基于肘关节表面肌电信号的负载识别

针对大多数肌电信号只进行特定肢体动作识别而没有对肢体进行外加负载识别的问题,提出一种基于表面肌电信号(surface electromyography, s EMG)的负载识别方法。首先,采用4通道表面电极采集肘关节在不同负载下的s EMG信号;然后,利用时域、频域特征提取方法对s EMG信号进行特征提取构成特征向量;最后,利用支持向量机(support vector maching, SVM)、BP神经网络和RBF神经网络对特征向量进行分类识别。结果表明以时域特征值识别,SVM的识别效果最佳,准确率为96.2%;以频域特征值识别,BP神经网络的识别效果最佳,准确率为87.5%;以时、频域组合特征值识别,RBF神经网络的识别效果最佳,准确率为90.4%。可见通过s EMG信号进行负载识别具有一定的可行性,为s EMG信号的广泛应用奠定基础。     

基于表面肌电信号的手势识别方法

为了提高上肢手势动作的识别准确率,通过三阶巴特沃斯滤波器进行表面肌电信号(sEMG)去噪和时间滑动窗口合理分割sEMG信号预处理。特征提取使用了积分肌电值、均方根值和小波包变换系数,并提出了一种时域信号结合时频域信号的特征空间方法,包括了积分肌电结合小波包变换系数(IEME)和均方根值结合小波包变换系数(RMSME)。在特征空间构建基础上,提出了三种手势识别方法：支持向量机分类器(SVM)、人工鱼群算法优化支持向量机分类器(AFSA-SVM)和卷积神经网络(CNN)。实验共采集了10位受试者的8种上肢手势动作sEMG信号,并引用Nina Pro DB2公开数据集进行对比。实验结果表明,无论在实验采集数据和Nina Pro DB2公开数据集中特征空间IEME相对于RMSME都更具识别度,并且特征空间IEME在1D-CNN上识别平均准确率和平均训练用时均优于2D-CNN。在实验采集数据中1D-CNN识别平均准确率高达98.61%,相对于SVM和AFSA-SVM识别准确率提高了6.77%和10.61%,并且采用1D-CNN识别方法的平均训练时间为7.37s较SVM和AFSA-SVM减少了68.32s和221.53s,因此在手势sEMG信号识别分类中采用特征空间IEME和分类模型1D-CNN具有优势。     

某小型地面无人作战平台控制手势识别方法研究

针对某小型地面无人作战平台控制手势识别率低的问题,该文提出了一种控制手势识别方法。首先,对控制手势的肌电图(EMG)信号进行预处理,提取平均绝对值、平均绝对值斜率、波长和方差4种特征构成特征集,输入支持向量机(SVM)中进行分类;然后,针对其中的相近手势引入了角速度信号和EMG信号特征融合的方法进行识别,并进行了手势控制地面无人作战平台的实验验证。结果表明,该文方法的识别率较传统Hudgins特征集识别方法提高了3.29%,在引入角速度信号后相近手势识别率提高了13%,手势整体识别率提高了5.56%。     

基于MYO的肌电假肢手控制中手势在线识别系统

表面肌电(surface electromyography,s EMG)信号被广泛应用于临床诊断、康复工程和人机交互等领域中.针对目前控制肌电假肢手的电极成本高、电极佩戴困难以及操作灵活性差等问题,设计一种基于MYO的肌电假肢手手势在线识别系统.通过采集人体上肢前臂的表面肌电信号,在时域上分别提取5种特征值,利用反向传播(back propagation,BP)神经网络分类算法实现对8种手势动作意图的在线实时识别.实验结果证明,利用MYO进行手势识别可以获得较好的识别结果,该系统能够准确识别8种手部动作,平均在线识别率达到92%.     

基于深度卷积神经网络和支持向量机的手势识别算法

为了提高手势识别的准确率,提出一种基于深度卷积神经网络和支持向量机的手势识别算法;将包含手势的图像进行手掌轮廓分割及手指关节特征提取,经过去噪后获得准确的手势图像,然后通过卷积与池化获得手势特征样本,采用神经网络算法对输入特征样本进行训练,并对全连接层各节点的输出结果进行支持向量机多元分类,从而获得手势识别结果;在差异化设置条件下,通过对比手势识别的平均准确率和识别时间,可获得最优的卷积核尺寸及池化方法。仿真实验结果表明,相比其他3种识别算法,所提出的算法具有更优的识别准确率。     

基于多路卷积神经网络的手势识别方法

为提高利用表面肌电信号(sEMG:Surface Electromyography)进行手势识别的准确率并解决其受不同提取特征影响的问题,提出了一种基于多路卷积神经网络(MB-CNN:Multi-Branch Convolutional Neural Networks)的手势识别方法.首先,使用MYO手环采集8种不同手...     

采用迁移学习的表面肌电信号手势识别方法

为解决采用表面肌电信号(surface electromyography, sEMG)进行手势识别时电极贴片位移、受试者动作变化等复杂情况下分类识别准确率下降这一问题,提出了一种基于表面肌电信号与迁移学习的手势分类模型。首先对4通道表面肌电信号进行活动段提取与降噪处理,然后提取活动段信号的四种时域特征与两种频域特征。采用流形嵌入分布对齐(manifold embedded distribution alignment,MEDA)方法将源领域和目标领域的特征矩阵嵌入到格拉斯曼流形中进行流形特征学习,减小两域之间的数据差异,消除特征退化;同时根据自适应因子执行动态分布对齐,动态调整数据不同分布差异下边缘分布和条件分布的相对重要性。对多名受试者开展实验以验证所提方法的合理性,实验结果表明:所提方法与决策树(decision tree, DT)、支持向量机(support vector machine,SVM)、k临近(k-nearest neighbor,KNN)三种传统机器学习方法相比,识别准确率分别提高了13%、21%、9%。与未执行流形学习与动态分布对齐的联合分布适配(joint distribution adaptation,JDA)迁移学习方法相比,识别准确率提高了52%,达到93%。     

基于ECG信号和体动信号的睡眠分期方法研究

为了研究整夜睡眠状况和睡眠过程, 利用多导睡眠仪(polysomnography, PSG)和体动记录仪, 分别记录被试的ECG信号和体动信号, 再对 ECG信号提取心率变异性(heart rate variability, HRV)的特征值, 并将其作为实验数据的特征参数。为了提高识别率和防止过度拟合, 将实验数据分为训练集和测试集, 设计一个用遗传算法改进的BP神经网络模型, 对样本进行训练和预测。研究结果表明, 改进的BP神经网络能有效地识别测试样本, 综合识别准确率为86.29%。将检测ECG信号和体动信号的穿戴式设备与睡眠分期识别算法相结合, 能够用于家庭睡眠监测, 也可作为睡眠疾病的初筛方法。     

基于关键点的残差全连接网络动态手势识别方法

车载动态场景下,为了提高基于视频手势识别的准确率和鲁棒性,提出了一种基于关键点的残差全连接网络手势识别算法.对在不同车辆平台、不同运动条件下采集的不同光照强度的视频数据进行归一化等预处理后提取视频帧的关键点,以关键点个数为准则进行了关键帧选取以提高运算性能和降低算法复杂度,将从关键帧中所提取的关键点送入残差全连接网络实现连续手势的识别.在不同光线与车内环境下,所提算法对6类动态手势的平均识别准确率达到96.72%,相较3D卷积神经网络(C3D)、卷积神经网络(convolutional neural network,简称CNN)、长短时记忆网络(long short-term memory network,简称LSTM)和双流网络,其识别率分别提升了10.72%,6.40%,5.17%和4.50%.实验结果验证了所提算法在车载环境下连续手势识别的有效性.     

改进粒子群优化BP神经网络的心理压力识别算法

为提高心理压力的识别率,提出一种改进的粒子群优化BP(back propagation)神经网络的压力识别算法。该算法在基本粒子群(particle swarm optimization,PSO)模型的基础上,引入了收缩因子,在收缩因子的作用下,使速度的边界限制消失,选取适当的参数来保证PSO算法的有界和收敛特性,实现对BP神经网络的优化。利用心算任务进行压力诱发,采集高压、低压状态下的心电信号,提取了与心理压力相关的心率变异性特征值,并对特征数据对比分析;建立了心理压力程度的分类模型,通过改进的PSO模型优化BP神经网络以识别心理压力。结果表明:改进的粒子群优化BP神经网络算法与BP神经网络相比收敛速度快、误差小且识别率高,该算法对心理压力的识别率可达94.83%,识别效果优于未优化的BP神经网络算法。     

基于改进的遗传算法优化BP神经网络的车险欺诈识别模型

为了提高BP神经网络在保险欺诈识别中的准确率,利用改进的遗传算法优化BP神经网络初始权重,以克服BP神经网络容易陷入局部极小点、收敛速度慢以及样本依赖性等问题的缺点。改进的遗传算法充分考虑了遗传算法中种群适应度的集中分散程度,并且非线性地自适应调节遗传算法的交叉概率与变异概率。同时为了加快寻优效率,将排序选择策略与最优保存策略相结合。以某保险公司汽车保险历史索赔数据为样本,采用该算法进行模拟和预测。实证结果表明:相比于IAGA-BP、GA-BP、BP三种算法,该识别算法在识别准确率上有很大提高。     

一种能识别情感状态的遗传算法及应用

将离散的情感状态的识别看成模式识别问题,运用组合优化的思想,从4种生理信号心电(ECG)、肌电(EMG)、皮肤电(SC)、呼吸信号(RSP)中抽取情感特征,将遗传算法和最近邻算法相结合构造出一种新的方法,以最近邻为准则,遗传算法寻优,尝试找出最能"代表"某一情感状态joy、anger、sadness、pleasure的最优情感特征组合模式.仿真实验表明,用肌电信号(EMG)来识别4种情感状态效果要好于用其他3种生理信号,按唤醒度轴方向识别情感状态较按效价轴方向识别情感状态效果好.     

基于ART2神经网络的手势动作肌电信号识别

针对手势动作肌电信号识别中存在的识别效率和稳定性问题,采用一种基于ART2神经网络的手势识别方法,并进行了单用户和多用户的实验研究.对8名受试者、8类手势动作模式的单用户实验,取得了较高的识别正确率,与BP网络相比,ART2分类器具有识别率高、实时性好、鲁棒性强的优点;同时,多用户的实验结果表明,ART2网络对手势动作肌电信号的识别具有良好的自适应性和稳定的分类能力.     

基于测井数据的砂岩型铀矿异常识别BP神经网络方法应用

为了快速有效的获取砂岩型铀矿矿集区铀矿异常分布信息,以砂岩型铀矿异常的测井响应特征为理论依据,利用BP神经网络强大的非线性映射和学习能力,以已知铀矿矿化层信息为学习样本,构建3层BP(back propagation)神经网络模型。对松辽盆地大庆长垣南端某铀矿矿集区铀矿钻孔测井数据进行异常层和矿化层的识别提取,并将模型识别结果与已知矿化层信息进行分析对比。结果表明:BP神经网络模型识别准确率达86.55%,效果较好,矿化层的识别结果同已知矿化层信息重合度高,同常规的铀矿异常识别方法相比更加接近铀矿异常分布的形态。此方法能快速有效的获取未知孔的异常信息、降低人为解释工作带来的误差,具有较高的准确性,优势明显。BP神经网络技术应用于铀矿勘察工作中具有良好的前景。     

基于改进胶囊神经网络的乐音主频识别研究

为了提高乐音主频识别性能，采用胶囊神经网络用于主频识别，并对胶囊神经网络特征相似计算方法进行改进优化，以增强胶囊神经网络的主频识别适应度。对乐音音符的端点检测与有效分割后采用线性预测倒谱参数法获得乐音主频特征向量。建立基于胶囊神经网络的乐音主频识别模型，并采用动态路由获得稳定的胶囊神经网络结构核心参数。采用余弦相似度对传统的内积计算进行有效改进，优化特征差异判断策略。采用改进的胶囊神经网络算法用于乐音主频识别。试验结果证明，合理设置胶囊神经网络的耦合系数、平衡系数和类别阈值单音集和曲谱连续集均能获得较高的乐音主频识别性能。相比于常用乐音识别算法，该文所提算法能够获得更高的识别准确率和稳定性。     

基于萤火虫BP神经网络的车牌识别算法

为了提高车牌识别的精确度,提出一种萤火虫反向传播(back propagation, BP)神经网络车牌识别算法.首先,采用原始图像的色相饱和度(hue saturation value, HSV)模式定位车牌并切割出字符,再提取字符的局部二值特征和像素统计特征作为BP神经网络的输入;然后,利用萤火虫算法优化BP神经网络的初始权值和阈值训练BP神经网络;最后,对萤火虫BP神经网络与原始BP神经网络算法进行对比分析.结果表明,萤火虫BP神经网络算法对字符的识别精度高于原始BP神经网络,该算法可用于车牌识别.     

基于FGNN算法的sEMG肌肉疲劳分类方法

为了有防止果蝇优化算法的局部最优约束,提高肌肉疲劳分类的准确率,本研究提出了一种基于肌电信号的肌肉疲劳分类方法：果蝇-遗传优化算法,实现了肌肉疲劳的准确检测和分类。在改进的果蝇优化算法基础上把遗传算法的交叉变异和果蝇优化算法混合,并与神经网络结合对肌肉疲劳进行识别。相较于果蝇优化算法,改进后的算法有更强的跳出局部最优的能力。与神经网络结合后对于疲劳状态识别具有更好的效果。本研究提出的肌肉疲劳分类方法,可以防止运动员过度疲劳引起的肌肉损伤,实现准确的肌肉疲劳检测和分类。一共招募了10名健康的年轻参与者(6名男性和4名女性)进行疲劳测试。首先根据主观评测法对疲劳等级进行划分。然后,将采集到的肌电信号数据进行预处理、提取特征后作为神经网络,遗传算法-神经网络, 果蝇优化算法-神经网络, 果蝇-遗传算法-神经网络的输入。经比较果蝇-遗传优化算法-神经网络的准确率为94.3%,优于其他方法     

WiGNet:一种适用于无线感知场景的手势识别模型

针对现有Wi-Fi感知技术的手势识别研究中存在因感知特征辨识度较低及难以提取而导致识别准确率不高的问题,在对感知数据进行多维重构并施以二维离散小波变换的基础上,提出了一种基于卷积神经网络的高精度手势识别模型WiGNet。首先,在对信道状态信息影响因子分析的基础上,提取振幅数据作为手势识别的基础数据;其次,将感知数据重构为多维矩阵形式,以充分提取手势动作的时空特征;然后,对重构数据在时间和空间维度上进行二维离散小波变换,以实现感知数据的降噪和平滑;最后,使用神经架构搜索技术优化网络深度以及卷积核个数的合理化配置,并提出较好适配重构数据的手势识别模型WiGNet。实验结果表明：对感知数据进行二维离散小波变换后,特征辨识度和模型整体运算速度均有显著提升;WiGNet在自建数据集上和公共数据集上的平均识别准确率分别达到98.1%和96.0%,均优于同类模型。此外,WiGNet在实现高精度手势识别的同时,还能保持较快运算速度,并兼具一定的鲁棒性。     

基于数据手套和神经网络的数字手势识别方法

针对使用数据手套进行数字手势识别时存在个体差异的问题,使用弯曲电阻片设计了数据手套并提出了基于神经网络的数字手势识别方法.首先,在分析测量电路原理的基础上结合弯曲电阻片的特性优选了电路参数,使手指弯曲角度测量的灵敏度最大化.其次,针对用户在手指长度、手势习惯上存在个体差异的情况,提出了一种基于弯曲信号自学习和广义回归神经网络(GRNN)的数字手势识别方法.数据手套信号测试及数字手势试验结果表明,采用优选的电路参数时测量电路的输出振幅最大;在全体评估试验和个体交叉评估试验中,经过自学习预处理后的数字手势识别平均准确率分别为99.2%和96.1%,与未进行自学习处理的识别结果相比分别提高了2.8%和10.7%.在全体评估试验和个体交叉评估试验中,GRNN的识别结果均优于决策树的识别结果.     

嵌入特征预提取和注意力机制的SAR图像目标检测

合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别技术广泛应用于道路、船舶等检测任务中,但合成孔径雷达图像易受散斑噪声干扰,直接将卷积神经网络(Convolutional Neural Network,CNN)应用在SAR数据集上难以高效准确地提取有效特征.针对以上问题,提出了一种嵌入特征预提取和注意力机制的SAR图像目标识别算法(Convolutional Automatic Encoder-Convolutional Neural Network-Channel and Spatial Atten-tion Mechanism,CAE-CNN-CSAM),即利用优化的Lee滤波算法降低SAR图像斑点噪声,通过编解码技术对SAR图像进行特征预提取,而后在卷积神经网络中引入注意力机制,提高算法对通道和空间特征的表达能力.在公开的Statoil/C-CORE数据集上,该算法对目标的识别准确率达到了94％,相比于目标识别准确率约为88％的CNN等基准模型具有更高的目标识别性能.