小波变换与人工神经网络在肌电信号模式识别中的应用

测控论文编号:CK029   论文字数:20750,页数:41，有开题报告，任务书，外文翻译           
目    录 
摘要 Ⅰ
Abstract Ⅱ
第1章  绪论 1
 1.1  课题背景 1
 1.2  工程应用价值 1
 1.3  课题研究的内容 2
第2章  系统设计工具—MATLAB简介 3
 2.1  MATLAB语言的产生背景 3
    2.2  MATLAB语言的主要产品 3
    2.3  MATLAB语言的的特点 4
    2.4  MATLAB语言的的主要功能 5
第3章  方案论证 7
 3.1  模式识别系统的基本构成 7
    3.2  总体设计思想 8
第4章  小波变换及人工神经网络的理论基础 10
 4.1  小波及小波包变换的基本理论 10
        4.1.1  小波变换的基本理论 10
 4.1.2  小波包变换的基本理论 11
 4.2  人工神经网络的基本原理 12
 4.2.1  人工神经网络的特性 13
 4.2.2  人工神经网络模型 13
第5章  肌电信号的模式识别 21
 5.1  WAV文件的简介 21
 5.1.1  WAV文件的结构 21
 5.1.2  WAV文件信息的应用 22
 5.2  肌电信号的数据采集与预处理 23
 5.2.1  数据的采集 23
 5.2.2  数据的提取 23
 5.2.3  数据的预处理 24
 5.3  肌电信号的特征提取 25
 5.3.1  基于小波变换的肌电信号的特征提取 25
 5.3.2  基于小波包变换的肌电信号的特征提取 27
 5.4  人工神经网络在肌电信号模式识别中应用 30
 5.4.1  BP神经网络的设计 30
 5.4.2  其它神经网络的设计 31
 5.4.3  神经网络的比较 33
第6章  识别结果及其分析 34
 6.1  识别结果 34
 6.2  识别结果分析 36
 6.2.1  小波基函数的选择对识别率的影响 36
 6.2.2  特征参数的选择及其对识别率的影响 36
 6.2.3  神经网络的选择及其对识别率的影响 37
结论 39
致谢 40
参考文献 41
附录1  基于小波变换的特征提取程序清单 42
附录2  基于小波包变换的特征提取程序清单 49
附录3  基于神经网络的模式识别程序清单 75

摘    要

本文针对肌电信号的非平稳特性，采用小波及小波包变换的方法对表面肌电信号进行分析，提取小波及小波包分解系数的特征值构造特征矢量输入神经网络分类器进行模式识别，经过训练能够成功地从掌长肌、肱挠肌、尺侧腕屈肌、肱二头肌采集的表面肌电信号中识别握拳、展拳、腕内旋、腕外旋、屈腕、伸腕、前臂内旋、前臂外旋八种动作模式。实验表明，基于小波及小波包变换的神经网络分类方法所需的数据短、运算快、识别率较高，对于肌电假肢的控制具有良好的应用前景。

关键词  表面肌电信号  模式识别  小波变换  小波包变换 
 人工神经网络

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