下肢助力服的多源信息融合感知技术研究

作     者：刘埕君 

作者单位：电子科技大学 

学位级别：硕士

导师姓名：戴跃洪

授予年度：2022年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 08[工学] 080202[工学-机械电子工程] 081104[工学-模式识别与智能系统] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

主      题：运动意图感知 下肢助力服 多源信息融合 小波变换 决策融合 

摘      要：本研究面向基于多源信息的人体运动意图感知问题,开展下肢助力服的运动感知研究,通过融合处理表面肌电信号、关节角度信号和脚底压力信号,建立多源信号与下肢运动状态映射关系,从而为下肢助力服提供有效的信息源。首先,设计下肢传感器布局方案并进行实验采集多源数据。通过研究分析筛选合适的下肢肌肉用于表面肌电信号采集,采用两个角度传感器提供膝关节角度信号,利用薄膜压力传感器提供脚底压力信号,确定下肢传感布局整体方案。选择多种下肢运动模式并进行数据采集,采集人体平地日常行走、上/下楼梯,上/下坡、起蹲等的下肢表面肌电信号。其次,由于下肢运动时角度及压力信号信噪比高,主要对表面肌电信号进行特别地滤波降噪处理,基于离散小波变换进行信号的降噪重构。面对多种模式信号间天然存在的维度、采样率不一致这一问题,设计信号归一化模型,实现多源信号的归一化。面对肌电信号特征提取问题,设计了方向度量特征的提取方法以及基于关联信息融合的特征优化方法,有效提升了感知系统的识别效率和精度。基于多源融合信号,对比了各类分类器的分类性能,经验证得出本文设计的改进k近邻分类器(M-k NN)以及经验小波神经网络(EW-NN)相比其它分类器对各动作模式的识别效果更好,分别达到95.7%和97.07%的识别率。此外为了充分发挥多源信息的信息优势,本文构建了基于贝叶斯理论的多分类器融合系统(MCFS),该模型能够实现对多源信号的分布式决策,然后通过一个多维决策融合层实现运动感知,该系统对于固定动作模式识别率达到98.33%,对于不同运动环境识别率达到94.3%,对于不同运动步态识别率达到94.7%。