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。     

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％．     

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DSP的假肢手肌电信号控制系统的设计

介绍了一种基于DSP的肌电信号采集、分析系统。根据肌电信号的特点,以DSP嵌入式系统为控制核心,采用AgCl电极作为肌电信号传感器,可以实现6通道肌电信号的采集。该系统通过信号放大、滤波电路的设计,结合信号处理算法的开发实现,完成了6个电机控制信号的输出,最终实现了欠驱动肌电控制假肢。仿真结果表明,该系统的动作识别准确率可达96.66%。     

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。     

基于肌电监测的高尔夫挥杆教学技术动作评价实验设计

高尔夫是一项兼具修身和修心功能的运动项目,备受学生欢迎。但高尔夫技术性很强,教学中由于学生缺乏对自身动作肌肉协调性的正确认知,严重影响了教学质量。表面肌电信号是量化肌肉协同活动和诊断技术动作的有效方法。设计了基于表面肌电信号采集与分析的高尔夫挥杆教学技术动作评价实验方案,从实验测试框架、实验流程、数据采集和数据处理分析等方面对实验方案进行了详细的设计,为后期在高尔夫教学中开展实验测试分析和技术动作诊断提供了基础。此外,实验设计对于其他体育项目的教学也可以提供借鉴。     

基于肌电触发的上肢康复训练机器人的实现

在三自由度中央驱动式上肢康复训练机器人样机的基础上,通过提取患者的肌电信号,设计了一种肌电触发的助力训练控制方案,达到帮助上肢功能障碍患者进行助力康复训练的目的.运用多种电子技术,提取桡侧腕屈肌和尺侧腕屈肌这一对拮抗肌的表面肌电信号,结合运动系统的分层多核控制方案,实现对患者肌电信号的检测和处理,根据患者的运动意图提供相应的助力动作,实现肌电触发的助力训练模式.进行了肌电信号识别实验和速度调节验证实验,验证了肌电触发的速度可调式助力训练方案的可行性.     

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。     

篮球跳投动作上下肢肌激发顺序和用力大小的肌电分析

为了研究篮球跳投动作中各肌肉的激发顺序和用力大小,采用表面肌电仪和SONY摄像机同步记录了篮球运动员完成原地跳投动作时上下肢肌的表面肌电信号,观察了定量运动训练时肌肉的疲劳情况．结果表明：跳投动作上下肢肌肌电活动开始与结束的激发顺序各不相同,在整个跳投动作中,腓肠肌后段在各组中作用最大,其次是手伸肌群和肱三头肌;上肢肌群比下肢肌群的作用大．结论验证了“用力顺序”是“自下而上”的观点;运用肌电技术的研究方法能够准确测试篮球运动中各肌肉的激发顺序和作用大小．     

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。     

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。