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。     

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。     

基于表面肌电信号的上臂动作识别研究

分析上臂动作与上臂肌肉的关系,通过表面肌电信号正确识别上臂的动作,是实现上肢功能修复的关键.设计了上肢曲臂、伸臂、水平外摆、水平内收、手臂垂直外旋和手臂垂直内旋6个动作,分别同时记录三角肌、肱二头肌和肱三头肌的表面肌电信号,采用时域和频域的方法提取特征值,通过人工神经网络进行识别,识别率达到90%以上.结果表明,通过上肢肱二头肌、肱三头肌和三角肌的表面肌电信号识别上臂的运动是可行的,为应用生物电信号控制机械假肢和实现脊髓损伤功能障碍修复奠定理论基础.     

基于独立向量分析的表面肌电信号分解研究

提出一种适用于表面肌电信号分解的变步长的独立向量分析梯度算法,根据表面肌电信号(s EMG)的生理学特性,将独立向量分析(IVA)模型应用到卷积混合肌电信号的频域分离中,提取隐含在s EMG信号中的运动单位动作电位信息。并将该方法与独立分量分析(ICA)方法的分解性能分析比较。实验结果表明,基于IVA盲源分离技术的分解方法能得到较明显的分解效果。     

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。     

用于生物模型的表面肌电信号处理

为了使从人体上采集到的表面肌电信号（sEMG）达到满足生物模型输入的要求,采用Matlab的Simulink和FDA工具对表面肌电信号的处理方法进行仿真研究。     

基于表面肌电信号参数的人体上肢运动研究

根据检测得到的右上肢主肌肉群的肌电信号,探讨了人体右上肢主肌肉群的肌肉功能状态和男性与女性之间肌肉功能状态的差别.20位实验者右上肢完成13个基本动作,对三角肌、肱二头肌、肱三头肌、掌长肌和指伸肌五块肌肉进行肌电采集,用SPSS 14.0软件时特征参数平均振幅(AEMG)和积分肌电(IEMG)进行数据处理.结果表明:完成不同的日常生活活动,肌肉的活跃程度存在着一定的相似性和差异性;男性以增强指伸肌和三角肌为主,女性则以掌长肌和三角肌为主.实验数据可为老年人和残疾人康复训练及肌电信号控制提供一定的理论依据和指导作用.     

基于支持向量机的表面肌电信号动作模式识别

为更好地将表面肌电信号应用于智能轮椅的人机接口,提出了一种基于SVM的表面肌电信号动作模式的识别算法。采用一对一的方式构造SVM多值分类器,按照投票原则确定测试样本的类别归属,并与动作模式识别的核fisher算法和RBF神经网络算法进行了对比分析。实验结果表明,支持向量机(SVM)算法识别率更高,可以取得理想的学习效果和泛化性能,很好地解决小样本、非线性及局部极小值问题。     

基于互Wigner-Ville分布的表面肌电信号瞬时频率估计

当一块肌肉完成持续的收缩时,所记录的表面肌电信号的分析是一个用于评价局部疲劳进行性的有用的工具.在肌肉静态收缩期间,表面肌电信号功率谱的平均频率和中值频率常被用作肌肉疲劳的指示器.为了评价周期性动态收缩期间的局部肌肉疲劳,针对肌肉动态收缩时表面肌电信号的特点,提出了基于互Wigner-Ville分布的瞬时频率检测方法.通过一个类似于表面肌电信号统计性质的模拟的随机过程,评价了这一算法的估计误差.理论和实验证明,瞬时频率可以在较低的信噪比下很好地适合跟踪由于肌肉疲劳引起的频谱变化.     

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.     

表面肌电信号拾取与预处理电路设计

表面肌电信号(SEMG)是指当骨骼肌收缩时,肌纤维所产生的微弱电信号在皮肤表面的募集。一般情况下,表面肌电信号特别微弱,频率主要集中在10～500 Hz范围内,幅值在10～5 000μV,很容易受到工频50 Hz噪声干扰。针对表面肌电信号的特点,采用Ag/AgCl电极拾取SEMG信号,设计了仪表放大电路,带通信号调理电路。实验证明,所设计的电路能有效提取带宽为10～1 000 Hz的表面肌电信号,实现了简捷有效的表面肌电信号拾取。     

基于sEMG的静态坐姿肩部斜方肌疲劳研究

肩部肌肉疲劳是静态坐姿工作人员中普遍存在的职业健康问题,明确工作人员肩部肌肉出现不同状态的时间有利于预防静态坐姿工作人员肩部疾患的发生。利用表面肌电信号(surface electromyographic,s EMG)实验分析法,对20名无肩部疾患大学生志愿者的斜方肌部分进行无侵入性肩部肌肉信号实时监测。分析中位频率和肌肉电活动水平随时间变化的斜率情况,结合频谱振幅联合分析(JASA)方法确定了工作人员在工作过程中肌力增加,减少,恢复和疲劳四个状态的对应时间。实验表明在整个工作过程中肌力的增加是围绕着其他几类状态反复出现的,工作人员在工作到80~90分钟进入疲劳状态,持续疲劳一段时间后,肌力先增后减,从而发现其可能是造成静态坐姿肩部肌肉疾患的原因之一。     

手臂疲劳时表面肌电信号特征

为了解表面肌电信号(surface electromyography, sEMG)特征的变化规律,找出更加有效的疲劳特征参数组合,通过回归分析和皮尔逊相关系数分析的方法研究了6名受试者负重状态下,手臂表面肌电信号的时域、频域和时频域特征参数与主观疲劳感量表(rating of perceived exertion, RPE)之间的关系。结果表明:随着负重时间的持续,sEMG的时域特征均方根值(root mean square, RMS)和积分肌电值(integrated electromyography, iEMG)有上升趋势,频域特征平均功率频率(mean power frequency, MPF)、中值频率(media frequency, MF)有下降趋势,而时频域特征瞬时平均频率(instantaneous mean power frequency, IMPF)、瞬时中值频率(instantaneous median frequency, IMF)出现先短暂上升然后下降趋势。对各特征参数进行非线性拟合,发现RMS和iEMG幂函数拟合优于指数函数拟合,而MPF、MF、IMPF和IMF指数函数拟合优于幂函数。对联合特征参数进行多元回归分析,发现RMS与MF组成的回归模型判定系数R~2最大。可见RMS与MF相结合作为评估肌肉疲劳的联合参数更加合理有效。     

基于SVM的表面肌电信号动作模式识别*

为更好地将表面肌电信号应用于智能轮椅的人机接口,提出了一种基于SVM的表面肌电信号动作模式的识别算法。采用一对一的方式构造SVM多值分类器,按照投票原则确定测试样本的类别归属,并与动作模式识别的核fisher算法和RBF神经网络算法进行了对比分析。实验结果表明,支持向量机(SVM)算法识别率更高,可以取得理想的学习效果和泛化性能,很好地解决小样本、非线性及局部极小值问题。     

基于表面肌电信号的时频组合特征融合识别

为了克服单域、单特征描述的片面性,提出了一种时频组合特征提取及其融合的方法.选择基于时域的信号偏度和峭度、频域的功率谱比值、时频域的小波系数3个不同特征,并对各特征进行深入分析与处理.经BP网络的多级分类后,对其结果采用模糊积分进行证据源累积,并做出终裁.实验结果分析表明:利用时频组合特征融合后,肌电信号特征得到了较全...     

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业人员上肢肌肉疲劳评估研究.针对配网绝缘手套法的典型作业工况,搭建了绝缘手套法带电作业上肢的sEMG试验平台,采集受试者上肢(右手)各目标肌肉在是否穿戴绝缘手套下的sEMG信号;基于时域特征参数积分肌电值(integrated electromyography,IEMG)、均方根值(root mean square,RMS)及频域特征参数平均功率频率(mean power frequency,MPF)、中位频率(median frequency,MDF)对绝缘手套的上肢肌肉疲劳特征进行评估;基于支持向量机(support vector machine,SVM)构建了带电作业人员上肢肱桡肌疲劳状态识别模型.结果表明:穿戴绝缘手套作业时各目标肌肉更容易进入疲劳状态;穿戴绝缘手套作业时,作业人员上肢部位的肱桡肌、肱二头肌、肱三头肌、三角肌的疲劳程度依次递减,与仿真计算的分析结果一致;sEMG时域特征参数IEMG、RMS对作业人员上肢肌肉疲劳的表征效果要优于频域特征参数MPF和MDF;带电作业人员上肢肱桡肌疲劳状态识别模型总体平均准确率为86.56％,能有效识别上肢肱桡肌肌肉疲劳状态.     

表面肌电信号的基本尺度熵分析方法

提出了一种基于基本尺度熵的表面肌电信号特征的提取方法.对动作持续阶段的信号进行基本尺度熵的计算,来获取肌电假手执行腕上翻、腕下翻、展拳和握拳4类动作时所对应的表面肌电信号特征.实验结果表明,通过这种方法获得的基本尺度熵能够聚集,在各自特定的范围内具有很好的类区分性,通过聚类可以有效地进行手部4种动作类别的区分.