0 引言
表面肌电信号作为生物电信号的一种，由于能够反映较多的生物运动特征，被广泛应用于康复训练装置的设计和假肢控制等领域。肌电信号具有微弱性和突变性，在数据采集的过程中易受其他信号的干扰，给分类的结果带来较大影响。目前常见的分类特征主要有时域、频域和时频域。于亚萍等人[1-2]利用多种母小波变换对表面肌电信号进行识别；胡晓[3]等人利用小波包系数熵作为特征向量，但时频信号存在高延迟性。本文在小波包系数特征的基础上，添加了延迟性较低的方差特征，创新地采用将时域和时频域组合的方式作为特征参数。常见的分类器有支持向量机、随机森林和线性判别等，但这些方法的识别率会随输入向量维度的增加而下降。而近年来国内外对深度学习的研究越来越深入，此方法也被广泛地应用于信号处理领域。另外，自适应滤波(Least Mean Square，LMS)作为一种检测平稳与非平稳信号的滤波方式，被用于信号的去噪处理。本文参考长短时记忆网络(Long and Short Time Memory Network，LSTM)用于不同分类的文献[4-9]和陈景良等人[10]使用LMS对语音进行降噪、石欣等人[11-12]利用LMS-随机森林模型对下肢动作进行分类后，综合具有较高实时性的LMS和较高识别率的LSTM两种算法的优势，采用两种算法组合，与陈思佳等人[13]采用LSTM和卷积神经网络得到较高手势动作识别率相比提高了实时性。
本文详细内容请下载：https://www.chinaaet.com/resource/share/2000004966。
作者信息：
孔 康，李德盈，孙中圣
(南京理工大学 机械工程学院，江苏 南京210094)
