System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及生物医学信号处理领域,具体来说,涉及一种基于时间-频率浓度特征的运动信号识别方法。
技术介绍
1、在现代医学中,手部缺失是一种常见的身体疾病,给患者的生活、工作及社交交往带来了重大影响,失去手部的功能不仅使患者失去了重要的劳动工具,还影响了他们的日常活动和社交参与,为了弥补这一缺失,许多患者转向使用假手,肌电假手控制技术以其独特的优势成为改善生活质量的理想选择;肌电假手控制技术是一种先进的技术,通过电极采集人体表面肌电信号(semg),进行精密的分析和控制,相较于其他控制技术,它具有非侵入性、低成本等优势,为手部缺失患者提供了一种有效而可行的解决方案,是假手控制的理想控制源。
2、semg信号是肌肉收缩过程中产生的生物电信号,主要频率在20hz-200hz,通过特征值提取、模式识别的手段,能够监测肌肉活动和识别运动意图。传统的semg信号特征提取方法有时域分析法、频域分析法及时频分析法,其中:时域分析法利用绝对均值(mav)、方差(var)、过零点数(zc)等作为特征量,仅能体现幅值随时间的变化,在处理非平稳信号时无法提供准确的特征描述;频域分析法利用平均功率频率(mpf)、中值频率(mf)等作为特征量,具有相对稳定性,但无法提供信号在时间上的变化性;时频分析法是通过短时傅里叶变换、小波变换等方法将一维时间的肌电信号映射到二维时频空间,能实时反映手势在运动过程中信号的变化,但其原始方法需要提取高维特征系数,计算复杂度较高。
3、因此,亟需研究一种高效可靠的特征提取方法,用于提升semg信号的
4、针对相关技术中的问题,目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题,本专利技术提出一种基于时间-频率浓度特征的运动信号识别方法,具备有良好的稳定性、普适性和抗噪性,能实时反应手势的动态变化的优点,进而解决现有技术中semg信号特征提取方法存在局限性的问题。
2、为此,本专利技术采用的具体技术方案如下:
3、一种基于时间-频率浓度特征的运动信号识别方法,该基于时间-频率浓度特征的运动信号识别方法包括以下步骤:
4、s1、基于手指与前臂肌肉的对应关系,采集semg信号并进行标记;
5、s2、利用滤波器与信号处理算法对标记的semg信号进行数据预处理,得到semg信号的时频关系图;
6、s3、根据semg信号的时频关系图进行分析,计算频率浓度值并进行归一化处理,建立时间-频率浓度特征模型;
7、s4、利用时间-频率浓度特征模型对运动信号进行信号识别与判定。
8、进一步的,基于手指与前臂肌肉的对应关系,采集semg信号并进行标记包括以下步骤:
9、s11、在手指与控制手指运动的前臂肌肉之间搭建对应关系;
10、s12、基于搭建的对应关系,在对应的前臂肌肉处放置肌电传感器;
11、s13、根据手指不同状态,利用肌电传感器进行semg信号采集;
12、s14、基于搭建的对应关系,对采集的semg信号进行标记。
13、进一步的,在手指与控制手指运动的前臂肌肉之间搭建的对应关系包括:semg1,semg2,semg3,semg4,semg5;
14、其中,semg1表示大拇指与拇短和/或拇长伸肌之间搭建的对应关系,semg2表示食指与指伸肌之间搭建的对应关系,semg3表示中指与尺侧腕伸肌之间搭建的对应关系,semg4表示无名指与桡侧腕短伸肌之间搭建的对应关系,semg5表示小拇指与小指伸肌之间搭建的对应关系。
15、进一步的,手指不同状态包括:初始状态,弯曲状态及回复状态。
16、进一步的,利用滤波器与信号处理算法对标记的semg信号进行数据预处理,得到semg信号的时频关系图包括以下步骤;
17、s21、利用陷波滤波器对标记的semg信号进行滤除工频干扰处理;
18、s22、利用带通滤波器对经过处理的semg信号进行带通滤波优化;
19、s23、基于信号处理算法,对经过优化的semg信号进行短时傅里叶变换,得到semg信号的时频关系图。
20、进一步的,基于信号处理算法,对经过优化的semg信号进行短时傅里叶变换,得到semg信号的时频关系图包括以下步骤:
21、s231、根据所需时频关系图的时间分辨率和频率分辨率,选择窗口长度与重叠样本数;
22、s232、根据经过优化的semg信号特征,选择短时傅里叶变换的窗函数;
23、s233、基于选择的窗口长度、重叠样本数及窗函数,利用信号处理算法对经过优化的semg信号进行短时傅里叶变换,得到semg信号的时频关系图。
24、进一步的,根据semg信号的时频关系图进行分析,计算频率浓度值并进行归一化处理,建立时间-频率浓度特征模型包括以下步骤;
25、s31、根据semg信号的时频关系图选取满足预设要求的频带宽度;
26、s32、基于频带宽度计算频率能量的初始值,并确定运动频率;
27、s33、根据运动频率计算频率浓度值,并对频率浓度值进行归一化处理;
28、s34、基于时间和归一化处理后的频率浓度值,构建时间-频率浓度特征模型。
29、进一步的,基于频带宽度计算频率能量的初始值,并确定运动频率包括以下步骤:
30、s321、基于选取的频带宽度,计算手指初始状态时所有频率能量的均值,得到频率能量的初始值;
31、s322、比较频率能量的初始值与所有频率的大小;
32、s323、根据比较结果,记录所有大于频率能量的初始值的频率,得到运动频率。
33、进一步的,根据运动频率计算频率浓度值的计算公式为:
34、
35、对频率浓度值进行归一化处理的公式为:
36、
37、式中,fc(t)表示频率浓度值;
38、表示单位时间长度内所有运动频率之和;
39、fmax表示频带宽度最大值;
40、fmin表示频带宽度最小值;
41、t表示单位时间长度;
42、xnom表示归一化处理后的频率浓度值;
43、x表示原始频率浓度值;
44、xmax表示原始频率浓度值的最大值;
45、xmin表示原始频率浓度值的最小值;
46、a表示映射区间的最小值,取值为-1;
47、b表示映射区间的最大值,取值为1。
48、进一步的,利用时间-频率浓度特征模型对运动信号进行信号识别与判定包括以下步骤:
49、s41、利用时间-频率浓度模型对输入的运动信号进行算法识别;
50、s4本文档来自技高网...
【技术保护点】
1.一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,该基于时间-频率浓度特征的运动信号识别方法包括以下步骤:
2.根据权利要求1所述的一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,所述基于手指与前臂肌肉的对应关系,采集sEMG信号并进行标记包括以下步骤:
3.根据权利要求2所述的一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,所述在手指与控制手指运动的前臂肌肉之间搭建的对应关系包括:sEMG1,sEMG2,sEMG3,sEMG4,sEMG5;
4.根据权利要求2所述的一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,所述手指不同状态包括:初始状态,弯曲状态及回复状态。
5.根据权利要求1所述的一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,所述利用滤波器与信号处理算法对标记的sEMG信号进行数据预处理,得到sEMG信号的时频关系图包括以下步骤;
6.根据权利要求5所述的一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,所述基于信号处理算法,对经过优化的sEMG信号
7.根据权利要求1所述的一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,所述根据sEMG信号的时频关系图进行分析,计算频率浓度值并进行归一化处理,建立时间-频率浓度特征模型包括以下步骤;
8.根据权利要求7所述的一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,所述基于频带宽度计算频率能量的初始值,并确定运动频率包括以下步骤:
9.根据权利要求7所述的一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,所述根据运动频率计算频率浓度值的计算公式为:
10.根据权利要求1所述的一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,所述利用时间-频率浓度特征模型对运动信号进行信号识别与判定包括以下步骤:
...【技术特征摘要】
1.一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,该基于时间-频率浓度特征的运动信号识别方法包括以下步骤:
2.根据权利要求1所述的一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,所述基于手指与前臂肌肉的对应关系,采集semg信号并进行标记包括以下步骤:
3.根据权利要求2所述的一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,所述在手指与控制手指运动的前臂肌肉之间搭建的对应关系包括:semg1,semg2,semg3,semg4,semg5;
4.根据权利要求2所述的一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,所述手指不同状态包括:初始状态,弯曲状态及回复状态。
5.根据权利要求1所述的一种基于时间-频率浓度特征的运动信号识别方法,其特征在于,所述利用滤波器与信号处理算法对标记的semg信号进行数据预处理,得到semg信号的时频关系图包括以下步骤;
6....
【专利技术属性】
技术研发人员:王强,盛春华,张全,张晓,于洋,郭光明,
申请(专利权)人:南通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。