌电信号之间的差异，从图像可以看出各个手部动作的肌电信号的差异性比较明显，总结差异。

这说明建立的模型的准确性、可靠性。

2、针对问题二，进行时域、频域、小波变换、预处理分析，利用MATLAB软件计算肌电信号的均值、标准差、方差、积分肌电值IEMG、均方根有效值RMS等时域指标参数和平均功率频率MPF、中值频率MF等频域指标，得到时域、频域、小波变换图像，得出各个手部动作的肌电信号的特征数值。

3、针对问题三和问题四，创建AR识别模型，在MATLAB中利用plot函数将剩余数据绘制肌电信号图（图5.15—5.20），六种动作的“能量-功率”特征差异是非常明显的，从而准确的识别出六种动作。

用最小二乘拟合算法来检验识别模型的好坏，得到的拟合曲线几乎完全重合，拟合效果不明显。

再次对数据进行若干次小波分解，将数据简单化、特征化，计算出每层分解的标准差σi, 到达八级小波分解时，数据趋于固定，得到无偏估计值图表（表5.2—5.3），然后对其做lsqcurvefi散点-曲线拟合处理，并将拟合图像叠加，得到图像（图5.23—5.24），显然所得图像和参数范围中各个动作差异明显，不同动作的识别准确率有一定差异。

针对模型阶数、编程、噪音、测试仪器等因素，分析影响识别准确率的原因。

4、针对问题五，模型建立方法与识别方法与问题三、四是相同的，关键在于如何优化第三天的识别率，我们综合考虑的可能影响识别率的模型、噪声、时间、预处理等因素，对其做最大化的单项优化，结合后即为系统最佳优化方案。

第３０卷㊀第４期长㊀春㊀大㊀学㊀学㊀报Ｖｏｌ.３０㊀Ｎｏ.４㊀２０２０年４月ＪＯＵＲＮＡＬＯＦＣＨＡＮＧＣＨＵＮＵＮＩＶＥＲＳＩＴＹＡｐｒ.２０２０㊀收稿日期:２０１９－０９－２６作者简介:任丽烨(１９７５－)ꎬ女ꎬ吉林松原人ꎬ副教授ꎬ硕士ꎬ主要从事信号处理方面研究ꎮ基于人体上肢表面肌电信号在运动过程中的研究任丽晔ꎬ徐冬蕾(长春大学电子信息工程学院ꎬ长春１３００２２)摘㊀要:从时域分析和频域分析入手ꎬ对正常成年人上肢肌肉群肌电信号进行采集和变化分析ꎬ研究日常散步或慢跑时ꎬ其上肢之间的肌电信号差异ꎮ对５０名实验对象上肢肌肉的三角肌前部㊁肱二头肌㊁肱三头肌和尺侧腕屈肌这４个部位进行测试ꎬ选取特征参数进行采集㊁处理ꎮ通过特征值数据之间的比对ꎬ分析正常男性和女性在完成同一个动作时肌电信号的差异ꎬ探讨人体上肢肌肉功能状态的精确评价指标ꎬ为体育锻炼提供数据参考ꎮ关键词:信号采集ꎻ信号处理ꎻ人体上肢ꎻ肌电信号中图分类号:ＴＰ７５１㊀㊀文献标志码:Ａ㊀㊀文章编号:１００９－３９０７(２０２０)０４－００４５－０４图１㊀ＴＢ０８１０型肌电采集系统人体表面肌电信号(ＳｕｒｆａｃｅＥｌｅｃｔｒｏｍｙｏｇｒａｐｈｉｃꎬｓＥＭＧ)是经过人体骨骼肌表面ꎬ通过电极记录下来的神经肌肉活动时发出的生物电信号[１]ꎮ表面肌电信号的变化与参与活动的运动单位数量㊁运动单位活动模式和代谢状态等因素有关ꎬ能够在非损伤状态下实时准确地反映肌肉活动状态和功能状态[２]ꎮ本次实验采用的是带有８通道肌电仪的ＴＢ０８１０型肌电采集系统ꎬ可以同时采集８种信号ꎮ该采集系统如图１所示ꎮ表面肌电信号分析系统软件的结构模型如图２所示ꎮ图２㊀表面肌电信号分析系统软件的结构模型１㊀ＳＥＭＧ的数据分析方法随着科技的发展ꎬ对表面肌电信号的研究也越来越深入ꎮ最基础的时域方法㊁频域方法已经不能满足国内外学者对表面肌电信号的分析和处理ꎬ时频域分析方法㊁人工神经网络㊁ＡＲ模型分析方法等方法成为流行趋势ꎮ由于不同的方法会有不同的侧重点ꎬ无论是简单传统的方法还是目前前沿的研究方法ꎮ我们还是应该针对具体的分析研究选择对应的方法ꎮ本文主要从人体上肢的肌肉信号入手ꎬ探讨运动时人的肌肉发力情况ꎬ根据判断ꎬ从时域分析和频域分析两种方法入手探讨即可ꎮ时域分析是一种传统的分析方法ꎬ它是把肌电信号近似当作均值是零㊁方差随信号强度变化而变化的随机信号ꎬ通过对信号的处理分析可以得到肌电信号的平均肌电和积分肌电ꎬ然后研究其作用[４]ꎮ常用的时域分析指标有过零点数(ＺＣ)㊁积分肌电值(ＩｎｔｅｇｒａｔｅＥＭＧ)㊁方差(Ｖａｒｉａｎｃｅ)等ꎮ积分肌电值(ＩｎｔｅｇｒａｔｅＥＭＧ)的特征定义如下:ｘｉｅｍｇ＝１ＮðＮ－１ａ＝０ｘ(ａ)ꎬ(１)其中ꎬｘ(ａ)ꎬ(ａ＝０ꎬ１ꎬ２ꎬ ꎬＮ－１)为一长度为Ｎ的时间序列ꎮ(１)过零点数(ＺＣ)肌电信号来源于中枢神经所发送的电脉冲[４]ꎬ过零点数(ＺＣ)作为肌电信号的一个特征参数ꎬ该特征值定义如下:ＺＣ＝ðＮ－１ｉ＝０ｓｇｎ(－ｘ(ｉ)ｘ(ｉ＋１))ꎬ(２)ｓｇｎ＝１ꎬ㊀如果ｘ>００ꎬ㊀其他{(２)方差(Ｖａｒｉａｎｃｅ)肌电信号方差的求取分为两种情况ꎮ一就是对原始肌电信号直接求取方差ꎻ二就是为了后续信号分析ꎬ对原始信号取绝对值后求取信号的方差ꎮ①定义原始肌电信号的方差为:[ＶＡＲ]１＝１Ｎ－１ðＮ＝１ｉ＝０ｘ２(ｉ)ꎬ(３)②定义取绝对值之后的信号方差为:[ＶＡＲ]２＝１Ｎ－１ðＮ＝１ｉ＝０(ｘ(ｉ)－ｘｉｅｍｇ)２ꎬ(４)其中ꎬｘｉｅｍｇ为积分肌电值ꎮ时域分析方法是目前运用比较多而且也是比较成熟的分析方法[５]ꎮ国内外许多学者已经运用时域分析的方法做出了一些成绩ꎬ如章亚男等人利用时域分析的方法ꎬ提取了人体胫骨前肌和腓肠肌的肌电信号ꎬ通过研究和实验来实现康复装置的控制[６]ꎮ根据时域分析的方法ꎬ王玉伟等结合飞参数据现实要求ꎬ提出了合适的时域分析指标ꎬ为飞行员飞行提供数据支持ꎬ以提升飞行水平[７]ꎮ张德华等基于时域分析方法ꎬ借助ＭＡＴＬＡＢ基于数值分析结果设计了一个最大输出功率为２４００Ｗ的感应加热电源ꎮ崔凯等利用时域分析法去评估动车组五级修更换下来的风机轴承的性能ꎬ提出了一种将加速度有效值ꎬ峭度值两个时域指标结合在一起联合判断风机轴承运行状态的方法ꎮ虽然时域分析的方法已经运用于很多领域并且得到了较好的运用ꎬ但是在实际操作中还是存在着缺点ꎮ比如在实验时ꎬ由于肌电信号微弱ꎬ在测试时很难把握肌肉的收缩程度而产生噪声干扰ꎬ严重影响了后面对信号的处理与分析ꎮ在信息处理方面ꎬ时域分析只能利用到所采集信息中的一部分ꎬ信息利用率低ꎮ虽然目前时域分析的方法比较成熟ꎬ运用的领域也比较广ꎬ但并不是所有情况都适合使用时域分析ꎮ为了信号分析的准确率和能更有效地提取有效信息ꎬ频域分析方法就是一种很好的选择ꎮ例如当所测肌肉力发生变化时ꎬ基于时域的特征值就都会发生变化ꎬ此时肌电信号就变得不稳定ꎮ而此时可以利用快速傅里叶６４长㊀春㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第３０卷的方法将时域信号转换成频域信号ꎬ因为频谱或者功率谱的变化不大ꎬ所以通过功率谱得到的频域特征就相对稳定[８]ꎮ其中平均功率频率(ＭＰＦ)和中值频率(ＭＦ)是判定肌肉运动的常用指标ꎬ定义如下:平均功率频率(ＭＰＦ):ｆｍｅａｎ＝ʏ０ｆ ｓｆ()ｄｆʏ０ｓｆ()ｄｆꎬ(５)中值频率(ＭＦ):ｆｍｅｄ＝ʏｆｍｅｄ０ｓｆ()ｄｆ＝ʏ０ｆｍｅｄｓｆ()ｄｆ＝０.５ʏ０ｓｆ()ｄｆꎬ(６)近年来ꎬ频域分析方法除了用于常见的康复医疗诊断㊁机器人手臂假肢控制等方面ꎬ还开始运用于军事㊁运输业等领域ꎮ国内很多领域对频域分析方法的应用已经比较成熟ꎮ所以ꎬ频域分析方法是当下不可或缺的研究方法之一ꎮ２㊀实验设计本实验选取５０名身体健康的成年人作为实验对象ꎬ生活中热爱运动一般为青年人且青年人的身体素质较好ꎬ排除实验中受试者身体素质不同的干扰因素ꎬ选取年龄在２０~２７岁之间的成年人作为实验对象具有实际意义ꎬ其中ꎬ男性２５名ꎬ女性２５名ꎮ表１为受试者的身高㊁体重等基本情况ꎮ表１㊀受试者的情况统计表指标最小值最大值平均值年龄２０２７２５.４身高/ｃｍ１５５１８１１６８体重/ｋｇ５６７８６７㊀㊀为了保证数据的可靠性和准确性ꎬ所选取的５０名实验对象都是近一年来上肢未出现损伤的人群ꎬ并且不是敏感性肌肤ꎮ对于正常人来说ꎬ普通的散步和慢跑是常见的锻炼方式ꎬ运动不剧烈且适宜的年龄层次多ꎬ在此运动过程中ꎬ上肢摆臂是必不可少的肢体动作ꎮ因此ꎬ为了了解运动过程中的肌肉运动状态ꎬ为运动肌肉状态研究提供帮助ꎬ针对上肢主肌肉群的特性研究就具有必要性ꎬ本实验选取的肌肉测试部位是三角肌前部㊁肱二头肌㊁肱三头肌和尺侧腕屈肌ꎬ受试者在清理完皮肤的油污后贴上电极进行正常散步摆臂和慢跑摆臂十次ꎬ每个动作两次动作间隔４ｓꎬ４０ｓ共采集４组数据的肌电信号ꎮ相同的动作㊁相等的时间间隔采集十组这样的数据ꎬ最后求平均值以减少数据误差ꎮ特征参数选取的是时域分析中的平均肌电(ＡＥＭＧ)和积分肌电(ＩＥＭＧ)ꎮ３㊀数据分析ＴＢ０８１０型表面肌电采集分析系统通过电极与受试者手臂相连接ꎬ然后将采集到的数据通过ＵＳＢ串口传送至表面肌电获取与分析系统ꎮ特征参数ＡＥＭＧ和ＩＥＭＧ取中位值ꎮ所得结果如表２所示ꎮ表２㊀男女完成慢跑和散步正常摆臂的上肢肌肉群ｓＥＭＧ特征值特征值(中位值)肌肉三角肌前部肱二头肌肱三头肌尺侧腕屈肌女ＡＥＭＧ(μＶ)ＩＥＭＧ(μＶ)左８０.９９３.８５５.７９７.２右７１.７８３.１７２.４９４.６左２４４.１２８３.３１６３.２３１８.４右２２０.５２６３.１２２４.５２９０.６７４第４期任丽晔ꎬ等:基于人体上肢表面肌电信号在运动过程中的研究续㊀表特征值(中位值)肌肉三角肌前部肱二头肌肱三头肌尺侧腕屈肌男ＡＥＭＧ(μＶ)ＩＥＭＧ(μＶ)左５５.６６９.３４３.２６８.９右６８.２６７.１４９.５６６.２左１７０.８２２９.７１４４.３２１７.６右２１１.６２１４.６１５２.４２２２.１４㊀实验结果本实验选取了５０名正常人作为实验对象ꎬ选取上肢４个肌肉部位ꎬ通过对三角肌前部㊁肱二头肌㊁肱三头肌和尺侧腕屈肌这四个部位肌电信号的测量对他们散步和慢跑的肌电信号特征参数进行分析ꎮ通过比对ꎬ得出:(１)在运动过程中ꎬ女性比男性肌肉用力程度大ꎬ所以在平时运动过程中女性应更注重锻炼自己肌力ꎬ达到锻炼效果ꎮ(２)从这４个部位的信号参数来看ꎬ女性在慢跑和散步摆臂过程中尺侧腕屈肌用力最多ꎬ而男性在此过程中肱二头肌相对发力更多ꎬ所以在平时的日常锻炼中ꎬ女性要注意增强尺侧腕屈肌肌力ꎬ而男性要增加对肱二头肌的锻炼ꎮ(３)一般情况下ꎬ根据上肢左右主肌肉群所测得的肌电信号发现ꎬ左右主肌肉群之间特征没有太大差异ꎮ从ＡＥＭＧ和ＩＥＭＧ的数值来看ꎬ肌肉状态在这两个分析指标上具有一致性ꎮ相比较而言ꎬ积分肌电值(ＩＥＭＧ)比平均肌电值(ＡＥＭＧ)能更准确地反应肌肉的功能状态ꎮ参考文献:[１]㊀胡晓ꎬ王志中ꎬ任小梅ꎬ等.基于非线性尺度小波变换的表面肌电信号的分类[Ｊ].生物医学工程学杂志ꎬ２００６(６):１２３２－１２３６.[２]㊀李庆玲.基于ｓＥＭＧ信号的外骨骼式上肢康复机器人系统研究[Ｄ].哈尔滨:哈尔滨工业大学ꎬ２００９.[３]㊀朱海港.基于肌电信号的跌倒辨识研究[Ｄ].杭州:杭州电子科技大学ꎬ２０１４.[４]㊀芦祎.基于多模态信息的骨骼肌运动评估方法的研究[Ｄ].武汉:武汉理工大学ꎬ２０１４.[５]㊀刘绍辉.人体表面肌电信号分析及其在康复医学中的应用[Ｄ].长春:长春大学ꎬ２０１７.[６]㊀耿晓博.肌电信号控制下肢假肢关键技术研究[Ｄ].天津:河北工业大学ꎬ２０１３.[７]㊀王玉伟ꎬ高永.基于时域分析法的无人机飞行质量综合评价方法[Ｊ].海军航空工程学院学报ꎬ２０１８ꎬ(３３):４１２－４１７. [８]㊀胡进ꎬ侯增广ꎬ陈翼雄ꎬ等.下肢康复机器人及其交互控制方法[Ｊ].自动化学报ꎬ２０１４ꎬ(１１):２３７７－２３９０.责任编辑:程艳艳ＲｅｓｅａｒｃｈｏｎＭｏｖｉｎｇＰｒｏｃｅｓｓｏｆＳｕｒｆａｃｅＥｌｅｃｔｒｏｍｙｏｇｒａｐｈｙＳｉｇｎａｌｏｆＨｕｍａｎＵｐｐｅｒＬｉｍｂｓＲＥＮＬｉｙｅꎬＸＵＤｏｎｇｌｅｉ(ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇꎬＣｈａｎｇｃｈｕｎＵｎｉｖｅｒｓｉｔｙꎬＣｈａｎｇｃｈｕｎ１３００２２ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｂｙｓｔａｒｔｉｎｇｆｒｏｍｔｉｍｅ－ｄｏｍａｉｎａｎａｌｙｓｉｓａｎｄｆｒｅｑｕｅｎｃｙ－ｄｏｍａｉｎａｎａｌｙｓｉｓꎬＥＭＧｓｉｇｎａｌｓｏｆｎｏｒｍａｌａｄｕｌｔｕｐ￣ｐｅｒｌｉｍｂｍｕｓｃｌｅｇｒｏｕｐｓａｒｅｃｏｌｌｅｃｔｅｄａｎｄａｎａｌｙｚｅｄꎬａｎｄｔｈｅｄｉｆｆｅｒｅｎｃｅｓｉｎＥＭＧｓｉｇｎａｌｓｂｅｔｗｅｅｎｕｐｐｅｒｌｉｍｂｓｄｕｒｉｎｇｄａｉｌｙｗａｌｋｉｎｇｏｒｊｏｇｇｉｎｇａｒｅｓｔｕｄｉｅｄ.５０ｏｂｊｅｃｔｓａｒｅｔｅｓｔｅｄｏｎｔｈｅｐｏｓｔｅｒｉｏｒｐａｒｔｏｆｄｅｌｔｏｉｄꎬｂｉｃｅｐｓｂｒａｃｈｉｉａｎｄｔｒｉｃｅｐｓｂｒａｃｈｉｉｏｆｕｐｐｅｒｌｉｍｂｍｕｓｃｌｅａｓｗｅｌｌａｓｆｌｅｘｏｒｃａｒｐｉｕｌｎａｒｉｓꎬａｎｄｆｅａｔｕｒｅｐａｒａｍｅｔｅｒｓａｒｅｃｏｌｌｅｃｔｅｄａｎｄｐｒｏｃｅｓｓｅｄ.Ｔｈｒｏｕｇｈｔｈｅｃｏｍｐａｒｉｓｏｎｏｆｔｈｅｅｉｇｅｎｖａｌｕｅｄａｔａꎬｔｈｅｄｉｆｆｅｒｅｎｃｅｓｂｅｔｗｅｅｎｔｈｅｅｌｅｃｔｒｏｍｙｏｇｒａｐｈｉｃｓｉｇｎａｌｓｏｆｎｏｒｍａｌｍｅｎａｎｄｗｏｍｅｎｗｈｅｎｔｈｅｙｐｅｒｆｏｒｍｔｈｅｓａｍｅａｃｔｉｏｎａｒｅａｎａｌｙｚｅｄꎬａｎｄｔｈｅｐｒｅｃｉｓｅｅｖａｌｕａｔｉｏｎｉｎｄｅｘｅｓｏｆｔｈｅｍｕｓｃｌｅｆｕｎｃｔｉｏｎｓｔａｔｕｓｏｆｔｈｅｈｕｍａｎｕｐｐｅｒｌｉｍｂｓａｒｅｅｘｐｌｏｒｅｄｔｏｐｒｏｖｉｄｅｄａｔａｒｅｆｅｒｅｎｃｅｆｏｒｐｈｙｓｉｃａｌｅｘｅｒｃｉｓｅ.Ｋｅｙｗｏｒｄｓ:ｓｉｇｎａｌａｃｑｕｉｓｉｔｉｏｎꎻｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇꎻｈｕｍａｎｕｐｐｅｒｌｉｍｂｓꎻＥＭＧｓｉｇｎａｌｓ８４长㊀春㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第３０卷。

基于小波包主元分析的表面肌电信号特征识别王红旗;李林伟;毛啊敏【摘要】针对表面肌电信号(SEMG)的非平稳性及小波包变换系数维数过高的问题,提出一种小波包主元分析和线性判别分析相结合的表面肌电信号动作特征识别新方法.以表面肌电信号用于智能轮椅为例,对采集到的两路SEMG信号进行小波包主元分析,提取SEMG信号的运动特征矩阵,并将运动特征矩阵输入到线性判别分类器进行分类,实现了前臂动作识别.试验表明:该方法能够将小波包系数矩阵由16维降到4维,并且对前臂的四种动作模式(握拳、展拳、手腕内翻和手腕外翻)的平均正确识别率达98％,与传统的小波包变换相比有较高的识别率.【期刊名称】《河南理工大学学报（自然科学版）》【年(卷),期】2015(034)002【总页数】5页(P249-252,262)【关键词】表面肌电信号;小波包主元分析;线性判别分析【作者】王红旗;李林伟;毛啊敏【作者单位】河南理工大学电气工程与自动化学院,河南焦作454000;河南理工大学电气工程与自动化学院,河南焦作454000;河南理工大学电气工程与自动化学院,河南焦作454000【正文语种】中文【中图分类】TN911.7表面肌电信号(Surface Electromyographic，SEMG)是从人体骨骼肌表面通过电极记录下来的神经肌肉活动发放的生物电信号[1]。

随着检测技术、信号处理技术和模式识别技术的发展，国内外学者对表面肌电的特征提取和模式识别也有更加深入研究[2]。

文献[3]采用小波变换和自回归模型(Autogresive model,AR)模型对SEMG进行分析处理，利用RBF神经网络对SEMG信号进行模式识别，动作识别率85%；文献[4]采用四通道采集SEMG信号，利用小波变换和BP神经网络来识别SEMG信号8种动作，动作平均识别率96.25%；Mahdi Khezri用时域参数平均绝对值(Mean Absolute Value，MAV)并采用一种自适应神经模糊推理系统识别手部动作命令且动作识别率达到92%[5]。