【正文】 ???????? 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系統(tǒng)操作肌肉收縮時伴隨的電變化到達表面電極處的時間和空間的綜合，它反映了運動神經系統(tǒng)的運動特征 [1]。 仿真結果表明，兩種神經網(wǎng)絡都是可行的， RBF神經網(wǎng)絡避免了反向傳播網(wǎng)絡中繁瑣的計算，提高了學習速度，而且克服了 BP網(wǎng)絡梯度下降算法中的局部極小問題 。 2020年，我國沈陽航空工業(yè)學院以 MALTAB語言作為系統(tǒng)設計工具 ,將小波分析與神經網(wǎng)絡相結合分析人體表面肌電信號。其內容涉及信息幾何學、智能機器人的動力學模型、神經網(wǎng)絡和自適應動力學規(guī)劃、學習獨立子空間進展、神經處理動力學和視覺感知學以及仿生化學的理論和應用。 1. 模式識別和圖像處理 。 近年來，人工神經網(wǎng)絡 (ANN)在環(huán)境工程和水資源保護方面應用日益廣泛。為多層前傳網(wǎng)絡的學習提供了一種新穎有效的手段，它不僅避免了反向傳播網(wǎng)絡中繁瑣的計算，提高了學習速度，而且克服了 BP網(wǎng)絡梯度下降算法中的局部極小問題 。其中包括概念模型、知識模型、物理化學模型、數(shù)學模型等。 BP神經網(wǎng)絡 BP 神經網(wǎng)絡原理 BP神經網(wǎng)絡是誤差反傳誤差反向傳播算法的學習過程 ， 由信息的正向傳播和誤差的反向傳播兩個過程組成。各種傳遞函數(shù)如圖 所示。 ②自適應調整學習速率 標準 BP 算法收斂速度緩慢的一個重要原因是學習率選 擇不當，學習率選得太小，收斂太慢；學習率選得太大，則有可能修正過頭，導致振蕩甚至發(fā)散。這種 調節(jié)權值的方法有其局限性 ， 即收斂速度慢和局限極小等。如果輸入向量與權值向量相差很多，則徑向基層的輸出接近于 0，經過第二層的線性神經元也接近于 0；如果輸入向量與權值向量很接近，則徑向基層的輸出接近于 1，經過第二層的線性神 經元，輸出值就更靠近第二層權值。 當 )(xfk 時 ， 其作用類似于常規(guī) RBF 神經網(wǎng)絡的輸出層權值 。 廣義 rbf 神經網(wǎng)絡按照如下步驟進行學習 ： ① 確定合適的網(wǎng)絡隱節(jié)點數(shù) 。 廣義 RBF 神經網(wǎng)絡輸出層權函數(shù)參數(shù)的調整 以 x為二維向量 (x1,x2)的情況進行分析 。因此肌電信號處理技術屬于微創(chuàng)技術。檢查下肢及軀干肌肉取臥位，上肢可取坐位。 12 ③當針極插入正常肌肉終板及其鄰近部位時，在基線上出現(xiàn) 1040uv 的不規(guī)則低電壓擾動。肌電信號只出現(xiàn)孤立的單個運動單位電位，表現(xiàn)為單純相波形。正相電位時限 5100ms,電壓為 50200uV,頻率 2200Hz，放電間隔規(guī)律，波形相當恒定，移動針極位置時也不改變。我們用 BP 網(wǎng)絡實現(xiàn)表面肌電信號識別，從大腿的股直肌表面隨意取 4個點，測得它們的肌電信號作為輸入，下肢各關節(jié)的角度值為輸出，設置 5000 組訓練值，根據(jù)所給輸入輸出數(shù)據(jù)求出權值 w，給出 3800 組測試值，結合權值 w 和測試組輸入求出輸出的。由此， 取訓練精度 goal=0,徑向基層的散布常數(shù) spread=,最大神經元個數(shù) MN=20，顯示頻率 df=25（如圖 所示）。感謝她在畢業(yè)設計期間為我提供了良好的學習條件，更為重要的是經常在百忙之中抽出時間來指導我的學習。 [a,b]=size(m)。 %隱層神經元個數(shù) [w1,b1,w2,b2]=initff(in,midn,39。%誤差目標 lr=。 24 mmax1=max(m1,[],1)。tansig39。) hold on plot(out2,39。 shuru2=max(shuru3)。 tshuru3=EMG_TEST1(1:3800,:)。 =newrb(shuru39。39。:39。 hold on plot(y1,39。 y1=y1*tshuchu1。 tshuru(:,3)=tshuru3(:,3)/tshuru2(:,3)。 shuru(:,4)=shuru3(:,4)/shuru2(:,4)。) 25 附錄 2 load(39。%求網(wǎng)絡輸出，仿真 out2=out2.*c1max。 c1=out139。,w2,b2,39。)。 cmax=max(c,[],2)。C:\Documents and Settings\sj\桌面 \何瑋的論文 \data to predict 39。但用 RBF網(wǎng)絡仿真出的誤差相對于 BP網(wǎng)絡仿真的誤差較大。隱層的單元是感受單元，每個感受單元輸出為 )/||( ||)( 22 iiiii cXRXR ?? ??? ， i=1,? ,H。 4 神經網(wǎng)絡 在 表面肌電信號識別 中的應用 智能假肢主要特點是能根據(jù)外界環(huán)境變化，自動調整假肢系統(tǒng)的參數(shù)，肌電控制假肢的最大特點是自主控制，只有當患者利用自己的肌肉自主收縮讓肌電控制系統(tǒng)工作時，它才能工作。纖顫電位時限大部分為 以下，電壓小于 300500uV,頻率為 230Hz。肌肉輕度收縮電位，一個脊髓前角細胞通過軸突、神經肌肉接頭和所支配的肌纖維稱為一個運動單位，由正常肌肉隨意收縮時出現(xiàn)的動作電位，是運動單位電活動的綜合結果。 ②高頻負電位，部分正常肌肉在電極插入瞬間觸發(fā)一序列負相電位。酒精可造成電極損壞，一般避免使用。b. )(xfk 為網(wǎng)絡輸入 1次冪函數(shù)的情況 。 ③ 取 1?kv ， 確定 )(xfk 的參數(shù) 。 廣義 RBF 神經網(wǎng)絡的學習算法 廣義 RBF 神經網(wǎng)絡比單純的 RBF 神 經網(wǎng)絡具有更多的參數(shù) ,其學習相對來說就會更為復雜 。由圖 可知 ,kx 為輸入層的輸入 ( k = 1 ,2 , ?,D)； jg 為隱含層的輸入 ( j = 1 ,2 , ?,m) ； 01,y y 為輸出層的輸出； 9 廣義 RBF 神經網(wǎng)絡模型 不失一般性 ， 考慮多輸入單輸出歸一化形式的廣義模糊 RBF 神經網(wǎng)絡 ,網(wǎng)絡共分四層 。 其具有較強的自組織、自適應及學習、聯(lián)想、容錯和抗干擾能力。將以上兩種方法結合起來，就得到動量 自適應學習速率調整算法。 ①利用動量法改進 BP算法 標準 BP算法實質上是一種簡單的最速下降靜態(tài)尋優(yōu)方法 ， 在修正 W(K)時，只按照第 K步的負梯度方向進行修正 ， 而沒有考慮到以前積累的經驗 ， 即以前時刻的梯度方向 ， 從而常常使學習過程發(fā)生振蕩 ， 收斂緩慢。周而復始的信息正向傳播和誤差反向傳播過 程 ， 是各層權值不斷調整的過程 ， 也是神經網(wǎng)絡學習訓練的過程 ， 此過程一直進行到網(wǎng)絡輸出的誤差減少到可以接受的程度 ， 或者預先設定的學習次數(shù)為止。 （ 4）人工神經網(wǎng)絡應用系統(tǒng)。目前 ， 主要的研究工作集中在以下幾個方面： 4 （ 1）生物原型研究。 5%以內 .因此地下水脫氮神經網(wǎng)絡模型預測結果與試驗結果較一致 ,具有較強的實際應用前景 [16]。 5. 空間科學 [1314] 例如，神經網(wǎng)絡技術在煤層瓦斯含量預測中的應用： 3 1) 神經網(wǎng) 絡的 BP算法從非線性角度出發(fā)。 目前我國神經網(wǎng)絡的研究取得了一定的成就，支撐神經網(wǎng)絡的關鍵技術研究也取得了一定的進展，但從研究問題的深度和投入的科研力量來說，國內的水平相對國外還有差距，研究內容多數(shù)還停留在理論階段，開發(fā)出的硬件和軟件系統(tǒng)以實驗目的為主，仍然缺少對整個系統(tǒng) 的創(chuàng)新性研究。最后通過對分類結果的分析與比較 ,證明小波與神經網(wǎng)絡相結合是一種有效的表面肌電信號的模式識別方法 [89]。經過多年的發(fā)展 ,表面肌電信號的識別技術日趨成熟 [35]。 畢業(yè)設計說明書 (論文 ) 作 者： 學 號： 系 ： 自動化 專 業(yè)： 自動化 題 目： 基于神經網(wǎng)絡的表面肌電信號識別 指導者： 副教授 評閱者： 副教授 2020 年 6 月 9 日 畢業(yè)設計（論文）中文摘要 基于神經網(wǎng)絡的表面肌電信號識別 摘要： 智能假肢主要特點是能根據(jù)外界環(huán)境變化，自動調整假肢系統(tǒng)的參數(shù)，肌電控制假肢的最大特點是自主控制，只有當患者利用自己的肌肉自主收縮讓肌電控制系統(tǒng)工作時，它才能工作。近年來 ,人工神經網(wǎng)絡被大量用于肌電信號的模式識別，絕大部分的神經網(wǎng)絡模型采用 BP網(wǎng)絡， 其訓練過程是通過對各層系數(shù)反饋調整實現(xiàn)的，它是前向網(wǎng)絡的核心部分 ,體現(xiàn)了人工神經網(wǎng)絡中的精華 [6]。 同年，在重慶大學召開的神經網(wǎng)絡研究會議中日本腦科學研究所所長、