模糊算法驱动的SEMG手势识别研究与交互系统设计

本文主要探讨了势动作SEMG（Surface Electromyography）模式识别的研究及其实用交互系统设计。SEMG是一种重要的生物电信号，被广泛应用于仿生学、生物反馈、运动医学和康复工程等领域，特别是在手势识别技术中发挥着关键作用，因为它可以作为人机交互的控制信号，驱动肌电假肢、辅助装置等设备。 作者涂有强在中国科学技术大学攻读生物医学工程硕士学位期间，针对手势动作SEMG信号的复杂性，选择了模糊模式识别算法作为研究工具。首先，对原始SEMG信号进行了预处理，通过2~500Hz的带通滤波器来消除噪声和基线漂移，确保数据的准确性和可靠性。接着，使用移动平均算法检测活动段，确定有效动作信号的起止点，这对于后续的模式识别至关重要。 针对模糊推理分类器，特别是KNN规则提取的模糊推理分类器（KfIS）存在的问题，如规则数目需手动设定和对初始化参数的敏感性，作者提出了自适应提取规则的模糊推理分类器（AFIS）。通过对比实验，AFIS在手势动作SEMG信号的分类识别性能上显示出明显优势，这是一项创新性的研究成果。 此外，论文还涉及了一个多通道手势动作SEMG信号采集、识别以及交互系统的具体设计和实现。这个系统不仅能够有效地采集和存储SEMG信号，还能根据识别的结果进行图形交互控制，实现了SEMG信号在实际交互环境中的高效应用。 整个研究的核心知识点包括：SEMG信号的预处理技术、特征提取方法（时域参数特征和AR模型系数）、模糊分类算法的改进与优化，以及多通道交互系统的开发与测试。这些成果不仅提升了SEMG模式识别的精度，也为未来人机交互技术的发展提供了实用的解决方案。