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.     

基于盲辨识理论的双通道肌电信号建模与分类

基于肌电信号产生机理 ,对双通道前臂肌电信号建立单输入多输出 IIR系统模型 ,由于模型输入未知且不可测 ,采用了盲信道辨识方法对模型传递函数进行辨识 .通过提取模型参数作为信号特征 ,能够对握拳、展拳、前臂内旋和前臂外旋四类前臂动作进行识别 .实验表明 ,该方法运算量小 ,适合在线实现 ,性能要优于传统的 AR模型方法     

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。     

基于经验模态分解建模法检测肌肉疲劳研究

本文针对表面肌电信号的非平稳特性,采用自回归模型（auto regression,AR）对表面肌电信号进行分析,对短时间内的表面肌电信号的肌肉疲劳迅速做出判定。首先对表面肌电信号进行经验模态分解,得到本征模态函数和趋势项,然后对趋势项进行零化处理,再对本征模态函数分量进行重构处理,重构后的信号可视为均值为零的平稳信号,最后将去势化的信号进行建立自回归模型,采用基于该模型的第一个时变参数（first time-varying parameter of auto regression modle,ARC1）作为检测肌肉疲劳灵敏度的快速指标。用疲劳前后的相关特征值的灵敏度波动比（sensitivity to variability ratio,SVR）来表征肌肉疲劳的灵敏度,较平均功率频率对疲劳反应灵敏度要高。该方法通过表面肌电信号对肌肉疲劳检测时,具有时间短、灵敏度高和将表面肌电信号细微特征信息放大、便于识别的效果等优点。     

基于双向长短时记忆神经网络的步态时空参数脑肌电解码方法

针对脑电(EEG)信号对连续步态轨迹解码结果与实际轨迹相关性低的问题,提出一种基于双向长短时记忆(BiLSTM)神经网络的步态参数解码方法。首先,构建基于双向长短时记忆神经网络的步态时空参数解码模型,根据脑肌电信号特性设计解码模型的超参数;其次,同步采集脑电、下肢运动相关肌肉的表面肌电信号(sEMG)和下肢关节运动信号,并对脑电和表面肌电信号的步态相关特征进行分析;然后,以多通道脑电和下肢运动相关表面肌电信号作为解码模型的输入,自动提取脑肌电融合信号中步态相关特征并构建膝踝关节运动轨迹与特征之间的非线性回归模型;最后,以多通道脑电作为解码模型的输入,构建步态相关脑电信号和表面肌电信号之间的非线性回归模型。实验结果表明：所提方法与传统支持向量机方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数提高了0.12;与单独采用脑电、表面肌电信号和脑肌电信号平均绝对值特征融合信号进行解码方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数分别提高了0.81、0.19和0.63。该方法可实现从脑电信号中对部分表面肌电信号波形的解码,解码波形和实测波形的平均Pears...     

基于盲辨识理论的双通道肌电信号建模与分类

基于肌电信号产生机理，对双通道前臂肌电信号建立单输入多输出IIR系统模型，由于模型输入未知且不 可测，采用了盲信道辨识方法对模型传递函数进行辨识．通过提取模型参数作为信号特征，能够对握拳、展拳、前臂 内旋和前臂外旋四类前臂动作进行识别．实验表明，该方法运算量小，适合在线实现，性能要优于传统的AR模型 方法．     

基于经验模态分解建模法的肌肉疲劳检测

针对表面肌电信号的非平稳特性,采用自回归(auto regression,AR)模型对表面肌电信号进行分析,对短时间内的表面肌电信号的肌肉疲劳迅速做出判定。首先对表面肌电信号进行经验模态分解,得到本征模态函数和趋势项,然后对趋势项进行零化处理,再对本征模态函数分量进行重构处理,重构后的信号可视为均值为零的平稳信号,最后将去势化的信号建立自回归模型,采用基于该模型的第一个时变参数(first time-varying parameter of auto regression modle,ARC1)作为检测肌肉疲劳灵敏度的快速指标。用疲劳前后的相关特征值的灵敏度波动比(sensitivity to variability ratio,SVR)来表征肌肉疲劳的灵敏度,较平均功率频率对疲劳反应灵敏度要高。该方法通过表面肌电信号对肌肉疲劳检测时,具有时间短、灵敏度高以及将表面肌电信号细微特征信息放大、便于识别等优点。     

肌电信号相邻尺度积系数硬阈值滤波

为了消除肌电信号中的噪声,提出了一种基于相邻尺度积系数的硬阈值滤波方法.通过对采集的肌电信号进行小波分解,并对肌电信号的各层噪声方差进行估计,构造一种基于相邻尺度积系数的硬阈值函数,实现了真实信号与噪声的分离.根据保留下的小波系数进行重构,得到滤波后的信号.实验表明该方法能有效消除噪声,且基本保留了真实信号的边缘特征,为提高基于肌电信号的手部动作识别率提供了技术手段.     

基于径向基网络的表面肌电信号处理

利用AR模型对实验所采集到的原始二通道表面肌电信号（SEMG）加以分析,提取AR系数作为特征值,将其作为训练样本输入到RBF神经网络进行训练,用此网络对前臂的伸臂和曲臂两种运动模式的表面肌电信号进行模式分类。实验表明,基于径向基函数RBF神经网络分类准确率比BP神经网络更高,具有较强的鲁棒性和自适应能力,可以有效识别肌肉的单动作模式。     

采用小波变换和高斯过程的肌电信号模型预测

根据表面肌电信号的生物电信号特点,采用小波变换和高斯过程建模的方法对表面肌电信号进行建模和预测.对非线性的表面肌电信号利用拟合能力强大的高斯过程进行建模,预测效果较好,但所需运算时间长.针对其运算时间长的缺点进行改进,将预处理后的表面肌电信号小波分解,对分解后的系数高斯建模,然后重构.实验结果表明:该改进方法在响应时间和预测误差方面效果明显.     

基于AR模型和神经网络的膝骨性关节炎诊断

本文旨在采用表面肌电信号无创性方法诊断和评判膝骨性关节炎,以在早期能够预防和治疗膝骨性关节炎,改善生活质量。在研究中,采集了对照组和膝骨性关节炎患者水平行走时下肢的股外侧肌,股内侧肌,股二头肌和半腱肌的表面肌电信号。利用表面肌电信号建立自回归(AR)模型,提取AR模型参数为特征向量训练BP神经网络,并通过神经网络诊断膝骨性关节炎。实验表明,基于BP神经网络分类器可以得到较好的结果,正确率可达到88%以上。     

钢板弹簧片间摩擦系数辨识

为了提高钢板弹簧的仿真计算精度,对钢板弹簧的片间摩擦系数进行参数辨识,确定一组等效摩擦系数。首先建立钢板弹簧的有限元模型,采用响应面法和线性规划方法对钢板弹簧的片间摩擦系数进行辨识,得到一组摩擦系数,然后利用ANSYS软件计算钢板弹簧的刚度特性,并与试验结果进行对比,确定模型仿真计算结果的准确性。     

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。     

汽车ABS制动过程的道路识别

汽车ABS控制的效果与道路识别有着重要关系,在制动过程中实时对各轮胎所附着道路的附着系数进行识别,可及时地调整制动力,提高道路的附着利用率和制动效能,使汽车ABS控制更加合理．文中通过试验获得了ABS制动过程轮缸的可等效压力函数,由储气缸压力和轮缸压力控制阀开关信号的时间历程,推导出各轮的滑移率,进而得出附着系数,实现了道路识别．道路试验检测验证了该方法的可行性．     

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.     

采用HHT的单相接地故障电流与励磁涌流辨识

为有效辨识中压配电网单相接地故障电流与变压器铁芯饱和产生的励磁涌流相似波形,提出一种基于希尔伯特 黄变换（HHT）经验模态分解（EMD）的辨识方法。通过对故障电流和励磁涌流进行EMD特性分析,将原始信号分解为若干本征模态函数（IMF）分量,根据确定的主导IMF分量个数以及比重系数和阈值的关系,区分出故障电流和励磁涌流的波形。仿真发现,单相接地故障电流主导的本征模态函数分量仅有1个,而励磁涌流主导的IMF分量则有多个;故障电流的比重系数Ki远大于励磁涌流的Ki。仿真结果表明,该方法能够有效辨识故障电流和励磁涌流。     

人体腿部表面肌电信号特征提取方法

表面肌电信号(sEMG,surface electromyography)作为人体运动检测的主要信息源之一,已被广泛应用于康复训练福祉机器人领域。针对人体下肢动作识别的问题,提出了一种针对表面肌电信号进行小波变换的特征提取方法。在肌电信号的频域分布中,该方法选取小波子空间中活动段的平均功率组成特征向量。为验证所提出方法的有效性,设计实现了一种微型便携式多通道sEMG信号采集系统,并利用支持向量机(SVM,support vector machine)构建分类器对腿部动作进行识别。实验结果表明:该方法能有效识别腿部常见的4种动作,同一个体动作识别率能达到95%以上,不同个体识别率平均能达到85%,能够较好地应用于下肢运动障碍患者的日常康复训练。     

基于环境振动信号的框架结构震后损伤识别

提出了一种新的损伤指标用于框架结构的震后损伤识别.以环境振动作为激励信号,采用小波包分解理论,利用框架结构损伤后振动信号的能量在频域内的变化,构建损伤指标DI,并给出了损伤识别流程图.在此基础上,以某钢筋混凝土框架结构为例,设定4种震后损伤工况,对框架结构进行了震后损伤识别分析,探讨了不同楼层、不同类型振动信号对损伤识别效果的影响.结果表明:本文构建的损伤指标DI可以有效识别框架结构的震后损伤,损伤指标DI与损伤程度之间有近似线性的关系;基于较高楼层振动信号的损伤指标值对结构的损伤识别效果较佳;利用速度信号可获得比加速度信号更好的识别效果.     

基于抽气过程的FastICA算法去除肌电信号中的心电干扰

提取受试者的体表肌电受其自身心电信号的干扰严重,本文利用一种基于FastICA算法的改进盲抽取方法去除体表肌电中的心电干扰,并有序的输出分离后的心电和肌电分量。对仿真信号处理结果表明,运用该方法避免了独立分量(ICA)方法中固有的位置不确定性,并能够成功的分离源信号。     

时域模态参数识别法的改进及实验研究

本文讨论利用振动系统的随机响应和自由响应信号识别系统模态参数问题。文中提出了将系统的固有频率与阻尼比同振型先后予以识别的方法。提出了一种在实数域内识别模态参数中幅值与相位的新方法,并得到一个简化算式。模拟计算和现场试验表明,本法是行之有效的。最后对有关模型定阶及虚假模态的剔除等问题进行了探讨。