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。     

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。     

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.     

基于下肢表面肌电信号的动作模式识别研究

基于肌电信号模式识别方法,首先将采集的踝关节外展、内收,膝关节外伸、内屈4种动作的表面肌电信号经过去噪等预处理,接着分别提取4种动作表面肌电信号的积分肌电值和均方根值作为特征向量,最后利用这些特征向量进行模式识别。本文分别利用BP神经网络和极限学习机(ELM)两种方法进行肌电信号的模式识别,分别以识别率和识别时间为评价标准,比较两种方法在模式识别方面的优劣。实验结果表明:极限学习机(ELM)无论是在识别率还是在识别时间上都优于BP神经网络,能够更有效地对下肢4种动作进行模式识别。     

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.     

基于表面肌电的人体与环境交互力预测

提出了一种基于人体表面肌电信号的交互力预测方法.该方法仅通过使用表面肌电信号,获取各肌肉的激活状态以表征其等长状态下的肌肉力,并输入前向人体动力学模型,对下压与推两个静态动作的交互力进行了预测.静力学模型中涉及到的参数通过贝叶斯线性回归算法获得.实验结果表明该方法所预测的交互力均方根误差在2.20N以下.     

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.     

基于表面EMG功率谱和BP网络的多运动模式识别

结合功率谱比值法和BP神经网络提出一种基于表面肌电信号（EMG）的多运动模式识别算法．该算法首先根据表面肌电信号功率谱的特点,提出一种有效的特征提取算法——功率谱比值法;然后将功率谱比值特征作为BP神经网络的输入向量,实现对伸腕、屈腕、张开、合拢四种动作模式的识别,该识别结果可为肌电假手的多种运动模式提供仿生控制的信号源．实验结果表明,该方法对同一健康受试者四种运动模式的识别成功率平均达到95％,而对不同的健康受试者的识别成功率平均达到85％．     

基于支撑向量机在线学习方法的短期负荷预测

提出了基于支撑向量机在线学习方法的短期负荷预测,该方法克服了传统的支撑向量机负荷预测当训练样本集合改变时为了保证预测精度必需重新进行训练来得到新的回归函数的缺点.充分利用支撑向量机解的稀疏性和前一次的训练结果,提出了递增和递减算法,直接修改原有回归函数的系数来得到新回归函数.实例计算表明,该方法与传统支撑向量机方法相比,具有计算速度快,推广能力强的显著特点,在相同预测精度下,计算速度提高了近两个数量级.     

基于育种算法的SVM参数优化

支持向量机(SVM)的学习性能主要取决于参数选择.论文基于育种算法提出了混合算法的支持向量机参数优化模型,即将种子或者粒子所对应的适应度取作交叉验证方法中的测试样本集数据的识别率,构成基于混合算法的支持向量机,并通过数值试验验证了该方法的可行性。     

Novel method of mining classification information for SVM training

Support vector machine(SVM) is an important classification tool in the pattern recognition and machine learning community,but its training is a time-consuming process.To deal with this problem,we propose a novel method to mine the useful information about classification hidden in the training sample for improving the training algorithm,and every training point is assigned to a value that represents the classification information,respectively,where training points with the higher values are chosen as candidate support vectors for SVM training.The classification information value for a training point is computed based on the classification accuracy of an appropriate hyperplane for the training sample,where the hyperplane goes through the mapped target of the training point in feature space defined by a kernel function.Experimental results on various benchmark datasets show the effectiveness of our algorithm.     

一种基于KNN与改进SVM的车牌字符识别算法

提出了一种将KNN(K近邻)和支持向量机相结合的字符识别算法.首先用KNN对字符进行判断,如果输出的置信度大于阈值,则认为分类正确;如果小于阈值则采用支持向量机进行判决.改进了SVM分类器,通过调整支持向量机的分类超平面改进了支持向量机的性能.将算法应用到实际的车牌字符识别中,识别结果表明,这种方法在提高识别速度的同时,有效提高了字符的识别精度.     

基于AP算法支持向量机的设计与应用

设计一种基于AP聚类算法和SVM分类器相融合的新的混合分类器, 使用AP聚类算法优化数据集, 得到了高质量、 小样本的SVM分类器训练集. 实验结果表明: 与传统的SVM分类器相比, 混合分类器具有更高的分类精度; 在心脏病预测上, 该分类器的效果较好.     

基于SVM的特征加权KNN算法

作为一种非参数的分类算法,K-近邻(KNN)算法是非常有效和容易实现的.它已经广泛应用于分类、回归和模式识别等.在应用KNN算法解决问题的时候,要注意两个方面的问题--样本权重和特征权重.利用SVM来确定特征的权重,提出了基于SVM的特征加权算法(FWKNN,feature weighted KNN).实验表明,在一定的条件下,FWKNN能够极大地提高分类准确率.     

核PCA支持向量机算法研究

在核函数基础上,提出了一种融合支持向量机和核主元分析的核PCA支持向量机综合集成分类方法,给出了算法实现步骤。仿真实验表明了该算法具有很好的分类性能,特别适合于消除噪声情形的模式识别问题。     

基于支持向量机的人脸识别算法研究

对基于支持向量机的人脸识别算法进行了研究,并通过仿真实验验证算法的有效性.通过缩小图像的尺寸和离散余弦变换(DCT)来实现图像的预处理,应用基于类内平均脸的主成分分析(PCA)提取人脸图像的特征,应用支持向量机(SVM)实现人脸图像识别.还重点对影响人脸识别系统速度和识别准确率的相关因素进行了研究,为研究人脸识别技术的应用提供理论依据.     

基于支持向量机的人脸识别算法研究

本文基于支持向量机对人脸识别的算法进行了研究,并通过仿真实验验证算法的有效性。通过缩小图像的尺寸和离散余弦变换(DCT)来实现图像的预处理,应用基于类内平均脸的主成分分析（PCA）提取人脸图像的特征,应用支持向量机（SVM）实现人脸图像识别。本文还重点对影响人脸识别系统速度和识别准确率的相关因素进行了研究,为研究人脸识别技术的应用提供理论依据。     

基于样本修整和支持向量机算法的并网风电机组运行特性研究

针对并网风力机组运行时非线性、耦合性和大惯性的特点,提出了一种基于样本修整和支持向量机算法的系统辨识方法,并通过实例将该方法与单纯的支持向量机算法、BP(back propagation)神经网络算法进行比较.结果表明,样本修整后与修整前相比,训练速度和预测精度都有明显提高,基于样本修整和支持向量机算法的辨识方法具有明显的优越性.