基于小波变换和K-L展开的单通道表面肌电信号识别

利用单通道表面肌电信号对肘收缩、肘伸直、前臂外旋和前臂内旋四个上肢动作进行了识别.用肌电信号最高频率20倍的过采样率对表面肌电信号进行采样,利用抽取滤波技术将过采样带来的冗余数据去除并保留了过采样带来的低噪声的优点.通过小波变换提取出5个子频带的相对能量与表面肌电信号的总能量一起作为原始的特征向量,然后通过K-L展开将6维的原始特征向量降为2维.通过建立BP网络分别用6维特征向量和2维特征向量对上述的四个动作进行识别.结果显示该方法在减少肌电电极的同时保持了较高的识别率,有很好的识别效果.     

基于ReliefF算法与遗传算法的肌电信号特征选择

针对肌电信号特征维数高、运算效率低等问题,提出了一种基于ReliefF算法与遗传算法(GA)相结合的肌电信号特征选择方法.分析了肌电信号的特征,运用小波分析对肌电信号进行特征提取,采用ReliefF算法评估所提取的高维特征信号的权值,以选出对分类效果影响显著(权值较大)的特征子集,采用GA进一步筛选出分类效果最佳的特征子集,并对比分析了基于ReliefFGA-Wrapper算法与全局搜索算法对肌电信号处理的时间和分类效果.结果表明,所提出的方法能够提高运算效率并具有很好的分类效果.     

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。     

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.     

基于排列组合熵和聚类分析的SEMG识别方法

针对表面肌电信号非线性、噪声强等特点,提出了一种基于排列组合熵和聚类分析的表面肌电信号识别方法.利用相邻数据复杂度计算出排列组合熵,将尺侧腕伸肌和尺侧腕屈肌2路肌电信号对应的排列组合熵构成的特征向量提供给基于距离测度的Mahalanobis距离分类器进行模式识别,成功识别了腕上翻、腕下翻、展拳和握拳4种动作信号,平均识...     

基于小波不变矩和保局投影的表面缺陷识别方法

提出了一种基于小波矩不变量和保局投影(LPP)的特征提取方法,并应用于中厚板表面缺陷自动识别. 首先对图像做三级小波变分解,将中厚板表面图像的细节分解到各个尺度的各个分量中并利用小波阈值收缩法降噪;然后对各分量的傅里叶幅值谱提取Hu不变矩作为原始特征向量,并利用LPP将该特征向量的维数从77维降到8维;最后利用AdaBoost分类器对样本进行分类识别. 实验结果表明,本文提出的特征提取方法适用于中厚板表面缺陷分类,识别率达到91.60%.     

采用表面肌电信号的手指关节角度精确感知方法

针对目前采用肌电信号的手指关节角度连续解码误差较大,导致肌电假肢手运动效果较差的情况,提出了一种应用表面肌电信号、深度回归森林模型和人工神经网络相结合的手指关节角度连续精确感知方法。首先,应用基于滑动时间窗的特征提取器从前臂8个通道的肌电信号中各提取7种肌电信号特征(肌电信号的平均绝对值、积分肌电值、均方根、波形长度、对数特征、过零点数、斜率符号变化数),输入深度森林回归模型得到具有较大波动的掌指关节估计角度;然后,采用人工神经网络对这些掌指关节估计角度进行优化,以创建一种深度森林回归模型与人工神经网络相结合的综合回归模型;最后,利用该综合回归模型对采集到的表面肌电信号进行连续精确解码,得到肌电假手掌指关节角度控制量,其余手指关节角度可通过比例控制得到。采用所提方法进行实验验证,结果表明：所提方法的平均轨迹跟踪精度比传统高斯过程方法提高了42%,达到82.12%,证明所提方法对基于肌电信号的手指关节角度估计具有非常优良的效果。     

基于基频的梅尔倒谱系数在车辆识别中的应用

用传统的梅尔倒谱系数作为特征进行车辆识别时,识别效果易受噪声干扰.为增强特征鲁棒性,提出一种加权的基频自适应梅尔倒谱系数特征提取算法.首先用能熵比法对车辆声音信号进行端点检测;然后提取车辆信号的基频,自适应构建三角滤波器组,提高滤波器对基频的感知敏感度;最后对基频自适应梅尔倒谱系数进行F比加权.实验结果表明,与传统梅尔倒谱系数相比,在识别车辆时,加权的基频自适应梅尔倒谱系数识别准确率提高7.10％,虚警率降低3.93％,漏警率降低7.10％.     

说话人识别中的Mel特征频率倒谱系数

目的研究语音特征梅尔频率倒谱系数(MFCC)的选取对说话人识别系统性能的影响。方法采用基于平均影响值(MIV)的支持向量机(SVM)方法研究了说话人识别中的梅尔频率倒谱系数各维倒谱分量对于识别分类的贡献度。结果选择具有代表性的特征向量进行说话人分类识别,能得到维数更低、识别率更高的特征参数。结论通过MIV值可判断各维特征参数分量的重要性,选取权重值高的MFCC特征参数来提高系统识别率和缩短系统运行时间。     

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.     

基于信号空间压缩感知算法的机械故障诊断

为了解决压缩感知（CS）重构算法通过重构稀疏系数求解原始信号的重构精度不高的问题,提出一种基于信号空间的压缩采样匹配追踪算法。首先在冗余字典中求解原始信号的最优表示空间,然后在最优表示空间中利用迭代算法直接求解原始信号,最后以轴承故障振动信号为例进行实验验证。结果证明本文算法提高了信号的重构精度,可以为增强机械振动信号的故障检测能力提供依据。     

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。     

脑机接口中基于小波包最优基的特征抽取

在脑机接口研究中,针对脑电特征抽取,提出一种基于小波包最优基分解的方法．依据距离准则,从小波包库中选择一个对分类最优的小波包基;在该小波包基包含的所有分解系数中,抽取部分具有最大可分性的系数作为有效特征;不同通道脑电信号有效特征的结合,构成分类的特征矢量．通过对该特征矢量可分性和识别精度两个性能指标的评估,并与现有分类结果进行比较,表明了所提出方法的有效性．     

基于GA-AHP算法的多目标威胁评估

威胁评估是空战中不可或缺的一环。为了准确描述多目标威胁程度,首先,建立威胁指标模型,采用遗传算法和层次分析法相结合的GA AHP算法,通过威胁判断矩阵建立一致性指标函数,将求解特征向量的问题转换成求解一致性比值的问题;其次,调整算法参数并与其他方法进行对比,根据一致性比值筛选出最优的特征向量;最后,根据指标威胁函数,以2v4的多目标空战环境为背景,计算敌机对我机的各个指标威胁值,并根据最优特征向量,得到多目标威胁排序。实验证明,GA AHP算法能够产生更加优化的一致性指标值和特征向量,准确描述了多目标的威胁程度。     

基于SEMG分析的交互意图感知方法

针对以往依赖鼠标、键盘等传统设备的交互方式,其易受到各种场景和使用环境的限制,已成为虚拟现实以及新型显示技术发展的屏障,因此提出了一种基于SEMG分析的交互意图感知方法。由于连续表面肌电信号的实时识别不能通过单独的动作产生的活动段进行信号的分割识别,采用一种连续表面肌电信号的上下文分割思想进行实时信号识别。最后对识别出的信号进行模糊决策的交互意图分类,将识别的信号数据对设备进行交互感知控制。通过实验分析可知,基于SEMG分析的人机交互能够较好地感知识别人的不同意图动作,交互识别正确率能够达到95%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.     

基于自适应Chirplet分解的偏瘫肌强直症状评估

为对偏瘫患者的痉挛性肌强直症状进行定量评价,设计了一种基于自适应Chirplet(线性调频小波)分解的表面肌电信号处理方法。采集了15例偏瘫患者在上肢单关节神经康复机器人上做肘关节被动屈伸动作时肱二头肌的表面肌电信号。通过比较不同患者的最优Chirplet时频参数,量化评价患者肌强直症状。结果表明:通过该方法得到的患者在出现肌强直症状时的肌纤维放电时间与患者相应的简式Fugl-Meyer运动功能评价(上肢)分数存在较好的线性关系,可以从一个方面反映偏瘫患者患侧上肢的运动功能。     

基于自适应Chirplet分解的偏瘫肌强直症状评估

为对偏瘫患者的痉挛性肌强直症状进行定量评价,设计了一种基于自适应Ch irp let(线性调频小波)分解的表面肌电信号处理方法。采集了15例偏瘫患者在上肢单关节神经康复机器人上做肘关节被动屈伸动作时肱二头肌的表面肌电信号。通过比较不同患者的最优Ch irp let时频参数,量化评价患者肌强直症状。结果表明:通过该方法得到的患者在出现肌强直症状时的肌纤维放电时间与患者相应的简式Fug l-M eyer运动功能评价(上肢)分数存在较好的线性关系,可以从一个方面反映偏瘫患者患侧上肢的运动功能。