19、不同负载下上肢运动的表面肌电信号分类研究

不同负载下上肢运动的表面肌电信号分类研究

表面肌电信号（sEMG）在人机交互（HMI）领域展现出巨大潜力，可用于识别用户身体动作并转化为机器指令。在基于 sEMG 的 HMI 应用中，如上肢康复的仿生手、康复设备和辅助设备等，实时准确地对身体动作进行分类是关键挑战之一。本文聚焦于通过 sEMG 信号识别不同负载下的上肢运动手势，评估了基于决策树（DT）、支持向量机（SVM）、K 近邻（KNN）和集成算法的四种机器学习分类模型，并通过主成分分析（PCA）确定有助于 sEMG 信号分类的特征。

1. 研究背景

• sEMG 在 HMI 中的应用 ：sEMG 已广泛应用于 HMI，用于识别用户身体动作并转化为机器指令。在一些上肢康复应用中，如仿生手、康复设备和辅助设备等，sEMG 发挥着重要作用。
• 分类挑战 ：实时准确地对身体动作进行分类是 sEMG 应用于 HMI 的关键挑战之一。准确的实时响应对于为用户提供足够的反馈至关重要。
• 特征提取与分类模型 ：模式识别包括信号预处理、特征提取和分类器模型训练三个基本阶段。特征提取对分类准确性和可行性起着关键作用，常用的特征包括时域、频域和时频域特征。为了降低特征空间维度，有时会使用 PCA 等方法。在分类模型方面，许多模型如高斯混合模型、支持向量机、K 近邻、决策树和随机森林等都有应用，并且在正确调整模型和选择合适特征的情况下，这些模型都能取得较高的准确率。

2. 研究方法

• 测量设置