基于神經(jīng)網(wǎng)絡(luò)的表面肌電信號識別-wenkub
2022-11-27 19:58:33 本頁面
【正文】 lligent 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 ??????????????????????? 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 表面肌電信號的識別??????????????????????? 10 肌電信號的獲取???????????????????????? 11 肌電信號的特點???????????????????????? 11 系統(tǒng)參數(shù)???????????????????????? 11 3 . 電極???????????????????????? 11 檢查體位和注意???????????????????????? 11 肌電信號的波形特征?????????????????????? 11 正常肌電信號?????????????????????? 11 異常機電 信號?????????????????????? 12 4 神經(jīng)網(wǎng)絡(luò)表面肌電信號識別中的應(yīng) 用 ? ??????????? 13 BP 網(wǎng)絡(luò) 在 表面肌電信號識別 中的應(yīng)用 ?????????????? 13 RBF 網(wǎng)絡(luò) 在 表面肌電信號識別 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 表面肌電信號是從人體中樞神經(jīng)系統(tǒng)操作肌肉收縮時伴隨的電變化到達(dá)表面電極處的時間和空間的綜合，它反映了運動神經(jīng)系統(tǒng)的運動特征 [1]。近年來 ,人工神經(jīng)網(wǎng)絡(luò)被大量用于肌電信號的模式識別，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]。對 SEMG信號的識別分為 3個步驟 :數(shù)據(jù)預(yù)處理 ,特征的提取 ,設(shè)計分類器分類。 同年，在重慶大學(xué)召開的神經(jīng)網(wǎng)絡(luò)研究會議中日本腦科學(xué)研究所所長、國際神經(jīng)網(wǎng)絡(luò)協(xié)會（ＩＮＮＳ）作為發(fā)起人之一、期刊 Neural Networks的第一任主編、前東京大學(xué) Shunichi Amari 教授，美國加利福尼亞薩斯州大學(xué)的 Walter Freeman 教 2 授，中國科學(xué)院王守覺院士， Paul 教授，香港中文大學(xué)的徐雷教授，土耳其 Bogazici 大學(xué)的 Okyay Kaynay教授在大會上分別作了報告。報告具有較強的前瞻性，一定程度上代表了神經(jīng)網(wǎng)絡(luò)未來的發(fā)展方向 [7]。神經(jīng)網(wǎng)絡(luò)作為未來世界的重要技術(shù)有著廣闊的應(yīng)用前景，但要想讓它真正融入到人們生活的每個層面，還需要我們開展更多、更全面的研究工作 [12]。 2. 控制和優(yōu)化 。利用多因素人工神經(jīng)網(wǎng)絡(luò)模式識別原理 , 對煤與瓦斯突出進行預(yù)測，避免了純粹意義上的基于數(shù)學(xué)建模的定量統(tǒng)計方法的局限性。神 經(jīng)網(wǎng)絡(luò)易于應(yīng)用，可以通過水質(zhì)參數(shù)之間的相互關(guān)系 ,預(yù)測出水水質(zhì)未知參數(shù) .本文應(yīng)用神經(jīng)網(wǎng)絡(luò)預(yù)測地下水脫氮出水水質(zhì) ,預(yù)測結(jié)果與試驗結(jié)果基本接近。 本課題的研究內(nèi)容 本畢業(yè)設(shè)計任務(wù)是建立基于神經(jīng)網(wǎng)絡(luò)的下肢各關(guān)節(jié)角度值預(yù)測模型 。 2 神經(jīng) 網(wǎng)絡(luò)的原理 神經(jīng)網(wǎng)絡(luò)是由大量的、簡單的處理單元廣泛地互相連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng) ， 它反映了人腦功能的許多基本特征 ， 是一種高度復(fù)雜的非線性動力學(xué)系統(tǒng)。從生理學(xué)、心理學(xué)、解剖學(xué)、腦科學(xué)、病理學(xué)等生物科學(xué)方面研究神經(jīng)細(xì)胞、神經(jīng)網(wǎng)絡(luò)、神經(jīng)系統(tǒng)的生物原型結(jié)構(gòu)及其功能機理。 （ 3）網(wǎng)絡(luò)模型與算法研究。在網(wǎng)絡(luò)模型與算法研究的基礎(chǔ)上 ， 利用人工神經(jīng)網(wǎng)絡(luò)組成實際的應(yīng)用系統(tǒng) ， 例如 ， 完成某種信號處理或模式識別的功能、構(gòu)作專家系統(tǒng)、制成機器人等等。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息 ，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層 ， 負(fù)責(zé)信息變換 ， 根據(jù)信息變化能力的需求 ， 中間層可以設(shè)計 為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息 ， 經(jīng)進一步處理后 ， 完成一次學(xué)習(xí)的正向傳播處理過程 ， 由輸出層向外界輸出信息處理結(jié)果。（如圖 ） 5 BP 網(wǎng)絡(luò)常用傳遞函數(shù) : BP 網(wǎng)絡(luò)的傳遞函數(shù)有多種。 Y(1) Y(n) I(1) I(n) 輸入層 隱層 輸出層 圖 圖 BP網(wǎng)絡(luò)常用的傳遞 函數(shù) 6 ＢＰ網(wǎng)絡(luò)的學(xué)習(xí)方式 BP 算法是一種有監(jiān)督式的學(xué)習(xí)算 法，其主要思想是：輸入學(xué)習(xí)樣本 ， 使用反向傳播算法對網(wǎng)絡(luò)的權(quán)值和偏差進行反復(fù)的調(diào)整訓(xùn)練 ， 使輸出的向量與期望向量盡可能地接近 ， 當(dāng)網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時訓(xùn)練完成 ， 保存網(wǎng)絡(luò)的權(quán)值和
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1