●第1章 緒論 1
1.1 研究背景與意義 1
1.2 智能假肢控制與識別研究存在的主要問題 4
1.2.1 表面肌電信號采集通道數量與位置分布需要優化 4
1.2.2 深層肌肉活動信號采集不足 4
1.2.3 已有算法識別的手勢數量少、魯棒性差 4
1.2.4 電極移位和串擾對信號采集影響較大 5
1.3 本書主要研究內容和主要章節安排 5
1.3.1 本書主要研究內容 5
1.3.2 本書主要章節安排 7
第2章 基於肌電信號與超聲波的手勢識別研究進展 9
2.1 基於表面肌電信號的手勢識別研究進展 9
2.1.1 表面肌電信號的特征提取 9
2.1.2 基於傳統識別算法的表面肌電信號識別 11
2.1.3 基於深度學習的表面肌電信號識別 12
2.1.4 表面肌電信號識別穩定性方法研究 13
2.2 利用超聲波探測肌肉形變及其感知解碼的研究現狀 14
2.3 基於多模態融合的動作意圖識別的研究現狀 16
2.3.1 肌電信號與超聲波模態融合 16
2.3.2 肌電信號與腦電信號融合 17
2.3.3 肌電信號與慣性融合 18
2.3.4 肌電信號與近紅外融合 18
2.3.5 肌電信號與肌動圖融合 19
2.3.6 肌電信號與鐵磁共振融合 19
2.4 基於肌電信號的假肢人機接口繫統開發 19
2.5 本章小結 20
第3章 表面肌電信號產生的機理分析與檢測 21
3.1 引言 21
3.2 表面肌電信號的生理學機理 21
3.3 表面肌電信號的特點 23
3.4 前臂肌肉與手勢的關繫 24
3.5 表面肌電信號的數據采集 25
3.5.1 表面肌電信號采集電極的研制現狀 26
3.5.2 ELONXI肌電采集繫統 26
3.5.3 表面肌電信號電極設計 27
3.5.4 表面肌電信號實驗方案設計 28
3.6 表面肌電信號的實驗數據集 29
3.6.1 Ninapro DB數據集 29
3.6.2 ELONXI DB數據集 32
3.7 表面肌電信號的數學模型 33
3.7.1 表面肌電信號產生機理的數學抽像 33
3.7.2 線性模型 34
3.7.3 集中參數模型 35
3.7.4 非穩態模型 35
3.7.5 雙極型模型 36
3.8 本章小結 37
第4章 表面肌電信號的特征提取與識別方法 38
4.1 引言 38
4.2 表面肌電信號的窗口分析法 38
4.3 表面肌電信號的特征提取 40
4.3.1 時域特征 40
4.3.2 頻域特征 42
4.3.3 時頻域特征 44
4.3.4 參數模型特征 44
4.4 表面肌電信號的經典識別模型 46
4.4.1 K最近鄰算法 46
4.4.2 線性判別分析 46
4.4.3 支持向量機 47
4.4.4 隨機森林 49
4.5 本章小結 50
第5章 表面肌電信號采集通道與特征智能優化算法 51
5.1 引言 51
5.2 基於遺傳算法的表面肌電信號采集通道優化 52
5.2.1 表面肌電信號采集通道優化的遺傳算法 52
5.2.2 基於遺傳算法的采集通道優化實驗結果與分析 54
5.2.3 電極位置影響的實驗結果與分析 59
5.3 基於進化算法的表面肌電信號采集通道與特征組合優化 60
5.3.1 表面肌電信號采集通道與特征組合優化的差分進化算法 61
5.3.2 表面肌電信號采集通道與特征組合優化的量子進化算法 65
5.4 基於群智能算法的表面肌電信號采集通道與特征組合優化 72
5.4.1 表面肌電信號采集通道與特征組合優化的粒子群優化算法 72
5.4.2 表面肌電信號采集通道與特征組合優化的量子粒子群優化算法 74
5.4.3 表面肌電信號采集通道與特征組合優化的蟻群優化算法 76
5.5 表面肌電信號采集通道與特征智能優化算法實驗分析 79
5.5.1 表面肌電信號采集通道與特征組合優化的單一算法實驗與分析 79
5.5.2 表面肌電信號采集通道與特征組合優化的多種智能算法對比分析 83
5.6 本章小結 86
第6章 表面肌電信號采集通道與特征多目標智能優化算法 88
6.1 引言 88
6.2 表面肌電信號采集通道與特征多目標優化問題建模 89
6.3 多目標優化問題差分進化求解方法 90
6.3.1 多目標優化問題轉換為一組單目標優化問題 91
6.3.2 多目標優化問題差分進化求解方法詳敘 91
6.4 基於全局綜合排序自適應角度選擇的多目標優化進化算法 92
6.5 MOEA/D-AAU-GGR算法實驗分析 95
6.6 MOEA/D、MOEA/D-AU與MOEA/D-AAU-GGR實驗對比分析 98
6.7 多目標優化算法的評價與有效性驗證 103
6.7.1 多目標優化算法的評價 103
6.7.2 有效性驗證 105
6.8 基於肌電通道與特征優化的機器人識別繫統 105
6.8.1 繫統平臺與架構 105
6.8.2 繫統軟件功能與實現 106
6.8.3 現場實驗與結果分析 113
6.9 本章小結 114
第7章 基於深度學習的表面肌電信號手勢識別 116
7.1 引言 116
7.2 循環神經網絡與長短期記憶神經網絡 117
7.2.1 循環神經網絡 117
7.2.2 長短期記憶神經網絡 119
7.3 基於GAF的一維時間序列信號二維化 122
7.4 基於GAF的CNN-LSTM串並聯網絡結構的表面肌電信號手勢識別 123
7.5 基於GAF的CapsNet的表面肌電信號手勢識別 126
7.5.1 CapsNet的結構 126
7.5.2 基於CNN-CapsNet並聯的表面肌電信號手勢識別實驗設計 128
7.5.3 采集臂套偏移魯棒性實驗及其結果分析 129
7.5.4 基於CapsNet的表面肌電信號手勢識別的遷移性實驗及其結果分析 129
7.6 基於CapsNet-GRU的表面肌電信號手勢識別 130
7.6.1 CapsNet-GRU復合神經網絡模型 130
7.6.2 優化算法與損失函數 131
7.6.3 離線實驗設置 132
7.6.4 離線實驗結果與分析 133
7.7 基於雙流網絡的表面肌電信號手勢識別 138
7.7.1 基於時空特征的雙流網絡模型 138
7.7.2 CNN-LSTMs串行網絡模型 140
7.7.3 多特征融合網絡模型 140
7.7.4 三種模型的實驗對比 141
7.7.5 基於時空特征的雙流網絡模型與傳統方法的對比 143
7.8 基於深度學習的表面肌電信號手勢識別實驗研究 144
7.8.1 不同手勢數量的實驗對比與分析 145
7.8.2 不同訓練集規模的實驗對比與分析 145
7.8.3 不同LSMT神經網絡隱數量的實驗對比與分析 146
7.8.4 時空特征的可視化實驗對比與分析 146
7.9 基於雙流網絡模型的機械臂控制 148
7.10 本章小結 150
第8章 肌電與超聲波模態融合的殘疾人手部動作意圖識別 152
8.1 引言 152
8.2 肌電與超聲波模態融合的手勢識別實驗設計 153
8.2.1 sEMG/AUS實驗數據采集 153
8.2.2 混合sEMG/AUS繫統同步采集 155
8.2.3 sEMG/AUS手勢識別實驗設計 155
8.2.4 AUS信號實驗數據預處理與特征提取 156
8.3 基於CNN-LSTM的肌電與超聲波模態融合手勢識別 158
8.3.1 基於CNN的超聲波信號手勢識別 158
8.3.2 肌電與超聲波模態融合的神經網絡結構 159
8.3.3 肌電與超聲波模態融合的手勢識別實驗 160
8.3.4 CNN-LSTM與SVM的識別準確度比較 163
8.4 橈骨截肢患者手部動作意圖識別交叉驗證分析 164
8.4.1 比較sEMG和AUS信號性能的三種交叉驗證實驗 164
8.4.2 三種交叉驗證的識別準確度分析 165
8.4.3 sEMG和AUS信號對每種動作意圖識別的準確度分析 165
8.4.4 sEMG和AUS信號三種交叉驗證的混淆矩陣分析 167
8.5 基於超聲波和肌電的殘疾人手勢識別對比與難點分析 169
8.5.1 準確度和魯棒性分析 169
8.5.2 基於AUS信號手勢識別的難點分析 170
8.6 本章小結 170
第9章 基於sEMG的在線手勢識別與抓取實驗平臺的開發 171
9.1 引言 171
9.2 在線手勢識別與抓取實驗平臺 171
9.2.1 人機交互界面的開發 172
9.2.2 Baxter機器人的簡介 174
9.3 在線手勢識別與抓取實驗 176
9.3.1 實驗方案設計 176
9.3.2 評價指標設定 178
9.3.3 在線實驗結果與分析 178
9.4 本章小結 179
第10章 總結與展望 180
10.1 總結 180
10.2 展望 181
參考文獻

表面肌電信號作為一種生物電信號，能夠反映功能性肌肉收縮的電活動，具有檢測方便、無創傷等特點，可以用於仿生假肢控制等功能，提升仿生設備的便捷性、經濟性、可穿戴性及智能化程度。本書研究表面肌電信號采集通道與特征多目標智能優化算法，特別是還研究基於深度學習的表面肌電信號手勢識別算法。為了彌補表面肌電信號的不足，本書會進一步研究肌電與超聲波模態融合的殘疾人手部動作意圖識別等關鍵問題，以提升手勢識別的準確度和魯棒性。