基于直方图和功率谱比值的肌电信号识别方法

仿生肌电假肢的控制依赖于表面肌电信号,其中基于表面肌电信号的肢体动作识别是关键。该文提出一种时域波幅直方图和频域功率谱比值相结合的特征提取方法,通过对两路表面肌电信号的波幅直方图分析和频谱分析,以波幅比值作为时域特征,以功率谱比值作为频域特征,通过证据理论对它们各自利用神经网络得到的分类结果进行证据累积,最终得到分类结果。实验证实了该算法的识别率高于利用单一特征参数的分类方法。     

基于小波变换和PSO-SVM的表面肌动作模式分类

为提高对表面肌动作识别的准确性,提出一种小波变换与粒子群优化支持向量机(PSO-SVM)相结合的模式分类方法。通过虚拟仪器采集肱桡肌和尺侧腕屈肌的两路表面肌电信号,运用小波变换对其进行多尺度分解,提取小波系数最大值作为表面肌动作特征,采用支持向量机(SVM)进行特征分类,并在分类过程中引入粒子群算法对SVM的惩罚参数和核函数参数进行寻优。实验结果表明,采用此方法能成功地识别表面肌内翻、外翻、握拳、展拳4种动作,较传统SVM方法有更高的分类精度。     

基于线性判别分析的表面肌电信号动作模式识别

表面肌电信号(SEMG)属于非平稳的生物电信号,特点是信号微弱、易受干扰.为了有效提取表面肌电信号(SEMG)特征、更好地识别人体上肢运动的模式,针对表面肌电信号的特点提出了一种线性判别分析人体前臂运动特征的识别方法.通过虚拟仪器同时采集桡侧腕屈肌和肱桡肌两路的表面肌电信号,取平均绝对值(MAV)和均方根(RMS)为特征参数,应用线性判别分析(LDA)方法对样本特征矩阵进行模式识别.与其他特征识别方式的对比实验表明,此方法的动作识别率更高,能够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,动作的平均识别率达到了99.5%.     

改进AR模型特征提取及分类

目前,表面肌电信号（sEMG）是手势动作识别研究的重要信号源.本文以肌电信号为对象,从非平稳与非线性的角度出发,采用ICA独立成分分析和经验模式分解的方法,消除表面肌电信号中的工频干扰,对处理后的信号建立AR模型.将模型系数作为信号的特征,对6种手势动作进行模式识别.实验表明,该方法获得的特征具有较好的分类效果.     

基于贝叶斯分类研究肌肉动作模式识别方法

提出了一种结合AR模型和贝叶斯分类的肌电信号动作模式识别方法.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.其次设计了一个贝叶斯分类器,利用AR系数对手臂的各种肢体动作进行动作模式分类.实验表明这种方法不仅降低了误识别率,而且取得了比较理想的识别效果.同时,采用虚拟仪器技术提高仪器的测量精度,降低成本,降低计算工作量.     

基于小波包主元分析的表面肌电信号特征识别

针对表面肌电信号(SEMG)的非平稳性及小波包变换系数维数过高的问题,提出一种小波包主元分析和线性判别分析相结合的表面肌电信号动作特征识别新方法。以表面肌电信号用于智能轮椅为例,对采集到的两路SEMG信号进行小波包主元分析,提取SEMG信号的运动特征矩阵,并将运动特征矩阵输入到线性判别分类器进行分类,实现了前臂动作识别。试验表明:该方法能够将小波包系数矩阵由16维降到4维,并且对前臂的四种动作模式(握拳、展拳、手腕内翻和手腕外翻)的平均正确识别率达98%,与传统的小波包变换相比有较高的识别率。     

基于FPA-VVRKFA的手势表面肌电信号识别

表面肌电(Surface Electromyography,sEMG)信号直接、客观地反映了人体肌肉的活动情况,其作为一种便捷的无侵入式肌电检测方法,被广泛地应用于人体动作识别领域.针对表面肌电信号的手势识别问题,提出了一种基于时域特征和向量正则核函数逼近方法(Vector-Valued Regularized Kernel Function Approximation,VVRKFA)的手势识别方法.首先,对MYO臂环采集到的sEMG数据进行活动段检测以提取出活动段;随后,从活动段信号中提取平均绝对值、波形长度、过零点数、均方根和Willison幅值等五个时域特征;最后,应用VVRKFA分类器对提取到的sEMG进行分类识别,同时采用花授粉算法(Flower Pollination Algorithm,FPA)优化分类器参数以保证最佳分类能力.实验结果表明提出的方法在手势动作模式识别上取得了较高的准确率.     

基于虚拟仪器的表面肌电信号采集与识别系统

表面肌电信号(SEMG)的检测分析对临床诊断、康复医学、运动医学等具有重要意义.但由于表面肌电信号比较微弱,信号提取比较困难,本文利用虚拟仪器技术构建肌电信号检测平台并用LabVIEW进行信号处理,采集到了清晰的肌电信号,得出了其绝大部分谱集中在10~300 Hz内.采用功率谱K值法进行动作识别,得到单自由度动作的识别成功率达90%以上.该系统经过扩展可以适应各种生理数据的采集和处理,是未来生理仪器开发的方向.     

基于子块积分循环双谱的雷达辐射源信号识别

循环双谱性能优越,能用于雷达辐射源信号的识别,但是其数据量庞大。循环双谱对角切片法丢失了大部分信息。证明了循环双谱的对称性和周期性,在此基础上提出了子块积分循环双谱,该方法不但能有效地减小数据量,而且保留了大部分的循环双谱信息。然后用Fisher判决率(FDR)选择鉴别能力较强的子块积分循环双谱。仿真条件下,对比分析了子块积分循环双谱与循环双谱对角切片法的识别效果,结果表明新方法的识别性能远优于对角切片法。     

基于ANOVA和BP神经网络的最优肌电信号测量位置选择

基于肌电信号的手部动作识别中,肌电信号测量位置的选择直接关系到动作识别的准确率.本文以使用最少的肌电传感器和获得较高的动作识别率为目标,提出一种基于ANOVA(方差分析)和BP神经网络的肌电信号测量位置优选方法.使用4个肌电传感器采集受试者做出指定动作时的肌电信号,提取肌电信号的时域特征,并按测量位置组合构成15个不同的样本进行BP神经网络的训练和测试.采用单因素ANOVA分析测量位置对动作识别结果影响的显著性,采用Tukey HSD将测量位置进行归类,并从动作识别率最高的子集中选择测量位置最少但识别准确率最高的测量位置组合作为最优的肌电信号测量位置.实验结果表明,测量位置对动作识别的结果具有显著的影响,随着测量位置数的增加,动作识别准确率呈上升趋势,最优的测量位置组合为P1+P3+P4,其动作识别准确率为94.6%.     

基于高阶累积量的参数化双谱分析的肺音特征提取

用高阶谱分析方法,对肺音信号进行了特征提取.以非高斯白噪声激励的AR(AutoRegressive)参数模型对肺音信号进行建模,导出了基于三阶累积量的三阶递推方法的非高斯参数化双谱的计算方法,用双谱的互相关估计模型阶次,并对肺音数据进行了参数化的双谱估计,给出了在双频域内从双谱及其切片谱提取肺音特征信息的方法,并利用该方法对正常、哮喘和细罗音3种肺音目标进行了神经网络的识别实验.结果表明:所提出的特征提取方法大大降低了输入特征的维数,具有较高的识别率     

中医脉象信号的参数化双谱估计及切片分析

采用ARMA参数化双谱估计法对15例吸毒者和15例正常人的脉象信号进行了参数化双谱估计.在得到每一例脉搏波的归一化双谱幅值对角切片后,应用K-L变换得到30个样本特征向量,然后设计4-9-1的BP神经网络进行模式识别.除1例正常人被误判外,其余的受测者全部予以正确识别.研究结果表明,归一化双谱对角切片与K-L变换相结合的方法是提取中医脉象信号特征的有效方法.这种方法与BP神经网络的联合应用,对海洛因吸毒者和正常人的脉象信号具有很高的识别率.     

复双谱耦合性质在故障诊断中的应用

为了提高故障诊断正确率,提出了一种基于复双谱的机械故障诊断方法.这种方法根据复双谱的不同耦合方式进行故障判别.由于耦合方式不同,复双谱包含的信号间的耦合信息也不相同,这些信息可以用来进行故障诊断.在减压阀故障诊断实验中,对特定的故障信号和正常信号同时采用相同的耦合方式,根据二维小波可以有效提取信号中频率信息的特点,利用二维小波提取复双谱中的这些耦合信息的特征值,并将这些特征值输入支持向量机进行故障判别.实验结果表明,随着耦合方式的不同,同一故障的诊断正确率也不相同.     

基于对角积分双谱的雷达辐射源信号识别

双谱以其独特的抗噪优势,广泛应用于信号分析。双谱的数据量较为庞大,目前减少双谱数据量的方法中积分双谱的效果最好,然而各种积分双谱均存在一定的缺陷。文章提出了对角积分双谱,它沿平行于双谱次对角线的直线序列积分,不但避免了插值,而且包含了更多的相位和幅度信息。最后将对角积分双谱应用于低截获概率（LPI）雷达信号的特征提取。仿真条件下,对比分析了各种积分双谱的识别性能,结果表明对角积分双谱的识别性能优于其它积分双谱。     

基于双谱的水下目标辐射噪声的特征提取与分类研究

以大量的水下目标辐射噪声资料为依托，借助高阶累积量分析法，研究了目标信号的非高斯特性。基于双谱估计和Walsh维数压缩技术提取了不同类别目标的65维双谱特征。结果表明，该特征对水下目标辐射噪声信号具有很好的分类效果，同时又能有效地抑制高斯有色噪声。对于六类水下目标辐射噪声信号，可取得约92％的正确分类率。     

基于双谱分析的磁瓦内部缺陷音频检测方法

内部缺陷检测是保证磁瓦产品质量的关键环节之一。针对目前磁瓦内部缺陷采用人工音频识别存在的问题,使用双谱分析已知内部缺陷情况的磁瓦在跌落撞击试验中产生的音频信号,其结果表明内部缺陷会影响双谱的峰值分布。根据这个规律,提出了一种归一化双谱三切片分析方法用于磁瓦内部缺陷的检测。该方法首先提取归一化双谱上三个特定方向的切片;其次按照峰值分布与内部缺陷的映射关系,将每个切片划分成若干频率区域,并对各区域进行分类;然后通过对不同种类的区域最大峰值比较与计算,建立识别内部缺陷的阈值。最后,验证试验对方法的有效性进行了评估,取得了97%以上的识别正确率。试验结果表明双谱分析在磁瓦内部缺陷音频检测中具有较好的实用性。     

中医脉象信号的参数化双谱估计及切片分析

采用ARMA参数化双谱估计法对15例吸毒者和15例正常人的脉象信号进行了参数化双谱估计．在得到每一例脉搏波的归一化双谱幅值对角切片后，应用K—L变换得到30个样本特征向量，然后设计4—9—1的BP神经网络进行模式识别．除1例正常人被误判外，其余的受测者全部予以正确识别．研究结果表明，归一化双谱对角切片与K—L变换相结合的方法是提取中医脉象信号特征的有效方法．这种方法与BP神经网络的联合应用，对海洛因吸毒者和正常人的脉象信号具有很高的识别率．     

亚健康脉象信号的非参数化双谱估计

根据脉象信号的非高斯随机特性,应用双谱估计对其进行分析,提取处于亚健康状态的脉象信号的异常信息,探索亚健康的诊断与治疗评估的客观诊断依据。在信号处理过程中,双谱的相位携带有信号的重要特征信息。采用双谱估计分析法中的非参数化算法对脉象信号进行研究发现,处于亚健康状态的双谱幅值谱峰比处于健康状态的更突出,较大双谱值的分布更为集中。实验结果表明：非参数化双谱估计是分析脉象信号的有效且可行的方法,可以作为识别亚健康状态的方法进行深入研究。     

两种传递路径不同振动信号的特征分析

针对齿轮故障诊断中使用的齿轮箱箱体振动加速度信号的传递环节多,信号存在非线性交叉耦合的情况,研究了使用从传动轴端测取的扭转振动信号进行诊断的方法.对比了这两种传递路径不同振动信号的双谱特征,箱体振动加速度信号的传递路径复杂,导致其频率成分复杂;而扭转振动信号的传递环节少,获取信号的路径直接,干扰因素减少,信号频率成分比较单纯,利用通常使用的谱分析,故障特征就可以清晰地提取出来,利于齿轮故障的准确判断.