资源描述：
《基于隐马尔可夫模型_径向基神经网络的表面肌电信号识别.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、1016中国康复医学杂志,2006年,第21卷,第11期ChineseJournalofRehabilitationMedicine,Nov.2006,Vol.21,No.11·康复医学工程·基于隐马尔可夫模型-径向基神经网络的表面肌电信号识别*11223李芳王人成姜力刘宏朱德有摘要目的:利用隐马尔可夫模型-径向基神经网络(HMM-RBFN)混合模型对7种手指动作进行辨识,探索控制HIT多自由度灵巧手的有效控制策略。方法:8例健康实验对象参加了试验,4例女性,4例男性。每例实验对象按提示完成7种手指动作,每种动作重复50次。通过表面肌电信号(sEMG)采集系统
2、,提取实验对象前臂4块肌肉的sEMG,在对其进行预处理并提取小波变换特征向量后,分别送入HMM模型分类器及HMM-RBFN混合模型分类器进行训练。结果:HMM-RBFN混合模型识别效果和稳定性都大大优于HMM模型,验证了HMM-RBFN混合模型的有效性。结论:①HMM模型在sEMG识别中的效果没有其在语音信号识别中的好,有必要对其进行改进,以便更好的应用于sEMG的识别;②将HMM模型和神经网络组成混合分类器,可以弥补彼此的不足,获得更好的性能。关键词隐马尔可夫模型;径向基神经网络;表面肌电信号;假手中图分类号:R496,R318文献标识码:A文章编号:100
3、1-1242(2006)-11-1016-03AHMM-RBFNhybridclassifierforsurfaceelectromyographysignalsclassification/LIFang,WANGRencheng,JIANGLi,etal.//ChineseJournalofRehabilitationMedicine,2006,21(11):1016—1018AbstractObjective:Toclassifysurfaceelectromyography(sEMG)signalsbyusingHMM-RBFNhybridclassif
4、ierandtoexplorethestrategyofeffectivelycontrollinghandprosthesis.Method:Eightsubjects(male4,female4)withnormalupperlimbswereselectedintheexperiments.Eachsubjectwasinstructedtoperform7kindsoffingersmovementandeachmotionwasrepeated50times.ThesEMGsignalswererecordedon4forearmmuscles.Fe
5、aturesofsEMGsignalswereextractedusingwavelettransformandconveyedtoHMMclassifierandHMM-RBFNhybridclassifierfortraining.Result:HMM-RBFNhybridclassifierprovidedbetterresultsthanthatfromthesingleHMMclassifier.Conclusion:①TheperformanceofHMMclassifierisnotsoexcellentinsEMGsignaldiscrimin
6、ation.②TheHMM-RBFNhybridclassifiercombinetheadvantagesoftwoindividualclassifiersandoffsettheirdisadvantages,henceitachieveshigherdiscrimination,accuracyandstability.Author′saddressDivisionofIntelligentandBiomechanicalSystem,StateKeyLaboratoryofTribology,TsinghuaUniversity,Beijing,10
7、0084KeywordshiddenMarkovmodel;radialbasisfunctionnetworks;surfaceelectromyography;handprosthesis利用表面肌电信号(surfaceelectromyography,model-radialbasisfunctionnetworks,HMM-RBFN)sEMG)控制多自由度假肢是目前假肢技术研究中的混合模型的sEMG识别系统,用于对7种手指动作[1-2]一个热点问题。其中,人工神经网络(artificial进行辨识。neuralnetwork,ANN)已经被认为是解决s
8、EMG动作识别问题的一个强有力的工具,
