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     

基于ReliefF-NOSCA-AdakNN的肌肉疲劳识别技术研究

针对竞技体育训练中的肌肉疲劳监测问题,提出了一种基于ReliefF-NOSCA-AdakNN(RNA)的表面肌电信号(sEMG)特征提取和分类算法.该算法结合了特征和类别之间的相关性分析和启发式搜索算法,对高维特征进行了有效的筛选和分类.将RNA算法应用于经过滤波处理的肱二头肌肌电信号数据,对不同疲劳状态进行了识别和分类.实验结果表明,提出的RNA算法在平均分类准确率和标准差方面分别达到了83.88%和0.012 7,均显著优于传统单一算法,体现了较好的分类性能.     

基于多重分形模型的非高斯信号建模

在小波域中,研究了基于β分布、点集分布和β分布与点集分布的混合多重分形模型（β－MWM．pm-PWM和β－pmMWM）;运用相关性检测和多重分形奇异谱检验方法分析了这3种模型对实际的水声非高斯信号的逼近性能。探讨了非高斯信号的多重分形分布特性,将研究结果应用于水声噪声的分析中,发现其多重分形分 布与环境有密切的关系;应用于水声噪声的识别研究中,取得了较好的实验结果。     

求多重分形谱的一种实用算法

给出了一类图象所对应的多重分形谱的一种实用算法，该算法可用于一类实验数据的处理．     

股票收益率序列的多重分形特征分析

运用多重分形消除趋势波动分析法,研究中石油和中石化两个上市公司股票收益率的多重分形特征,并结合多重分形谱方法,比较两股票收益率序列的多重分形性的强弱及风险大小.结果表明,两个公司的股票收益率序列均具有明显的多重分形特征,且中石化收益率序列的多重分形性更强,波动复杂程度更高.总体相比,买入中石化股票获利的空间更大,但风险也较买入中石油的更高.     

基于多重分形谱的碳纤维复合材料表面评定方法

碳纤维复合材料（CFRP）表面的多重分形谱能表征其表面形貌特征.用TalyScan 150表面测量仪测量了CFRP的表面形貌,使用小波变换算法计算了其多重分形谱.结果表明,CFRP 3D表面的形貌与其多重分形谱密切相关,Lipschitz指数的范围可以表征表面的粗糙度,多重分形谱的数值可以表征表面的波峰和波谷的分布.同传统表面粗糙度分形维数表征方法相比,多重分形谱能表征加工表面形貌的局部特征.     

综合法评定运动员肌肉疲劳的动态指标

本文根据生理、生化、肌电信号的综合测试和分析结果对运动员肌肉疲劳动态指标进行了综合评定。研究过程中使用了先进的仪器设备和测试分析方法。研究结果将为研制实时肌肉疲劳监测系统提供理论和实验依据。     

基于表面肌电信号的绝缘手套法带电作业人员上肢肌肉疲劳分析

绝缘手套法是配网带电作业的主要作业方式,为获取穿戴绝缘手套的带电作业人员上肢肌肉的疲劳特性及其诱发的肌肉骨骼系统疾患(work-related musculoskeletal disorders,WMSDs)的风险,开展了基于表面肌电信号(surface electromyogra-phy,sEMG)的绝缘手套法带电作...     

基于WTMM与多重分形的信号毛刺去除方法

信号检测和分析经常受到毛刺的干扰,因此有必要将其去除.小波变换作为一种理想的时频分析方法,能够对信号进行多尺度或多分辨率分析,从不同层次把握信号的特征信息,为此提出了一种基于小波变换模极大值与多重分形的信号毛刺去除方法,分别利用多重分形谱、局部有效Hlder指数实现毛刺的检测与定位,进而实现毛刺的去除.实验证明,这种方法是可行和有效的,为非平稳随机信号中的毛刺去除提供了一种行之有效的方法.     

基于多重分形谱的图像索引方法研究

讨论了图像多重分形谱的计算方法及简化算法,对图像多重分形谱的一些特性进行了概括,利用简化 算法求得的多重分形谱数据对图像进行索引,给出了一些改进方案用于进一步研究。     

Volterra-Wiener-Korenberg模型非线性检验方法

通过Logistic系统产生的周期2、周期3及混沌的时间序列研究了噪声对Volterra-Wiener-Korenberg模型非线性检验方法的影响,由Lorenz混沌时间序列进一步探讨了采用该方法检验非线性时间序列的实用性,并利用该方法对疲劳表面肌电信号进行了非线性分析。结果表明,测量噪声和内部噪声对该方法的影响有所不同,从而对于有噪声的短实验数据,该方法只是一种间接的非线性检验方法,并不能直接判定原始数据是否存在混沌特性。     

表面肌电在体育科学研究领域中的应用进展

肌电是唯一一个能连接神经系统,并直接反映运动中肌肉收缩的电信号载体。本文主要运用文献资料法对表面肌电在体育科学研究领域中的应用作一个简要的回顾,从而了解肌肉收缩时神经-肌肉的工作机制。研究结果表明：表面肌电技术涉足体育科学领域的研究虽尚处初级阶段,但应用极为广泛,主要表现为用于评定肌肉运动产生的疲劳、肌电与肌力的关系、肌肉活动的协调性与贡献度以及运动选材等领域。     

参数自适应调节的肌电反馈式电刺激仪的设计

功能性电刺激是脑卒中后导致的运动功能障碍患者康复治疗的有效手段,现有的功能性电刺激仪多采用被动式或参数恒定式刺激方式,治疗效果不佳。本文设计了一种基于表面肌电信号的参数自适应调节的生物反馈式电刺激仪。以放松状态和最大自主收缩状态的表面肌电信号均方根值为参考,用刺激间歇的表面肌电信号均方根值作为反馈信号调节下一刺激周期的脉宽和幅值。为了避免过度刺激造成疲劳和伤害,提出了基于特征Q值的疲劳检测算法,实时检测Q值变化并在肌肉达到疲劳阈值b时终止电刺激。实验结果：仪器可以输出频率、脉宽和幅值范围分别为1～10 Hz,0.1～5 ms,5～30 mA的刺激波形,脉宽和幅值的实际输出值与设定值之间的绝对误差分别为2.3%和2.5%;相同刺激幅值下12组负载上的电压和负载阻值线性拟合结果的相关系数为0.9997,实现了恒流输出;仪器可以根据肌电均方根值调节脉宽和幅值,在检测到肌肉达到疲劳阈值（50%）时电刺激停止。     

基于熵理论和复杂度的肌电信号分析

传统信号处理方法对肌电信号分析存在一定局限。不能很好地描述肌电信号的复杂性;而基于熵理论和复杂度等非线性分析方法越来越多地应用于肌电信号等生理信号的处理。熵理论和复杂度对于肌电信号的处理具有运算速度快、数值特征明显,并且能够很好地描述其复杂性等特点。本文以做俯卧撑的上肢肌电信号为分析对象,通过计算其Renyi熵、小波熵和复杂度刻画不同阶段肌电信号的复杂性。并验证以此测度进行肌电信号不同区域划分的合理性,以及应用该方法分析肌电信号的有效性,取得了较好的效果。试验数据分析结果表明,小波熵值较大的部分对应于肌电信号能量较高的区域。从生理意义而言,这些区域正是肌肉纤维集中放电的过程。肌电信号成分单一,是复杂度较低的区域,而Renyi熵和复杂度值越大,对应的肌电信号成分复杂度越高,这与理论分析吻合得比较好。同时三者也得到了相互验证。由此表明该方法对于肌电信号的分析是可行的。非线性分析方法可能是未来肌电信号等生理信号的发展方向。该方法还可以应用于体力疲劳评价。     

诱导脑部损伤患儿主动训练的电子手套

多数脑部损伤患儿患侧手指肌张力大,拇指呈内收状态,无法完成手指的张合动作,存在着手功能损伤。然而,临床上患儿手功能康复训练方式单调枯燥,不符合患儿的心理特点。该文设计了一种基于患儿心理特点的利用声、光信号诱导患儿主动训练的电子手套,并在中国康复研究中心进行了临床实验。实验表明：患儿患侧手指表面肌电信号的中位频率在康复训练后增大,说明用手套进行康复训练使患儿患侧肌肉耐力提高;静息状态下,患侧大鱼际肌与拇长伸肌表面肌电信号均方根与平均幅值在康复训练后减小,表明静息状态下大鱼际肌与拇长伸肌肌张力下降,患儿患侧手指运动控制能力增强。实验结果验证了该电子手套在脑部损伤患儿手功能康复训练中的有效性。     

基于AR模型和BP网络的表面EMG信号模式分类

提出了一种以AR模型和BP网络相结合的表面肌电信号处理方法 .首先 ,将采集到的肌电信号进行预处理 ,提取AR系数作为其特征值 ;其次 ,设计了一个三层的BP神经网络 ,利用AR系数对手臂的各种肢体动作进行运动模式的分类 .实验表明 ,这种方法不仅减少了计算工作量 ,同时取得了比较理想的识别效果 .     

基于表面肌电的肘关节运动角度预测

表面肌电信号(sEMG)由于能够反映用户的动作意图而被广泛应用在上肢康复治疗系统中.针对目前上肢康复机器人的手臂关节运动控制不灵活的问题,提出一种基于sEMG的肘关节运动角度预测方法.为解决单一的时域特征提取方法存在的时间效率高而稳定性不足的问题,从时域和频域分别提取特征值,采用BP人工神经网络建立表面肌电信号与肘关节角度的映射模型,实现肘关节角度的预测.实验结果表明,该模型的预测结果与真实角度值有高度的一致性,有助于提高上肢康复机械臂的灵活性.     

基于广义回归神经网络的上肢关节角度预测

针对人体上肢运动意图识别问题,基于上肢表面肌电信号,提出广义回归神经网络(general regression neural network,GRNN)预测受试者的上肢关节角度.GRNN预测模型的输入为处理后的表面肌电信号,预测的3个关节角作为输出,将GRNN预测结果和径向基函数(radial basis functi...     

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。