基于信息融合的表面肌電信號(hào)模式分類研究的中期報(bào)告

基于信息融合的表面肌電信號(hào)模式分類研究的中期報(bào)告一、研究背景表面肌電信號(hào)（Surfaceelectromyography,sEMG）作為一種無(wú)創(chuàng)且易于獲取的生理信號(hào)，已經(jīng)在康復(fù)醫(yī)學(xué)、人機(jī)交互以及機(jī)器人等領(lǐng)域得到廣泛應(yīng)用。通過(guò)分析sEMG信號(hào)可以提取出多種特征，如幅值、頻率、時(shí)域和頻域等特征，從而可以對(duì)肌肉的運(yùn)動(dòng)狀態(tài)進(jìn)行分類和識(shí)別。由于人體肌肉運(yùn)動(dòng)具有較大的不確定性和多樣性，因此如何準(zhǔn)確地分類和識(shí)別sEMG信號(hào)一直是一個(gè)研究熱點(diǎn)。傳統(tǒng)的sEMG信號(hào)分類方法主要是基于特征提取和分類器設(shè)計(jì)的兩個(gè)步驟。特征提取是將sEMG信號(hào)轉(zhuǎn)化為可區(qū)分的特征向量，常見(jiàn)的方法有時(shí)域特征和頻域特征等。分類器設(shè)計(jì)則是將特征向量映射到某個(gè)類別，以完成分類的目的。傳統(tǒng)的sEMG信號(hào)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(duì)具體任務(wù)選擇不同的特征提取方法和分類器，耗時(shí)費(fèi)力，且分類精度受到限制。信息融合作為一種新型的sEMG信號(hào)分類方法，具有更好的分類性能和更廣泛的應(yīng)用前景。信息融合可以將來(lái)自不同傳感器或特征提取方法的信息進(jìn)行融合，從而提高分類的準(zhǔn)確性和魯棒性。目前，信息融合在sEMG信號(hào)的分類和識(shí)別領(lǐng)域得到了廣泛的應(yīng)用和研究。二、研究?jī)?nèi)容本研究的主要目的是通過(guò)信息融合方法對(duì)sEMG信號(hào)進(jìn)行分類。具體內(nèi)容包括以下幾個(gè)方面：1.構(gòu)建sEMG信號(hào)采集系統(tǒng)本研究將采用傳統(tǒng)的表面肌電信號(hào)采集方法，即將肌電信號(hào)通過(guò)表面電極捕獲并轉(zhuǎn)換成電信號(hào)，最終將信號(hào)存儲(chǔ)在計(jì)算機(jī)中。2.設(shè)計(jì)特征提取方法針對(duì)sEMG信號(hào)的特點(diǎn)，本研究將采用多種特征提取方法，包括時(shí)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(jì)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(lái)，提高分類的準(zhǔn)確性和魯棒性。4.分類器設(shè)計(jì)本研究將采用多種分類器進(jìn)行sEMG信號(hào)的分類，如支持向量機(jī)、k近鄰等，通過(guò)比較不同分類器的分類性能，選擇最優(yōu)的分類器進(jìn)行信息融合分類。三、研究進(jìn)展目前，研究已經(jīng)完成了sEMG信號(hào)的采集系統(tǒng)的搭建和特征提取方法的設(shè)計(jì)。針對(duì)sEMG信號(hào)的時(shí)域和頻域特征進(jìn)行了提取，并通過(guò)實(shí)驗(yàn)驗(yàn)證了其有效性。下一步將進(jìn)行信息融合算法的設(shè)計(jì)和分類器的選擇和訓(xùn)練。同時(shí)，還將進(jìn)行大量的實(shí)驗(yàn)驗(yàn)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(xiàn)[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