QQ客服 官方微博 反馈留言

	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
	李芳 ; 王人成 ; 姜力 ; 刘宏 ; 朱德有 ; LI Fang ; WANG Rencheng ; JIANG Li
	2010-06-08 ; 2010-06-08
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 hidden Markov model radial basis function networks surface electromyography hand prosthesis R318.04
其他题名	A HMM-RBFN hybrid classifier for surface electromyography signals classification
中文摘要	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,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。; Objective:To classify surface electromyography(sEMG) signals by using HMM-RBFN hybrid classifier and to explore the strategy of effectively controlling hand prosthesis. Method: Eight subjects(male 4, female 4) with normal upper limbs were selected in the experiments. Each subject was instructed to perform 7 kinds of fingers movement and each motion was repeated 50 times. The sEMG signals were recorded on 4 forearm muscles. Features of sEMG signals were extracted using wavelet transform and conveyed to HMM classifier and HMM-RBFN hybrid classifier for training. Result: HMM-RBFN hybrid classifier provided better results than that from the single HMM classifier.Conclusion:①The performance of HMM classifier is not so excellent in sEMG signal discrimination.②The HMM-RBFN hybrid classifier combine the advantages of two individual classifiers and offset their disadvantages,hence it achieves higher discrimination, accuracy and stability.; 国家自然科学基金资助项目(50435040); 黑龙江省教育厅资助项目(1512225)
语种	中文 ; 中文
内容类型	期刊论文
源URL	[http://hdl.handle.net/123456789/49588]
专题	清华大学
推荐引用方式 GB/T 7714	李芳,王人成,姜力,等. 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[J],2010, 2010.
APA	李芳.,王人成.,姜力.,刘宏.,朱德有.,...&JIANG Li.(2010).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..
MLA	李芳,et al."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".(2010).

个性服务

查看访问统计

相关权益政策

暂无数据

收藏/分享

除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。