基于广义动态模糊神经网络的肌电信号模式识别系统

1、华中科技大学硕士学位论文基于广义动态模糊神经网络的肌电信号模式识别系统姓名：熊汉申请学位级别：硕士专业：控制工程指导教师：黄剑2011-05-28华中科技大学硕士学位论文摘 要在现代康复医学领域中，人们对具有智能康复功能的医疗系统需求越来越高，而通过肌电信号对人体运动信息和意图进行准确判断是建立此类系统的必要前提之一。本文旨在系统地研究肌电信号特点机理、采集方式、特征提取方法、动作识别方法，通过多种肌电特征提取方法的比较研究并结合模式识别算法建立起一套稳定的实验平台，通过实测肌电数据在该平台上进行分析验证，达到识别人手多动作模式的目的。本文首先介绍了肌电信号模式识别研究及其相关领域应用现状。然

2、后系统研究了多种肌电信号分析和提取方法并阐述了它们的意义，接着对模糊系统和神经网络的结构特点、运行机制进行介绍并结合两者的优势引出了模糊神经网络，介绍该网络的权值运算、隶属度函数选择、基本结构，重点讨论了一种具有动态调整功能的模糊神经网络并分析了它的网络结构。然后介绍了肌电信号采集装置的系统结构，叙述了该装置硬件设计过程和软件组成。接着对广义的动态模糊神经网络模式识别算法准则和实现流程进行了详细的阐述。在最后实验阶段采用了7种特征提取方法并对它们进行分析比较，然后对它们的模式识别结果进行了总结。实验表明，采用广义的动态模糊神经网络算法对手部7种动作进行识别的准确率可达97%以上，且其在多种特征

3、提取方法应用下具有一定的适用性。本文通过对该实验平台的研发，实现了基于肌电信号的人手多动作模式识别。在今后的研究中将继续改善肌电信号采集方式，研究新的特征提取方法，同时对识别算法进行改进以提高系统的实时性，为以后应用于康复机器人运动控制打下良好的基础。关键词：肌电信号 特征提取 模式识别 广义动态模糊神经网络I华中科技大学硕士学位论文AbstractIn modern rehabilitation medicine, there is an increasing demand of medical system with the function of intelligent rehabili

4、tation, and it is one of the indispensable procedure to create the system by recognizing the sports consciousness of people accurately by the electromyographic (EMG).The content of the thesis includes the research of characteristics of EMG, how to record EMG, how to extract the features, how to reco

5、gnize the action. According to the compare of several algorithms of feature extraction, we combine it with the pattern recognition algorithms to establish a stable experimental system, and certificate the effect of this system using actual EMG signals, finally recognize the multi-action modes of han

6、d.At the beginning, the paper introduces the current progress in the research of EMG pattern recognition and its related fields. Then we take a systematic approach to several algorithms of EMG feature extraction and their significance is given. After that, the paper summarizes the structural feature

7、s and mechanism of the fuzzy system and neural network, introducing the weight operations, membership function selection, basic structure of fuzzy neural network (FNN) which incorporating their merits, and a network structure of a FNN with dynamic adjustment feature(DFNN) is emphasized. Then the str

8、ucture of the EMG collecting device including the hardware and software is introduced. Afterwards, the paper describes the standards and implementation procedure of the algorithms of pattern recognition based on generalized dynamic fuzzy neural network (GDFNN) in detail. At last, this paper provides

9、 an analysis and comparison in seven EMG feature extraction algorithms, and summarizes their results of pattern recognition. The experiments indicate that the accuracy could be 97% by using algorithms of GDFNN to recognize seven type of actions and it has a wide applicability in several approaches o

10、f feature extraction.By the development of this experimental platform, we proposed implementing approaches of hands multi-action pattern recognition based on EMG signals. In the future, we will search a more suitable method of EMG collecting, studying the new algorithms of feature extraction. At the

11、 same time we will adjust the algorithms of pattern recognition to improve the real-time performance of the system, laying a solid foundation for motion control of rehabilitation robot.Keywords: EMG; feature extraction; pattern recognition; GDFNN;II独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除文中

12、已经标明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期： 年 月 日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保密， 在 年解密后适用本授权书。本论文属于 不保密。（请在以上方框内打“”）学位论

13、文作者签名： 指导教师签名：日期： 年 月 日 日期： 年 月 日华中科技大学硕士学位论文1. 绪论1.1. 研究背景与意义在现实社会中，人体各个部位的运动受到内外界因素的综合影响，一些身体部位的受损如运动系统损害、肌肉萎缩、肌体（颈部、手部、腿部）失调等症状严重影响了人们的生产生活，特别是当国内社会老龄化程度的加深，老人作为行动能力上的弱势群体，他们在康复医疗领域上的硬性需求会不断增加，而康复医学及其相关科研的兴起由此而来。为恢复行动受损人群的正常能力，以智能康复系统为代表的新型控制系统的应用得到人们的重点关注，该系统的基本工作原理是获取使用者的运动信息或运动意图来判断以何种方式、何种途径辅

14、助康复治疗，其中该系统如何提取并识别出运动意图或信息是此类研究中不可缺少的一环。由于生物电信号在时间和空间范畴上包含着丰富的人体信息，反映了人体的即时动作，所以它被认为是研究人体运动信息的有力途径之一，而表面肌电信号作为生物电信号的典型代表，它是一种表皮下肌肉运动反映在皮肤表面的综合结果，其已被广泛应用于肌肉运动、肌肉营养失调诊断、康复医学及体育运动学等方面的研究，它具有安全、易于采集、与肌肉运动的相关性强等优点，通过其来识别人体运动信息效果较好，例如某些残障者是在交通事故或其他意外事件中失去了手指，但其相关神经系统未受损坏，利用肌电信号所包含的如肌肉力量、操作者的目的、肌肉阻抗等信息来识别残

15、障者的操作意图，即可以使用肌电信号作为义肢的控制信号1。还有从人体表皮提取肌电信号，利用计算机简化人体传递和处理脑的运动指令的过程，使人-机接口的速度获得大幅度的提高2，促进受损人士与机器的信息交换来进行下一步的康复训练。而显然以上目的达成的前提是必须要建立一个稳定的模式识别系统，特别是随着现今康复医学研究的发展，国内外在结合肌电信号处理与康复机器人技术方面有着更多、更深入的研究，目的是研制出具有智能康复功能和评价功能的辅助系统，在此过程中借助对肌电信号的分析识别来实现一系列康复训练的控制策略，在一定程度上辅助甚至替代医师对受损者进行治疗，而通过肌电信号如何更加完整、系统地描述人体运动已经是此

16、类研究的重点，同时肌电信号特征提取方式的发展和肌电信号处理方法的大量应用已成为肌电信号研究的一个突出特点，如何从肌电信号中1华中科技大学硕士学位论文提取有用信息达到识别出肢体的多种运动模式也已经成为康复医学界研究的热点问题之一。所以本课题的主要任务是对肌电信号进行分析验证，通过对该信号的分类识别来将人体运动信息和意图反馈给控制系统，而现在我们必须首先建立起一套集信号采集、特征提取、模式识别功能于一体的实验平台。1.2. 国内外发展现状及应用多年来，人们借助肌电信号反映人体内部信息的特点，通过不同的方法来识别肢体动作的类型和过程，并研制相应装置来辅助个体运动，达到人与机器有机结合的目的。上海交通

17、大学的雷敏等对表面肌电信号进行了分析研究并给出了各种特征估计，介绍了用于假肢动作控制的两大类表面肌电信号的特征识别方法3。李醒飞等则根据实时采集的肌电信号判断动作始末状态并对该信号进行小波降噪预处理，利用小波变换有效地识别握拳、展拳、手腕内旋和手腕外旋4种动作模式4，此外还有研究采用新的特征提取方法将个体差异影响程度降到最低，用于在非特定人条件下前臂肌群的多运动模式识别5。对于模糊神经网络与肌电信号的结合，有一种方法采用了模型网络对假肢的肌电信号进行学习并达到一定的效果6。钱晓进等7也使用了模糊推理与神经网络相结合的方法，成功完成了对混合相肌电信号的分解，而与肌电信号同属生物电范畴的心电信号研

18、究中也有通过模糊神经网络分类器完成训练、检验，证明其对心电信号具有较高识别率8，这同样在肌电信号的识别研究中具有良好的借鉴效果。国外对肌电信号特征提取以及模式识别方法的研究显得越来越积极，其中表面肌电信号在肌肉运动及疲劳损伤分析、康复运动学等方面的研究越来越深入910。相对而言，表面肌电信号处理的第一步，即信号分析与特征提取是整个识别系统中非常重要的环节，特征矢量的有效性密切关系到系统的识别能力，而肌电信号的分析研究如表面肌电信号与肌肉力的关系11、疲劳状态下肌电特征及其补偿12等都对肌电信号的特征规律做了系统的研究，而肌电信号分析方法按发展趋势大致可分为五个理论方面：时域法、频域法、时频法、

19、高阶谱、混沌与分形等。2华中科技大学硕士学位论文传统的分析方法都是时域法，此类方法具有实现简单，运算速度快等特点而得到广泛的应用，如平均绝对值（Mean Absolute Value）是计算肌电信号绝对值的平均值，代表了一种简便的肌肉收缩水平检测方法。均方根（Root Mean Square）是对信号先求平方和并取其平均值后再开方，它与肌肉收缩幅度关系紧密，而平均绝对值与均方根方法的效果由E. A. Clancy等做过比较1314。波长（Waveform length）是某时间段上的波形累计长度，它与信号的振幅等有关。过零点（Zero Crossings）是计算某种条件下信号越过零点的次数，且

20、需设定一个阈值以减少噪音。方差（VAR）是信号功率的测量，定义为先对信号求平方和后再取平均值。 斜率符号变化数（SSC）与过零点相似，是另外一种反映信号频率的方法.。 EMG信号的时序模型中AR模型得到较多的应用，它假设了EMG信号为平稳的高斯过程，从而推导出线性的AR模型，其模型阶次一般为4阶，而Jer Junn Luh等15使用的时变AR模型达到了提高肌电信号幅值估计准确度的目的。EMG直方图是当肌肉高度收缩时检测不同幅值肌电信号的采样个数，并将其作为一种有效特征来进行信号处理，在特征提取过程中需设定阈值和不同的幅值段，然后将各幅值段的信号采样个数作为其特征。在频域法方面，肌电信号的频率分

21、析也提供了肌肉收缩时的有用信息，其稳定的频域特征受到人们欢迎。Ronager J通过傅里叶变换对肌电信号进行了功率谱分析16，了解了正常个体与病患者在用力时的功率谱差异，R.Merletti也比较了基于FFT变换与AR模型的两种估计方法17，且肌电信号的频谱分析不但在肌电检测与分析中具有重大价值，还具有一定的临床意义18。在时频法方面，由于集合了时域和频域的优点，此类方法近年来受到人们特别关注。现在用于肌电信号的时频分析方法主要有小波变换、短时FFT变换、Wiser-Ville变换、Choi-Williams变换等，这些方法较适合于非平稳信号的分析。短时FFT变换是指选择适当的窗函数将信号分成

22、几小段，把非平稳信号看成是一系列短时平稳信号的叠加19。同时有人使用小波变换对肌电信号进行实时处理，实现了对腕部动作的识别20。由于传统的随机信号处理只能反映服从高斯分布的随机信号的概率结构，而肌电信号是明显的非平稳信号，所以人们考虑到使用高阶谱分析法从而可以得到信号本身更多的信息，如双谱分析法做肌肉力变化分析和肌肉恢复分析21。3华中科技大学硕士学位论文混沌与分形理论现在也开始用于EMG内在产生机理的规律研究，并有理论表明EMG的的分形维数随肌肉收缩强度的增加表现为单凋上升的趋势22，也有通过非线性滤波来研究静态承受负载下的表面EMG信号23。针对EMG信号的非线性以及不平稳性，人们对各种非

23、线性方法进行了研究，混沌与分形作为其中的主要手段，将在未来EMG信号的非线性处理研究中占主要地位。肌电信号在康复医疗领域的相关应用是我们关注的重点，特别是应用于肢体康复控制系统方面，如肌电信号用于人体上肢动作辨识与轨迹预测,为实现多自由度假肢的控制打下基础24，也有利用手势sEMG信号控制虚拟人机交互系统，最后将识别结果转换为机器命令，便于人机信息交流25，而基于肌电信号的上肢康复机器人姿态控制与轨迹跟踪控制也受到越来越多的关注，Kazuo Kiguchi等26研究的基于肌电信号的外骨骼机器人，它可以辅助老人、伤者、残疾人的上肢运动，达到康复治疗的目的，同时人体下肢表面肌电信号的变化也比较活跃

24、，有结果表明步行时下肢肌电信号有一定的规律性27,通过均方根法提取肌电特征后，结合模糊神经网络控制器也可对步行时脚踝的运动角度进行控制28。1.3. 论文主要内容本文旨在分析分析多种肌电信号的特征提取方法，结合具有强大学习推理能力的模糊神经网络来对手部多动作模式进行准确有效的识别，为基于肌电信号的运动控制系统应用打下良好的基础，此外我们将通过实验、测试，对结论进行验证。具体的研究内容如下：(1) 第一章论述了研究背景与意义、国内外研究现状及其相关领域研究，提到了肌电信号特征提取的多种算法以及与本文关系密切的诸多实际应用。(2) 第二章介绍肌电信号的基本特点及其采集装置基本结构，并着重描述了多种

25、时域分析方法的理论基础及其代表的意义；接着引出常用的智能算法，包括模糊系统、神经网络，论述了它们的原理结构；最后讨论了结合模糊系统与神经网络优点的模糊神经网络算法原理及网络结构。(3) 第三章阐述了肌电信号采集装置的设计过程，其中详细描述了噪声分析、放大滤波、隔离屏蔽的设计思路与实现过程，并选择了合理的供电方案，最终控制数据采集卡达到信号初步处理与存储的目的。4华中科技大学硕士学位论文(4) 第四章讨论了动态模糊神经网络的设计和实现流程，对算法的动态准则、参数调整方案都做了详细的阐述。(5) 第五章给出了整个系统的实验过程，实现了多种方法的特征值提取并对它们进行初步对比，最后对每种方法的识别效

26、果进行比较并得出结论。(6) 第六章对论文进行了总结和展望，对存在的问题进行探讨，指出进一步的改进方向。5华中科技大学硕士学位论文6华中科技大学硕士学位论文7华中科技大学硕士学位论文8华中科技大学硕士学位论文 WL=xk,xk=xkxk1 (2.5)k=1N(6) 方差(Variance of EMG)肌电信号的平均值一般接近于零，而方差代表了肌电信号的一种能量特征，由于肌电信号的均值不同，其方差也将不同，如下是两种方差求取方法：1N2VAR1=xk (2.6) N1k=11N(|xk|2 (2.7) VAR2=N1k=1其中，为肌电信号绝对值积分的平均值。(7) EMG信号的时序模型(AR)

27、肌电信号在某个较短时间段内可被近似看成一段平稳的高斯信号，所以人们用常见的AR时间序列模型来提取肌电信号特征，一般采用的是4阶AR模型，提取AR模型4个系数作为特征向量。x(i)=aixki+ek (2.8)i=1p其中是ai是AR系数，p是模型阶次，ek是残差白噪声。(8) EMG直方图(Histograms)当肌肉收缩运动时，EMG信号会产生偏离，故可以检测不同幅值段的EMG信号采样个数作为一种有效的特征。这里需首先设定一个阈值，接着将正负阈值间的距离等分成不同幅值段，最后将不同幅值的EMG采样个数定为该信号特征，其中阈值水平和分段数根据实验而定。李耀宇等32曾阐述了肌电信号的波幅直方图统

28、计处理在临床医学应用中的意义。(9) 短时傅里叶变换(STFT)把小段非平稳信号看成是大量平稳STFT的基本思想是在傅里叶变换的基础上，信号的效果叠加，其短时的特性需要通过设置一个时域上的窗函数来实现，它的定义如下：+Gf(,)=f(t)g(t)ejtdt,f(t)L2(R) （2.9）这里g(t)为窗函数，它所定义的“窗”在时间轴上有规律移动并对原信号进行逐步分析，有学者采用该方法对表面肌电信号进行了处理，使用奇异值分解有效的提取了特征矢量，并通过两通道肌电信号识别了手部四种运动模式33。9华中科技大学硕士学位论文10华中科技大学硕士学位论文 解模糊化出口：将模糊推理结果转换为清晰化的输出；

29、模糊集是模糊系统的集合，把隶属该集合的程度定义为隶属度，它提供了一种在数学上表达不确定因子的方法。通常应用最为广泛的隶属度函数是三角函数和高斯函数，他们的定义如下：(1) 三角隶属函数xm1,xm(x)= (2.10)0,其他其中m和分别为三角模糊集的中心和宽度。(2)高斯隶属函数(xc)2（x）=exp- (2.11) 2其中c和分别为高斯模糊集的中心和宽度，图2-4、2-5为两个隶属度函数的图形：图2-4 三角形隶属度函数图2-5高斯型隶属度函数模糊系统里最常用的模糊推理方式是模糊IF-THEN规则以及TSK模型34，普11华中科技大学硕士学位论文通的模糊IF-THEN规则都是用 IF A

30、 THEN B形式的语句来表达，这种推理方式帮助人们在不确定环境下仍能做出决策，它是模糊逻辑系统的基础，在这个结构中来自人类专家的语言信息被量化，使得此语言信息能够被系统利用，它的简单形式如下：Ri:IF x1 is F1i and.and xr is Fri,THEN yi is C 而基于TSK模型的模糊推理系统的IF-THEN规则如下：Ri:IF x1 is F1i and.and xr is Fri,THEN yi=0i+1ix1+.+rixr 其中模糊集为Fji(j=1,2,.,r)，yi是指第i个规则的系统输出，ji是实参数。所以TSK模型所建立规则的IF部分是模糊的，但THEN部

31、分是清晰的，即规则输出为所有输入变量的线性组合，其优点是更加适合于数学分析，计算效率高，一些优化和自适应方法能够得到很好的应用。一般来说TSK模糊推理系统在执行模糊规则的过程中要经历几个步骤：(1) 在系统输入部分通过比较输入量和隶属度函数关系来获得每个语言标识的隶属度；(2) 根据模糊规则进行模糊推理，得到每条规则的输出权值； (3) 通过输出权值产生每条规则的有效结果；(4) 将各规则输出结论叠加解模糊化后得到明确的输出；u(5) 最终的输出即为每条规则的加权平均：y=y×wii=1iwi=1u，其中u表示模糊规则i数，权值wi=Fi。j=1uj根据以上模糊推理方法，我们可以建立

32、由原始信号输入到系统结论输出的非线性映射，理论证明35一个模糊系统可以以任意精度逼近一个连续或离散函数，它为我们提供了一种简单有效的设计方法，通过该方法可以对系统进行有效的建模与控制。但是模糊系统还存在一些问题，例如它在参数调整过程中，对输入变量的划分、隶属函数的数量选择、规则数的确定都没有一种系统的设计方案，而且在一个多输入多输出系统中，模糊规则数会呈指数级增加，从而加大了运算的困难度和复杂度。所以我们需要通过结合另外一种人工智能方法-神经网络来达到提高收敛速度、缩短训练时间、增强自适应能力的目的，以便更加快速的建立一个具有学习能力的模糊系统。12神经网络是由许多神经元节点组成，每个神经元的

33、功能都是把其他神经元和外部输入权值叠加后产生一个输出权值，该神经元会继续通过连接权值，刺激与之连接的其他神经元，因此神经网络的核心组成包括：神经元之间的连接方式，连接权值的计算、神经元个数、激励函数等。根据神经元的连接方式不同，神经网络可以分为前馈神经网络和反馈神经网络。前馈神经网络是指数据从输入层开始依次传递到下一层，而反馈神经网络除数据从输入层开始直到输出层以外，其输入输出或者层次之间还带有反馈。神经网络具有几个比较显著的特点：(1) 通过样本数据训练从而具有学习能力；(2) 泛化能力，即对测试样本产生正确的响应；(3) 适合于多变量系统的运算；(4) 高度的并行实现能力、容错能力；(5)

34、 能够逼近任意非线性映射。神经网络可以在学习的过程中调整网络参数和结构，而一个神经网络的性能和它的学习能力密切相关，从实际应用的角度看，神经网络的设计应该注意以下几个方面36：鲁棒性：没有局部极小问题、震荡问题、不确定存储等学习困难问题；快速性：学习的快速性，或通过少量的样本即可快速的学习；有效性：在有限的训练样本情况下，训练学习仍然有效；泛化能力：学习后的神经网络拥有较好的适应能力，能对新的输入样本进行正确响应。目前的学习算法主要有三类：有监督学习：监督学习最常见的方法是误差反向传播算法，在基于一组输入输出样本的情况下，学习这组数据所表达的模型特性，但这组数据必须具有代表性；无监督学习：无监

35、督学习没有理想输出，它也被称为竞争学习，指的是在学习过程中根据输入数据的分布来调整训练网络的结构和参数；增强型学习：这种学习方法是建立在一个评价模型的基础上，而评价模型会根据原始信号得到一个增强信号，这种学习方法比较适合于在线学习。一般来说，神经元的数学模型常用的为Sigmoid函数型：f(Neti)=1 (2.12) 1+exp(x)但本文需要了解的径向基（RBF）神经网络通常以高斯函数作为隐含层神经元基函数，网络是由输入层、隐含层、输出层组成，RBF的输出层满足：13华中科技大学硕士学位论文14华中科技大学硕士学位论文2.4. 模糊神经网络模糊系统利用专家知识建立模糊集、隶属度函数、模糊推

36、理规则等达到对复杂系统进行控制的目的，从而在许多难以用精确数学模型描述系统的情况下，能提供一些有效的解决方案，但是模糊系统并不存在一种系统的理论来选择或调整系统的各种参数，使该系统在设计过程中存在太多的主观性；同时，神经网络却具有一定的分布能力和学习能力，它们是改善系统自适应能力的重要途径，且该算法具有泛化能力强、容错性能好、并行处理能力强等优点，然而神经网络也具有某些缺陷，例如对语言变量无法处理，不能将先验的控制知识注入到控制系统的设计过程中去，使得所有的系统建模都只能用“黑箱”理论去设计。因此结合以上两种算法的优点，利用神经网络的学习能力来对模糊规则和隶属度函数进行参数调整，将一些必要的专

37、家知识预先注入到神经网络中去，我们就可以实现对复杂系统的进一步分析设计。实现了模糊系统逻辑推理与神经网络学习能力的结合，可以使隶属度函数参数和网络权值的调整在样本学习过程中自动完成，克服了人们主观选择隶属度函数形状及其位置的缺点，而且专家理论也被加载到系统中，提高了神经网络对自身结构的控制能力。一个典型的模糊神经网络如图2-6所示28，它将模糊系统的模糊化、模糊推理、解模糊计算通过分布式的神经元网络来描述从而实现模糊神经网络的自调整、自学习。在图示模型结构中，整个模糊神经网络分为五个层次，其中第一层为输入层，即为语言节点；第二层为模糊化层，它是将输入的清晰化数据转换为相应的模糊语言变量，其过程

38、是通过隶属度函数（如三角形函数、高斯函数、钟形函数等）计算每个输入层数据对应的某个语言变量的隶属度，为后面的模糊推理做准备，而隶属度函数的中心、宽度及形状属于可调整范围；第三层为模糊推理层，用来实现模糊逻辑推理，其模糊规则的推理方式与规则数目可以人为预先设定，也可以通过神经网络训练来调整，这取决于不同算法的选择；第四层为模糊输出层，它是模糊推理的结论部分，在这里需要说明的是第二层与第三层节点之间的连接权值代表了模糊（条件）部分的计算，而第三层与第四层的连接权值代表了模糊规则的THEN规则的IF（结论）部分的计算，这样，对于每一个规则节点都至多有一个语言变量的语言值与之连接；第五层为解模糊层，也

39、就是将所有的规则输出的权值进行加权平均，将模糊语言解模糊化，得到系统清晰化输出。15华中科技大学硕士学位论文在图示中，箭头方向从左到右表示在每一次参数迭代过程中，输入信号沿着网络正向传递到第四层，此时可固定隶属度函数的各参数，采用算法如最小二乘法调节结论参数，使得理想输出和实际输出的误差平方和达到此情况中最小，接着信号正向传到第五层，此时将获得的误差信号沿网络反向传播，即图示中的从右到左，从而可调整隶属度函数的各参数，这样不仅可以降低搜索空间的维数，还可以提高参数的收敛速度。图2-6模糊神经网络结构图上述已经了解到模糊神经网络的结构，现在我们需要确定神经网络每一层节点的基本意义和函数计算关系，

40、每个神经元函数都包括了神经元的输入函数和激励函数。一个神经元输入函数的输出与它所连接的有限个其他神经元的输出及连接权值有关，可表示为2.18的形式：kkkknet=f(u1k,u2,.,ukp,1,2,.,p) (2.18)k其中，上标k表示所在的层数；ukp表示与其连接的神经元的输出权值；p表示对应的连接权值。神经元的激励函数一般为其输入的响应函数，如2.19所示：oik=a(f) (2.19)a(i)为神经元的激励函数，而默认的神经元输入函数、激励函数如2.20所示：16华中科技大学硕士学位论文 kfj=kjiui,aj=i=1p1 (2.20) fj1+e由于模糊化计算、模糊推理、解模糊

41、算法的要求，需要对每一层的神经元定义与其意义相符合的神经元函数及权值计算方法。第一层：第一层的神经元节点只是简单的将输入传递到第二层，形式如2.21所示：fj(1)=uj(1),aj(1)=fj(1) (2.21)其连接权值一般定义为(1)ji=1。第二层：由于需要通过隶属度函数实现语言变量的隶属度计算，以钟形函数为例，那么此节点的输出即为隶属度函数的输出，形式如2.22所示：fj(2)2(ui(2)m(2)ji)=(2)2ji),a(2)j=efj(2) (2.22)(2)其中m(2)，如此，jiji代表了与第i个语言变量对应的隶属度函数的中心和宽度。(2)连接权值(2)可被认为与mjiji

42、相关。第三层：此层的功能是完成模糊推理IF部分的过程，即(3)(3)(3)(3) (2.23) fj(3)=min(u1,u2,.,u(3)p),aj=fj第二层与第三层节点的连接权值为(3)ji=1。第四层：此层的节点由于同时接收到信号正向传播和反向传播两种情况。当信号正向传播时，实现的功能是模糊推理的THEN部分的逻辑运算，它用来计算所有同一结论的全部权值，形式如下：pfj(4)=ui(4),a(4)=min(1,fj(4) (2.24) ji=1第四层与第三层节点的连接权值为(4)ji=1；当信号反向传播时，此节点的功能是为了使神经网络在训练过程中对语言规则的反向传播学习，从而调整条件参

43、数。第五层：当信号反向传播时，其将获得的误差信号沿网络反向传播，从而达到再训练的目的，这类神经元的节点函数为：(5)(5)fj(5)=y(5)j,aj=fj (2.25)当信号正向传播时，该层的输出即为模糊神经网络的推理输出。此节点的主要功能是实现推理结论的解模糊化，下列公式为去模糊化的计算37：17华中科技大学硕士学位论文(5)(5)fj(5)=(5)jiui,aj=fj(5)(5)(5)jiuii (2.26)由以上看出模糊神经网络不但可以对系统进行快速有效的建模，而且在知识抽取、调整模糊系统等方面有比较明显的效果，所以本文采用一种广义的动态模糊神经网络（GDFNN）对肌电信号特征进行建模

44、，并分类识别出手部的七个动作模式。根据径向基（RBF）神经网络与模糊推理系统之间的功能等价性原理38,如果符合以下几个标准就可以将径向基（RBF）神经网络看成是以模糊知识推理为基础的动态神经网络：(1) 模糊规则数目与径向基单元的数目相等；(2) 每条模糊规为常数输出；(3) 每个模糊语言的隶属度函数都为高斯函数，且其宽度相同；(4) 模糊系统与径向基神经网络的输出都必须是加权平均计算且模糊推理采用乘法因子。从网络结构的表达方式上来看，RBF神经网络已可被认为完整描述了模糊IF-THEN规则，通过它的基函数代替隶属度函数，隐含层神经元来表达模糊规则，这样在等价性上我们就可以认为构建好了一个动态

45、模糊神经网络的理论基础。动态模糊神经网络(DFNN)的构成方式一般3种，其中第1种是神经元节点构成，它通过节点激励函数组合并根据模糊规则进行推理；第2种是权值构成，通过模糊隶属度函数表示神经网络中的权值；第3种是混合式，通过对输入输出信号的合理分配来满足系统建模要求。在DFNN训练过程中网络参数及结构是随时变化的，并不能在设计阶段就固定好网络的隶属度函数、推理规则等信息，但是有些参数必须在训练开始阶段预先设计好，它们大致包括网络学习速率、网络的层数、网络初始阈值、网络输出阈值、每层的初始节点数、每个节点的激励函数、期望输出的最小误差等。而一个简单的动态模糊神经网络（DFNN）结构39如图2-7

46、所示：18华中科技大学硕士学位论文19华中科技大学硕士学位论文 了模糊逻辑推理的输出部分，则其神经元节点的输出可表示为u=ui=1u。 i(5) 解模糊层（第五层）：即整个网络的输出层，该神经元节点的输出代表了输入矢量空间对输出的累计叠加，可表示为Y(X)=ii,i是模糊推理的输出部分i=1u的连接权值；当结果参数为常数i=ai,i=1,2,.,u，此时的输出可表示为：2XCi)aiexp(2ii=1 (2.27) Y(X)=2uXCiexp()ui=1i本文我们采用TSK模糊模型，则输出可表示为2XCi)(ai0+ai1x1+.+airxr)exp(2ii=1 (2.28) Y(X)=2uX

47、Ciexp(ui=1iDFNN在学习过程中隐含层的的参数和维数根据准则不断调整3940，其结构类似于动态的神经网络，使得网络各参数和结构在训练过程中始终保持最优。广义动态模糊神经网络GDFNN的结构如图2-8所示41：20华中科技大学硕士学位论文21华中科技大学硕士学位论文22华中科技大学硕士学位论文3. 肌电信号采集装置设计方案肌电信号采集装置在肌电信号模式识别系统中的主要作用是对肌电信号进行实时采集与预处理，肌电信号分布在VmV数量级，其属于微弱信号范畴，而且由于人体是导电体，工频干扰、环境电场、磁场感应电动势都会在人体内外形成噪声干扰，而且人体同一块区域不同肌肉之间的肌电信号也会通过皮肤

48、通导产生互扰，从而干扰肌电信息的采集检测，所以肌电信号的放大滤波和电路的隔离屏蔽就成为了此采集装置的研究重点。3.1. 肌电信号采集装置实验准备在科学研究与医学试验中，用于肌电信号采集的电极一般有两种，第一种是探入肌肉内部的针电极，第二种是可粘贴在皮肤表面的表面电极。针电极采集的是肌肉运动区域的小范围电位信号，优点是工频干扰和外界环境干扰较小，而且可检测深藏在表皮下的肌肉运动信号；表面电极采集到的则是神经组织与肌肉运动的综合信号，经过了皮肤衰减且含有较大的工频干扰。但是考虑到表面电极采集过程中的无痛、无创、方便采集以及与计算机接口的要求等特点，决定了必须使用后一种电极进行采集实验，所以为了提高

49、信号质量，防止表面电极在采集信号过程中过多的摄入噪声，我们需要对噪声干扰进行必要的分析。在肌电信号采集过程中的干扰主要有三种：(1) 肌电采集信号线、人体与大地组成的回路中具有耦合电动势，其主要产生的是共模形式的干扰；(2) 两条差分形式肌电采集信号线组成的封闭回路生成了差模干扰；(3) 人体自身与周围环境组成了回路，由于人体较大内阻所产生的电压降，从而对肌电采集电路产生了共模与差模混合的干扰。为了消除上述干扰的影响，我们需要将其分为共模形式和差模形式来逐一滤除。对于差模形式的干扰，我们可以通过对信号的隔离屏蔽来进行抑制，而共模形式的干扰则需要采集电路有足够高的共模抑制比就可以对其进行有效的滤

50、除。我们设计23华中科技大学硕士学位论文24华中科技大学硕士学位论文3.2. 前置放大电路设计肌电信号大小一般不超过5mV，为便于观测计算，考虑到A/D转换板卡的输入输出范围，我们将整个采集电路的放大倍数定为1000倍。由于采用的是双电极差分输入，必须使用差分放大器将输入端的信号电压差放大一定倍数后再输出43，而普通的运放并不能保证放大精确度、低噪声等指标，所以我们需要选择一种新的运放来满足系统需求。在一般工程应用中，基本的差分放大电路即可达到放大功能，然而其具有精度不够高，变更放大增益时必须调整多个电阻等缺点，且输入电阻大小远远低于人体的内阻（约为1M）,这样就考虑到了另外一种放大器-仪用放

51、大器。仪用放大器拥有非常大的输入电阻，适合于微弱信号的放大，且其放大倍数与共模抑制比也非常高，能够在放大信号差模部分的情况下对共模部分进行高强度抑制。在肌电信号的放大过程中，共模干扰信号主要来自于人体工频干扰，如果共模抑制比不够高，我们会发现经过后级电路放大后的干扰信号会完全覆盖微弱的肌电信号，所以根据这些情况我们选择了仪用放大器作为本电路的主放大级。图3-2是仪用放大器的电路结构图：图3-2 仪用放大电路图示仪用放大电路由三个基本运放构成，其中电阻R与Rx需在适用范围内（1K10K）。该电路前级的两个运放实现了差分信号放大功能，且完成了阻抗25华中科技大学硕士学位论文 的匹配；当信号输入为V

52、1，V2时，两个前级运放放大了信号的差分部分而共模部分不变，当信号继续到达后级运放输入端时差分部分再次放大且共模部分仍然不变，最后由后级运放所组成的基本差分放大电路将差分部分继续放大，而共模部分输出互相抵消，完成了该电路的全部功能。此时前级运放的输出电阻即是后级运放的输入电阻，因此整个电路的输入电阻会非常大。为取得最佳的性价能耗比，我们选择了普遍采用的仪用放大器AD620，该集成芯片内部电路如上述所示，它除了有稳定的放大功能、高共模抑制比、低噪声外，其精确度、输出稳定性、低耗电量都十分适合于肌电信号测量，当放大倍数为100时，AD620的共模抑制比高达130dB，供电电流小于1.3mA，输入失

53、调电压小于50V 44。而由于固定的电阻R，我们只需要外接一个可调电位计Rx就能达到改变放大增益的目的，其关系式：2RVo=1+(V1V2) (3.1) Rx而放大增益Ga与电位器Rx的关系式为：49.4KG=+1aRx (3.2) R=49.4KxG1此时我们使Ga=160.95倍，虽然AD620的理论增益范围是11000倍，但是考虑到后续电路的增益效果以及可能发生的皮肤出汗、手臂意外动作等对差分输入产生额外干扰造成AD620饱和，这里我们并没有完全饱和使用其放大功能。3.3. 滤波电路设计肌电信号采集电路是工作在多种噪音干扰背景下的微弱信号处理平台，尽管采取了多项措施预防，但在采集过程中难

54、免会有混入的干扰信号，它们的幅值波动甚至会大于正常信号，且会对某些动作模式的识别产生较大的影响，所以在对肌电信号进行放大和阻抗匹配的同时必须滤除各种频率的噪声。综上所述，提高采集电路的信噪比并有效区分有用信号和干扰信号是我们下一步要考虑的问题。前文可知，肌电信号的频谱范围经验证大致在6500Hz内，对于此范围以外的26华中科技大学硕士学位论文高低频信号我们都应该将其滤除，但是50Hz工频信号是共模信号且其附近是肌电信号能量比较活跃的频率区域，在我们采用了选择高共模抑制比芯片等措施将工频信号降低到一定水平前提下，只要继续提高电路的共模抑制比就能实现对工频干扰的滤除。所以我们使用高通滤波器、模拟隔

55、离放大器、低通滤波器来完成滤波电路的设计。理想滤波电路的频响在阻带内其幅值应为零，但实际的滤波电路难以达到理想的要求，如果同时在幅频和相频响应两方面达到要求则更为困难，因此只有根据不同的实际需求来寻求最佳的近似理想特性，而最常用的有源滤波器有三种45：(1) 巴特沃斯滤波器：其幅频响应在通带内 具有最平幅度特性，其相位特性的线性度良好。(2) 切比雪夫滤波器：从通带到阻带能迅速衰减，在通带内有一定纹波，且相位特性较差。(3) 贝塞尔滤波器：着重于相频响应，其相移与频率基本成正比，可得到失真最小波形，但过渡带较平缓。根据装置需求，我们综合幅频幅度特性以及相位线性度，选择四阶巴特沃斯滤波电路设计高

56、低通滤波器。高通滤波器、模拟隔离放大器、低通滤波器电路如图3-3所示：（a） （b）27华中科技大学硕士学位论文（c）图3-3 滤波电路组成：（a）高通滤波；（b）模拟隔离；（c）低通滤波在此，我们需要对滤波电路中芯片的性能有一定的了解。高精度双运放芯片OPA2277的共模抑制比可达140dB，输入失调电压为10V，单运放的静态工作电流为800A46；而隔离放大器则选择了BB公司的ISO124精密模拟隔离放大器47，它是一种电容耦合方式的占空比调制解调精密模拟隔离放大器，由于仅使用了2pF的隔离电容，信号通过隔离时具有良好的可靠性和高频瞬变脉冲抗干扰能力，其数字隔离调制并不影响信号的完整性，它的关键参数为0.01%以下的非线性特性、50KHz的信号带宽和200V/ C的失调电压温漂。我们知道巴特沃斯低通和高通滤波电路的传递函数分别为45：A0c2A(s)=2cs+Qs+c2 (3.3) 2A0sA(s)=c22s+Qs+c其中通带电压增益A0=AVF=1+Rf/R1,特征角频率c=11。 ,品质因素Q=RC3AVF上式可知电容和电阻大小决定了