基于DBN的sEMG智能轮椅人机交互系统

设计了基于表面肌电信号的智能轮椅人机交互系统,首先通过CyberLink肌电传感器,对面部运动信号进行采集与分析处理,采用了深度信任网络(deep belief network,DBN)算法对肌电信号进行分类,进而用于智能轮椅的运动控制.实验表明:与支持向量机相比,用深度信任网络训练肌电信号,能有效地处理大量的肌电样本信号,并得到最高可达95.25%的识别率,提高了肌电信号的识别率、有效降低了对大量数据的处理时间、增强了智能轮椅响应的实时性.     

采用Emotiv感知的智能轮椅运动控制的研究

采用Emotiv传感器设计了一种基于运动想象的智能轮椅控制系统。该系统利用独立分量分析算法对脑电信号进行去噪与特征提取,并用反向传播（back propagation, BP）神经网络将提取的特征分类为想象左右手、迈腿动作与平静状态。最终,设计出4个控制指令（左转、右转、前进和停止）实现对智能轮椅的实时控制。实验结果表明,该控制系统有较好的可行性和稳定性,为脑电信号控制在智能轮椅中的实际应用奠定了基础。     

一种肩颈部肌电信号识别的智能轮椅控制方法

为了实现利用肌电信号识别的智能轮椅系统控制,提出一种基于空域相关滤波的小波熵和近似熵特征提取与分类方法.通过分布在人体肩颈部的电极采集动作并产生多通道表面肌电信号,采用阈值比较与移动平均的数据分段方法确定活动段的起点和终点,在小波变换尺度间相关滤波的基础上提取活动段数据的小波熵和近似熵特征,设计具有二叉树结构的孪生支持向量机多类分类器,以完成5种动作模式的识别,并在预设的实验轨迹上对智能轮椅进行测试.结果表明,所提出的方法在人体头部左、右转以及双肩上提和左、右肩上提等动作模式下对肌电信号的识别率均达到88.75%.     

基于肌电信号的人体下肢运动意图映射研究进展

智能下肢假肢与下肢外骨骼是肢体功能障碍者恢复日常运动的重要手段。基于肌电信号的直接意图控制是其自适应、自主控制的关键技术之一。针对此问题,阐述了基于肌电信号的人体下肢运动意图映射研究进展,包括比例肌电法、肌骨模型法和人工智能算法,讨论了基于肌电信号的人体运动意图映射研究所面临的主要问题。最后,对该领域未来发展方向进行了展望和总结。     

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.     

基于腕势控制的智能轮椅无障碍人机交互系统

将人机交互与智能轮椅结合,设计了一种智能轮椅人机交互系统.自行开发了一种腕部控制器,采用模糊推理方法实时检测腕部的弯曲变化,通过腕部的弯曲变化对智能轮椅的运动状态(前进、后退、左转、右转、停止)进行控制,实现了基于腕势控制的智能轮椅无障碍人机交互,实验结果表明基于腕势控制的智能轮椅运动更稳定.     

一种新的语音端点检测方法及在智能轮椅人机交互中的应用

针对语音端点检测在一般噪音环境下易受影响,且能降低智能轮椅的语音识别率,提出了短时能量与倒谱距离相结合的语音端点检测方法.实验表明,该方法能提高整个语音识别系统的鲁棒性,通过语音识别控制轮椅的5个基本动作(前进、后退、左转、右转、停止)实现了智能轮椅运动的语音控制.     

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％．