GA-BP神经网络在下肢运动步态识别中的应用研究

为了提高下肢表面肌电信号步态识别的准确性,提出了一种基于遗传算法（GA）优化的BP神经网络分类器设计方法。首先,对采集的下肢表面肌电信号进行小波滤波及特征值提取,其次,构造基于GA优化的BP神经网络分类器,然后,以提取的表面肌电信号特征作为输入对分类器进行训练,最后利用训练好的分类器进行测试。实验结果表明,基于GA优化的BP神经网络分类器能成功识别下肢正常行走的五个步态,平均识别率达到98%以上,效果明显优于BP神经网络分类器的识别效果。     

基于小波包的表面肌电信号特征表示与识别

为提高智能轮椅人机接口中表面肌电信号的正确识别率和识别效率,主要研究了基于小波包多尺度分解的特征表示及识别。把采集的表面肌电信号在指定尺度及核函数的同一组正交小波包基下进行分解,用小波包多尺度分解的系数构造表面肌电信号的特征基向量。考虑到多通道表面肌电信号可能存在特征信息冗余,为消除这些冗余信息,对多通道表面肌电信号的特征空间通过正交规范化进行重构,并且用重构特征向量的对偶坐标向量作为表面肌电信号的最终特征表示。用非线性自回归神经网络实现了双通道表面肌电信号四种不同动作模式的分类。实验结果表明,小波包多尺度分解系数的重构对偶坐标向量不仅可作为表面肌电信号的特征表示,并能有效简化分类器的结构。     

基于小波包与支持向量机的复杂信号模式识别

为很好地识别神经和肌肉的功能状态,针对表面肌电信号的非平稳特性,提出了采用小波包变换的方法对原始肌电信号进行分解,并提取其频段系数的最大奇异值构建特征矢量.利用"一对一"的分类策略和二又树构建多类支持向量机分类器,经训练后可以有效地对前臂8种动作的表面肌电信号进行识别,8种动作的平均识别率达到99.375%.实验结果表明,支持向量机分类器的识别率明显优于传统的BP神经网络、Elman神经网络和RBF神经网络分类器,且鲁棒性好,并具有良好的泛化推广能力.     

一种基于WPT和LVQ神经网络的手部动作识别方法

针对表面肌电信号(SEMG)的手部动作识别,提出一种采用小波包变换(WPT)和学习向量量化(LVQ)算法的神经网络分类器。对SEMG信号进行基于熵准则的最优小波包基分解得到各个节点分解系数,计算信号各个节点相应子频段的系数能量,归一化处理后的特征向量输入LVQ神经网络,实现基于SEMG的手部动作识别。实验结果表明,采取两路SEMG信号,该分类器能有效识别伸腕、屈腕、展拳和握拳4种动作模式,达到96%的识别率,能可靠应用于2个自由度肌电假手的控制。     

基于小波变换的肌电信号识别方法研究

针对肌电信号的非平稳特性,采用小波变换方法对表面肌电信号进行分析,提取小波系数最大值构造特征矢量输入神经网络分类器进行模式识别,经过训练能够成功地从掌长肌和肱桡肌采集的两道表面肌电信号中识别展拳、握拳、前臂内旋、前臂外旋四种运动模式。实验表明,基于小波变换的神经网络分类方法所需的数据短、运算快,对于肌电假肢的控制具有良好的应用前景。     

基于EEMD肌电信号的动作识别

针对表面肌电信号的特征描述和模式识别这一难点,研究了基于EEMD的肌电信号的特征描述和动作识别方法。首先采用EEMD对表面肌电信号进行分解,而后采用分解后IMF组成特征基向量。其次根据IMF系数和肌电信号所蕴含的能量之间的内部关系重构能量特征矢量。最后利用NARX神经网络对肌电信号四类手部动作进行模式分类。结果表明,由IMF系数重构的能量矢量特征可以很好地表示肌电信号的本质特征,而且进一步简化了分类器的结构,提高了平均识别率。     

基于小波变换的多特征融合sEMG模式识别

针对单一特征值表征能力差的情况,根据小波变换的多分辨分析思想,采用基于多种母小波的多特征融合的特征提取方法对表面肌电信号进行特征提取。本实验对十名测试人员进行肌电信号的采集,对日常生活中的四个基本下肢动作进行测试。首先,分别基于DB、Dmey和Bior三种不同的母小波,采用离散小波变换通过不同的分析方法对表面肌电信号进行多尺度分解。然后,通过分析发现,不同肌肉在不同特征提取方式下表征效果存在差异,为了结合不同特征方式的特点对基于不同小波基的特征值进行融合分析并比较。最后,将特征值分别输入到Elman神经网络和BP神经网络进行模式识别并比较分析。实验结果表明：通过对不同特征值进行识别比较,融合处理的特征值可以达到98.7%的识别率,并且,BP神经网络相较于Elman神经网络识别效果更好。     

基于WPT和LDA的表面肌电信号特征识别方法

针对时域特征参数在表面肌电信号(SEMG)模式识别过程中的局限性,提出一种小波包变换(WPT)和线性判别分析(LDA)相结合的新方法;通过虚拟仪器采集桡侧腕屈肌和肱桡肌两路表面肌电信号,应用小波包变换对表面肌电信号进行多尺度分解,提取小波包系数并计算其均方根作为特征参数,应用线性判别分析对表面肌电信号数据进行分类识别;实验结果表明,采用此方法成功地从表面肌电信号中识别握拳、展拳、手腕内翻和手腕外翻4种动作,与时域参数相比,此方法更能有效提取表面肌电信号信息,且有较高的动作识别率,识别率高达98.2%。     

基于遗传算法优化神经网络的表面肌电信号识别

表面肌电信号是人体运动时肌肉、神经活动发出的生物电信号在体表的表现,目前已成为对多自由度假肢理想控制的信号源,BP神经网络在肌电信号源模式识别上被应用广泛,但存在如学习收敛速度慢、不能保证收敛到全局最优点等缺点,鉴于以上缺点设计了基于遗传算法的BP神经网络对肌电信号进行模式识别,较好的改善BP神经网络缺点,提高了识别的准确率。     

基于SOPC的复合式生理信号检测系统设计

设计完成了一种多生物电信号采集能力并能完成生物电信号模式识别和辅助诊断的复合式生物电信号检测系统。系统通过具备双通道的低噪声高共模抑制比的前置采集放大电路,可实现心电信号和表面肌电信号两种体表生物电信号的检测。通过FPGA硬件化实现的小波分解模块和在NiosⅡ软核中实现的FFT和BP神经网络算法,可以完成对采集到的心电信号心率监测、QRS波群的检测和ST段形态识别反馈监护者的健康信息;并通过提取表面肌电信号活跃段数据和时频域参数为运动性肌肉疲劳评估提供参考。系统通过LCD屏、音频输出和SD卡存储能够完成对信号实时波形和监护参数显示、报警输出和长时间监护数据的存储。     

sEMG信号采集电路设计及其特征提取算法

表面肌电(Surface electromyography,sEMG)信号直接、客观地反映了神经和肌肉的活动功能状态,已获得广泛应用。本文设计了一种sEMG信号采集电路并以单通道形式采集上肢5种动作的sEMG信号,经小波包变换提取6种特征(其中一种引自基于小波变换的特征提取方法)并分别结合PCA和KPCA进行处理;再分别用BP神经网络和SVM进行动作识别。此外,对比了小波变换的特征提取;讨论了KPCA与PCA在特征变换上的差异。所提取的基于小波包变换的6种特征有5种的识别率均超过95.7%,其中引入的高低频系数组合特征在BP神经网络下平均识别率超过99%。基于小波变换提取的5种特征经KPCA变换后也达到较高的识别率。实验结果表明,本文的sEMG信号采集方法及其特征提取方法均达到较好效果。     

基于小波包多尺度信息熵的鱼类识别方法

提出一种基于小波包多尺度信息熵的鱼类识别方法。该方法首先对鱼体的回波包络信号进行小波包分解,得到分布在不同频段内的分解信号,并提取各个频带内信号的信息熵作为识别特征量。对三种常见的不同形状的鱼类进行了水池试验,提取多尺度信息熵,并使用BP神经网络分类器成功进行了分类。结果表明:利用小波包多尺度信息熵作为特征量,可对不同形状的鱼类进行识别,且具有较高的识别率。     

基于小波包能量熵的电能质量扰动识别

提出了一种基于小波包能量熵的电能质量扰动识别方法。该方法对仿真的扰动电压信号进行4层小波包分解,提取小波包能量熵特征向量,利用主分量分析法提取电压信号的小波包特征向量并输入到概率神经网络(PNN)进行扰动识别,实现了扰动样本的最优压缩,简化了扰动分类中神经网络分类器的结构,提高了神经网络扰动识别的速度和精度。仿真结果表明,该方法具有良好的扰动识别能力。     

小波包在故障诊断中的应用

主要研究小波包变换和神经网络相结合的故障诊断技术。首先利用小波包的多分辨率分析的特点,对故障信号进行多尺度的分解,正交和归一化处理后,根据主成份分析原理提取故障特征向量作为神经网络的训练样本,设计故障类型识别器。仿真结果证实了该方法的有效性和可行性。     

基于磁场刺激的肌电信号模式识别的研究

对于人体表面肌电（SEMG）信号提出一种新的研究方法，即在磁场刺激下，采用小波变换的方法，对从掌长肌、肱桡肌、尺侧腕屈肌和肱二头肌上采集的4路表面肌电信号进行分析，并提取其6级小波分解系数绝对值累加和的平均值作为信号的特征．构建特征矢量．输入神经网络分类器进行模式识别，经过训练能够成功地识别出握举、展拳、腕内旋、腕外旋、屈腕、伸腕、前臂内旋、前臂外旋8种运动模式．实验结果表明，该方法识别率高，所需数据量少．运算速度快，实时性好，为肌电等生物电信号的研究提供了一种新方法．     

基于BP神经网络的隐写分析分类器设计

设计并实现了基于BP神经网络的隐写分析分类器。首先对图像库中的图像进行格式变换,并使用扩展修改方向和钻石编码两种隐写方法进行不同嵌入率的隐写嵌入,然后计算载体图像和载密图像中平面域、DCT域和小波域的一些属性值作为特征。利用Matlab的模式识别工具箱搭建BP神经网络,用已知类别的图像特征训练分类器并进行分类测试。实验结果表明,多域综合特征可以实现良好的分类效果,能以较高的准确率识别出载体图像和载密图像。