换一批摘要基于表面肌电信号的肢体动作模式识别是假手仿生控制的基础.为提高动作模式识别率,从肌电信号的产生机理出发,选取分别表征肌电信号形态特征——细节复杂度和整体自似性的近似熵指标和分维数指标,作为模式识别的特征向量；同时提出一种具有增量学习能力的K最近邻(KNN)模型增量学习算法作为模式识别的分类器.在对10位受试者手腕的4个精细动作(腕伸、腕屈、腕内旋、腕外旋)的识别实验中,取得了92.5％以上的正确识别率.同时对增量学习能力对分类器动作模式识别率的影响做对比实验,当假肢使用者生理变化时,以KNN模型增量学习算法作为分类器比采用不具增量学习能力的KNN模型算法的识别率高4.5％.实验表明,该肌电信号动作模式的识别方法方案合理,具有应用价值.
更多相关知识
关键词
肌电信号肌电假肢KNN模型增量学习算法近似熵分维数electromyographymyoelectric prosthesisKNN model incremental learning algorithmapproximate entropyfractal dimension
分类号
TP241.3
栏目名称
DOI
10.3969/j.issn.0258-8021.2013.03.01
发布时间
2013-08-22（万方平台首次上网日期，不代表论文的发表时间）
- 浏览473
- 被引48
- 下载9
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
