基于多生理信息及迁移学习的驾驶疲劳评估

目前基于多生理信号的驾驶疲劳评估方法得到广泛关注。针对驾驶疲劳识别率有待提高且受个体差异性影响的问题,提出了基于脑电、心电和肌电特征融合及迁移学习的驾驶疲劳评估方法。基于模拟驾驶平台同步采集20名健康受试者的脑电信号、心电信号和颈部肌电信号,基于时频分析方法和复杂度分析方法提取各生理信号特征并进行融合;然后,基于特征空间内大间隔映射(LMPROJ)的迁移学习方法实现对单一源域到目标域疲劳状态的初步判别;最后,将上述多个单一源域到目标域疲劳状态的判别结果进行决策级融合,以提高驾驶疲劳识别算法的准确性和鲁棒性。实验结果表明,基于多生理信号特征融合及迁移学习的驾驶疲劳识别率高于传统机器学习方法,且能提高不同受试者驾驶疲劳检测的鲁棒性,为多生理信号驾驶疲劳检测研究提供了新方法。     

基于sEMG与足底压力信号融合的跌倒检测研究

跌倒已经成为一种普遍危害老年人身心健康的事故,需要得到及时救治。设计了一种基于表面肌电(s EMG)和足底压力信号融合的跌倒检测系统。提取s EMG的近似熵及基本尺度熵特征,并根据足底压力的变化规律,提取动作信号段的压力特征,通过D-S证据推理将肌电信号与足底压力信号的SVM决策融合获得综合判别结果。实验结果表明,该方法对跌倒与ADL的平均识别率达到了91.7%,优于单一信源识别结果。     

基于生理信号的疲劳驾驶研究

为确定驾驶员生理信号特征与疲劳驾驶状态间的相关度,通过模拟驾驶实验,采集驾驶员清醒、疲劳时的生理特征信息,以脑电信号为基准,分析脉搏、呼吸、心率与脑电信号之间的相关性,确定了脉搏、呼吸、心率信号的变化均与驾驶状态相关,为疲劳驾驶监测提供了检测依据,对疲劳驾驶建立预警系统具有一定的参考依据。     

融合单通道框架及多通道框架的运动想象分类

针对运动想象脑电信号非平稳、非线性、低信噪比的特点,多种分析方法被广泛应用于运动想象脑电信号特征提取研究中。但单通道脑电分析方法难以有效刻画多通道脑电间的交互信息,且现有特征指标未考虑到通道间的非线性动力学耦合特性。为此,提出一种融合单通道时-频特征和多通道耦合特征的运动想象脑电分析方法策略。通过引入多变量经验模态分解(MEMD)将脑电信号分解为具有共有震荡模式的固有模态函数(IMFs),然后对有效特征频带下的IMF分量获取单通道的边际谱(MS)及瞬时能谱(IES)时-频特征和多通道的互样本熵(CSampEn)、锁相值(PLV)及锁频值(FLV)耦合特征,将融合特征输入加权线性判别分类器(LDA)进行运动想象模式识别。实验引入BCI 2008竞赛Dataset IIb数据集与实测数据进行分析,结果表明所提方法可有效提升运动想象脑电识别率,实验中竞赛数据集的9名受试者的平均识别率与平均Kappa系数分别达到80.1%与0.62,与其他方法相比提高了分类精度,为运动想象脑-机接口研究提供了新思路。     

基于脑肌电反馈的虚拟康复训练系统设计

针对虚拟康复系统在个体适应性、安全可行性和主动参与性等方面的研究需求,提出一种基于脑肌电反馈的虚拟康复系统。采集执行不同手势动作对应的脑电信号及表面肌电信号,提取不同肌肉模块的肌电特征送入支持向量机模型进行运动意图识别;提取脑电和肌电疲劳特征,并提出一种萤火虫-模糊神经网络算法,通过脑肌电疲劳特征实时优化调节虚拟场景的控制参数。最后,搭建包含虚拟场景及反馈控制策略的虚拟康复系统,并针对上肢肘关节屈伸、肩关节前屈后伸动作进行康复训练实验,基于肌电特征模式识别结果实现对虚拟场景及目标的控制,基于脑肌电疲劳特征优化调整场景控制参数,通过虚拟系统康复实验验证系统的有效性。     

基于多源信息融合的膝上假肢步态识别方法

为了实现膝上假肢的有效控制,提出基于多源信息融合的步态识别方法。首先通过搭建人体下肢多源运动信息系统获取下肢表面肌电信号、腿部角度信号和足底压力信号。针对获取的信息,采用基于小波变换的空域相关滤波对肌电信号进行消噪并提取信号特征;选择大小腿、膝关节角度作为腿部角度信号特征;将足底压力信号通过阈值法提取有效特征。在特征提取基础上,分别利用BP神经网络和有限状态机对下肢运动信息进行步态识别,并将识别结果进行融合。实验验证了该方法在平地行走、上下楼梯模式下步态识别准确率均达到95%以上。     

基于多源信息融合的肌电轮椅智能控制技术研究

传统手势识别设备很难同时满足识别精度与便携性的要求,同时,基于单一传感器的手势识别策略获取的信息较少,识别结果易受各种因素的影响。而相较于传统的摇杆控制方式,手势控制方式更为便捷,并且可实现远距离操作。基于此背景提出了基于多源信息融合的肌电轮椅智能控制技术研究,设计了一套便携式肌电信号与运动信息采集系统,其中运动信息包括加速度信号和角度信号。利用极限学习机构建识别算法模型,优化了融合分类结构,并以此识别结果控制轮椅运动。实验结果表明:相较于单一传感器手势识别方案,识别准确率提升了6.1%～12.3%,达到了94.7%;相较于传统模式识别方法,分类准确率提升了1.5%～6.0%,并且,轮椅控制系统的在线平均识别率达到了95.2%,满足实时性要求。     

融合脑电-肌电信号的人机协作装配意图识别方法

针对人机协作装配场景下基于单源生理电信号识别协作意图准确率不高、稳定性不好的问题,首先采用支持向量机方法分别从脑电信号和肌电信号识别单源协作装配意图,然后采用D-S证据理论对多源协作装配意图识别结果进行融合,提出了一种融合EEG-EMG信号的人机协作装配意图识别方法。实验结果表明,所提方法可以有效提高人机协作装配意图识别的准确率和稳定性。     

长途客车驾驶员疲劳状态脑电特征分析

长途客车驾驶员的驾驶状态关系到旅客和驾驶员的生命安全,对长途客车驾驶员的疲劳驾驶研究具有重大意义.选取真实驾车实验环境,对驾驶员脑电信号进行实时监测.首先对采集的驾驶员脑电信号进行了小波包分解,提取了脑电信号中的θ和β节律,然后对它们的平均功率谱进行了分析,最后通过计算脑电疲劳状态指标F,结合眼电特征与主观调查问卷,研究驾驶员主观与客观数据之间的相关性,分析驾驶员疲劳状态变化与脑电信号特征之间的关系.结果表明,在真实驾驶环境下,通过计算驾驶员的脑电疲劳状态指标F值可以有效地检测驾驶员疲劳状态变化.     

基于迁移学习的手部离散动作识别方法研究

表面肌电传感器作为新一代机器人人机交互接口设备,目前已在航空航天、军工应用、康复医疗、工业生产等多种环境中表现出巨大的应用潜力和价值。研究发现,表面肌电信号在识别手势动作时,若面临传感器移位、动作用户变化等问题,动作识别准确率将急剧下降,模型可复用能力变差。针对这一情况,提出一种基于小型辅助集的迁移学习建模方法。利用MMD算法对源领域数据集与目标领域数据集的高维距离进行评价,通过TCA算法缩小二者在全局特征上的边缘分布差异,引入小型辅助集对待测数据集创建伪标签,改进了迁移成分分析在数据条件分布相似性上的不足。以多名受试者作为研究对象,验证提出算法的适应性和合理性。肌电控制实验表明,新场景下受试者仅需进行小量训练(仅占源领域数据4%),迁移学习融合模型准确率可提高至80%以上。     

基于可解释深度学习的单通道脑电跨被试疲劳驾驶检测

脑电信号被认为是检测驾驶员疲劳状态的最佳生理信号之一。 然而,由于不同被试者和不同记录时段的脑电信号差异 很大,设计一个无校准的脑电疲劳检测系统仍然具有挑战性。 近年来,虽然开发了许多深度学习方法来解决这个问题并取得了 重大进展,但是深度学习模型的黑盒效应使得模型决策不可信赖。 为此,本文提出了一种可解释深度学习模型,用于从单通道 脑电信号中检测跨被试疲劳状态。 该模型具有紧凑的网络结构,首先设计浅层 CNN 提取 EEG 特征,然后引入自适应特征重新 校准机制增强提取特征的质量,最后通过 LSTM 网络将时间特征序列与分类相关联。 模型分类决策的可解释信息则是由 LSTM 输出隐藏状态的可视化技术实现的。 在持续驾驶任务的公开脑电数据集上进行大量跨被试实验,该模型的分类平均准确率最 高达到 76. 26% 。 相比于先进的紧凑型深度学习模型,该模型有效降低了参数量和计算量。 可视化结果表明该模型已发现神经 生理学上可靠的解释。     

基于RBF核函数支持向量机分类器的多导脑电信号分类识别研究

脑电信号是一种典型的非平稳随机信号,对脑电信号的分类识别是非常困难的,为了提高正确识别率,提出多导脑电信号的分类识别方法.首先对受试者分别在睁眼和闭眼状态下的单导脑电信号进行特征提取,然后选取多组识别效果不好的单导联的特征,组合成为多导脑电信号特征,最后用RBF核函数的支持向量机分类器进行分类识别.结果表明对多导联特征的正识率比单导联正识率有很大提高.     

基于表面肌电信号的上肢康复训练技术研究

为辅助上肢受损患者实现自主康复训练,促使肌肉信号与脑意识的再生通信,设计一种机械臂辅助式离散动作康复训练识别方法。受试者进行康复训练时,采集其肩关节4处肌肉群的表面肌电信号,提取时域特征,并采用BP神经网络分类算法对六种上肢肩关节动作意图进行模式识别。该方法能够准确建立表面肌电信号特征值与六种上肢康复动作之间关系映射模型,平均识别率高达90.27%。为基于表面肌电信号的外骨骼式自主康复训练系统提供一种可行的人机交互方案。     

基于小波包分析和Elman网络的肌电信号处理

提出了一种基于小波包变化和Elman神经网络的表面肌电信号特征提取和模式识别方法.在对表面肌电信号进行预处理的基础上,提出了以小波包变换各频段的能量来构造特征值,以该特征值作为训练样本输入Elman神经网络进行网络训练,构筑手部动作分类器,训练完成的分类器可完成伸腕、屈腕、展拳和握拳等4种手部动作模式的识别.实验结果表明,与其他分析方法比较,该方法不仅识别率高,鲁棒性好,同时也为其他非平稳生理信号分析提供了新方法.     

单通道视觉诱发脑电的单次提取方法研究

针对单通道脑电信号单次提取识别率较低的问题,提出了一种正交B样条小波变换与Fisher线性判别相结合的方法,提高了视觉诱发电位P300的单次提取识别率。首先采用相干平均和小波变换的方法对脑电信号进行预处理,然后根据脑电信号的时-频特性及视觉诱发电位的锁时关系,提取出表征P300的8维小波系数模板,再次利用模板对单次样本进行特征提取,最后根据Fisher线性判别对测试样本进行分类识别,判断单次输入是否为视觉诱发脑电信号。实验结果表明,该方法对单次样本P300的平均识别率为95.10%。     

多传感器信息融合的轴承故障迁移诊断方法

在重型装备低速、重载、强噪声环境下,采用单一传感器难以全面获取轴承的故障诊断信息,导致故障识别率低、识别不稳定,致使变工况下轴承故障迁移诊断失效。针对以上问题,提出了一种多传感器信息融合的轴承故障迁移诊断方法。首先,结合传感器的通道数,构建了堆叠卷积神经网络(MCNNs)提取各个通道的故障特征;然后,在MCNNs中引入最小绝对收缩与选择算子(Lasso),并通过网络反向传播完成了特征权值的更新,从而获得了多通道特征的融合;最后,利用源域数据对模型进行了训练,提取了故障特征,并完成了特征融合,采用损失函数完成了模型参数的优化,将源域训练得到的模型结果作为目标域的初始模型,利用目标域样本对初始模型的参数进行了微调,从而完成了模型迁移;并进行了信息融合效果、方法对比以及传感器信息采集属性的性能实验。研究结果表明：传感器的安装位置对信息融合影响较大,MCNNs+Lasso方法具有较好的特征融合效果,平均迁移诊断精度为99.03%,部分精度可达99.97%,在多个变工况的迁移任务中表现出较高迁移精度和良好的泛化性能。     

基于双流卷积神经网络的肌电信号手势识别方法

面向高性能的肌电控制系统,提出一种基于双流卷积神经网络的肌电信号手势识别方法,其从原始表面肌电信号中提取离散小波变换系数,与原始表面肌电信号分别作为双流卷积神经网络两个分支的输入进行高层特征学习,最终通过一个高层特征融合模块对两个分支学习得到的高层特征进行融合.所提方法在3个包含50～52类手势动作表面肌电信号的大规模...     

基于信息融合子域适应的不同工况下谐波减速器故障诊断方法

针对工业机器人谐波减速器不同工况数据分布差异大,部分工况数据标签缺失以及单一传感器获取信息不全面,导致 诊断准确率不高的问题,提出一种信息融合子域适应的不同工况下谐波减速器故障诊断方法。 该方法将源域和目标域一维振 动数据利用小波变换构建时频图;使用基于小波变换的图像融合方法整合多个传感器的时频信息并构建融合图像;提出多表示 特征提取结构的改进残差网络以充分挖掘融合样本多表示特征,同时,在无监督场景下将源域和目标域融合样本的多表示特征 进行子域适应处理,减小两域的各个子域间的分布差异,从而将知识从标签丰富的源域迁移到标签缺失的目标域,最终实现不 同工况下谐波减速器的故障诊断。 通过搭建工业机器人谐波减速器故障实验台并进行实测,所提方法在所有迁移任务中平均 准确率可达 98. 8% ,能够有效实现无监督场景中不同工况下谐波减速器的故障诊断。     

基于DD-DWT和Log-Logistic参数回归的癫痫脑电自动识别方法

针对现有癫痫脑电(EEG)识别算法分类模式单一、普适性不强的问题,提出了一种新的基于双密度离散小波变换(DDDWT)和Log-Logistic参数回归(LLPR)的脑电信号自动识别方法。不仅利用了DD-DWT算法的分解特性,还建立了脑电信号的LLPR模型,并将二者有机的结合,从而更好的发挥算法的优势。滤波后脑电信号由DD-DWT进行6层分解,提取各子频带系数的小波域能量波形,并结合LLPR模型计算尺度参数α和形状参数β以表征信号,将构成的特征向量送入遗传算法(GA)优化的支持向量机(SVM)得出识别结果,从而实现脑电信号的自动识别。所提方法在处理A\D\E与AB\CD\E两种多模式脑电分类问题时,识别率分别为98.90%和97.75%。实验结果表明,所提算法更符合实际应用需求,可以较好地解决多类脑电信号识别问题,具有良好的普适能力和分类性能。     

一种综合小波变换的心电信号消噪算法

针对心电信号中混有的基线漂移、工频干扰、肌电干扰等噪声,比较了适于心电信号的4种基于小波变换的心电信号消噪算法,结合消噪后的信噪比和信号失真度,提出一种综合小波变换的心电信号消噪算法.该算法先使用小波分解法消除心电信号中的基线漂移,再利用模极大值法消除工频干扰、肌电干扰等噪声.并且运用该算法对MIT-BIH心律失常数据库中的含有多种噪声的心电数据进行了仿真与实验,结果表明噪声被有效地消除并且失真度较小,可满足临床分析与诊断对心电波形的要求.