章 悦，夏春明，谢佳智，刘 爽

（华东理工大学机械与动力工程学院，上海，200237）

引 言

肌音信号（Mechanomyogarphy, MMG）是一种生物医学信号，用于记录肌纤维收缩时的力学振动特性[1]，近些年来已逐步广泛应用于动作模式识别研究。相比于MMG，之前在动作模式识别研究中使用更多的主要是表面肌电信号（Surface electromography,sEMG）。根据研究的不同特征，基于sEMG 的动作模式识别可分为4大类：时域分析、频域分析、时-频域分析和非线性动力学分析。时域分析是传统的信号分析方法，可提取均方根值（Root mean square, RMS）、方差（Variance, VAR）、过零率（Zero crossing, ZC）等特征。例如，马正华等[2]在对sEMG 提取RMS 等时域特征的基础上运用线性判别分析（Linear discriminant analysis,LDA），实现对6种手势的有效识别，且识别率高达94%以上。频域分析是通过Fourier变换等方法将时域信号转换为频域信号，从而对信号的频谱提取特征，如平均功率频率（Mean power frequency,MPF）和中值频率（Middle frequency,MF）等[3]。时-频域分析是将时域与频域两者结合起来的方法，可在此基础上提取特征，例如在小波包变换的基础上提取小波包能量、小波包分解系数的奇异值等。Hu等[4]在两种肢体动作的分类研究中，使用sEMG 的相对小波包能量作为特征，实现对前臂内侧旋转和外侧旋转两类动作的模式识别。非线性动力学分析则是对于少数变量的单一时间序列提取整个系统的动力学特征，包括各种熵、Lyapunov指数和复杂度等。例如张启忠等[5]在提取分形维数和近似熵（Approximate entropy,Ap-En）两种非线性动力学特征的基础上，提出一种具有增量学习能力的K 近邻（K-nearest neighbor,KNN）模型增量学习算法作为模式识别的分类器，实现对4类手腕动作的识别，识别率达到92.5%。……