基于神经网络的表面肌电信号识别.doc

毕业设计说明书(论文) 作 者： 学 号： 系 ： 自动化 专 业： 自动化 题 目：基于神经网络的表面肌电信号识别 指导者： 副教授 评阅者： 副教授 2010年 6 月 9 日 毕业设计（论文）中文摘要基于神经网络的表面肌电信号识别摘要：智能假肢主要特点是能根据外界环境变化，自动调整假肢系统的参数，肌电控制假肢的最大特点是自主控制，只有当患者利用自己的肌肉自主收缩让肌电控制系统工作时，它才能工作。采集肌电表面信号成为智能假肢的理想控制信号，从而其大腿的股直肌表面测得肌电信号与下肢各关节的角度值成非线性关系，基于神经网络的建模预测下肢各关节的角度值实现假肢自主控制成为首选。本课题利用BP神经网络和RBF神经网络（一种三层前向神经网络）分别建立基于神经网络的下肢各关节角度值预测模型。仿真结果表明，两种神经网络都是可行的，RBF神经网络避免了反向传播网络中繁琐的计算，提高了学习速度，而且克服了BP网络梯度下降算法中的局部极小问题。关键字： 肌电信号 神经网络 模式识别毕业设计（论文）外文摘要Title the EMG signal recognition based on the neural network AbstractThe main characteristics of intelligent prostheses are that the system can automatically adjust the parameters of intelligent prostheses according to the external environment changes, The Most important feature of myoelectric prosthesis control is the self-determination control, Only when patients own muscle voluntary contraction let EMG control system work, it can work. Surface EMG signals are collected as ideal control signals of intelligent prostheses, thus there is a nonlinear relationship between the EMG signals measured from Surface of thigh rectus femoris and the angle values of lower extremity joints, and the angle values of lower extremity joints predicted by neural network modeling should be the first choice for realizing self-determination control of intelligent prostheses .The project using BP neural networks and RBF neural network (a three-forward neural networks) to establish prediction model of the angle values of lower extremity joints respectively based on neural network. Simulation results show that the two neural networks are feasible, and RBF neural network avoids the tedious calculations of back propagation network and enhances the learning speed, thus overcome the local minimum problem for the gradient descent algorithmin BP network.Keywords： electromyography signal, neural network, pattern recognition目 次1 引言 11.1 课题研究背景及意义 11.2 国内外研究现状及发展趋势 11.3 神经网络的应用 21.4 课题的研究内容 32 神经网络的原理 32.1 BP神经网络 42.1.1 BP神经网络原理 42.1.2 BP网络常用传递函数 52.1.3 BP网络学习方式 62.1.4 BP网络算法改进 62.2 RBF神经网络 82.2.1 RBF神经网络原理 82.2.2 广义RBF神经网络模型 92.2.3 广义RBF神经网络学习方法 92.2.4 广义RBF神经网络输出层权函数参数的调整 103 表面肌电信号的识别 103.1 肌电信号的获取 113.1.1 肌电信号的特点 113.1.2 系统参数 113.1.3 电极 113.1.4 检查体位和注意 113.2 肌电信号的波形特征 113.2.1 正常肌电信号 113.2.2 异常机电信号 124 神经网络表面肌电信号识别中的应用 134.1 BP网络在表面肌电信号识别中的应用 134.2 RBF网络在表面肌电信号识别中的应用 16结论 19参考文献 20致谢22 附录1 23 附录2 251 引言1.1 课题研究背景及意义表面肌电信号是从人体中枢神经系统操作肌肉收缩时伴随的电变化到达表面电极处的时间和空间的综合，它反映了运动神经系统的运动特征1。肌电信号作为一种重要的生物电信号,不仅在临床医学、运动医学等领域被广泛应用,而且为人工假肢和功能性神经电刺激的理想控制信号2。随着信号处理方法和计算机技术的发展,如何从表面肌电信号重现别处肢体的多种运动模式已经越来越多地引起人们的关注。经过多年的发展,表面肌电信号的识别技术日趋成熟3-5。近年来,人工神经网络被大量用于肌电信号的模式识别，绝大部分的神经网络模型采用BP网络， 其训练过程是通过对各层系数反馈调整实现的，它是前向网络的核心部分,体现了人工神经网络中的精华6。1.2 国内外研究现状及发展趋势 神经网络是一门新兴交叉科学，起源于20世纪40年，至今发展已有50多年的历史了，是人类智能研究的重要组成部分7，其发展很不平衡，既有其繁花似锦、兴旺发达的高速发展时期，也有其困难重重、步履维艰的发展低潮时期 。美国的加州大学伯克利分校、加州大学洛杉矶分校、麻省理工大学和康奈尔大学等几所大学已经进行了神经网络基础理论和关键技术的研究，许多著名公司也纷纷从不同的层次、不同的角度对神经网络进行了研究和开发。2005年，我国沈阳航空工业学院以MALTAB语言作为系统设计工具,将小波分析与神经网络相结合分析人体表面肌电信号。对SEMG信号的识别分为3个步骤:数据预处理,特征的提取,设计分类器分类。首先利用小波分析进行消噪,提取特征;然后采用BP神经网路进行分类、识别;最后通过对分类结果的分析与比较,证明小波与神经网络相结合是一种有效的表面肌电信号的模式识别方法8-9。同年，在重庆大学召开的神经网络研究会议中日本脑科学研究所所长、国际神经网络协会（）作为发起人之一、期刊Neural Networks的第一任主编、前东京大学Shun-ichi Amari 教授，美国加利福尼亚萨斯州大学的Walter Freeman 教授，中国科学院王守觉院士，Paul J.werbos 教授，香港中文大学的徐雷教授，土耳其Bogazici 大学的Okyay Kaynay教授在大会上分别作了报告。大会共收到论文1445篇，经过国内外专家的严格评审，最终选出了496篇收入论文集。来自美国、欧洲、澳大利亚、日本、韩国、中国（含香港、台湾）等19个国家和地区的310人参加了会议，共有173人次在分组报告中展示了他们的学术论文，另有300多篇文章进行了张贴。其内容涉及信息几何学、智能机器人的动力学模型、神经网络和自适应动力学规划、学习独立子空间进展、神经处理动力学和视觉感知学以及仿生化学的理论和应用。报告具有较强的前瞻性，一定程度上代表了神经网络未来的发展方向7。2007年哈尔滨工业大学机电学院选择了小波变换, 对多通道肌电信号进行多尺度分解, 并提取出能表征各通道肌电信号特性的特征矢量。在特征矢量的基础上, 利用神经网络的数据融合技术,识别出多个通道的信息, 为康复机器人的智能化控制, 提供了有效的多通道肌电信号识别技术10-11。目前我国神经网络的研究取得了一定的成就，支撑神经网络的关键技术研究也取得了一定的进展，但从研究问题的深度和投入的科研力量来说，国内的水平相对国外还有差距，研究内容多数还停留在理论阶段，开发出的硬件和软件系统以实验目的为主，仍然缺少对整个系统的创新性研究。神经网络作为未来世界的重要技术有着广阔的应用前景，但要想让它真正融入到人们生活的每个层面，还需要我们开展更多、更全面的研究工作12。1.3 神经网络的应用近年，神经网络理论的应用取得了令人瞩目的发展，特别是在人工智能、自动控制、计算机科学、信息处理、机器人、模式识别、CAD/CAM等方面都有重大的应用实例。下面列出一些主要的应用领域。1. 模式识别和图像处理;2. 控制和优化;3. 预报和职能信息管理;4. 通信;5. 空间科学13-14例如，神经网络技术在煤层瓦斯含量预测中的应用：1) 神经网络的 BP算法从非线性角度出发。利用多因素人工神经网络模式识别原理 , 对煤与瓦斯突出进行预测，避免了纯粹意义上的基于数学建模的定量统计方法的局限性。加入隐层使优化问题的可调参数增加 , 因此能够得到精确的预测结果。2) 此预测结果仅为该区域平均瓦斯相对涌出量 , 该值能反映出各预测区域的平均瓦斯赋存情况 , 但因瓦斯赋存情况还受局部地质构造因素影响 , 因此不排除在回采过程中出现局部地方相对瓦斯涌出量超出预测范围的情况15。近年来，人工神经网络 (ANN)在环境工程和水资源保护方面应用日益广泛。神经网络易于应用，可以通过水质参数之间的相互关系,预测出水水质未知参数.本文应用神经网络预测地下水脱氮出水水质,预测结果与试验结果基本接近。大部分的 NO3N和 COD 相对误差分别在 10%和 5%以内.因此地下水脱氮神经网络模型预测结果与试验结果较一致 ,具有较强的实际应用前景16。1.4 本课题的研究内容本毕业设计任务是建立基于神经网络的下肢各关节角度值预测模型。智能假肢主要特点是能根据外界环境变化，自动调整假肢系统的参数，肌电控制假肢的最大特点是自主控制，只有当患者利用自己的肌肉自主收缩让肌电控制系统工作时，它才能工作。本课题采集肌电表面信号成为智能假肢的理想控制信号，而从其大腿的股直肌表面测得肌电信号与下肢各关节的角度值成非线性关系，基于神经网络的建模预测下肢各关节的角度值实现假肢自主控制成为首选，径向基函数神经网络也称RBF(radial basis function)神经网络，它是近年来应用较多的一种三层前向神经网络。为多层前传网络的学习提供了一种新颖有效的手段，它不仅避免了反向传播网络中繁琐的计算，提高了学习速度，而且克服了BP网络梯度下降算法中的局部极小问题。2 神经网络的原理神经网络是由大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一种高度复杂的非线性动力学系统。神经网络起源于20世纪40年代，至今发展已有半个世纪，大致分为研究高潮，低潮时期和第二次研究高潮三个阶段。它的研究内容相当广泛，反映了多学科交叉技术领域的特点。目前，主要的研究工作集中在以下几个方面： （1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。 （2）建立理论模型。根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。 （3）网络模型与算法研究。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机馍拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。 （4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。随着Matlab版本的提高，其相应的神经网络工具箱的版本也相应的提高了。于Matlab 6.5对应的神经网络工具箱为NN Toolbox 4.0，其内容非常丰富，涵盖了很多现有的神经网络模型：感知器网络、线性神经网络、BP网络、径向基函数网络、反馈网络、自组织网络和控制系统网络模型13。2.1 BP神经网络2.1.1 BP神经网络原理BP神经网络是误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。（如图2.1）I(1)Y(1)I(n)Y(n)输出层隐层输入层图2.1神经网络结构图2.1.2 BP网络常用传递函数:图2.2 BP网络常用的传递函数BP网络的传递函数有多种。Log-sigmoid型函数的输入值可取任意值，输出值在0和1之间；tan-sigmod型传递函数tansing的输入值可取任意值，输出值在-1到+1之间；线性传递函数purelin的输入与输出值可取任意值。BP网络通常有一个或多个隐层，该层中的神经元均采用sigmoid型传递函数，输出层的神经元则采用线性传递函数，整个网络的输出可以取任意值。各种传递函数如图2.2所示。2.1.3 网络的学习方式BP算法是一种有监督式的学习算法，其主要思想是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。 初始化输入训练样本对，计算各层输出 计算网络输出误差计算各层误差信号调整各层权值 检查网络总误差是否达到精度要求2.1.4 BP算法的改进BP算法理论具有依据可靠、推导过程严谨、精度较高、通用性较好等优点，但标准BP算法存在以下缺点：收敛速度缓慢；容易陷入局部极小值；难以确定隐层数和隐层节点个数。在实际应用中，BP算法很难胜任，因此出现了很多改进算法。利用动量法改进BP算法图2.3 自适应学习标准BP算法实质上是一种简单的最速下降静态寻优方法，在修正W(K)时，只按照第K步的负梯度方向进行修正，而没有考虑到以前积累的经验，即以前时刻的梯度方向，从而常常使学习过程发生振荡，收敛缓慢。动量法权值调整算法的具体做法是：将上一次权值调整量的一部分迭加到按本次误差计算所得的权值调整量上，作为本次的实际权值调整量，即：其中：为动量系数，通常00.9；学习率，范围在0.00110之间。这种方法所加的动量因子实际上相当于阻尼项，它减小了学习过程中的振荡趋势，从而改善了收敛性。动量法降低了网络对于误差曲面局部细节的敏感性，有效的抑制了网络陷入局部极小。自适应调整学习速率标准BP算法收敛速度缓慢的一个重要原因是学习率选择不当，学习率选得太小，收敛太慢；学习率选得太大，则有可能修正过头，导致振荡甚至发散。可采用图2.3所示的自适应方法调整学习率。调整的基本指导思想是：在学习收敛的情况下，增大，以缩短学习时间；当偏大致使不能收敛时，要及时减小，直到收敛为止。动量-自适应学习速率调整算法采用动量法时，BP算法可以找到更优的解；采用自适应学习速率法时，BP算法可以缩短训练时间。将以上两种方法结合起来，就得到动量-自适应学习速率调整算法。L-M学习规则L-M（Levenberg-Marquardt）算法比前述几种使用梯度下降法的BP算法要快得多，但对于复杂问题，这种方法需要相当大的存储空间。L-M(Levenberg-Marquardt)优化方法的权值调整率选为:其中：e误差向量；J网络误差对权值导数的雅可比（Jacobian）矩阵；标量，当很大时上式接近于梯度法，当很小时上式变成了Gauss-Newton法，在这种方法中，也是自适应调整的17。2.2 RBF神经网络众所周知，BP网络用于函数逼近时，权值的调节采用的是负梯度下降法。这种调节权值的方法有其局限性，即收敛速度慢和局限极小等。下面介绍逼近能力、分类能力和学习速度等方面均优于BP网络的另一种网络径向基函数网络（RBF）。径向基函数网络是一种两层前向型神经网络，包含一个具有径向基函数神经元的隐层和一个具有线性神经元的输出层。2.2.1 RBF 神经网络原理人工神经网络是由大量、简单的神经元广泛连接而成,用以模拟人脑思维方式的复杂网络系统,是解决复杂性和非线性问题十分有效的工具。 其具有较强的自组织、自适应及学习、联想、容错和抗干扰能力。径向基函数(Radial Basis Function ,RBF) 神经网络是近年来被广泛应用于函数近似插值、分类研究的人工神经网络模型之一。它是由输入层、隐含层和输出层组成的3 层前向式网络,各层有多个神经元,相邻两层单元之间单方向连接,通过径向基算法来获得隐层权值。当输入向量加到网络输入端时，径向基层的每个神经元都会输出一个值，代表输入向量与神经元权值向量之间的接近程度。如果输入向量与权值向量相差很多，则径向基层的输出接近于0，经过第二层的线性神经元也接近于0；如果输入向量与权值向量很接近，则径向基层的输出接近于1，经过第二层的线性神经元，输出值就更靠近第二层权值。在这个过程中，如果只有一个径向基神经元的输出为1，而其他的神经元输出均为0或者接近于0，那么线性神经元层的输出就相当于输出为1的神经元相对应的第二层权值的值。一般情况下，不止一个径向基神经元的输出为1，所以输出值也就会有所不同。通常我们用高斯函数作为径向基函数,确定最终输出值。由图2.4 可知,为输入层的输入( k = 1 ,2 , ,D)；为隐含层的输入( j = 1 ,2 , ,m) ；为输出层的输出；图2.4 RBF神经网络结构模型 2.2.2 广义RBF神经网络模型不失一般性，考虑多输入单输出归一化形式的广义模糊RBF神经网络,网络共分四层。第一层：定义参数：k为径向基函数,一般取高斯函数 第二层：对基函数输出值进行加权。 第三层：归一化处理。第四层：计算总输出。当时，其作用类似于常规RBF神经网络的输出层权值。随着的不同,输出将不单纯是各基函数节点输出的超平面,也可能是超曲面。与一般的RBF神经网络比较，这种结构主要是将径向基输出权值改为权函数,可采用高次函数取代线性加权,从而改善网络性能。如果基函数具有相同的指数和宽度,也就是说当且时,广义RBF神经网络退化为常规的RBF神经网络,可见常规的RBF神经网络是广义RBF神经网络的特例。2.2.3 广义RBF神经网络的学习算法广义RBF神经网络比单纯的RBF神经网络具有更多的参数,其学习相对来说就会更为复杂。总的说来,学习方法有两种:第1种方法是全调节的,类似于BP网络的反向递推,也就是说按照使得代价函数(通常取误差平方和)最小的原则,调整所有的参数,本质上是一个非线性优化问题。第2种方法,采用模糊聚类和专家知识预先优化网络前几层的参数,包括隐节点数目n中心向量宽度指数等,而以最小二乘方法在线优化，k=1,2,n第一种方法收敛速度慢,可能存在局部极值,只能够离线进行,可以应用于模式识别等领域；第二种方法计算量小,可以在线调节,适合于控制系统等对于实时性要求高的场合,但是一般需要系统的专家知识。本文介绍第2种方法。广义rbf神经网络按照如下步骤进行学习：确定合适的网络隐节点数。增加网络的隐节点数目,可以提高网络逼近精度,但同时增加了网络的学习时间。一般初始时选取比较少的网络隐节点数目。根据网络隐节点数选取合理的参数,包括中心参数和宽度参数。 取，确定的参数。在下文中,给出了2维输入网络参数的计算方法,多维参数的推导类似。考核误差,如果小于设定误差,则训练结束；否则回到增加网络隐节点数目,重复上 述步骤。在以上步骤中,最关键的是网络输出层权函数参数的调整,下文着重讨论。2.2.4 广义RBF神经网络输出层权函数参数的调整以x为二维向量(x1,x2)的情况进行分析。权值调整的目的是使得网络的输出能够满足误差平方和最小,即e=min,下面分为三种情况进行讨论。a.为常数项的情况。此时, =,相应的误差平方和为对权值求偏导数,可以得到n元一次方程组;b.为网络输入1次幂函数的情况。此时, 相应的误差平方和为若使上式最小,可以得到3n组方程；c. 为网络输入2次幂函数的情况，可得到6n组方程。由以上可以看出，取为网络输入的高次多项式,使得网络具有更加优良的逼近性能的同时,保留了输出层权值的线性性质,从而可以采用最小二乘等方法优化权值18-193 表面肌电信号的识别肌电信号是骨骼肌细胞的自发电活动的综合信号，临床用于判断神经肌肉疾病。一般需要用特制针状电极进行引导。因此肌电信号处理技术属于微创技术。3.1 肌电信号获取3.1.1 肌电信号的特点肌电信号的幅值为：10u-100mv，带宽为：5-2000khz。这个特性决定了对肌电信号处理系统的要求，主要是对模拟放大器的要求3.1.2 系统参数肌电信号处理系统的参数建议如表3.1表3.1 肌电信号处理系统的参数输入阻抗（M）增益共模抑制比（dB）宽带（Hz）输入噪声（nV）100105805-10k13.1.3 电极引导肌电信号使用的电极有：同心针电极、双心针电极、单极针电极、表面电极及复式电极等。检查前必须将针电极用薰蒸发或消毒液浸泡法严格消毒。酒精可造成电极损坏，一般避免使用。也有使用中医针灸的银针作为单极电极的情况。检查部位的选择应根据疾病的性质决定【20】。3.1.4 检查体位和注意受检者应取自然放松，又能做各种运动的体位。检查下肢及躯干肌肉取卧位，上肢可取坐位。3.2 肌电信号的波形特征3.2.1 正常肌电信号插入电位，是指针极插入肌腹，以及其被移动和叩击时，对肌纤维或神经支的机械刺激及损伤作用触发的电位。正常肌肉在大部分情况下只是在针极插入或移动瞬间出现，且持续时间很短。针极移动停止，插入电位即消失。高频负电位，部分正常肌肉在电极插入瞬间触发一序列负相电位。波形常为先高幅度负相，后低幅度正相的双相表现。时限为1.0-4.0ms。电压常大于200mv，频率可高达100-150Hz。当针极插入正常肌肉终板及其邻近部位时，在基线上出现10-40uv的不规则低电压扰动。由此，可判断肌肉运动终板的位置肌痉挛电位，有些正常人在电极插入后伴有肌肉收缩及痉挛，出现恒时限、低幅度电位或；正常运动单位电位。该电位波形甚至类似纤颤电位，持续时间短，分布范围窄，稍移动电极即可消失。运动单位电位肌肉轻度收缩电位，一个脊髓前角细胞通过轴突、神经肌肉接头和所支配的肌纤维称为一个运动单位，由正常肌肉随意收缩时出现的动作电位，是运动单位电活动的综合结果。正常肌肉的不同运动单位的电位时限可自5ms-12ms不等，幅度自100-2000mv不等。运动单位电位波形如图3.2多相三相双相单相图3.2 运动单位电位波形肌肉用力收缩单位，肌肉收缩时，由于用力程度不同，参加收缩的运动单位数目不同会出现不同的波形：单纯相、混合相、干扰相等。单纯相收缩电位：肌肉轻度用力时，只有1个或少数几个运动单位参加肌肉收缩。肌电信号只出现孤立的单个运动单位电位，表现为单纯相波形。混合相收缩电位：肌肉中等度用力时，参加肌肉收缩的运动单位数量增加，肌电信号表现为单个运动单位电位独现与多个运动单位电位密集共存的混合相波形。干扰相收缩电位：肌肉用最大力收缩时，参加肌肉收缩的运动单位多，运动单位电位重叠复合，无法分出单个电位，成为干扰相波形。3.2.2 异常肌电信号纤颤电位：纤颤电位是肌纤维自发性收缩产生的电位，以短时限、低电压为特点。纤颤电位时限大部分为2.0ms以下，电压小于300-500uV,频率为2-30Hz。波形以起始相为正相的双相波居多。纤颤电位主要出现在周围神经网络及脊髓前角细胞病变中，提示肌肉的去神经支配，是神经原性受损的主要指证，故将纤颤电位也称为去神经电位。正相电位：正相电位波形常为双相，起始部呈宽大之正相，后继一低长的负相，又称正锐波或“V”波。正相电位时限5-100ms,电压为50-200uV,频率2-200Hz，放电间隔规律，波形相当恒定，移动针极位置时也不改变。正相电位和纤颤电位的发生机制和临床意义相同。束颤电位：束颤电位是一自发的运动单位电位，时限宽，电压高，变化范围大，其频率甚不规则，根据其波形不同，可分为单纯束颤电位和复合束颤电位。束颤电位仅表示运动单位兴奋增高，常为运动神经元疾病、神经根疾患的重要表现【21】。4 神经网络在表面肌电信号识别中的应用智能假肢主要特点是能根据外界环境变化，自动调整假肢系统的参数，肌电控制假肢的最大特点是自主控制，只有当患者利用自己的肌肉自主收缩让肌电控制系统工作时，它才能工作。采集肌电表面信号成为智能假肢的理想控制信号，而从其大腿的股直肌表面测得肌电信号与下肢各关节的角度值成非线性关系，基于神经网络的建模预测下肢各关节的角度值实现假肢自主控制成为首选，径向基函数神经网络也称RBF(radial basis function)神经网络，它是近年来应用较多的一种三层前向神经网络。为多层前传网络的学习提供了一种新颖有效的手段，它不仅避免了反向传播网络中繁琐的计算，提高了学习速度，而且克服了BP网络梯度下降算法中的局部极小问题，本毕业设计任务是建立基于神经网络的下肢各关节角度值预测模型。4.1 BP网络在表面肌电信号识别中的应用BP网路是一种多层前馈型神经网络，其网络结构有3层：输入层，隐层和输出层。我们用BP网络实现表面肌电信号识别，从大腿的股直肌表面随意取4个点，测得它们的肌电信号作为输入，下肢各关节的角度值为输出，设置5000组训练值，根据所给输入输出数据求出权值w，给出3800组测试值，结合权值w和测试组输入求出输出的。其中隐层神经元个数为8，显示频率df=25，最大训练步数mepoch=6000，误差目标egoal=0.001，学习率lr=0.01(如图4.1所示),程序见附录1。图4.1 BP网络图CP1P2P3P4S1111S8输入层隐层输出 仿真结果：图4.2 BP网络训练图图4.3网络输出与实际值比较图4.4 误差显示图从仿真图中我们得知图4.2为BP网络训练图，图4.3中黑色线表示实际值，红色线表示网络输出值，两输出之间有误差存在，由图4.4可以看出两个输出间的误差不是很大，有的误差趋于0。4.2 RBF网络在表面肌电信号识别中的应用RBF网络是一种两层前向型神经网络，包含隐层和输出层。隐层的单元是感受单元，每个感受单元输出为，i=1,H;X是N维输入向量，中心矢量ci是与X同维数的向量，具有局部感受的特点，只有在周围的一部分区域内有较强的反应，这正体现大脑皮层的反应特点。我们从大腿的股直肌表面随意取4个点，测得它们的肌电信号作为输入，下肢各关节的角度值为输出，当输入向量加到网络输入端时，径向基层的每个神经元都会输出一个值，代表输入向量与神经元权值向量之间的接近程度。如果输入向量与权值向量相差很多，则径向基层的输出接近于0，经过第二层的线性神经元也接近于0；如果输入向量与权值向量很接近，则径向基层的输出接近于1，经过第二层的线性神经元，输出值就更靠近第二层权值。由此，取训练精度goal=0,径向基层的散布常数spread=0.3,最大神经元个数MN=20，显示频率df=25（如图4.5所示）。程序见附录2：P1P2P3P4g1g20输入层隐层输出层y1图4.5 RBP网络图仿真结果：图4.6 RBF网络输出值和实际值比较图4.7 误差显示图图4.6中黑色线表示实际值，蓝色线表示网络输出值，两值之间误差很大，这点我们可以从图4.7误差显示图看出。通过上面的应用实例，我们了解到BP神经网络是一种多层前馈型神经网络，其神经元的传递函数是S型函数，输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射；RBF神经网络是近年来应用较多的一种三层前向神经网络。为多层前传网络的学习提供了一种新颖有效的手段，它不仅避免了反向传播网络中繁琐的计算，提高了学习速度，而且克服了BP网络梯度下降算法中的局部极小问题。但用RBF网络仿真出的误差相对于BP网络仿真的误差较大。结 论神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。BP网络和RBF网络作为神经网络家族的成员，良好的特性为人类生产生活做出了卓越贡献。智能假肢主要特点是能根据外界环境变化，自动调整假肢系统的参数，肌电控制假肢的最大特点是自主控制，采集肌电表面信号成为智能假肢的理想控制信号，而从其大腿的股直肌表面测得肌电信号与下肢各关节的角度值成非线性关系，建立基于神经网络的下肢各关节角度值预测模型现对本课题的工作总结如下：（1） 熟识、掌握MATLAB软件； （2） 学习、掌握神经网络的工作原理； （3） 学习、掌握BP与RBF神经网络模型的建立；（4）通过应用上述软件及网络，自行编写程序，实现了神经网络对表面肌电信号的识别参 考 文 献1 崔建国,王旭,张大千,王少曼,张威.基于磁场刺激和神经网络肌电信号的模式识别.仪器仪表学报,2005,26(21)2 Abdulhamit Subasi, Mustafa Yilmaz, Hasan Riza Ozcalik. Classification of EMG signals using wavelet neural network.Journal of Neuroscience Methods,2006,156(1-2): 360-367ods, 2002,116(1): 89-983 张海虹,蔡立羽,王志中. 基于高阶神经网络的肌电信号识别方法的改进. 中国康复医学杂志,2000,15(1):34-374 于擎. 基于手势动作肌电信号的虚拟鼠标控制. 中国优秀硕士学位论文全文数据库,20095 Luh JJ, Cheng CK, Lai JS, Kuo TS ,Chang GC . Isokinetic elbow joint torques estimation from surface EMG and joint kinematic data: using an artificial neural network model. Journal of electromyography and kinesiology,1999,3(9) 6 飞思科技产品研发中心. 神经网络理论与MATLAB7 实现M . 北京:电子工业出版社, 2005 : 99-100.7 廖晓峰,李传东.神经网络研究的发展趋势.神经网络国际会议，2005，58 杜春梅, 田丰, 崔建国. 用小波和神经网络相结合的方法识别人体表面肌电信号. 沈阳航空工业学院学报,2005,22(3):28-299 蒋明峰,王洪. 基于小波分析与神经网络相结合的表面肌电信号识别的研究J. 生物医学工程研究, 2005,24(1):50-5210 吕广明, 薛渊, 易建虎. 基于神经网络的多通道肌电信号的识别技术. 中国仪器仪表与测控技术交流大会论文集（二）,200711 程波，刘光远基于小波变换与神经网络的表面肌电信号的情感识别计算机应用，2008,28(2):333-335 12 R. E. Bekka, S. Boudaoud, D. Chikouche. The use of a neural network system in the identification of motor unit characteristics from surface detected action potentials: a simulation study. Journal of Neuroscience Meth13 董长虹.神将网络应用.北京：国防工业出版社，2005,114 王鉴良,邬武凯,潘笑芳.神经网络技术在电信服务领域的应用.中国高新技术企业，2007，815 Prentice SD,Patla AE,Stacey DA.Artificial neural network model for the generation of muscle activation patterns for human locomotionJ.J Electromyog Kinesiol,2001,11(1):19 -3016 D. Matheson Rittenhouse, Hussein A. Abdullah, R. John Runciman, Otman Basir. A neural network model for reconstructing EMG signals from eight shoulder muscles: Consequences for rehabilitation robotics and biofeedback. Journal of Biomechanics,2006 39(10) :1924-193217 张晗,徐铭蔚,敖晨,杨欣,朱辰丰.基于BP神经网络的电子商务交易信用风险建模研究.北京交通大学交通运输学院管理信息工程系,中国科技论文18 师华定,高庆先,庄大方,胡云峰.基于径向基神经网络的内蒙古土壤风蚀危险度评价.环境科学研究,2008,21（5）：129-13319 党开放，杨利彪，林延圻.一种新型的广义神经网络及其训练方法.,2007,120 雷敏,王志中.肌电假肢控制中的表面肌电信号的研究进展与展望.中国医疗器械杂志,2001,25(3):156-16021 姚松丽,章亚男,张震,沈林勇,钱晋武.利用选择性肌电信号控制踝关节神经运动康复装置.上海大学学报(自然科学版),2009,15(3):245-250致 谢本论文得以顺利完成，首先要感谢我的指导老师周颖老师。感谢她在毕业设计期间为我提供了良好的