17、基于肌电信号的直流电机控制仿真研究

基于肌电信号的直流电机控制仿真研究

1 研究背景与目标

在不同个体的肌电（EMG）信号比较中，本研究使用的 EMG 数据集与其他研究不同。研究主要聚焦于评估在分类准确率未达 100% 的情况下，基于不同抓握力水平的预测，将 EMG 信号应用于连续控制机械臂或从属外骨骼的可行性。为此，使用了来自五名样本受试者的五组 EMG 信号，每组信号时长为 26.5 秒，以模拟连续控制直流电机，进而评估该应用的可行性。

2 EMG 数据准备

2.1 数据采集

从在线数据库下载了 43 名参与者在不同按压幅度下进行手部抓握时获取的 EMG 信号。信号采集过程中，参与者需遵循不同持续时间、压力幅度和形状组合的力轨迹。使用 24 通道的 EMG 电极从参与者的右前臂收集信号。根据按压幅度水平，将 EMG 数据分为三类，具体如下表所示：
| 类别 | 水平 |
| — | — |
| 1 | 空闲状态 - 手部抓握但放松（水平 0） |
| 2 | 按压幅度为 1 的手部抓握（水平 1） |
| 3 | 按压幅度为 2 的手部抓握（水平 2） |

2.2 信号处理与特征提取

在对 EMG 信号进行分类之前，需要进行适当的信号处理和特征提取。原始 EMG 信号具有双极性，首先通过全波整流对信号进行整流，以保留信号的所有成分。为了减少个体间的变异性并提高输出可靠性，采用最大自主收缩（MVC）方法进行归一化。归一化后，使用均方根（RMS）方法从 EMG 信号中提取特征模式，公式如下：
[RMS = \sqrt{\frac{1}{N} \sum_{i=1}^{N} EMG(i)^