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。     

基于极限学习机的中医脉象识别方法

针对中医脉象模糊性强、种类繁多、特征复杂的特点,以及传统模糊聚类方法、BP神经网络识别方法的不足,提出了一种基于极限学习机(extreme learning machine,ELM)的脉象识别方法.该方法通过提取脉象信号的特征向量,然后利用ELM对特征向量进行了训练和分类.实验结果表明,本文所提出的脉象识别方法与传统模糊聚类方法、BP神经网络方法和支持向量机方法相比,识别正确率分别提高21%,9%和5%.这表明所提出的方法对脉象的分类判别能取得良好的效果.     

奇异值分解在电缆局部放电信号模式识别中的应用

针对局部放电在线检测中的局部放电信号模式识别,在对局部放电信号进行去噪预处理的基础上,对去噪后的局部放电信号进行小波包分解,利用小波包系数构建小波包系数矩阵;然后,对小波包系数矩阵进行奇异值分解,定义奇异值能量百分比作为局部放电信号的特征向量,并利用M-ary算法将支持向量机二分类扩展到多分类,使用粒子群算法对支持向量机参数进行优化;最后,将特征向量作为输入,使用支持向量机对4种放电信号进行识别,并与BP神经网络的识别效果进行对比.结果表明:利用奇异值能量百分比构建的放电信号特征向量能够很好反映原始信号的特征;基于支持向量机能够有效对放电信号进行识别,平均识别率达到95%,随着分解尺度增大,4种放电信号的平均识别率增大,但增大的幅度减小;支持向量机和BP神经网络均能够很好识别4种放电信号,且支持向量机相比BP神经网络,具有更好的识别效果.     

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.     

基于排列组合熵和加权核Fisher的肌电跌倒检测

为实现老年人的跌倒与日常行为动作的模式识别,提出了一种基于排列组合熵和加权核Fisher线性判别的表面肌电信号跌倒识别方法.以腓肠肌和股外侧肌2路肌电信号对应的排列组合熵为特征向量输入加权核Fisher线性分类器进行模式识别,对跌倒与坐下、蹲下和行走进行识别.实验结果表明,该方法的跌倒识别率为93.33%,特异度100%,优于其他分类方法.     

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MYO的肌电假肢手控制中手势在线识别系统

表面肌电(surface electromyography,s EMG)信号被广泛应用于临床诊断、康复工程和人机交互等领域中.针对目前控制肌电假肢手的电极成本高、电极佩戴困难以及操作灵活性差等问题,设计一种基于MYO的肌电假肢手手势在线识别系统.通过采集人体上肢前臂的表面肌电信号,在时域上分别提取5种特征值,利用反向传播(back propagation,BP)神经网络分类算法实现对8种手势动作意图的在线实时识别.实验结果证明,利用MYO进行手势识别可以获得较好的识别结果,该系统能够准确识别8种手部动作,平均在线识别率达到92%.     

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％．     

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 .     

一种基于卷积神经网络的下肢动作模式识别方法

针对目前下肢动作模式识别技术存在的数据量少、识别率低的问题,提出了一种新的基于卷积神经网络的下肢动作模式识别方法。以下肢步态动作识别为对象,采集无负重平地行走,无负重上/下楼及负重上/下楼5种步态的表面肌电信号（surface electromyography,sEMG）,对sEMG进行特征提取,构建了一种以特征集作为输入的卷积神经网络,并比较了其与另外几种传统分类识别方法的识别准确率和工作特征。实验结果表明,新方法对于5种步态的平均识别准确率大于95%,错误率都低于8%,具有较高的准确性。因此所提方法的输入特征集更能代表预测模型特征,模式识别率更高,可为康复医疗机器人、助力机器人等设备改善下肢运动功能提供参考。     

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ART2神经网络的手势动作肌电信号识别

针对手势动作肌电信号识别中存在的识别效率和稳定性问题,采用一种基于ART2神经网络的手势识别方法,并进行了单用户和多用户的实验研究.对8名受试者、8类手势动作模式的单用户实验,取得了较高的识别正确率,与BP网络相比,ART2分类器具有识别率高、实时性好、鲁棒性强的优点;同时,多用户的实验结果表明,ART2网络对手势动作肌电信号的识别具有良好的自适应性和稳定的分类能力.     

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.     

一种基于sEMG信号的手势识别方法研究

随着机器人技术的发展,利用表面肌电(surface electromyography,sEMG)信号进行动作识别成为研究的热点.针对sEMG与手部动作关系复杂且实际应用困难的问题,该文提出一种基于BP(back propagation)神经网络的模式识别系统,可通过指浅屈肌和肱挠肌的2路sEMG信息源,识别手部6种不同姿态.该研究采用1阶数字低通无限脉冲响应滤波器提取信号包络,并利用能量特征值进行端点检测,选取短时能量、过零率和12阶线性预测系数进行模式识别.实验结果表明:该方法可以达到90%以上的识别正确率,具有一定的实际应用前景.