基于气压肌动图和改进神经模糊推理系统的手势识别研究.docx

【手势识别技术】 手势识别技术是人机交互领域中的重要组成部分，特别是在为残障人士提供辅助设备和服务中，有着显著的应用价值。这种技术通过识别和解析人类手势，转化为指令，进而控制机器或假肢，帮助恢复丧失的功能。常见的手势识别方法依赖于肌电图（EMG）信号，但EMG信号的弱点包括信号弱、易受干扰、需贴肤采集等。因此，科研人员开始关注肌动图（MMG）信号，它具有信号强度高、采集简便、非侵入性以及对环境因素如汗水和噪音有较好鲁棒性的优点。 【气压肌动图（pMMG）】 气压肌动图是MMG的一种形式，尤其适合于实验室环境之外的场合。pMMG通过加速度计和麦克风等传感器收集信号，但这些传感器在实际应用中可能受限。本文提出使用基于气压的肌动图信号，设计了一种穿戴式的信号采集装置，以适应更广泛的应用场景。 【改进的神经模糊推理系统（MC_ANFIS）】 传统的自适应神经模糊推理系统（ANFIS）在多分类问题上可能存在泛化性能不足和训练速度慢的问题。为了克服这些问题，本文提出了一个多分类自适应神经模糊推理系统（MC_ANFIS），其创新之处在于通过扩展Takagi-Sugeno-Kang（TSK）模糊系统的解模糊层，以适应多分类任务。同时，引入了新的高性能自适应多分类算法MC_TS_UR，利用改进的抽样方法和正则化技术，显著提高了系统训练效率，增强了分类器的泛化能力。 【数据采集与预处理】 在手势识别实验中，首先需要采集pMMG信号，这涉及到理解肌肉的生物力学原理。通过Hill提出的肌肉模型，可以分析肌肉在活动中的力量变化。数据预处理和特征提取是关键步骤，包括去除噪声、增强信号质量和提取反映手势特性的有效参数。 【实验验证与性能对比】 实验部分涉及对健康人和残疾人的手势识别，将提出的MC_ANFIS系统与经典机器学习算法及现有研究进行对比，证明了新方法的有效性和优越性。 本文的核心贡献在于开发了一种基于pMMG的手势识别系统，并提出了高效的多分类神经模糊推理框架，这不仅解决了传统ANFIS在多分类问题上的局限性，而且通过实验证明了其在穿戴式设备中的可行性和准确性，为未来手势识别技术的进一步发展提供了新的思路。