小波變換與人工神經網絡在肌電信號模式識別中的應用

測控論文編號:CK029   論文字數:20750,頁數:41，有開題報告，任務書，外文翻譯           
目    錄 
摘要 Ⅰ
Abstract Ⅱ
第1章  緒論 1
 1.1  課題背景 1
 1.2  工程應用價值 1
 1.3  課題研究的內容 2
第2章  系統設計工具—MATLAB簡介 3
 2.1  MATLAB語言的產生背景 3
    2.2  MATLAB語言的主要產品 3
    2.3  MATLAB語言的的特點 4
    2.4  MATLAB語言的的主要功能 5
第3章  方案論證 7
 3.1  模式識別系統的基本構成 7
    3.2  總體設計思想 8
第4章  小波變換及人工神經網絡的理論基礎 10
 4.1  小波及小波包變換的基本理論 10
        4.1.1  小波變換的基本理論 10
 4.1.2  小波包變換的基本理論 11
 4.2  人工神經網絡的基本原理 12
 4.2.1  人工神經網絡的特性 13
 4.2.2  人工神經網絡模型 13
第5章  肌電信號的模式識別 21
 5.1  WAV文件的簡介 21
 5.1.1  WAV文件的結構 21
 5.1.2  WAV文件信息的應用 22
 5.2  肌電信號的數據采集與預處理 23
 5.2.1  數據的采集 23
 5.2.2  數據的提取 23
 5.2.3  數據的預處理 24
 5.3  肌電信號的特征提取 25
 5.3.1  基于小波變換的肌電信號的特征提取 25
 5.3.2  基于小波包變換的肌電信號的特征提取 27
 5.4  人工神經網絡在肌電信號模式識別中應用 30
 5.4.1  BP神經網絡的設計 30
 5.4.2  其它神經網絡的設計 31
 5.4.3  神經網絡的比較 33
第6章  識別結果及其分析 34
 6.1  識別結果 34
 6.2  識別結果分析 36
 6.2.1  小波基函數的選擇對識別率的影響 36
 6.2.2  特征參數的選擇及其對識別率的影響 36
 6.2.3  神經網絡的選擇及其對識別率的影響 37
結論 39
致謝 40
參考文獻 41
附錄1  基于小波變換的特征提取程序清單 42
附錄2  基于小波包變換的特征提取程序清單 49
附錄3  基于神經網絡的模式識別程序清單 75

摘    要

本文針對肌電信號的非平穩特性，采用小波及小波包變換的方法對表面肌電信號進行分析，提取小波及小波包分解系數的特征值構造特征矢量輸入神經網絡分類器進行模式識別，經過訓練能夠成功地從掌長肌、肱撓肌、尺側腕屈肌、肱二頭肌采集的表面肌電信號中識別握拳、展拳、腕內旋、腕外旋、屈腕、伸腕、前臂內旋、前臂外旋八種動作模式。實驗表明，基于小波及小波包變換的神經網絡分類方法所需的數據短、運算快、識別率較高，對于肌電假肢的控制具有良好的應用前景。

關鍵詞  表面肌電信號  模式識別  小波變換  小波包變換 
 人工神經網絡

Abstract
 
 The application of an artificial neural network technique together with a feather extraction technique, viz., the wavelet transform and the wavelet package transform, for the nonstationary character of the EMG signals is described. The data reduction and preprocessing operations of the signals are performed by means of the wavelet transform and the wavelet package transform. The EMG features which extracted by wavelet transform or wavelet package transform is fed into the neural network for later pattern recognition. After training, the classifier with wavelet coefficients or wavelet package coefficients can identify eight classes of forearm movement: hand grasp, hand extension, wrist pronation, wtist supination, wrist flexion, wrist extension, forearm pronation, forearm supination with a relatively high accuracy. Experimental result shows that this method has a great potential in practical application of prothesis control.
 
 Keywords  SEMG  pattern classification  wavelet transform 
            wavelet package transform  artificial neural network