【正文】 的發(fā)生機制和臨床意義相同。 混合相收縮電位：肌肉中等度用力時，參加肌肉收縮的運動單位數(shù)量增加，肌電信號表現(xiàn)為單個運動單位電位獨現(xiàn)與多個運動單位電位密集共存的混合相波形。由此，可判斷肌肉運動終板的位置 ④肌痙攣電位，有些正常人在電極插入后伴有肌肉收縮及痙攣，出現(xiàn)恒時限、低幅度電位或；正常運動單位電位。 肌電信號的波形特征 正常肌電信號 ①插入電位，是指針極插入肌腹，以及其被移動和叩擊時，對肌纖維或神經(jīng)支的機械刺激及損傷作用觸發(fā)的電位。 肌電信號獲取 肌電信號的特點 肌電信號的幅值為： 10u100mv，帶寬為： 52020khz。 權值調(diào)整的目的是使得網(wǎng)絡的輸出能夠滿足誤差平方和最小 ,即 e=min,下面分為三種情況進行討論 。 增加網(wǎng)絡的隱節(jié)點數(shù)目 ,可以提高網(wǎng)絡逼近精度 ,但同時增加了網(wǎng)絡的學習時間 。 隨著 )(xfk 的不同 ,輸出將不單純是各基函數(shù)節(jié)點輸出的超平面 ,也可能是超曲面 。 在這個過程中，如果只有一個徑向基神經(jīng)元的輸出為 1，而其他的神經(jīng)元輸出均為 0或者接近于 0，那么線性神經(jīng)元層的輸出就相當于輸出為 1的神經(jīng)元相對應的第二層權值的值。下面介紹逼近能力、分類能力和學習速度等方面均優(yōu)于 BP網(wǎng)絡的另一種網(wǎng)絡 —— 徑向基函數(shù)網(wǎng)絡（ RBF）?？刹捎脠D 所示的自適應方法調(diào)整學習率。 Y(1) Y(n) I(1) I(n) 輸入層 隱層 輸出層 圖 圖 BP網(wǎng)絡常用的傳遞 函數(shù) 6 ＢＰ網(wǎng)絡的學習方式 BP 算法是一種有監(jiān)督式的學習算 法，其主要思想是：輸入學習樣本 ， 使用反向傳播算法對網(wǎng)絡的權值和偏差進行反復的調(diào)整訓練 ， 使輸出的向量與期望向量盡可能地接近 ， 當網(wǎng)絡輸出層的誤差平方和小于指定的誤差時訓練完成 ， 保存網(wǎng)絡的權值和偏差。輸入層各神經(jīng)元負責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 ， 負責信息變換 ， 根據(jù)信息變化能力的需求 ， 中間層可以設計 為單隱層或者多隱層結構；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 ， 完成一次學習的正向傳播處理過程 ， 由輸出層向外界輸出信息處理結果。 （ 3）網(wǎng)絡模型與算法研究。 2 神經(jīng) 網(wǎng)絡的原理 神經(jīng)網(wǎng)絡是由大量的、簡單的處理單元廣泛地互相連接而形成的復雜網(wǎng)絡系統(tǒng) ， 它反映了人腦功能的許多基本特征 ， 是一種高度復雜的非線性動力學系統(tǒng)。神 經(jīng)網(wǎng)絡易于應用，可以通過水質(zhì)參數(shù)之間的相互關系 ,預測出水水質(zhì)未知參數(shù) .本文應用神經(jīng)網(wǎng)絡預測地下水脫氮出水水質(zhì) ,預測結果與試驗結果基本接近。 2. 控制和優(yōu)化 。報告具有較強的前瞻性，一定程度上代表了神經(jīng)網(wǎng)絡未來的發(fā)展方向 [7]。對 SEMG信號的識別分為 3個步驟 :數(shù)據(jù)預處理 ,特征的提取 ,設計分類器分類。 關鍵字： 肌電信號 神經(jīng)網(wǎng)絡 模式識別 畢業(yè)設計（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)絡的應用 ???????????????????????? 2 課題的研究內(nèi)容 ???????????????????????? 3 2 神經(jīng)網(wǎng)絡的原理 ????????????????????????? 3 BP 神經(jīng)網(wǎng)絡 ?????????????????????????? 4 BP 神經(jīng)網(wǎng)絡原理 ??????????????????????? 4 BP 網(wǎng)絡常用傳遞函數(shù) ??????????????????? 5 BP 網(wǎng)絡學習方式 ??????????????????????? 6 BP 網(wǎng)絡算法改進 ??????????????????????? 6 RBF 神經(jīng)網(wǎng)絡 ?????????????????????????? 8 RBF 神經(jīng)網(wǎng)絡原理 ??????????????????????? 8 廣義 RBF 神經(jīng)網(wǎng)絡模型 ????????????????????? 9 廣義 RBF 神經(jīng)網(wǎng)絡學習方法 ??????????????????? 9 廣義 RBF 神經(jīng)網(wǎng)絡輸出層權函數(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)絡表面肌電信號識別中的應 用 ? ??????????? 13 BP 網(wǎng)絡 在 表面肌電信號識別 中的應用 ?????????????? 13 RBF 網(wǎng)絡 在 表面肌電信號識別 中的應用 ????????????? 16 結論 ??????????????????????????????? 19 參考文獻?????????????????????????????? 20 致謝?????????????????????????????? 22 附錄 1 ?????????????????????????????? 23 附錄 2 ??????????????????????