科研之友
微信
新浪微博
Facebook
分享链接
摘要
由于表面肌电(sEMG)信号具有非线性和非平稳性，导致传统的肌肉疲劳分类方法存在局限性，基于此提出一种基于傅里叶分解方法(FDM)和机器学习相结合的肌肉疲劳分类方法。使用FDM将sEMG信号分解为一系列傅里叶固有频带函数(FIBF),确定最优分解水平，利用FDM提取各FIBF分量总功率占sEMG信号总功率的比例(FTPR)作为分类特征，对比各机器学习分类算法的有效性和数据长度对分类准确率的影响。研究表明基于FDM的特征提取方法能够有效的识别肌肉疲劳状态，在数据长度为3 000且FDM的10层分解水平下，使用支持向量机分类器，得到了98.17%的平均分类准确率。对每个FIBF分量单独进行分析，发现在第5个FIBF分量下的FTPR有最好的类可分性，肌肉疲劳时第1～2分量的FTPR会变大，第4～10分量的FTPR会变小，即当肌肉疲劳时sEMG信号0～117 Hz区间的频率幅度会增加，175.5～585 Hz区间的频率幅度会下降。通过对比不同特征提取方法的肌肉疲劳分类效果，实验结果表明FDM和FTPR特征能够显著提高分类准确率。因此，所提方法可用于肌肉疲劳状态识别。
- 单位
