基于小波变换的表面肌电信号去噪方法

表面肌电信号是通过表面电极记录下来的神经肌肉活动时发放的生物电信号,它反映了神经、肌肉的功能状态。表面肌电信号在临床医学、运动医学、康复医学、神经生理学、电生理等领域被广泛应用。本文所研究的肌电信号是在右下臂上采集到的一组表面肌电信号,通过小波变换等方法对肌电信号进行去噪处理。实验表明,该方法能够有效的去除肌电信号的噪声,为下一步的信号分析打下良好的基础。     

基于MEEMD和二代小波阈值的表面肌电信号去噪处理

表面肌电(surface electromyogram,sEMG)信号能够反映神经肌肉的相关活动信息,被广泛应用于假肢控制、临床医学等领域,而获取干净的sEMG信号是精确地解释和应用信号的先决条件.为了消除混杂在sEMG信号中的噪声,文章提出了一种基于改进的经验模态分解(modified ensemble empiri...     

人体下肢表面肌电信号的检测与分析

人体步行时下肢肌电信号 (EMG)活跃 ,为研究步态周期内 EMG随路况的变化趋势 ,采用了下肢表面 EMG8通道检测装置进行了实验 ,对多人在 6种路况 (或步速 )下行走时的下肢 EMG进行了检测和分析。实验结果表明 ,步行时下肢肌肉活动有一定的规律性 ;各路况信号开始及持续时间、信号绝对值平均、中频等特征值区分明显 ,可以将其应用于智能肌电控制假肢路况模式辨识     

基于小波包能量的脑电信号特征提取方法

在脑机接口研究中,针对运动想象脑电信号的特征抽取,提出了一种基于小波包变换和AR模型的特征提取方法.该方法首先利用小波包变换对大脑C3和C4处采集的2路运动想象脑电信号进行3层分解,抽取小波系数的能量特征;然后,利用Burg算法提取脑电信号的5阶AR模型系数;最后,将这2类特征组合,使用基于马氏距离的线性判别分类器对左右手运动想象脑电模式进行分类,正确率达到91.43%.该方法提取的特征向量较好地反应了运动想象脑电信号的事件相关去同步和事件相关同步的变化时程,为BCI研究中脑电信号的模式识别提供了新的思路.此外,该方法的识别率高,复杂性低,适合应用于在线脑机接口中.     

基于小波变换的按摩手法肌电信号分析

为通过滚法的量化结果分析为按摩手法的评定及训练提供一定的参考依据, 利用表面肌电仪采集按摩师及初学者滚法相关肌群的表面肌电信号, 采用小波变换算法对信号进行多分辨率分析, 进而研究其能量分布。实验结果表明, 在滚法操作中, 按摩师75%的能量集中在低频段, 其中肱桡肌的能量占总能量的40%, 而初学者能量分布与之有显著差异。在掌握正确的操作要领前提下, 初学者应注重肱桡肌能量的训练。     

基于小波变换的雷达信号特征提取方法

基于小波变换,提出了一种提取雷达信号特征的方法。通过对雷达信号进行小波分解,设置门限,将小波变换系数转换为二进制,然后将二进制小波系数再转换为十进制,这样就得到了雷达信号的特征。通过目标识别实验,证明本文提出的方法是有效的。     

基于HMM的表面肌电信号模式分类

按等时间间隔将表面肌电信号(SEMG)划分为不同的段,利用小波变换对其进行特征提取,借助隐马尔可夫模型(HMM)的动态建模能力来感知不同动作模式下SEMG的时变特性.具体应用时,先根据样本对各动作模式下的HMM进行训练,待各模型参数稳定后,再利用HMM对特征提取后的SEMG进行模式分类.实验结果表明:该方法具有很好的分类识别率.在6个手部动作识别中,上翻、下翻、内旋和外旋4种动作的识别准确率均在90%以上.     

肌肉疲劳过程中电诱发表面肌电信号的小波分析

分析由电刺激腓肠肌得到的表面肌电信号(Surface electromyography, SEMG),研究肌肉疲劳过程中表面肌电信号的特征,采用小波分析的方法,选择与M-波形状相似的小波函数,对其两个半波进行小波变换,分别分析两个半波在时域波形的拉伸程度,确定以小波变换尺度为主要依据的肌肉疲劳指数,实现疲劳状态的定量描述.该方法克服了傅里叶变换在时域中没有分辨率,信号在某一时刻变化将影响整个频谱特性的缺点,确定了特异性和可靠性良好的表征肌肉疲劳的SEMG指标,为进一步应用这些指标评价肌肉功能状态提供理论依据.     

草原公路行车驾驶员肩部表面肌电信号分析

内蒙古草原具有线形特殊,景观单调等特点,长时间在草原公路行车时极易引起肌肉疲劳。通过检测驾驶员肩部斜方肌的表面肌电信号,使用MPF指标并结合主观问卷调查评估在草原公路驾驶过程中的驾驶员肩部肌肉疲劳。结果表明6名驾驶员的MPF随着驾驶时间延长呈现波动下降趋势,但仅有17%的驾驶员主观感觉到肩部疲劳。实验结束后驾驶员肩部肌肉疲劳累积加重。     

多分辨率小波变换在表面肌电信号模式识别中的应用

采用一种多分辨率小波变换来进行表面肌电信号的模式识别.该方法选择各个尺度下的小波系数幅值的一对最大最小值作为特征向量,对表面肌电信号作5尺度小波分解.对内旋动作、外旋动作、握拳动作、展拳动作的多尺度分解结果证明,该方法提取的特征信号用于识别时比传统方法的分类精度高.     

基于表面肌电信号的下肢康复主动训练研究*

由于传统的人工康复手段已经很难满足患者对康复治疗的需求,因此提出一种基于表面肌电信号的下肢康复主动训练模式。通过提取患者下肢肌电信号在时域内的特征量,经BP神经网络辨识患者的运动意图,最后将辨识结果作为驱动下肢康复机器人的信号源,实现对患者的主动康复训练。根据临床试验中患者在主动训练前后各项生命体征数据稳定,以及主动训练后神经功能和运动功能具有显著恢复效果患者数较传统训练模式提升了50%,表明该主动训练模式的可行性和安全性。为今后深入研究主动康复训练奠定了理论和实践基础。     

胶合板加载损伤的声发射信号小波包特征提取

为识别胶合板的不同损伤类型,将小波包时频分析与能量谱相结合,提出基于时频和频段能量占比的胶合板损伤声发射信号特征提取方法。结果表明:3层胶合板表板断裂信号以膨胀波和弯曲波模式并举,频谱较宽,能量主要集中在小波能量谱的第1、2、3、4和7频段;5层胶合板表板断裂信号频率单一,幅值较高,以膨胀波为主;整板断裂主要以弯曲波模式为主,频率较低,能量多集中于第1、2频段;脱胶和3层板整板断裂信号波形为膨胀波和弯曲波混合型,弯曲波为主,能量多集中于第1、2、3、4频段。实验表明,频谱、小波包时频、小波包能量谱联合分析,能够识别各种加载破坏形式对应的声发射信号特征。     

非平稳大地测量信号特征信息小波识别

将小波变换和Fourier变换的谱分析结合起来,在时域中记录大地测量信号序列的突变时间,在频域中提取信号突变的频段,通过序列在小波变换各尺度上的小波能量时谱和能量频谱可以得到大地测量内涵的主要复杂过程的有关尺度层次,进而分析、识别内涵的特征信息.仿真实例表明,该方法既保证了特征信息提取的质量,又降低了计算的时空复杂度.对山东基准站的YATI站和WUDI站的年周期、半年周期、季节周期数据进行实例分析,识别提取了特征信息,效果良好.     

Feature Extraction and Classification of Echo Signal of Ground Penetrating Radar

0IntroductionGrvoeluonpde dpienne rtercaetinntg y reaardsa r, (wGhiPchR)is i se map lnoeywedte bcyh nsicqieunet idset-and engineers to obtaininformationfromsubsurface and man-made structures .It has advantage of quick,easy and non-de-structive way toi mage the first few meters of the subsurfaceSo,it is widely used in utility location,landmine detectionroad and airport runway inspection,geophysical survey,andarchaeological investigations ,etc[1 ,2]. Conventionally,radaecho signals can be form…     

基于肌电触发的上肢康复训练机器人的实现

在三自由度中央驱动式上肢康复训练机器人样机的基础上,通过提取患者的肌电信号,设计了一种肌电触发的助力训练控制方案,达到帮助上肢功能障碍患者进行助力康复训练的目的.运用多种电子技术,提取桡侧腕屈肌和尺侧腕屈肌这一对拮抗肌的表面肌电信号,结合运动系统的分层多核控制方案,实现对患者肌电信号的检测和处理,根据患者的运动意图提供相应的助力动作,实现肌电触发的助力训练模式.进行了肌电信号识别实验和速度调节验证实验,验证了肌电触发的速度可调式助力训练方案的可行性.     

支持向量机在表面肌电信号模式分类中的应用

采用小波变换的方法对实验采集的原始四通道表面肌电信号(sEMG)进行了分析,并提取小波分解系数的奇异值构建特征矢量,利用“一对一”分类策略和二叉树设计的多类支持向量机(SVM)分类器,很好地实现了对前臂8种运动表面肌电信号的模式分类,8种运动模式的平均识别率为98.75%.研究表明SVM分类准确率明显优于传统的BP神经网络、Elman神经网络和RBF神经网络分类器,且识别精度高,鲁棒性好,对肌电信号及其他非平稳生理电信号的模式识别,提供了一种具有良好应用前景的新方法.     

一种基于sEMG信号多重分形的肌肉疲劳特征分析方法

针对由表面肌电信号(sEMG)非平稳、非线性、自相似性等复杂特性导致的肌肉疲劳估计不准的问题,提出一种基于sEMG信号多重分形降趋移动平均法(MFDMA)的肌肉疲劳特征分析方法。首先,利用MFDMA方法对采集的sEMG信号、洗牌信号和高斯白噪声信号进行非线性动力学分析;其次,利用MFDMA方法计算sEMG信号的多重分形谱宽度、Hurst指数变化差值、概率测度值和峰值奇异指数4种多重分形特征;最后,利用t-检验法分析肌肉疲劳与非疲劳状态下的多重分形特征的显著差异性。结果表明,MFDMA方法能够描述sEMG信号的多重分形行为,谱宽等多重分形特征在肌肉疲劳与非疲劳状态下具有显著性差异。所提方法能够可靠表征运动性肌肉疲劳,可为肌肉疲劳识别模型建构、康复医学研究提供特征参考。     

一种新的小波基函数及其在雷达信号特征提取中的应用

为进一步准确估计雷达信号的瞬时频率，在现有Morlet小波基函数的基础上，提出了一种新的Morlet小波基函数（New-Morlet）用于小波脊线的提取。通过深入分析小波脊线原理以及正确提取小波脊线对小波基函数的要求，利用Morlet小波基函数提取雷达辐射源信号的小波脊线特征，从而可以估计出辐射源信号的瞬时频率。将New-Morlet小波与现有的Morlet小波进行对比得出New-Morlet小波具有更好的时-频综合特性。同时，分析了利用小波脊线原理估计信号瞬时频率的迭代算法。仿真结果表明：基于New-Morlet小波基函数的特征提取性能优于现有的Morlet小波基函数，且具有良好的抗噪性能，其方法是有效的。     

基于小波包变换的超声回波信号特征提取

超声检测技术中,缺陷的定性分类这一技术难题至今尚未得以彻底解决。文章介绍了一种基于小波包变换的多尺度空间能量特征提取方法,并对实测的超声缺陷回波信号进行了特征提取;进而采用基于距离的类别可分性判据对提取结果进行了评价。结果表明:该方法提取的缺陷回波信号特征值,其可分性测度均值达91.7%,从而证明该方法对超声检测缺陷回波信号的特征提取是相当有效的。     

基于小波变换的电能质量扰动测量方法

对电压幅值变化现象的定量检测问题进行了研究．定义了基于两个实值小波归一变换的幅值及调整幅值的概念．证明了只要这两个实值小波函数一个为偶函数、一个为奇函数并满足一定的条件,则基于这两个实值小波归一变换的调整幅值在非故障区间内的值恰好等于1,而在故障区间内的值恰好等于故障区间的电压幅值与非故障区间的电压幅值之比。最后选用两个实值小波函数,应用基于这两个实值小波归一变换的调整幅值对电压波形畸变进行了检测,模拟结果显示该幅值检测图不仅能准确定位故障发生和终止时刻。而且可精确地定量显示出电压变化的幅度。