基于信息融合的表面肌电信号模式分类研究的中期报告.docx

基于信息融合的表面肌电信号模式分类研究的中期报告
一、研究背景
表面肌电信号（Surfaceelectromyography,sEMG）作为一种无创且易于获取的生理信号，已经在康复医学、人机交互以及机器人等领域得到广泛应用。通过分析sEMG信号可以提取出多种特征，如幅值、频率、时域和频域等特征，从而可以对肌肉的运动状态进行分类和识别。由于人体肌肉运动具有较大的不确定性和多样性，因此如何准确地分类和识别sEMG信号一直是一个研究热点。
传统的sEMG信号分类方法主要是基于特征提取和分类器设计的两个步骤。特征提取是将sEMG信号转化为可区分的特征向量，常见的方法有时域特征和频域特征等。分类器设计则是将特征向量映射到某个类别，以完成分类的目的。传统的sEMG信号分类方法在特征提取和分类器选择方面，存在一定的局限性，如需要针对具体任务选择不同的特征提取方法和分类器，耗时费力，且分类精度受到限制。
信息融合作为一种新型的sEMG信号分类方法，具有更好的分类性能和更广泛的应用前景。信息融合可以将来自不同传感器或特征提取方法的信息进行融合，从而提高分类的准确性和鲁棒性。目前，信息融合在sEMG信号的分类和识别领域得到了广泛的应用和研究。
二、研究内容
本研究的主要目的是通过信息融合方法对sEMG信号进行分类。具体内容包括以下几个方面：
1.构建sEMG信号采集系统
本研究将采用传统的表面肌电信号采集方法，即将肌电信号通过表面电极捕获并转换成电信号，最终将信号存储在计算机中。
2.设计特征提取方法
针对sEMG信号的特点，本研究将采用多种特征提取方法，包括时域特征和频域特征等，从而提取出可区分的特征向量。
3.信息融合算法设计
本研究将采用多种信息融合算法，包括基于多特征融合、基于多分类器融合和基于多传感器融合等方法，将特征向量融合起来，提高分类的准确性和鲁棒性。
4.分类器设计
本研究将采用多种分类器进行sEMG信号的分类，如支持向量机、k近邻等，通过比较不同分类器的分类性能，选择最优的分类器进行信息融合分类。
三、研究进展
目前，研究已经完成了sEMG信号的采集系统的搭建和特征提取方法的设计。针对sEMG信号的时域和频域特征进行了提取，并通过实验验证了其有效性。
下一步将进行信息融合算法的设计和分类器的选择和训练。同时，还将进行大量的实验验证，比较不同信息融合算法和分类器的分类性能，得出最优的信息融合分类结果。
四、参考文献
[1]XieH,ChenY,WangH,etal.Surfaceelectromyographypatternrecognitionbasedonmultiplefeaturefusionandclassificationensemble[C]//2019InternationalConferenceonRoboticsandAutomation(ICRA).IEEE,2019:1538-1544.
[2]PhinyomarkA,NuidodA,PhukpattaranontP.SurfaceElectromyographySignalClassificationUsingPrincipleComponentAnalysisandK-NearestNeighbor[C]//Proceedingsofthe8thBiomedicalEngineeringInternationalConference(BMEiCON-2015).IEEE,2015:1-4.
[3]ChenX,ZhaoX,ChenW,etal.AninformationfusionapproachforsEMG-basedclassificationusingahybriddeepneuralnetwork[J].BiomedicalSignalProcessingandControl,2021,67:102559.