基于線性判別函數(shù)和非線性判別函數(shù)的肌電信號的識別方法

測控論文編號:CK023    論文字?jǐn)?shù):30214,頁數(shù):94 ,有開題報告，任務(wù)書，外文翻譯，程序

目  錄 
摘要 Ⅰ
Abstract Ⅱ
第1章  緒論 1
 1.1   表面肌電信號的研究現(xiàn)狀 1
 1.2   模式識別系統(tǒng)概述 1
 1.2.1 模式識別和模式的概念 2
 1.2.2 模式識別系統(tǒng) 2
 1.2.3 模式識別的基本方法 3
 1.2.4 特征矢量和特征空間 3
 1.3   課題研究的內(nèi)容及安排 4
第2章 表面肌電信號的獲取和分析 5
 2.1   表面肌電信號的形成原理 5
  2.2   表面肌電信號的特點 5
 2.3   表面肌電信號的獲取 6
 2.4   表面肌電信號的分析與特征提取 6
第3章  MATLAB語言簡介 7
 3.1   MATLAB語言簡介 7
  3.2   MATLAB語言 7
 3.3   MATLAB語言優(yōu)點 9
  3.4   MATLAB控制語句簡介 9
第4章  線性判別函數(shù)  11
 4.1   引言 11
    4.1.1  線性判別函數(shù)的基本概念 11
 4.1.2  設(shè)計線性判別函數(shù)的主要步驟 13
 4.2   Fisher線性判別 14
  4.3   多類問題的判別 18
 4.3.1  多類決策 18
 4.3.2  基于線性判別函數(shù)肌電信號分類器的設(shè)計 20
第5章  非線性判別函數(shù) 22
 5.1   分段線性判別函數(shù) 22
 5.1.1  基于距離的分段線性判別函數(shù) 22
 5.1.2  類內(nèi)類間距離準(zhǔn)則 23
 5.1.3  分段線性分類器設(shè)計的一般準(zhǔn)則 24
 5.2   基于分段線性判別函數(shù)肌電信號分類器的設(shè)計 26
 5.3   決策樹簡介 27
 5.3.1  基本概念 27
 5.3.2  決策樹設(shè)計的基本準(zhǔn)則 28
 5.3.3  基于決策樹理論肌電信號樹分類器的設(shè)計 29
第6章  識別結(jié)果及分析 32
 6.1   特征值簡介 32
 6.2   各種分類器識別結(jié)果及分析 34
 6.2.1  分類器運算過程 34
 6.2.2  識別結(jié)果 36
結(jié)論 41
致謝 42
參考文獻(xiàn) 43
附錄1 程序清單 44
附錄2 復(fù)雜度特征值數(shù)據(jù) 90

摘    要

本文主要對基于線性判別函數(shù)與非線性判別函數(shù)肌電信號的識別方法進(jìn)行了研究，較好地實現(xiàn)了對從4塊肌肉上獲取的8種不同動作的肌電信號的模式識別。
利用Fisher準(zhǔn)則函數(shù)設(shè)計了線性分類器和樹分類器，并運用類內(nèi)類間距離準(zhǔn)則完成了分段線性分類器的設(shè)計。通過實驗采集大量實驗數(shù)據(jù)，并驗證以上分類器的分類性能。結(jié)果表明，線性分類器、樹分類器和分段線性分類器均能對8種不同動作的肌電信號進(jìn)行模式識別，其中線性分類器和樹分類器識別效果較好，各動作識別率均在80%以上。
分類器的設(shè)計在MATLAB 6.5環(huán)境下實現(xiàn)的。
 
關(guān)鍵詞  表面肌電信號  Fisher準(zhǔn)則  非線性判別  模式識別

Abstract
 The recognition way of linear discrimination and non-linear discrimination is studied in the paper. Classifiers are designed based on linear and non-linear discrimination. Classifying 8 kinds of motion patterns’ surface electromyography acquisitioned from 4 pieces of muscles of the human body forearm was achieved.
 Linear classifiers and tree classifier are designed based on Fisher guideline. Subsection linear classifier is designed based on multi-classes arithmetic. Training and testing classifiers by using experiment data, multi-classes recognition strategies are proposed based on two classes arithmetic recognition. Results of classifying different surface electromyography show that the designed classifiers can classify different movements. The linear classifiers and tree classifier’ recognition is higher than non-linear classifiers. The rate of every kinds of movements attain over 80%.
  The classifier is designed on the MATLAB 6.5.

Keywords  Surface electromyography  Fisher guideline  Non-linear discrimination  Pattern recognition