2015届决议书版与_第1页
2015届决议书版与_第2页
2015届决议书版与_第3页
2015届决议书版与_第4页
2015届决议书版与_第5页
已阅读5页,还剩27页未读, 继续免费阅读

付费下载

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

答

辩 人:张冰珂导 师:邓华 教授答辩时间:2015年5月16日基于肌电信号的假肢手抓握模式与抓取力同步解码及应用目录Contents基本问题及研究思路表面肌电信号的采集及预处理基于肌电信号的抓握模式分析基于肌电信号的模式识别和抓握力同步解码肌电信号实时控制假肢手实验总结与展望—二三四五六一、选题背景、基本问题及研究思路肌电控制的可控性指标:解码准确率系统响应速度鲁棒性1

选题背景微弱性干扰噪声强随机性强非平稳性EMG一、选题背景、基本问题及研究思路采用测力计只能测量单种抓握模式下的抓取力;较少研究抓握模式与抓取力的同步解码多模式下的抓握力估计抓握模式与抓取力的同步解码2

基本问题目标:假肢手的稳定抓取大多数肌电控制研究关注假肢手的模式识别,较少关注抓握力估计;一、选题背景、基本问题及研究思路3

研究思路同步解码二、表面肌电信号的采集及预处理无法显示该图片。受试者准备数据采集卡计算机LABVIEW信号采集1

表面肌电信号的采集待识别的抓取模式6二、表面肌电信号的采集及预处理小波基函数:db3分解级数:5级2

表面肌电信号的预处理(1)表面肌电信号去噪二、表面肌电信号的采集及预处理50002.55(

a)原原原原原原

幅幅(v)00

10

20

30

40

502.55(

b)去去去去原原原原幅幅(v)0020406080100

200

300

400

500频频(Hz)幅幅10

20

30

40时时(

s)(

c)原原原原原原原原原原原0020406080100

200

300

400

500频频(Hz)幅幅时时(

s)(

d)小小去去去原原去原原原原原

结论:小波方法能够有效去除表面肌电信号的噪声2

表面肌电信号的预处理二、表面肌电信号的采集及预处理0w1w2w3064

128

192

256

320

384

448

512时间(ms)(b)有重叠的数据分割64

128

192

256

320

384

448

512时间(ms)(a)无重叠的数据分割时间窗长度:256ms(采样频率1000Hz)增量:64ms2

表面肌电信号的预处理(2)表面肌电信号数据分割三、基于肌电信号的抓握模式分析AR+SSC特征组合PCA降维LDA分类模式识别基本原理1三、基于肌电信号的抓握模式分析特征提取:iiN

-1i-1i+1i=2niin

i-ni=1+wx

=

a

xs

2N

+

nN

-

nFPE准则:FPE(n)=0SSC

=

[

f

(x

-

x

)(x

-

x

)]510202530012345x

10-615AR阶阶

FPE幅结论:n=4为肌电信号的最佳模型阶次特征降维:特征提取和降维2自回归模型系数(AR系数)斜率变化数不同阶数下FPE值主成分分析(PCA)特征矩阵协方差矩阵求特征值累计贡献率>0.9的特征向量新的投影矩阵降维后的特征矩阵冗余维数高三、基于肌电信号的抓握模式分析抓握模式分类判定

3线性判别分析法(LDA)特点:

鲁棒性强算法简单分类精度高ig

(x)

=

w

T

x,i

=1,

2,…

k判别函数:ig

j

(

x)>

gi

(

x),

(i

„

j,

i

=

1,

2,

3…

k

)如果:则:x属于j类别kSb

=

ni

(u

-ui

)(u

-ui

)TniTi

ij=1(x(i,

j)

-u

)(x(i,

j)

-u

)S

=ri

其中:类内散度矩阵类间散度矩阵iw

i

b

i

通过Fisher线性准则求出:

F

iw

T

S

ww

T

S

wi

ri

iJ

(

w

)

=的最大值i=1nini所有样本平均值:类别i的样本平均值:ui

=

x

jjku

=

ui

ki三、基于肌电信号的抓握模式分析受试自然圆柱二指钩形侧边球形伸掌心平均正者状态抓取捏取抓取捏取抓取食指抓取确率12345各模式平99.9

85.62

93.46

94.28

79.75

81.94

97.85

82.8399.582.588.8195.5282.9393.0298.2384.5190.631008083.5786.575.5777.7594.8774.5384.1010089.7595.595.7784.5283.0898.583.6691.3510089.2510093.3579.2373.0999.6383.9589.8110086.5699.510076.582.6898.0287.591.3589.45均值

±1.344

抓握模式实验结果结果分析:平均识别率在89%左右,能正确识别大部分动作;不同个体之间存在差异。三、基于肌电信号的抓握模式分析i-mi+mi-m-1i-2

i-1i+1

i+2i+m+1,

L

,

…

L

,

L…

L

,Li

,…

L

,

L

,

L

,

L…mm当前

动作标签2m+1最大投票法原理最优m值大小:4-10

5001238100

150

200

250

300动动动动动阶动动动动0:自自自自7

1:圆圆圆圆2:二二二圆6

3:钩钩圆圆5

4:侧侧二圆5:球钩圆圆4

6:食二食食7:掌掌圆圆0

50

100

150

200

250

300-101238动动动动动阶动动动动0:自自自自7

1:圆圆圆圆2:二二二圆6

3:钩钩圆圆5

4:侧侧二圆5:球钩圆圆4

6:食二食食7:掌掌圆圆(a)改进前的动作标签(b)改进后的动作标签0.88-1

0

1

2

3

40.90.920.940.960.9815

6

7

8

9 10

11

12m圆幅

模模模模模模模模频m取值对模式识别精度影响结论:离线模式识别精度得到提高。5

最大投票法提高识别精度四、基于肌电信号的模式识别和抓握力同步解码MAVIEMGWLvOrderWAMPlogDBPNNLWRSVM信号采集特征选择回归分析1

抓握力估计步骤

四、基于肌电信号的模式识别和抓握力同步解码2

特征选择

nu(k)1nk

=1MAV

=Nk

=1IEMG

=

u(k)N

-1WL

=u(k

+1)

-u(k)k

=11NvN

k

=1vOrder

=

v

u(k

)N

-11

u(k)

-u(k

+1)

>

eelsef

(k)

=

0WAMP

=

f

(

u(k)

-u(k

+1)

),k

=1Nlog(

u

(

k

)

)1Nk

=1log

D

=

eMAV:IEMG:WL:vOrder:WAMP

:024680

1

2

3

4

5

6

7

8

9

10

11时时(s)原原原原原MAV特特幅024680

1

2

3

4

5

6

7

8

9

10

11时时(s)原原原原原IEMG特特幅024680

1

2

3

4

5

6

7

8

9

10

11时时(s)原原原原原WL特特幅024680

1

2

3

4

5

6

7

8

9

10

11时时(s)原原原原原vOrder特特幅024680

1

2

3

4

5

6

7

8

9

10

11时时(s)原原原原原WAMP特特幅024680

1

2

3

4

5

6

7

8

9

10

11时时(s)原原原原原logD特特幅logD

:结论:六种特征均能对抓握力趋势进行正确预测四、基于肌电信号的模式识别和抓握力同步解码2评价指标:目标值和预测值的均方差(MSE)和平方相关系数(SCC)nn(x

-

y

)MSE

=

i

i

i22nnnnnnni[nx

][ny

]SCC

=

i

i=1

i=1

2

2x

-y

-i

i

i=1

i=1

n

xiyi

-

xi

yi

ii=1i=1越小越好越接近1越好局部加权回归(LWR):2i

i3

回归分析

BP神经网络(BPNN):4个输入层神经元,1个输出层神经元,隐层12个神经元支持向量机(SVM):RBF核函数:K

(x

,x)=exp

(-g

x

-x高斯核函数:ii

iw

=

exp(-0.5(x

-

x)T

D(x

-

x))g=16MAVIEMGvOrderlogDWAMPWL00.20.40.61不不特特不去SCCLWRSVMBPNN四、基于肌电信号的模式识别和抓握力同步解码MAV

IEMG

vOrde

logD

WAMP

WL00.10.20.30.4

0.80.5不不特特不去MSEBPNN

LWR

SVM(b)不同特征值和不同分析方法下的SCC(a)不同特征值和不同分析方法下的MSE结论:平均误差在10%以内,平方相关系数在0.8以上;MAV+BPNN的方法下各项指标均为最优。04

抓握力估计实验结果及分析

四、基于肌电信号的模式识别和抓握力同步解码041265432108时时(

s)圆圆原(N)实原幅

估估幅

054206圆圆原(N)实原幅

估估幅

05024610时时(

s)圆圆原(N)实测值估计值选用方法MSESCCBPNN0.20270.9351LWR0.34880.8964SVM0.54470.853810

15时时(

s)

(a)BPNN15(b)LWR16(c)SVM4

抓握力估计实验结果及分析

00.10.30.20.40.50.60.70.80.91MAV+SSCAR+SSCMDF小/小

中/中

大/大中/小/

大/小+中+大小+中+大小+中+大1.41.61.822.22.400.10.20.30.4-1.6-1.5-1.4-1.3-1.2自自

圆圆

二二

钩钩

侧侧

球钩

食二

掌掌

1.822.22.4-1.4-1.3-1.2-1.1-0.3-1-0.2-0.100.1自自

圆圆

二二

钩钩

侧侧

球钩

食二

掌掌

四、基于肌电信号的模式识别和抓握力同步解码结论:不同抓取力下,特征值分布发生改变抓握力改变时,模式识别正确率下降5

抓握模式识别及抓取力的同步解码

(1)不同肌肉收缩程度对抓握模式判别的影响四、基于肌电信号的模式识别和抓握力同步解码结论:抓握

模式改变时,抓握力估计

的精度下降抓握模式MSESCC随机0.8945±0.471482.44%±7.43%圆柱抓取0.0922±0.026894.17%±0.04%球形抓取0.2058±0.032492.76%±0.71%二指捏取0.1325±0.039891.98%±0.94%侧边捏取0.2275±0.077790.72%±0.21%包含所有抓取模式的肌电信号训练样本测试样本训练样本和测试样本为同种抓取模式5

抓握模式识别及抓取力的同步解码

(2)不同抓握模式对抓握力估计的影响随机抓取模式的肌电信号四、基于肌电信号的模式识别和抓握力同步解码(3)抓握模式与抓取力同步解码方案数据采集控制器模式识别中等抓握力下的训练模型何种抓取模式?抓握力估计:四种抓取模式下的神经网络抓取力动作模式方案1通过解码的抓取力调用相应的模式识别模型方案2通过判别的动作模式调用相应模式下的神经网络四、基于肌电信号的模式识别和抓握力同步解码模式识别正确率MSESCC小力抓取

84.26%±0.3454±87.56%±3.23%0.16684.89%中力抓取

85.53%1.797884.13%±±2.56%±0.34702.62%大力抓取

88.79%±2.2336±93.67%±2.98%0.63263.22%510-200246时时(s)圆圆原(N)实原幅估估幅二二二圆圆圆圆圆侧侧二圆球钩圆圆05100510时时(s)圆圆原(N)实原幅估估幅二二二圆侧侧二圆圆圆圆圆球钩圆圆051001051520时时(s)圆圆原(N)实原幅

估估幅

二二二圆侧侧二圆圆圆圆圆球钩圆圆15

20(a)小力抓取15

20(b)中力抓取15

20(c)大力抓取5

同步解码结果分析(1)四、基于肌电信号的模式识别和抓握力同步解码024

68

10

1276543210(a)时时(s)圆圆原(N)实原幅

估估幅

024

68

10

120246810(b)时时(s)圆圆原(N)实原幅估估幅024

68

10

120123456(c)时时(s)圆圆原(N)实原幅

估估幅

02402468圆圆原(N)实原幅估估幅模式识别精度MSESCC二指捏取85.83%±

2.38%1.4176±

0.368390.22

±2.36%侧边捏取83.66%±

3.45%0.6692±

0.225287.04

±4.76%圆柱抓取86.51%

±2.51%0.8667±

0.652190.48±

2.49%球形抓取82.86%±

5.62%0.7168

±0.439983.30±

7.33%(a)二指捏取(b)侧边捏取6(d)时时(s()8

10

12d)球形抓取(c)圆柱抓取5

同步解码结果分析(2)四、基于肌电信号的模式识别和抓握力同步解码模式识别精度MSESCC二指捏取85.83%±

2.38%1.4176±

0.368390.22

±2.36%侧边捏取83.66%±

3.45%0.6692±

0.225287.04

±4.76%圆柱抓取86.51%

±2.51%0.8667±

0.652190.48±

2.49%球形抓取82.86%±

5.62%0.7168

±0.439983.30±

7.33%方案1同步解码结果模式识别正确率MSESCC小力抓取

84.26%±0.3454±87.56%±3.23%0.16684.89%中力抓取

85.53%1.797884.13%±±2.56%±0.34702.62%大力抓取

88.79%±2.2336±93.67%±2.98%0.63263.22%方案2同步解码结果较高的模式识别精度的前提下同步力解码正确的抓取模式是抓取任务完成的基础模式识别精度较高;力解码偏差小以假肢手的稳定抓取为目标五、肌电信号实时控制假肢手实验1

实验平台

五、肌电信号实时控制假肢手实验抓取模式图片实时显示模式识别精度约为77%2

在线模式识别五、肌电信号实时控制假肢手实验010304005101520时时(s)圆圆原(N)预原幅

实原幅

0051015圆圆原(N)预原幅

实原幅

010401412108642020

30时时(s)圆圆原(N)预原幅

实原幅

010304005101520时时(s)圆圆原(N)预原幅实原幅(a)二指

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论