1、華中科技大學(xué)碩士學(xué)位論文基于廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的肌電信號(hào)模式識(shí)別系統(tǒng)姓名：熊漢申請(qǐng)學(xué)位級(jí)別：碩士專業(yè)：控制工程指導(dǎo)教師：黃劍2011-05-28華中科技大學(xué)碩士學(xué)位論文摘 要在現(xiàn)代康復(fù)醫(yī)學(xué)領(lǐng)域中，人們對(duì)具有智能康復(fù)功能的醫(yī)療系統(tǒng)需求越來越高，而通過肌電信號(hào)對(duì)人體運(yùn)動(dòng)信息和意圖進(jìn)行準(zhǔn)確判斷是建立此類系統(tǒng)的必要前提之一。本文旨在系統(tǒng)地研究肌電信號(hào)特點(diǎn)機(jī)理、采集方式、特征提取方法、動(dòng)作識(shí)別方法，通過多種肌電特征提取方法的比較研究并結(jié)合模式識(shí)別算法建立起一套穩(wěn)定的實(shí)驗(yàn)平臺(tái)，通過實(shí)測肌電數(shù)據(jù)在該平臺(tái)上進(jìn)行分析驗(yàn)證，達(dá)到識(shí)別人手多動(dòng)作模式的目的。本文首先介紹了肌電信號(hào)模式識(shí)別研究及其相關(guān)領(lǐng)域應(yīng)用現(xiàn)狀。然

2、后系統(tǒng)研究了多種肌電信號(hào)分析和提取方法并闡述了它們的意義，接著對(duì)模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)、運(yùn)行機(jī)制進(jìn)行介紹并結(jié)合兩者的優(yōu)勢引出了模糊神經(jīng)網(wǎng)絡(luò)，介紹該網(wǎng)絡(luò)的權(quán)值運(yùn)算、隸屬度函數(shù)選擇、基本結(jié)構(gòu)，重點(diǎn)討論了一種具有動(dòng)態(tài)調(diào)整功能的模糊神經(jīng)網(wǎng)絡(luò)并分析了它的網(wǎng)絡(luò)結(jié)構(gòu)。然后介紹了肌電信號(hào)采集裝置的系統(tǒng)結(jié)構(gòu)，敘述了該裝置硬件設(shè)計(jì)過程和軟件組成。接著對(duì)廣義的動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)模式識(shí)別算法準(zhǔn)則和實(shí)現(xiàn)流程進(jìn)行了詳細(xì)的闡述。在最后實(shí)驗(yàn)階段采用了7種特征提取方法并對(duì)它們進(jìn)行分析比較，然后對(duì)它們的模式識(shí)別結(jié)果進(jìn)行了總結(jié)。實(shí)驗(yàn)表明，采用廣義的動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)算法對(duì)手部7種動(dòng)作進(jìn)行識(shí)別的準(zhǔn)確率可達(dá)97%以上，且其在多種特征

3、提取方法應(yīng)用下具有一定的適用性。本文通過對(duì)該實(shí)驗(yàn)平臺(tái)的研發(fā)，實(shí)現(xiàn)了基于肌電信號(hào)的人手多動(dòng)作模式識(shí)別。在今后的研究中將繼續(xù)改善肌電信號(hào)采集方式，研究新的特征提取方法，同時(shí)對(duì)識(shí)別算法進(jìn)行改進(jìn)以提高系統(tǒng)的實(shí)時(shí)性，為以后應(yīng)用于康復(fù)機(jī)器人運(yùn)動(dòng)控制打下良好的基礎(chǔ)。關(guān)鍵詞：肌電信號(hào) 特征提取 模式識(shí)別 廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)I華中科技大學(xué)碩士學(xué)位論文AbstractIn modern rehabilitation medicine, there is an increasing demand of medical system with the function of intelligent rehabili

4、tation, and it is one of the indispensable procedure to create the system by recognizing the sports consciousness of people accurately by the electromyographic (EMG).The content of the thesis includes the research of characteristics of EMG, how to record EMG, how to extract the features, how to reco

5、gnize the action. According to the compare of several algorithms of feature extraction, we combine it with the pattern recognition algorithms to establish a stable experimental system, and certificate the effect of this system using actual EMG signals, finally recognize the multi-action modes of han

6、d.At the beginning, the paper introduces the current progress in the research of EMG pattern recognition and its related fields. Then we take a systematic approach to several algorithms of EMG feature extraction and their significance is given. After that, the paper summarizes the structural feature

7、s and mechanism of the fuzzy system and neural network, introducing the weight operations, membership function selection, basic structure of fuzzy neural network (FNN) which incorporating their merits, and a network structure of a FNN with dynamic adjustment feature(DFNN) is emphasized. Then the str

8、ucture of the EMG collecting device including the hardware and software is introduced. Afterwards, the paper describes the standards and implementation procedure of the algorithms of pattern recognition based on generalized dynamic fuzzy neural network (GDFNN) in detail. At last, this paper provides

9、 an analysis and comparison in seven EMG feature extraction algorithms, and summarizes their results of pattern recognition. The experiments indicate that the accuracy could be 97% by using algorithms of GDFNN to recognize seven type of actions and it has a wide applicability in several approaches o

10、f feature extraction.By the development of this experimental platform, we proposed implementing approaches of hands multi-action pattern recognition based on EMG signals. In the future, we will search a more suitable method of EMG collecting, studying the new algorithms of feature extraction. At the

11、 same time we will adjust the algorithms of pattern recognition to improve the real-time performance of the system, laying a solid foundation for motion control of rehabilitation robot.Keywords: EMG; feature extraction; pattern recognition; GDFNN;II獨(dú)創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所知，除文中

12、已經(jīng)標(biāo)明引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫過的研究成果。對(duì)本文的研究做出貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。本人完全意識(shí)到本聲明的法律結(jié)果由本人承擔(dān)。學(xué)位論文作者簽名：日期： 年 月 日學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，即：學(xué)校有權(quán)保留并向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)華中科技大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。 保密， 在 年解密后適用本授權(quán)書。本論文屬于 不保密。（請(qǐng)?jiān)谝陨戏娇騼?nèi)打“”）學(xué)位論

13、文作者簽名： 指導(dǎo)教師簽名：日期： 年 月 日 日期： 年 月 日華中科技大學(xué)碩士學(xué)位論文1. 緒論1.1. 研究背景與意義在現(xiàn)實(shí)社會(huì)中，人體各個(gè)部位的運(yùn)動(dòng)受到內(nèi)外界因素的綜合影響，一些身體部位的受損如運(yùn)動(dòng)系統(tǒng)損害、肌肉萎縮、肌體（頸部、手部、腿部）失調(diào)等癥狀嚴(yán)重影響了人們的生產(chǎn)生活，特別是當(dāng)國內(nèi)社會(huì)老齡化程度的加深，老人作為行動(dòng)能力上的弱勢群體，他們?cè)诳祻?fù)醫(yī)療領(lǐng)域上的硬性需求會(huì)不斷增加，而康復(fù)醫(yī)學(xué)及其相關(guān)科研的興起由此而來。為恢復(fù)行動(dòng)受損人群的正常能力，以智能康復(fù)系統(tǒng)為代表的新型控制系統(tǒng)的應(yīng)用得到人們的重點(diǎn)關(guān)注，該系統(tǒng)的基本工作原理是獲取使用者的運(yùn)動(dòng)信息或運(yùn)動(dòng)意圖來判斷以何種方式、何種途徑輔

14、助康復(fù)治療，其中該系統(tǒng)如何提取并識(shí)別出運(yùn)動(dòng)意圖或信息是此類研究中不可缺少的一環(huán)。由于生物電信號(hào)在時(shí)間和空間范疇上包含著豐富的人體信息，反映了人體的即時(shí)動(dòng)作，所以它被認(rèn)為是研究人體運(yùn)動(dòng)信息的有力途徑之一，而表面肌電信號(hào)作為生物電信號(hào)的典型代表，它是一種表皮下肌肉運(yùn)動(dòng)反映在皮膚表面的綜合結(jié)果，其已被廣泛應(yīng)用于肌肉運(yùn)動(dòng)、肌肉營養(yǎng)失調(diào)診斷、康復(fù)醫(yī)學(xué)及體育運(yùn)動(dòng)學(xué)等方面的研究，它具有安全、易于采集、與肌肉運(yùn)動(dòng)的相關(guān)性強(qiáng)等優(yōu)點(diǎn)，通過其來識(shí)別人體運(yùn)動(dòng)信息效果較好，例如某些殘障者是在交通事故或其他意外事件中失去了手指，但其相關(guān)神經(jīng)系統(tǒng)未受損壞，利用肌電信號(hào)所包含的如肌肉力量、操作者的目的、肌肉阻抗等信息來識(shí)別殘

15、障者的操作意圖，即可以使用肌電信號(hào)作為義肢的控制信號(hào)1。還有從人體表皮提取肌電信號(hào)，利用計(jì)算機(jī)簡化人體傳遞和處理腦的運(yùn)動(dòng)指令的過程，使人-機(jī)接口的速度獲得大幅度的提高2，促進(jìn)受損人士與機(jī)器的信息交換來進(jìn)行下一步的康復(fù)訓(xùn)練。而顯然以上目的達(dá)成的前提是必須要建立一個(gè)穩(wěn)定的模式識(shí)別系統(tǒng)，特別是隨著現(xiàn)今康復(fù)醫(yī)學(xué)研究的發(fā)展，國內(nèi)外在結(jié)合肌電信號(hào)處理與康復(fù)機(jī)器人技術(shù)方面有著更多、更深入的研究，目的是研制出具有智能康復(fù)功能和評(píng)價(jià)功能的輔助系統(tǒng)，在此過程中借助對(duì)肌電信號(hào)的分析識(shí)別來實(shí)現(xiàn)一系列康復(fù)訓(xùn)練的控制策略，在一定程度上輔助甚至替代醫(yī)師對(duì)受損者進(jìn)行治療，而通過肌電信號(hào)如何更加完整、系統(tǒng)地描述人體運(yùn)動(dòng)已經(jīng)是此

16、類研究的重點(diǎn)，同時(shí)肌電信號(hào)特征提取方式的發(fā)展和肌電信號(hào)處理方法的大量應(yīng)用已成為肌電信號(hào)研究的一個(gè)突出特點(diǎn)，如何從肌電信號(hào)中1華中科技大學(xué)碩士學(xué)位論文提取有用信息達(dá)到識(shí)別出肢體的多種運(yùn)動(dòng)模式也已經(jīng)成為康復(fù)醫(yī)學(xué)界研究的熱點(diǎn)問題之一。所以本課題的主要任務(wù)是對(duì)肌電信號(hào)進(jìn)行分析驗(yàn)證，通過對(duì)該信號(hào)的分類識(shí)別來將人體運(yùn)動(dòng)信息和意圖反饋給控制系統(tǒng)，而現(xiàn)在我們必須首先建立起一套集信號(hào)采集、特征提取、模式識(shí)別功能于一體的實(shí)驗(yàn)平臺(tái)。1.2. 國內(nèi)外發(fā)展現(xiàn)狀及應(yīng)用多年來，人們借助肌電信號(hào)反映人體內(nèi)部信息的特點(diǎn)，通過不同的方法來識(shí)別肢體動(dòng)作的類型和過程，并研制相應(yīng)裝置來輔助個(gè)體運(yùn)動(dòng)，達(dá)到人與機(jī)器有機(jī)結(jié)合的目的。上海交通

17、大學(xué)的雷敏等對(duì)表面肌電信號(hào)進(jìn)行了分析研究并給出了各種特征估計(jì)，介紹了用于假肢動(dòng)作控制的兩大類表面肌電信號(hào)的特征識(shí)別方法3。李醒飛等則根據(jù)實(shí)時(shí)采集的肌電信號(hào)判斷動(dòng)作始末狀態(tài)并對(duì)該信號(hào)進(jìn)行小波降噪預(yù)處理，利用小波變換有效地識(shí)別握拳、展拳、手腕內(nèi)旋和手腕外旋4種動(dòng)作模式4，此外還有研究采用新的特征提取方法將個(gè)體差異影響程度降到最低，用于在非特定人條件下前臂肌群的多運(yùn)動(dòng)模式識(shí)別5。對(duì)于模糊神經(jīng)網(wǎng)絡(luò)與肌電信號(hào)的結(jié)合，有一種方法采用了模型網(wǎng)絡(luò)對(duì)假肢的肌電信號(hào)進(jìn)行學(xué)習(xí)并達(dá)到一定的效果6。錢曉進(jìn)等7也使用了模糊推理與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，成功完成了對(duì)混合相肌電信號(hào)的分解，而與肌電信號(hào)同屬生物電范疇的心電信號(hào)研

18、究中也有通過模糊神經(jīng)網(wǎng)絡(luò)分類器完成訓(xùn)練、檢驗(yàn)，證明其對(duì)心電信號(hào)具有較高識(shí)別率8，這同樣在肌電信號(hào)的識(shí)別研究中具有良好的借鑒效果。國外對(duì)肌電信號(hào)特征提取以及模式識(shí)別方法的研究顯得越來越積極，其中表面肌電信號(hào)在肌肉運(yùn)動(dòng)及疲勞損傷分析、康復(fù)運(yùn)動(dòng)學(xué)等方面的研究越來越深入910。相對(duì)而言，表面肌電信號(hào)處理的第一步，即信號(hào)分析與特征提取是整個(gè)識(shí)別系統(tǒng)中非常重要的環(huán)節(jié)，特征矢量的有效性密切關(guān)系到系統(tǒng)的識(shí)別能力，而肌電信號(hào)的分析研究如表面肌電信號(hào)與肌肉力的關(guān)系11、疲勞狀態(tài)下肌電特征及其補(bǔ)償12等都對(duì)肌電信號(hào)的特征規(guī)律做了系統(tǒng)的研究，而肌電信號(hào)分析方法按發(fā)展趨勢大致可分為五個(gè)理論方面：時(shí)域法、頻域法、時(shí)頻法、

19、高階譜、混沌與分形等。2華中科技大學(xué)碩士學(xué)位論文傳統(tǒng)的分析方法都是時(shí)域法，此類方法具有實(shí)現(xiàn)簡單，運(yùn)算速度快等特點(diǎn)而得到廣泛的應(yīng)用，如平均絕對(duì)值（Mean Absolute Value）是計(jì)算肌電信號(hào)絕對(duì)值的平均值，代表了一種簡便的肌肉收縮水平檢測方法。均方根（Root Mean Square）是對(duì)信號(hào)先求平方和并取其平均值后再開方，它與肌肉收縮幅度關(guān)系緊密，而平均絕對(duì)值與均方根方法的效果由E. A. Clancy等做過比較1314。波長（Waveform length）是某時(shí)間段上的波形累計(jì)長度，它與信號(hào)的振幅等有關(guān)。過零點(diǎn)（Zero Crossings）是計(jì)算某種條件下信號(hào)越過零點(diǎn)的次數(shù)，且

20、需設(shè)定一個(gè)閾值以減少噪音。方差（VAR）是信號(hào)功率的測量，定義為先對(duì)信號(hào)求平方和后再取平均值。 斜率符號(hào)變化數(shù)（SSC）與過零點(diǎn)相似，是另外一種反映信號(hào)頻率的方法.。 EMG信號(hào)的時(shí)序模型中AR模型得到較多的應(yīng)用，它假設(shè)了EMG信號(hào)為平穩(wěn)的高斯過程，從而推導(dǎo)出線性的AR模型，其模型階次一般為4階，而Jer Junn Luh等15使用的時(shí)變AR模型達(dá)到了提高肌電信號(hào)幅值估計(jì)準(zhǔn)確度的目的。EMG直方圖是當(dāng)肌肉高度收縮時(shí)檢測不同幅值肌電信號(hào)的采樣個(gè)數(shù)，并將其作為一種有效特征來進(jìn)行信號(hào)處理，在特征提取過程中需設(shè)定閾值和不同的幅值段，然后將各幅值段的信號(hào)采樣個(gè)數(shù)作為其特征。在頻域法方面，肌電信號(hào)的頻率分

21、析也提供了肌肉收縮時(shí)的有用信息，其穩(wěn)定的頻域特征受到人們歡迎。Ronager J通過傅里葉變換對(duì)肌電信號(hào)進(jìn)行了功率譜分析16，了解了正常個(gè)體與病患者在用力時(shí)的功率譜差異，R.Merletti也比較了基于FFT變換與AR模型的兩種估計(jì)方法17，且肌電信號(hào)的頻譜分析不但在肌電檢測與分析中具有重大價(jià)值，還具有一定的臨床意義18。在時(shí)頻法方面，由于集合了時(shí)域和頻域的優(yōu)點(diǎn)，此類方法近年來受到人們特別關(guān)注。現(xiàn)在用于肌電信號(hào)的時(shí)頻分析方法主要有小波變換、短時(shí)FFT變換、Wiser-Ville變換、Choi-Williams變換等，這些方法較適合于非平穩(wěn)信號(hào)的分析。短時(shí)FFT變換是指選擇適當(dāng)?shù)拇昂瘮?shù)將信號(hào)分成

22、幾小段，把非平穩(wěn)信號(hào)看成是一系列短時(shí)平穩(wěn)信號(hào)的疊加19。同時(shí)有人使用小波變換對(duì)肌電信號(hào)進(jìn)行實(shí)時(shí)處理，實(shí)現(xiàn)了對(duì)腕部動(dòng)作的識(shí)別20。由于傳統(tǒng)的隨機(jī)信號(hào)處理只能反映服從高斯分布的隨機(jī)信號(hào)的概率結(jié)構(gòu)，而肌電信號(hào)是明顯的非平穩(wěn)信號(hào)，所以人們考慮到使用高階譜分析法從而可以得到信號(hào)本身更多的信息，如雙譜分析法做肌肉力變化分析和肌肉恢復(fù)分析21。3華中科技大學(xué)碩士學(xué)位論文混沌與分形理論現(xiàn)在也開始用于EMG內(nèi)在產(chǎn)生機(jī)理的規(guī)律研究，并有理論表明EMG的的分形維數(shù)隨肌肉收縮強(qiáng)度的增加表現(xiàn)為單凋上升的趨勢22，也有通過非線性濾波來研究靜態(tài)承受負(fù)載下的表面EMG信號(hào)23。針對(duì)EMG信號(hào)的非線性以及不平穩(wěn)性，人們對(duì)各種非

23、線性方法進(jìn)行了研究，混沌與分形作為其中的主要手段，將在未來EMG信號(hào)的非線性處理研究中占主要地位。肌電信號(hào)在康復(fù)醫(yī)療領(lǐng)域的相關(guān)應(yīng)用是我們關(guān)注的重點(diǎn)，特別是應(yīng)用于肢體康復(fù)控制系統(tǒng)方面，如肌電信號(hào)用于人體上肢動(dòng)作辨識(shí)與軌跡預(yù)測,為實(shí)現(xiàn)多自由度假肢的控制打下基礎(chǔ)24，也有利用手勢sEMG信號(hào)控制虛擬人機(jī)交互系統(tǒng)，最后將識(shí)別結(jié)果轉(zhuǎn)換為機(jī)器命令，便于人機(jī)信息交流25，而基于肌電信號(hào)的上肢康復(fù)機(jī)器人姿態(tài)控制與軌跡跟蹤控制也受到越來越多的關(guān)注，Kazuo Kiguchi等26研究的基于肌電信號(hào)的外骨骼機(jī)器人，它可以輔助老人、傷者、殘疾人的上肢運(yùn)動(dòng)，達(dá)到康復(fù)治療的目的，同時(shí)人體下肢表面肌電信號(hào)的變化也比較活躍

24、，有結(jié)果表明步行時(shí)下肢肌電信號(hào)有一定的規(guī)律性27,通過均方根法提取肌電特征后，結(jié)合模糊神經(jīng)網(wǎng)絡(luò)控制器也可對(duì)步行時(shí)腳踝的運(yùn)動(dòng)角度進(jìn)行控制28。1.3. 論文主要內(nèi)容本文旨在分析分析多種肌電信號(hào)的特征提取方法，結(jié)合具有強(qiáng)大學(xué)習(xí)推理能力的模糊神經(jīng)網(wǎng)絡(luò)來對(duì)手部多動(dòng)作模式進(jìn)行準(zhǔn)確有效的識(shí)別，為基于肌電信號(hào)的運(yùn)動(dòng)控制系統(tǒng)應(yīng)用打下良好的基礎(chǔ)，此外我們將通過實(shí)驗(yàn)、測試，對(duì)結(jié)論進(jìn)行驗(yàn)證。具體的研究內(nèi)容如下：(1) 第一章論述了研究背景與意義、國內(nèi)外研究現(xiàn)狀及其相關(guān)領(lǐng)域研究，提到了肌電信號(hào)特征提取的多種算法以及與本文關(guān)系密切的諸多實(shí)際應(yīng)用。(2) 第二章介紹肌電信號(hào)的基本特點(diǎn)及其采集裝置基本結(jié)構(gòu)，并著重描述了多種

25、時(shí)域分析方法的理論基礎(chǔ)及其代表的意義；接著引出常用的智能算法，包括模糊系統(tǒng)、神經(jīng)網(wǎng)絡(luò)，論述了它們的原理結(jié)構(gòu)；最后討論了結(jié)合模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)優(yōu)點(diǎn)的模糊神經(jīng)網(wǎng)絡(luò)算法原理及網(wǎng)絡(luò)結(jié)構(gòu)。(3) 第三章闡述了肌電信號(hào)采集裝置的設(shè)計(jì)過程，其中詳細(xì)描述了噪聲分析、放大濾波、隔離屏蔽的設(shè)計(jì)思路與實(shí)現(xiàn)過程，并選擇了合理的供電方案，最終控制數(shù)據(jù)采集卡達(dá)到信號(hào)初步處理與存儲(chǔ)的目的。4華中科技大學(xué)碩士學(xué)位論文(4) 第四章討論了動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和實(shí)現(xiàn)流程，對(duì)算法的動(dòng)態(tài)準(zhǔn)則、參數(shù)調(diào)整方案都做了詳細(xì)的闡述。(5) 第五章給出了整個(gè)系統(tǒng)的實(shí)驗(yàn)過程，實(shí)現(xiàn)了多種方法的特征值提取并對(duì)它們進(jìn)行初步對(duì)比，最后對(duì)每種方法的識(shí)別效

26、果進(jìn)行比較并得出結(jié)論。(6) 第六章對(duì)論文進(jìn)行了總結(jié)和展望，對(duì)存在的問題進(jìn)行探討，指出進(jìn)一步的改進(jìn)方向。5華中科技大學(xué)碩士學(xué)位論文6華中科技大學(xué)碩士學(xué)位論文7華中科技大學(xué)碩士學(xué)位論文8華中科技大學(xué)碩士學(xué)位論文 WL=xk,xk=xkxk1 (2.5)k=1N(6) 方差(Variance of EMG)肌電信號(hào)的平均值一般接近于零，而方差代表了肌電信號(hào)的一種能量特征，由于肌電信號(hào)的均值不同，其方差也將不同，如下是兩種方差求取方法：1N2VAR1=xk (2.6) N1k=11N(|xk|2 (2.7) VAR2=N1k=1其中，為肌電信號(hào)絕對(duì)值積分的平均值。(7) EMG信號(hào)的時(shí)序模型(AR)

27、肌電信號(hào)在某個(gè)較短時(shí)間段內(nèi)可被近似看成一段平穩(wěn)的高斯信號(hào)，所以人們用常見的AR時(shí)間序列模型來提取肌電信號(hào)特征，一般采用的是4階AR模型，提取AR模型4個(gè)系數(shù)作為特征向量。x(i)=aixki+ek (2.8)i=1p其中是ai是AR系數(shù)，p是模型階次，ek是殘差白噪聲。(8) EMG直方圖(Histograms)當(dāng)肌肉收縮運(yùn)動(dòng)時(shí)，EMG信號(hào)會(huì)產(chǎn)生偏離，故可以檢測不同幅值段的EMG信號(hào)采樣個(gè)數(shù)作為一種有效的特征。這里需首先設(shè)定一個(gè)閾值，接著將正負(fù)閾值間的距離等分成不同幅值段，最后將不同幅值的EMG采樣個(gè)數(shù)定為該信號(hào)特征，其中閾值水平和分段數(shù)根據(jù)實(shí)驗(yàn)而定。李耀宇等32曾闡述了肌電信號(hào)的波幅直方圖統(tǒng)

28、計(jì)處理在臨床醫(yī)學(xué)應(yīng)用中的意義。(9) 短時(shí)傅里葉變換(STFT)把小段非平穩(wěn)信號(hào)看成是大量平穩(wěn)STFT的基本思想是在傅里葉變換的基礎(chǔ)上，信號(hào)的效果疊加，其短時(shí)的特性需要通過設(shè)置一個(gè)時(shí)域上的窗函數(shù)來實(shí)現(xiàn)，它的定義如下：+Gf(,)=f(t)g(t)ejtdt,f(t)L2(R) （2.9）這里g(t)為窗函數(shù)，它所定義的“窗”在時(shí)間軸上有規(guī)律移動(dòng)并對(duì)原信號(hào)進(jìn)行逐步分析，有學(xué)者采用該方法對(duì)表面肌電信號(hào)進(jìn)行了處理，使用奇異值分解有效的提取了特征矢量，并通過兩通道肌電信號(hào)識(shí)別了手部四種運(yùn)動(dòng)模式33。9華中科技大學(xué)碩士學(xué)位論文10華中科技大學(xué)碩士學(xué)位論文 解模糊化出口：將模糊推理結(jié)果轉(zhuǎn)換為清晰化的輸出；

29、模糊集是模糊系統(tǒng)的集合，把隸屬該集合的程度定義為隸屬度，它提供了一種在數(shù)學(xué)上表達(dá)不確定因子的方法。通常應(yīng)用最為廣泛的隸屬度函數(shù)是三角函數(shù)和高斯函數(shù)，他們的定義如下：(1) 三角隸屬函數(shù)xm1,xm(x)= (2.10)0,其他其中m和分別為三角模糊集的中心和寬度。(2)高斯隸屬函數(shù)(xc)2（x）=exp- (2.11) 2其中c和分別為高斯模糊集的中心和寬度，圖2-4、2-5為兩個(gè)隸屬度函數(shù)的圖形：圖2-4 三角形隸屬度函數(shù)圖2-5高斯型隸屬度函數(shù)模糊系統(tǒng)里最常用的模糊推理方式是模糊IF-THEN規(guī)則以及TSK模型34，普11華中科技大學(xué)碩士學(xué)位論文通的模糊IF-THEN規(guī)則都是用 IF A

30、 THEN B形式的語句來表達(dá)，這種推理方式幫助人們?cè)诓淮_定環(huán)境下仍能做出決策，它是模糊邏輯系統(tǒng)的基礎(chǔ)，在這個(gè)結(jié)構(gòu)中來自人類專家的語言信息被量化，使得此語言信息能夠被系統(tǒng)利用，它的簡單形式如下：Ri:IF x1 is F1i and.and xr is Fri,THEN yi is C 而基于TSK模型的模糊推理系統(tǒng)的IF-THEN規(guī)則如下：Ri:IF x1 is F1i and.and xr is Fri,THEN yi=0i+1ix1+.+rixr 其中模糊集為Fji(j=1,2,.,r)，yi是指第i個(gè)規(guī)則的系統(tǒng)輸出，ji是實(shí)參數(shù)。所以TSK模型所建立規(guī)則的IF部分是模糊的，但THEN部

31、分是清晰的，即規(guī)則輸出為所有輸入變量的線性組合，其優(yōu)點(diǎn)是更加適合于數(shù)學(xué)分析，計(jì)算效率高，一些優(yōu)化和自適應(yīng)方法能夠得到很好的應(yīng)用。一般來說TSK模糊推理系統(tǒng)在執(zhí)行模糊規(guī)則的過程中要經(jīng)歷幾個(gè)步驟：(1) 在系統(tǒng)輸入部分通過比較輸入量和隸屬度函數(shù)關(guān)系來獲得每個(gè)語言標(biāo)識(shí)的隸屬度；(2) 根據(jù)模糊規(guī)則進(jìn)行模糊推理，得到每條規(guī)則的輸出權(quán)值； (3) 通過輸出權(quán)值產(chǎn)生每條規(guī)則的有效結(jié)果；(4) 將各規(guī)則輸出結(jié)論疊加解模糊化后得到明確的輸出；u(5) 最終的輸出即為每條規(guī)則的加權(quán)平均：y=y×wii=1iwi=1u，其中u表示模糊規(guī)則i數(shù)，權(quán)值wi=Fi。j=1uj根據(jù)以上模糊推理方法，我們可以建立

32、由原始信號(hào)輸入到系統(tǒng)結(jié)論輸出的非線性映射，理論證明35一個(gè)模糊系統(tǒng)可以以任意精度逼近一個(gè)連續(xù)或離散函數(shù)，它為我們提供了一種簡單有效的設(shè)計(jì)方法，通過該方法可以對(duì)系統(tǒng)進(jìn)行有效的建模與控制。但是模糊系統(tǒng)還存在一些問題，例如它在參數(shù)調(diào)整過程中，對(duì)輸入變量的劃分、隸屬函數(shù)的數(shù)量選擇、規(guī)則數(shù)的確定都沒有一種系統(tǒng)的設(shè)計(jì)方案，而且在一個(gè)多輸入多輸出系統(tǒng)中，模糊規(guī)則數(shù)會(huì)呈指數(shù)級(jí)增加，從而加大了運(yùn)算的困難度和復(fù)雜度。所以我們需要通過結(jié)合另外一種人工智能方法-神經(jīng)網(wǎng)絡(luò)來達(dá)到提高收斂速度、縮短訓(xùn)練時(shí)間、增強(qiáng)自適應(yīng)能力的目的，以便更加快速的建立一個(gè)具有學(xué)習(xí)能力的模糊系統(tǒng)。12神經(jīng)網(wǎng)絡(luò)是由許多神經(jīng)元節(jié)點(diǎn)組成，每個(gè)神經(jīng)元的

33、功能都是把其他神經(jīng)元和外部輸入權(quán)值疊加后產(chǎn)生一個(gè)輸出權(quán)值，該神經(jīng)元會(huì)繼續(xù)通過連接權(quán)值，刺激與之連接的其他神經(jīng)元，因此神經(jīng)網(wǎng)絡(luò)的核心組成包括：神經(jīng)元之間的連接方式，連接權(quán)值的計(jì)算、神經(jīng)元個(gè)數(shù)、激勵(lì)函數(shù)等。根據(jù)神經(jīng)元的連接方式不同，神經(jīng)網(wǎng)絡(luò)可以分為前饋神經(jīng)網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)。前饋神經(jīng)網(wǎng)絡(luò)是指數(shù)據(jù)從輸入層開始依次傳遞到下一層，而反饋神經(jīng)網(wǎng)絡(luò)除數(shù)據(jù)從輸入層開始直到輸出層以外，其輸入輸出或者層次之間還帶有反饋。神經(jīng)網(wǎng)絡(luò)具有幾個(gè)比較顯著的特點(diǎn)：(1) 通過樣本數(shù)據(jù)訓(xùn)練從而具有學(xué)習(xí)能力；(2) 泛化能力，即對(duì)測試樣本產(chǎn)生正確的響應(yīng)；(3) 適合于多變量系統(tǒng)的運(yùn)算；(4) 高度的并行實(shí)現(xiàn)能力、容錯(cuò)能力；(5)

34、 能夠逼近任意非線性映射。神經(jīng)網(wǎng)絡(luò)可以在學(xué)習(xí)的過程中調(diào)整網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)，而一個(gè)神經(jīng)網(wǎng)絡(luò)的性能和它的學(xué)習(xí)能力密切相關(guān)，從實(shí)際應(yīng)用的角度看，神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)應(yīng)該注意以下幾個(gè)方面36：魯棒性：沒有局部極小問題、震蕩問題、不確定存儲(chǔ)等學(xué)習(xí)困難問題；快速性：學(xué)習(xí)的快速性，或通過少量的樣本即可快速的學(xué)習(xí)；有效性：在有限的訓(xùn)練樣本情況下，訓(xùn)練學(xué)習(xí)仍然有效；泛化能力：學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)擁有較好的適應(yīng)能力，能對(duì)新的輸入樣本進(jìn)行正確響應(yīng)。目前的學(xué)習(xí)算法主要有三類：有監(jiān)督學(xué)習(xí)：監(jiān)督學(xué)習(xí)最常見的方法是誤差反向傳播算法，在基于一組輸入輸出樣本的情況下，學(xué)習(xí)這組數(shù)據(jù)所表達(dá)的模型特性，但這組數(shù)據(jù)必須具有代表性；無監(jiān)督學(xué)習(xí)：無監(jiān)

35、督學(xué)習(xí)沒有理想輸出，它也被稱為競爭學(xué)習(xí)，指的是在學(xué)習(xí)過程中根據(jù)輸入數(shù)據(jù)的分布來調(diào)整訓(xùn)練網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)；增強(qiáng)型學(xué)習(xí)：這種學(xué)習(xí)方法是建立在一個(gè)評(píng)價(jià)模型的基礎(chǔ)上，而評(píng)價(jià)模型會(huì)根據(jù)原始信號(hào)得到一個(gè)增強(qiáng)信號(hào)，這種學(xué)習(xí)方法比較適合于在線學(xué)習(xí)。一般來說，神經(jīng)元的數(shù)學(xué)模型常用的為Sigmoid函數(shù)型：f(Neti)=1 (2.12) 1+exp(x)但本文需要了解的徑向基（RBF）神經(jīng)網(wǎng)絡(luò)通常以高斯函數(shù)作為隱含層神經(jīng)元基函數(shù)，網(wǎng)絡(luò)是由輸入層、隱含層、輸出層組成，RBF的輸出層滿足：13華中科技大學(xué)碩士學(xué)位論文14華中科技大學(xué)碩士學(xué)位論文2.4. 模糊神經(jīng)網(wǎng)絡(luò)模糊系統(tǒng)利用專家知識(shí)建立模糊集、隸屬度函數(shù)、模糊推

36、理規(guī)則等達(dá)到對(duì)復(fù)雜系統(tǒng)進(jìn)行控制的目的，從而在許多難以用精確數(shù)學(xué)模型描述系統(tǒng)的情況下，能提供一些有效的解決方案，但是模糊系統(tǒng)并不存在一種系統(tǒng)的理論來選擇或調(diào)整系統(tǒng)的各種參數(shù)，使該系統(tǒng)在設(shè)計(jì)過程中存在太多的主觀性；同時(shí)，神經(jīng)網(wǎng)絡(luò)卻具有一定的分布能力和學(xué)習(xí)能力，它們是改善系統(tǒng)自適應(yīng)能力的重要途徑，且該算法具有泛化能力強(qiáng)、容錯(cuò)性能好、并行處理能力強(qiáng)等優(yōu)點(diǎn)，然而神經(jīng)網(wǎng)絡(luò)也具有某些缺陷，例如對(duì)語言變量無法處理，不能將先驗(yàn)的控制知識(shí)注入到控制系統(tǒng)的設(shè)計(jì)過程中去，使得所有的系統(tǒng)建模都只能用“黑箱”理論去設(shè)計(jì)。因此結(jié)合以上兩種算法的優(yōu)點(diǎn)，利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力來對(duì)模糊規(guī)則和隸屬度函數(shù)進(jìn)行參數(shù)調(diào)整，將一些必要的專

37、家知識(shí)預(yù)先注入到神經(jīng)網(wǎng)絡(luò)中去，我們就可以實(shí)現(xiàn)對(duì)復(fù)雜系統(tǒng)的進(jìn)一步分析設(shè)計(jì)。實(shí)現(xiàn)了模糊系統(tǒng)邏輯推理與神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力的結(jié)合，可以使隸屬度函數(shù)參數(shù)和網(wǎng)絡(luò)權(quán)值的調(diào)整在樣本學(xué)習(xí)過程中自動(dòng)完成，克服了人們主觀選擇隸屬度函數(shù)形狀及其位置的缺點(diǎn)，而且專家理論也被加載到系統(tǒng)中，提高了神經(jīng)網(wǎng)絡(luò)對(duì)自身結(jié)構(gòu)的控制能力。一個(gè)典型的模糊神經(jīng)網(wǎng)絡(luò)如圖2-6所示28，它將模糊系統(tǒng)的模糊化、模糊推理、解模糊計(jì)算通過分布式的神經(jīng)元網(wǎng)絡(luò)來描述從而實(shí)現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)的自調(diào)整、自學(xué)習(xí)。在圖示模型結(jié)構(gòu)中，整個(gè)模糊神經(jīng)網(wǎng)絡(luò)分為五個(gè)層次，其中第一層為輸入層，即為語言節(jié)點(diǎn)；第二層為模糊化層，它是將輸入的清晰化數(shù)據(jù)轉(zhuǎn)換為相應(yīng)的模糊語言變量，其過程

38、是通過隸屬度函數(shù)（如三角形函數(shù)、高斯函數(shù)、鐘形函數(shù)等）計(jì)算每個(gè)輸入層數(shù)據(jù)對(duì)應(yīng)的某個(gè)語言變量的隸屬度，為后面的模糊推理做準(zhǔn)備，而隸屬度函數(shù)的中心、寬度及形狀屬于可調(diào)整范圍；第三層為模糊推理層，用來實(shí)現(xiàn)模糊邏輯推理，其模糊規(guī)則的推理方式與規(guī)則數(shù)目可以人為預(yù)先設(shè)定，也可以通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練來調(diào)整，這取決于不同算法的選擇；第四層為模糊輸出層，它是模糊推理的結(jié)論部分，在這里需要說明的是第二層與第三層節(jié)點(diǎn)之間的連接權(quán)值代表了模糊（條件）部分的計(jì)算，而第三層與第四層的連接權(quán)值代表了模糊規(guī)則的THEN規(guī)則的IF（結(jié)論）部分的計(jì)算，這樣，對(duì)于每一個(gè)規(guī)則節(jié)點(diǎn)都至多有一個(gè)語言變量的語言值與之連接；第五層為解模糊層，也

39、就是將所有的規(guī)則輸出的權(quán)值進(jìn)行加權(quán)平均，將模糊語言解模糊化，得到系統(tǒng)清晰化輸出。15華中科技大學(xué)碩士學(xué)位論文在圖示中，箭頭方向從左到右表示在每一次參數(shù)迭代過程中，輸入信號(hào)沿著網(wǎng)絡(luò)正向傳遞到第四層，此時(shí)可固定隸屬度函數(shù)的各參數(shù)，采用算法如最小二乘法調(diào)節(jié)結(jié)論參數(shù)，使得理想輸出和實(shí)際輸出的誤差平方和達(dá)到此情況中最小，接著信號(hào)正向傳到第五層，此時(shí)將獲得的誤差信號(hào)沿網(wǎng)絡(luò)反向傳播，即圖示中的從右到左，從而可調(diào)整隸屬度函數(shù)的各參數(shù)，這樣不僅可以降低搜索空間的維數(shù)，還可以提高參數(shù)的收斂速度。圖2-6模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖上述已經(jīng)了解到模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，現(xiàn)在我們需要確定神經(jīng)網(wǎng)絡(luò)每一層節(jié)點(diǎn)的基本意義和函數(shù)計(jì)算關(guān)系，

40、每個(gè)神經(jīng)元函數(shù)都包括了神經(jīng)元的輸入函數(shù)和激勵(lì)函數(shù)。一個(gè)神經(jīng)元輸入函數(shù)的輸出與它所連接的有限個(gè)其他神經(jīng)元的輸出及連接權(quán)值有關(guān)，可表示為2.18的形式：kkkknet=f(u1k,u2,.,ukp,1,2,.,p) (2.18)k其中，上標(biāo)k表示所在的層數(shù)；ukp表示與其連接的神經(jīng)元的輸出權(quán)值；p表示對(duì)應(yīng)的連接權(quán)值。神經(jīng)元的激勵(lì)函數(shù)一般為其輸入的響應(yīng)函數(shù)，如2.19所示：oik=a(f) (2.19)a(i)為神經(jīng)元的激勵(lì)函數(shù)，而默認(rèn)的神經(jīng)元輸入函數(shù)、激勵(lì)函數(shù)如2.20所示：16華中科技大學(xué)碩士學(xué)位論文 kfj=kjiui,aj=i=1p1 (2.20) fj1+e由于模糊化計(jì)算、模糊推理、解模糊

41、算法的要求，需要對(duì)每一層的神經(jīng)元定義與其意義相符合的神經(jīng)元函數(shù)及權(quán)值計(jì)算方法。第一層：第一層的神經(jīng)元節(jié)點(diǎn)只是簡單的將輸入傳遞到第二層，形式如2.21所示：fj(1)=uj(1),aj(1)=fj(1) (2.21)其連接權(quán)值一般定義為(1)ji=1。第二層：由于需要通過隸屬度函數(shù)實(shí)現(xiàn)語言變量的隸屬度計(jì)算，以鐘形函數(shù)為例，那么此節(jié)點(diǎn)的輸出即為隸屬度函數(shù)的輸出，形式如2.22所示：fj(2)2(ui(2)m(2)ji)=(2)2ji),a(2)j=efj(2) (2.22)(2)其中m(2)，如此，jiji代表了與第i個(gè)語言變量對(duì)應(yīng)的隸屬度函數(shù)的中心和寬度。(2)連接權(quán)值(2)可被認(rèn)為與mjiji

42、相關(guān)。第三層：此層的功能是完成模糊推理IF部分的過程，即(3)(3)(3)(3) (2.23) fj(3)=min(u1,u2,.,u(3)p),aj=fj第二層與第三層節(jié)點(diǎn)的連接權(quán)值為(3)ji=1。第四層：此層的節(jié)點(diǎn)由于同時(shí)接收到信號(hào)正向傳播和反向傳播兩種情況。當(dāng)信號(hào)正向傳播時(shí)，實(shí)現(xiàn)的功能是模糊推理的THEN部分的邏輯運(yùn)算，它用來計(jì)算所有同一結(jié)論的全部權(quán)值，形式如下：pfj(4)=ui(4),a(4)=min(1,fj(4) (2.24) ji=1第四層與第三層節(jié)點(diǎn)的連接權(quán)值為(4)ji=1；當(dāng)信號(hào)反向傳播時(shí)，此節(jié)點(diǎn)的功能是為了使神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中對(duì)語言規(guī)則的反向傳播學(xué)習(xí)，從而調(diào)整條件參

43、數(shù)。第五層：當(dāng)信號(hào)反向傳播時(shí)，其將獲得的誤差信號(hào)沿網(wǎng)絡(luò)反向傳播，從而達(dá)到再訓(xùn)練的目的，這類神經(jīng)元的節(jié)點(diǎn)函數(shù)為：(5)(5)fj(5)=y(5)j,aj=fj (2.25)當(dāng)信號(hào)正向傳播時(shí)，該層的輸出即為模糊神經(jīng)網(wǎng)絡(luò)的推理輸出。此節(jié)點(diǎn)的主要功能是實(shí)現(xiàn)推理結(jié)論的解模糊化，下列公式為去模糊化的計(jì)算37：17華中科技大學(xué)碩士學(xué)位論文(5)(5)fj(5)=(5)jiui,aj=fj(5)(5)(5)jiuii (2.26)由以上看出模糊神經(jīng)網(wǎng)絡(luò)不但可以對(duì)系統(tǒng)進(jìn)行快速有效的建模，而且在知識(shí)抽取、調(diào)整模糊系統(tǒng)等方面有比較明顯的效果，所以本文采用一種廣義的動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)（GDFNN）對(duì)肌電信號(hào)特征進(jìn)行建模

44、，并分類識(shí)別出手部的七個(gè)動(dòng)作模式。根據(jù)徑向基（RBF）神經(jīng)網(wǎng)絡(luò)與模糊推理系統(tǒng)之間的功能等價(jià)性原理38,如果符合以下幾個(gè)標(biāo)準(zhǔn)就可以將徑向基（RBF）神經(jīng)網(wǎng)絡(luò)看成是以模糊知識(shí)推理為基礎(chǔ)的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)：(1) 模糊規(guī)則數(shù)目與徑向基單元的數(shù)目相等；(2) 每條模糊規(guī)為常數(shù)輸出；(3) 每個(gè)模糊語言的隸屬度函數(shù)都為高斯函數(shù)，且其寬度相同；(4) 模糊系統(tǒng)與徑向基神經(jīng)網(wǎng)絡(luò)的輸出都必須是加權(quán)平均計(jì)算且模糊推理采用乘法因子。從網(wǎng)絡(luò)結(jié)構(gòu)的表達(dá)方式上來看，RBF神經(jīng)網(wǎng)絡(luò)已可被認(rèn)為完整描述了模糊IF-THEN規(guī)則，通過它的基函數(shù)代替隸屬度函數(shù)，隱含層神經(jīng)元來表達(dá)模糊規(guī)則，這樣在等價(jià)性上我們就可以認(rèn)為構(gòu)建好了一個(gè)動(dòng)態(tài)

45、模糊神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)。動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)(DFNN)的構(gòu)成方式一般3種，其中第1種是神經(jīng)元節(jié)點(diǎn)構(gòu)成，它通過節(jié)點(diǎn)激勵(lì)函數(shù)組合并根據(jù)模糊規(guī)則進(jìn)行推理；第2種是權(quán)值構(gòu)成，通過模糊隸屬度函數(shù)表示神經(jīng)網(wǎng)絡(luò)中的權(quán)值；第3種是混合式，通過對(duì)輸入輸出信號(hào)的合理分配來滿足系統(tǒng)建模要求。在DFNN訓(xùn)練過程中網(wǎng)絡(luò)參數(shù)及結(jié)構(gòu)是隨時(shí)變化的，并不能在設(shè)計(jì)階段就固定好網(wǎng)絡(luò)的隸屬度函數(shù)、推理規(guī)則等信息，但是有些參數(shù)必須在訓(xùn)練開始階段預(yù)先設(shè)計(jì)好，它們大致包括網(wǎng)絡(luò)學(xué)習(xí)速率、網(wǎng)絡(luò)的層數(shù)、網(wǎng)絡(luò)初始閾值、網(wǎng)絡(luò)輸出閾值、每層的初始節(jié)點(diǎn)數(shù)、每個(gè)節(jié)點(diǎn)的激勵(lì)函數(shù)、期望輸出的最小誤差等。而一個(gè)簡單的動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)（DFNN）結(jié)構(gòu)39如圖2-7

46、所示：18華中科技大學(xué)碩士學(xué)位論文19華中科技大學(xué)碩士學(xué)位論文 了模糊邏輯推理的輸出部分，則其神經(jīng)元節(jié)點(diǎn)的輸出可表示為u=ui=1u。 i(5) 解模糊層（第五層）：即整個(gè)網(wǎng)絡(luò)的輸出層，該神經(jīng)元節(jié)點(diǎn)的輸出代表了輸入矢量空間對(duì)輸出的累計(jì)疊加，可表示為Y(X)=ii,i是模糊推理的輸出部分i=1u的連接權(quán)值；當(dāng)結(jié)果參數(shù)為常數(shù)i=ai,i=1,2,.,u，此時(shí)的輸出可表示為：2XCi)aiexp(2ii=1 (2.27) Y(X)=2uXCiexp()ui=1i本文我們采用TSK模糊模型，則輸出可表示為2XCi)(ai0+ai1x1+.+airxr)exp(2ii=1 (2.28) Y(X)=2uX

47、Ciexp(ui=1iDFNN在學(xué)習(xí)過程中隱含層的的參數(shù)和維數(shù)根據(jù)準(zhǔn)則不斷調(diào)整3940，其結(jié)構(gòu)類似于動(dòng)態(tài)的神經(jīng)網(wǎng)絡(luò)，使得網(wǎng)絡(luò)各參數(shù)和結(jié)構(gòu)在訓(xùn)練過程中始終保持最優(yōu)。廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)GDFNN的結(jié)構(gòu)如圖2-8所示41：20華中科技大學(xué)碩士學(xué)位論文21華中科技大學(xué)碩士學(xué)位論文22華中科技大學(xué)碩士學(xué)位論文3. 肌電信號(hào)采集裝置設(shè)計(jì)方案肌電信號(hào)采集裝置在肌電信號(hào)模式識(shí)別系統(tǒng)中的主要作用是對(duì)肌電信號(hào)進(jìn)行實(shí)時(shí)采集與預(yù)處理，肌電信號(hào)分布在VmV數(shù)量級(jí)，其屬于微弱信號(hào)范疇，而且由于人體是導(dǎo)電體，工頻干擾、環(huán)境電場、磁場感應(yīng)電動(dòng)勢都會(huì)在人體內(nèi)外形成噪聲干擾，而且人體同一塊區(qū)域不同肌肉之間的肌電信號(hào)也會(huì)通過皮膚

48、通導(dǎo)產(chǎn)生互擾，從而干擾肌電信息的采集檢測，所以肌電信號(hào)的放大濾波和電路的隔離屏蔽就成為了此采集裝置的研究重點(diǎn)。3.1. 肌電信號(hào)采集裝置實(shí)驗(yàn)準(zhǔn)備在科學(xué)研究與醫(yī)學(xué)試驗(yàn)中，用于肌電信號(hào)采集的電極一般有兩種，第一種是探入肌肉內(nèi)部的針電極，第二種是可粘貼在皮膚表面的表面電極。針電極采集的是肌肉運(yùn)動(dòng)區(qū)域的小范圍電位信號(hào)，優(yōu)點(diǎn)是工頻干擾和外界環(huán)境干擾較小，而且可檢測深藏在表皮下的肌肉運(yùn)動(dòng)信號(hào)；表面電極采集到的則是神經(jīng)組織與肌肉運(yùn)動(dòng)的綜合信號(hào)，經(jīng)過了皮膚衰減且含有較大的工頻干擾。但是考慮到表面電極采集過程中的無痛、無創(chuàng)、方便采集以及與計(jì)算機(jī)接口的要求等特點(diǎn)，決定了必須使用后一種電極進(jìn)行采集實(shí)驗(yàn)，所以為了提高

49、信號(hào)質(zhì)量，防止表面電極在采集信號(hào)過程中過多的攝入噪聲，我們需要對(duì)噪聲干擾進(jìn)行必要的分析。在肌電信號(hào)采集過程中的干擾主要有三種：(1) 肌電采集信號(hào)線、人體與大地組成的回路中具有耦合電動(dòng)勢，其主要產(chǎn)生的是共模形式的干擾；(2) 兩條差分形式肌電采集信號(hào)線組成的封閉回路生成了差模干擾；(3) 人體自身與周圍環(huán)境組成了回路，由于人體較大內(nèi)阻所產(chǎn)生的電壓降，從而對(duì)肌電采集電路產(chǎn)生了共模與差模混合的干擾。為了消除上述干擾的影響，我們需要將其分為共模形式和差模形式來逐一濾除。對(duì)于差模形式的干擾，我們可以通過對(duì)信號(hào)的隔離屏蔽來進(jìn)行抑制，而共模形式的干擾則需要采集電路有足夠高的共模抑制比就可以對(duì)其進(jìn)行有效的濾

50、除。我們?cè)O(shè)計(jì)23華中科技大學(xué)碩士學(xué)位論文24華中科技大學(xué)碩士學(xué)位論文3.2. 前置放大電路設(shè)計(jì)肌電信號(hào)大小一般不超過5mV，為便于觀測計(jì)算，考慮到A/D轉(zhuǎn)換板卡的輸入輸出范圍，我們將整個(gè)采集電路的放大倍數(shù)定為1000倍。由于采用的是雙電極差分輸入，必須使用差分放大器將輸入端的信號(hào)電壓差放大一定倍數(shù)后再輸出43，而普通的運(yùn)放并不能保證放大精確度、低噪聲等指標(biāo)，所以我們需要選擇一種新的運(yùn)放來滿足系統(tǒng)需求。在一般工程應(yīng)用中，基本的差分放大電路即可達(dá)到放大功能，然而其具有精度不夠高，變更放大增益時(shí)必須調(diào)整多個(gè)電阻等缺點(diǎn)，且輸入電阻大小遠(yuǎn)遠(yuǎn)低于人體的內(nèi)阻（約為1M）,這樣就考慮到了另外一種放大器-儀用放

51、大器。儀用放大器擁有非常大的輸入電阻，適合于微弱信號(hào)的放大，且其放大倍數(shù)與共模抑制比也非常高，能夠在放大信號(hào)差模部分的情況下對(duì)共模部分進(jìn)行高強(qiáng)度抑制。在肌電信號(hào)的放大過程中，共模干擾信號(hào)主要來自于人體工頻干擾，如果共模抑制比不夠高，我們會(huì)發(fā)現(xiàn)經(jīng)過后級(jí)電路放大后的干擾信號(hào)會(huì)完全覆蓋微弱的肌電信號(hào)，所以根據(jù)這些情況我們選擇了儀用放大器作為本電路的主放大級(jí)。圖3-2是儀用放大器的電路結(jié)構(gòu)圖：圖3-2 儀用放大電路圖示儀用放大電路由三個(gè)基本運(yùn)放構(gòu)成，其中電阻R與Rx需在適用范圍內(nèi)（1K10K）。該電路前級(jí)的兩個(gè)運(yùn)放實(shí)現(xiàn)了差分信號(hào)放大功能，且完成了阻抗25華中科技大學(xué)碩士學(xué)位論文 的匹配；當(dāng)信號(hào)輸入為V

52、1，V2時(shí)，兩個(gè)前級(jí)運(yùn)放放大了信號(hào)的差分部分而共模部分不變，當(dāng)信號(hào)繼續(xù)到達(dá)后級(jí)運(yùn)放輸入端時(shí)差分部分再次放大且共模部分仍然不變，最后由后級(jí)運(yùn)放所組成的基本差分放大電路將差分部分繼續(xù)放大，而共模部分輸出互相抵消，完成了該電路的全部功能。此時(shí)前級(jí)運(yùn)放的輸出電阻即是后級(jí)運(yùn)放的輸入電阻，因此整個(gè)電路的輸入電阻會(huì)非常大。為取得最佳的性價(jià)能耗比，我們選擇了普遍采用的儀用放大器AD620，該集成芯片內(nèi)部電路如上述所示，它除了有穩(wěn)定的放大功能、高共模抑制比、低噪聲外，其精確度、輸出穩(wěn)定性、低耗電量都十分適合于肌電信號(hào)測量，當(dāng)放大倍數(shù)為100時(shí)，AD620的共模抑制比高達(dá)130dB，供電電流小于1.3mA，輸入失

53、調(diào)電壓小于50V 44。而由于固定的電阻R，我們只需要外接一個(gè)可調(diào)電位計(jì)Rx就能達(dá)到改變放大增益的目的，其關(guān)系式：2RVo=1+(V1V2) (3.1) Rx而放大增益Ga與電位器Rx的關(guān)系式為：49.4KG=+1aRx (3.2) R=49.4KxG1此時(shí)我們使Ga=160.95倍，雖然AD620的理論增益范圍是11000倍，但是考慮到后續(xù)電路的增益效果以及可能發(fā)生的皮膚出汗、手臂意外動(dòng)作等對(duì)差分輸入產(chǎn)生額外干擾造成AD620飽和，這里我們并沒有完全飽和使用其放大功能。3.3. 濾波電路設(shè)計(jì)肌電信號(hào)采集電路是工作在多種噪音干擾背景下的微弱信號(hào)處理平臺(tái)，盡管采取了多項(xiàng)措施預(yù)防，但在采集過程中難

54、免會(huì)有混入的干擾信號(hào)，它們的幅值波動(dòng)甚至?xí)笥谡Ｐ盘?hào)，且會(huì)對(duì)某些動(dòng)作模式的識(shí)別產(chǎn)生較大的影響，所以在對(duì)肌電信號(hào)進(jìn)行放大和阻抗匹配的同時(shí)必須濾除各種頻率的噪聲。綜上所述，提高采集電路的信噪比并有效區(qū)分有用信號(hào)和干擾信號(hào)是我們下一步要考慮的問題。前文可知，肌電信號(hào)的頻譜范圍經(jīng)驗(yàn)證大致在6500Hz內(nèi)，對(duì)于此范圍以外的26華中科技大學(xué)碩士學(xué)位論文高低頻信號(hào)我們都應(yīng)該將其濾除，但是50Hz工頻信號(hào)是共模信號(hào)且其附近是肌電信號(hào)能量比較活躍的頻率區(qū)域，在我們采用了選擇高共模抑制比芯片等措施將工頻信號(hào)降低到一定水平前提下，只要繼續(xù)提高電路的共模抑制比就能實(shí)現(xiàn)對(duì)工頻干擾的濾除。所以我們使用高通濾波器、模擬隔

55、離放大器、低通濾波器來完成濾波電路的設(shè)計(jì)。理想濾波電路的頻響在阻帶內(nèi)其幅值應(yīng)為零，但實(shí)際的濾波電路難以達(dá)到理想的要求，如果同時(shí)在幅頻和相頻響應(yīng)兩方面達(dá)到要求則更為困難，因此只有根據(jù)不同的實(shí)際需求來尋求最佳的近似理想特性，而最常用的有源濾波器有三種45：(1) 巴特沃斯濾波器：其幅頻響應(yīng)在通帶內(nèi) 具有最平幅度特性，其相位特性的線性度良好。(2) 切比雪夫?yàn)V波器：從通帶到阻帶能迅速衰減，在通帶內(nèi)有一定紋波，且相位特性較差。(3) 貝塞爾濾波器：著重于相頻響應(yīng)，其相移與頻率基本成正比，可得到失真最小波形，但過渡帶較平緩。根據(jù)裝置需求，我們綜合幅頻幅度特性以及相位線性度，選擇四階巴特沃斯濾波電路設(shè)計(jì)高

56、低通濾波器。高通濾波器、模擬隔離放大器、低通濾波器電路如圖3-3所示：（a） （b）27華中科技大學(xué)碩士學(xué)位論文（c）圖3-3 濾波電路組成：（a）高通濾波；（b）模擬隔離；（c）低通濾波在此，我們需要對(duì)濾波電路中芯片的性能有一定的了解。高精度雙運(yùn)放芯片OPA2277的共模抑制比可達(dá)140dB，輸入失調(diào)電壓為10V，單運(yùn)放的靜態(tài)工作電流為800A46；而隔離放大器則選擇了BB公司的ISO124精密模擬隔離放大器47，它是一種電容耦合方式的占空比調(diào)制解調(diào)精密模擬隔離放大器，由于僅使用了2pF的隔離電容，信號(hào)通過隔離時(shí)具有良好的可靠性和高頻瞬變脈沖抗干擾能力，其數(shù)字隔離調(diào)制并不影響信號(hào)的完整性，它的關(guān)鍵參數(shù)為0.01%以下的非線性特性、50KHz的信號(hào)帶寬和200V/ C的失調(diào)電壓溫漂。我們知道巴特沃斯低通和高通濾波電路的傳遞函數(shù)分別為45：A0c2A(s)=2cs+Qs+c2 (3.3) 2A0sA(s)=c22s+Qs+c其中通帶電壓增益A0=AVF=1+Rf/R1,特征角頻率c=11。 ,品質(zhì)因素Q=RC3AVF上式可知電容和電阻大小決定了