全文总字数：3393字
毕业论文课题相关文献综述
表面肌电信号（surface electromyography, sEMG）是人体自主运动时神经肌肉活动发放的生物电信号, 一般只有几百至几千微伏,能量主要集中在20~200Hz之间。
根据肌肉组织自身的生物化学过程，人的手指、手腕、手臂在进行不同的活动时，会产生不同特征的肌电信号，通过对这些信号的提取、识别并加以分类和学习，组建一个信息库，随时识别不同的动作，反映人体神经、肌肉的功能状态。
表面肌电信号研究是医学、计算机技术、信息处理等多个学科和领域的交叉前沿课题，是当今世界的研究热点之一，对人体神经系统信息的了解、与计算机技术结合的机电产品的开发应用都有重要意义。研究的意义体现在几个方面。一是通过电极记录下来的表面肌电信号进行疾病预防、临床诊断以及康复辅助评估，具有重要的医学医疗意义；二是表面肌电信号作为最成功的控制信号源，从人身本体提取信号，开发控制自如、易于使用的多功能智能假肢，降低因缺失部分造成日常生活的不便，提高肢体残疾患者的生活质量，为全人类造福；三是开发人-计算机接口，设计微型化、轻便性、可穿戴性和低功耗的人机交互设备，基于生物电信号，利用计算机优势拓宽在虚拟现实技术等的新兴前沿领域和实际应用领域的应用。
目前，对于手势语言的识别主要有基于专用设备的手语识别和基于视觉图像的手语识别，前者虽然识别率高，但要穿戴复杂的设备和位置跟踪器，输入设备昂贵，难以普及；后者输入设备简单，对光线等外界环境、摄像头帧率及架设位置要求较高但识别率较低，实时性比较差。采用基于sEMG信号的手势动作识别的优点是：传感系统设计简单，对周围环境要求不高，处理算法的计算量也较少。
肌电信号的采集是一切基于肌电信号处理的前提，目前主要的采集方法有两种：针电极和表面电极。针电极采集信号需要插入皮肤内部，操作复杂而且有一定的危险；而表面电极采集操作简单，检测无创无痛，因此受到广泛欢迎。
肌电信号具有微弱性、交变性、低频性、易干扰性、互异性的特点，非常容易被噪声污染。表面肌电信号容易受到干扰，一部分由皮肤组织传导引起的内部噪声，另一部分由50Hz工频干扰及电磁干扰影响的外部噪声，而50Hz工频干扰是实验中通常出现且幅度最大的干扰。因此在对信号进行分析之前，要对其进行预处理。预处理包括去噪声处理和活动段检测。
六十年代初期，R.E.卡尔曼等提出针对非平稳随机型号设计的最佳时变线性滤波器；针对滤波器只有当实际信号和滤波器设计的先验信息一致时才能发挥最佳效果的不足，B.维德罗等人提出能够对系统或环境的动态变化有效跟踪和适应的自适应滤波器。对于非平稳信号、瞬间信号，非线性信号等采用滤波器具有很大的局限性，文献[11]中提出的傅里叶变换就是针对这些不足提出的，是信号处理的重要工具。当然之后一直发展，提出时频域的小波变换也是一个新的突破。目前国内外采用的信号特征提取方法还是围绕时域、频域及非线性的分析，针对不同的情况采取不同的方法。
手势动作识别是肌电信号系统研究的热点问题，分类器设计的好坏直接影响识别的准确性。在手势识别分类器设计方面，应用较多的主要是统计识别、模糊识别和人工神经网络识别。
统计模式识别的方法有：判别函数法、k近邻分类发、非线性映射法、特征分析法、主因子分析法等。在统计模式识别中，贝叶斯决策规则从理论上解决了最优分类器的设计问题，但其实却必须首先解决更困难的概率密度估计问题。模糊识别具有直接和间接识别法。BP神经直接从观测数据（训练样本）学习，具有自适应、自学习、自组织、联想储存、高速寻找优化解的优越特点，获得广泛应用。人工神经网络（Artificial Neural Networks, ANN）虽然效果较好，但是也存在诸多不足，主要是基于最小训练误差，因此很容易出现学习能力过强的问题。
特征提取是对于每一个活动段（有效动作）进行的。即用一组能表征其固有特性的数据（特征）来描述每一个有效动作。目前，人们已提出许多肌电信号特征的表示方法，如时域的过零点数、方差、时域绝对值积分、AR模型系数、频域、时频域的变换系数、以及混沌和分形等。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
