基于神經(jīng)網(wǎng)絡(luò)的表面肌電信號(hào)識(shí)別(已修改)
2025-11-27 19:58 本頁面
【正文】 畢業(yè)設(shè)計(jì)說明書 (論文 ) 作 者： 學(xué) 號(hào)： 系 ： 自動(dòng)化 專 業(yè)： 自動(dòng)化 題 目： 基于神經(jīng)網(wǎng)絡(luò)的表面肌電信號(hào)識(shí)別 指導(dǎo)者： 副教授 評(píng)閱者： 副教授 2020 年 6 月 9 日 畢業(yè)設(shè)計(jì)（論文）中文摘要 基于神經(jīng)網(wǎng)絡(luò)的表面肌電信號(hào)識(shí)別 摘要： 智能假肢主要特點(diǎn)是能根據(jù)外界環(huán)境變化，自動(dòng)調(diào)整假肢系統(tǒng)的參數(shù)，肌電控制假肢的最大特點(diǎn)是自主控制，只有當(dāng)患者利用自己的肌肉自主收縮讓肌電控制系統(tǒng)工作時(shí)，它才能工作。采集肌電表面信號(hào)成為智能假 肢的理想控制信號(hào)，從 而 其大腿的股直肌表面測得肌電信號(hào)與下肢各關(guān)節(jié)的角度值成非線性關(guān)系，基于神經(jīng)網(wǎng)絡(luò)的建模預(yù)測下肢各關(guān)節(jié)的角度值實(shí)現(xiàn)假肢自主控制成為首選 。本課題利用 BP神經(jīng)網(wǎng)絡(luò)和 RBF神經(jīng)網(wǎng)絡(luò) （ 一種三層前向神經(jīng)網(wǎng)絡(luò) ）分別 建立基于神經(jīng)網(wǎng)絡(luò)的下肢各關(guān)節(jié)角度值預(yù)測模型。 仿真結(jié)果表明，兩種神經(jīng)網(wǎng)絡(luò)都是可行的， RBF神經(jīng)網(wǎng)絡(luò)避免了反向傳播網(wǎng)絡(luò)中繁瑣的計(jì)算，提高了學(xué)習(xí)速度，而且克服了 BP網(wǎng)絡(luò)梯度下降算法中的局部極小問題 。 關(guān)鍵字： 肌電信號(hào) 神經(jīng)網(wǎng)絡(luò) 模式識(shí)別 畢業(yè)設(shè)計(jì)（論文）外文摘要 Title the EMG signal recognition based on the neural work Abstract The main characteristics of intelligent prostheses are that the system can automatically adjust the parameters of intelligent prostheses according to the external environment changes, The Most important feature of myoelectric prosthesis control is the selfdetermination control, Only when patient’ s own muscle voluntary contraction let EMG control system work, it can work. Surface EMG signals are collected as ideal control signals of intelligent prostheses, thus there is a nonlinear relationship between the EMG signals measured from Surface of thigh rectus femoris and the angle values of lower extremity joints, and the angle values of lower extremity joints predicted by neural work modeling should be the first choice for realizing selfdetermination control of intelligent prostheses .The project using BP neural works and RBF neural work (a threeforward neural works) to establish prediction model of the angle values of lower extremity joints respectively based on neural work. Simulation results show that the two neural works are feasible, and RBF neural work avoids the tedious calculations of back propagation work and enhances the learning speed, thus overe the local minimum problem for the gradient descent algorithm in BP work. Keywords： electromyography signal, neural work, pattern recognition 目 次 1 引言 ?????????????????????????????? 1 課題研究背景及意義 ?????????????????????? 1 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢??????????????????? 1 神經(jīng)網(wǎng)絡(luò)的應(yīng)用 ???????????????????????? 2 課題的研究內(nèi)容 ???????????????????????? 3 2 神經(jīng)網(wǎng)絡(luò)的原理 ????????????????????????? 3 BP 神經(jīng)網(wǎng)絡(luò) ?????????????????????????? 4 BP 神經(jīng)網(wǎng)絡(luò)原理 ??????????????????????? 4 BP 網(wǎng)絡(luò)常用傳遞函數(shù) ??????????????????? 5 BP 網(wǎng)絡(luò)學(xué)習(xí)方式 ??????????????????????? 6 BP 網(wǎng)絡(luò)算法改進(jìn) ??????????????????????? 6 RBF 神經(jīng)網(wǎng)絡(luò) ?????????????????????????? 8 RBF 神經(jīng)網(wǎng)絡(luò)原理 ??????????????????????? 8 廣義 RBF 神經(jīng)網(wǎng)絡(luò)模型 ????????????????????? 9 廣義 RBF 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法 ??????????????????? 9 廣義 RBF 神經(jīng)網(wǎng)絡(luò)輸出層權(quán)函數(shù)參數(shù)的調(diào)整 ???????????? 10 3 表面肌電信號(hào)的識(shí)別??????????????????????? 10 肌電信號(hào)的獲取???????????????????????? 11 肌電信號(hào)的特點(diǎn)???????????????????????? 11 系統(tǒng)參數(shù)???????????????????????? 11 3 . 電極???????????????????????? 11 檢查體位和注意???????????????????????? 11 肌電信號(hào)的波形特征?????????????????????? 11 正常肌電信號(hào)?????????????????????? 11 異常機(jī)電 信號(hào)?????????????????????? 12 4 神經(jīng)網(wǎng)絡(luò)表面肌電信號(hào)識(shí)別中的應(yīng) 用 ? ??????????? 13 BP 網(wǎng)絡(luò) 在 表面肌電信號(hào)識(shí)別 中的應(yīng)用 ?????????????? 13 RBF 網(wǎng)絡(luò) 在 表面肌電信號(hào)識(shí)別 中的應(yīng)用 ????????????? 16 結(jié)論 ??????????????????????????????? 19 參考文獻(xiàn)?????????????????????????????? 20 致謝?????????????????????????????? 22 附錄 1 ?????????????????????????????? 23 附錄 2 ?????????????????????????????? 25 1 1 引言 課題研究背景及意義 表面肌電信號(hào)是從人體中樞神經(jīng)系統(tǒng)操作肌肉收縮時(shí)伴隨的電變化到達(dá)表面電極處的時(shí)間和空間的綜合，它反映了運(yùn)動(dòng)神經(jīng)系統(tǒng)的運(yùn)動(dòng)特征 [1]。肌電信號(hào) 作為一種重要的生物電信號(hào) ,不僅在臨床醫(yī)學(xué)、運(yùn)動(dòng)醫(yī)學(xué)等領(lǐng)域被廣泛應(yīng)用 ,而且為人工假肢和功能性神經(jīng)電刺激的理想控制信號(hào) [2]。隨著信號(hào)處理方法和計(jì)算機(jī)技術(shù)的發(fā)展 ,如何從表面肌電信號(hào)重現(xiàn)別處肢體的多種運(yùn)動(dòng)模式已經(jīng)越來越多地引起人們的關(guān)注。經(jīng)過多年的發(fā)展 ,表面肌電信號(hào)的識(shí)別技術(shù)日趨成熟 [35]。近年來 ,人工神經(jīng)網(wǎng)絡(luò)被大量用于肌電信號(hào)的模式識(shí)別，絕大部分的神經(jīng)網(wǎng)絡(luò)模型采用 BP網(wǎng)絡(luò)， 其訓(xùn)練過程是通過對各層系數(shù)反饋調(diào)整實(shí)現(xiàn)的，它是前向網(wǎng)絡(luò)的核心部分 ,體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)中的精華 [6]。 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢 神經(jīng)網(wǎng)絡(luò)是一門新興交叉科學(xué)，起源于 20世紀(jì) 40 年，至今發(fā)展已有 50 多年的歷史了，是人類智能研究的重要組成部
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1