基于信息融合的表面肌電信號模式分類研究的中期報告

基于信息融合的表面肌電信號模式分類研究的中期報告一、研究背景表面肌電信號（Surfaceelectromyography,sEMG）作為一種無創(chuàng)且易于獲取的生理信號，已經(jīng)在康復醫(yī)學、人機交互以及機器人等領(lǐng)域得到廣泛應用。通過分析sEMG信號可以提取出多種特征，如幅值、頻率、時域和頻域等特征，從而可以對肌肉的運動狀態(tài)進行分類和識別。由于人體肌肉運動具有較大的不確定性和多樣性，因此如何準確地分類和識別sEMG信號一直是一個研究熱點。傳統(tǒng)的sEMG信號分類方法主要是基于特征提取和分類器設(shè)計的兩個步驟。特征提取是將sEMG信號轉(zhuǎn)化為可區(qū)分的特征向量，常見的方法有時域特征和頻域特征等。分類器設(shè)計則是將特征向量映射到某個類別，以完成分類的目的。傳統(tǒng)的sEMG信號分類方法在特征提取和分類器選擇方面，存在一定的局限性，如需要針對具體任務選擇不同的特征提取方法和分類器，耗時費力，且分類精度受到限制。信息融合作為一種新型的sEMG信號分類方法，具有更好的分類性能和更廣泛的應用前景。信息融合可以將來自不同傳感器或特征提取方法的信息進行融合，從而提高分類的準確性和魯棒性。目前，信息融合在sEMG信號的分類和識別領(lǐng)域得到了廣泛的應用和研究。二、研究內(nèi)容本研究的主要目的是通過信息融合方法對sEMG信號進行分類。具體內(nèi)容包括以下幾個方面：1.構(gòu)建sEMG信號采集系統(tǒng)本研究將采用傳統(tǒng)的表面肌電信號采集方法，即將肌電信號通過表面電極捕獲并轉(zhuǎn)換成電信號，最終將信號存儲在計算機中。2.設(shè)計特征提取方法針對sEMG信號的特點，本研究將采用多種特征提取方法，包括時域特征和頻域特征等，從而提取出可區(qū)分的特征向量。3.信息融合算法設(shè)計本研究將采用多種信息融合算法，包括基于多特征融合、基于多分類器融合和基于多傳感器融合等方法，將特征向量融合起來，提高分類的準確性和魯棒性。4.分類器設(shè)計本研究將采用多種分類器進行sEMG信號的分類，如支持向量機、k近鄰等，通過比較不同分類器的分類性能，選擇最優(yōu)的分類器進行信息融合分類。三、研究進展目前，研究已經(jīng)完成了sEMG信號的采集系統(tǒng)的搭建和特征提取方法的設(shè)計。針對sEMG信號的時域和頻域特征進行了提取，并通過實驗驗證了其有效性。下一步將進行信息融合算法的設(shè)計和分類器的選擇和訓練。同時，還將進行大量的實驗驗證，比較不同信息融合算法和分類器的分類性能，得出最優(yōu)的信息融合分類結(jié)果。四、參考文獻[1]XieH,ChenY,WangH,etal.Surfaceelectromyographypatternrecognitionbasedonmultiplefeaturefusionandclassificationensemble[C]//2019InternationalConferenceonRoboticsandAutomation(ICRA).IEEE,2019:1538-1544.[2]PhinyomarkA,NuidodA,PhukpattaranontP.SurfaceElectromyographySignalClassificationUsingPrincipleComponentAnalysisandK-NearestNeighbor[C]//Proceedingsofthe8thBiomedicalEngineeringInternationalConference(BMEiCON-2015).IEEE,2015:1-4.[3]ChenX,ZhaoX,ChenW,etal.AninformationfusionapproachforsEMG-basedclassificationusingahybrid