中国生物医学工程学报
中國生物醫學工程學報
중국생물의학공정학보
CHINESE JOURNAL OF BIOMEDICAL ENGINEERING
2013年
3期
257-265
,共9页
张启忠%席旭刚%马玉良%罗志增%佘青山
張啟忠%席旭剛%馬玉良%囉誌增%佘青山
장계충%석욱강%마옥량%라지증%사청산
肌电信号%肌电假肢%KNN模型增量学习算法%近似熵%分维数
肌電信號%肌電假肢%KNN模型增量學習算法%近似熵%分維數
기전신호%기전가지%KNN모형증량학습산법%근사적%분유수
electromyography%myoelectric prosthesis%KNN model incremental learning algorithm%approximate entropy%fractal dimension
基于表面肌电信号的肢体动作模式识别是假手仿生控制的基础.为提高动作模式识别率,从肌电信号的产生机理出发,选取分别表征肌电信号形态特征——细节复杂度和整体自似性的近似熵指标和分维数指标,作为模式识别的特征向量；同时提出一种具有增量学习能力的K最近邻(KNN)模型增量学习算法作为模式识别的分类器.在对10位受试者手腕的4个精细动作(腕伸、腕屈、腕内旋、腕外旋)的识别实验中,取得了92.5％以上的正确识别率.同时对增量学习能力对分类器动作模式识别率的影响做对比实验,当假肢使用者生理变化时,以KNN模型增量学习算法作为分类器比采用不具增量学习能力的KNN模型算法的识别率高4.5％.实验表明,该肌电信号动作模式的识别方法方案合理,具有应用价值.
基于錶麵肌電信號的肢體動作模式識彆是假手倣生控製的基礎.為提高動作模式識彆率,從肌電信號的產生機理齣髮,選取分彆錶徵肌電信號形態特徵——細節複雜度和整體自似性的近似熵指標和分維數指標,作為模式識彆的特徵嚮量；同時提齣一種具有增量學習能力的K最近鄰(KNN)模型增量學習算法作為模式識彆的分類器.在對10位受試者手腕的4箇精細動作(腕伸、腕屈、腕內鏇、腕外鏇)的識彆實驗中,取得瞭92.5％以上的正確識彆率.同時對增量學習能力對分類器動作模式識彆率的影響做對比實驗,噹假肢使用者生理變化時,以KNN模型增量學習算法作為分類器比採用不具增量學習能力的KNN模型算法的識彆率高4.5％.實驗錶明,該肌電信號動作模式的識彆方法方案閤理,具有應用價值.
기우표면기전신호적지체동작모식식별시가수방생공제적기출.위제고동작모식식별솔,종기전신호적산생궤리출발,선취분별표정기전신호형태특정——세절복잡도화정체자사성적근사적지표화분유수지표,작위모식식별적특정향량；동시제출일충구유증량학습능력적K최근린(KNN)모형증량학습산법작위모식식별적분류기.재대10위수시자수완적4개정세동작(완신、완굴、완내선、완외선)적식별실험중,취득료92.5％이상적정학식별솔.동시대증량학습능력대분류기동작모식식별솔적영향주대비실험,당가지사용자생리변화시,이KNN모형증량학습산법작위분류기비채용불구증량학습능력적KNN모형산법적식별솔고4.5％.실험표명,해기전신호동작모식적식별방법방안합리,구유응용개치.
