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%.     

基于卷积神经网络的踝关节运动模式识别

采用两个无线表面肌电信号采集器,采集人体小腿比目鱼肌和腓骨短肌的踝关节背曲、跖曲、内翻、外翻动作信号,对两通道的原始信号进行归一化,将归一化后的数据输入到卷积神经网络,对踝关节4种运动进行模式识别。实验采集6名健康被试,针对单个被试的最高分类准确率为98.19%,平均识别率为97.04%,模式识别模型和采集通道能以较高分类准确率区别踝关节的4种动作。针对6名被试的整体分类识别率为95.11%,说明个体之间的肌电信号存在共性。     

基于表面肌电信号进行手部动作发起检测方法

实时且准确地识别手部动作,是表面肌电信号应用的重要方面,而通过其进行手部动作的发起检测是一个技术难点。为了解决这一问题,该文提出一种通过表面肌电信号进行手部动作发起检测的方法,将TKE算子应用于sEMG信号的预处理,通过设计二值化状态函数,并针对消除噪声对肌电信号的影响,提出启发式滤波策略。建立手部动作发起的表面肌电仿真模型,通过比对应用几种算子对仿真模型进行发起检测,证明TKE算子方法的有效性。利用肌电信号采集与处理系统进行实验验证。结果表明,该检测方法能够对手部动作发起进行高精度的实时检测。     

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.     

基于小波变换的表面肌电信号的消噪处理

表面肌电信号因其无创性被广泛应用,但因其为一组肌群的募集信息,所以包含了更多的噪声.本文针对这个问题通过仔细选择肌电信号的采集位置,在采用高精度的肌电采集系统及11 025 Hz的过采样率的基础上采集到多组表面肌电信号,结合肌电信号的特点利用小波变换中的消噪技术对不同频段的信号进行不同阈值的消噪处理.实验表明,该方法有很好的消噪效果.     

小波变换在肌电信号预处理中的应用

传统检测方法处理肌电信号时，个体差异比较大，针对这一不足，首先应用小波消噪理论对肌电信号进行预处理，将信号进行小波分解与重构，消除了肌电信号实际测量中不可测噪声的干扰，然后分析重构得到的信号的功率谱比值和对应肢体动作变化之间的关系。这种方法很适合处理非特定人的肌电信号。实验表明这种方法与单一使用功率谱比值法的方法相比，动作模式识别率得到了提高。同时，采用虚拟仪器技术提高仪器的测量精度，降低成本。     

采用深度学习和表面肌电信号的上肢动作识别

使用上肢表面肌电信号对上肢动作进行识别是实现康复机器人持续被动运动和主动辅助运动模式的重要方法。为了提高基于表面肌电信号(surface electromyography, sEMG)的上肢动作识别精度,分别采用了分段时域信号和拼接频谱图的两种肌电动作识别方法。分段时域信号方法采用融合卷积神经网络(convolutional neural network, CNN)、长短时记忆网络(Long Short-term Memory, LSTM)和注意力机制的自建网络对上肢动作进行识别;拼接频谱图方法将预处理后的时域信号通过短时傅里叶变换(Short-Time Fourier Transform, STFT)转换为对应频谱图,利用两种微调的预训练模型VGG16和Resnet50对所有通道竖直拼接的频谱图提取特征并将特征拼接,结合支持向量机对上肢动作进行识别。实验结果表明,所提出的两种方法在采集的受试者肌电信号数据集上均表现出90%以上的识别精度,可有效区分不同的上肢动作。     

基于线性判别分析的表面肌电信号特征识别

通过虚拟仪器同时采集桡侧腕屈肌和肱桡肌两路表面肌电信号,取其平均绝对值(MAV)和均方根(RMS)作为特征参数,并应用线性判别分析(LDA)方法对采集的样本进行模式识别。与其它特征识别方式的实验对比表明,所提的识别方法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,且动作识别精度更高。     

基于排列组合熵的表面肌电信号特征分析

针对表面肌电信号的混沌特征、噪声强等特点,该文提出了基于排列组合熵的表面肌电信号特征分析方法。用肌电信号的相邻数据复杂度计算出排列组合熵,以尺侧腕伸肌和尺侧腕屈肌两路肌电信号对应的排列组合熵构成特征向量,对腕上翻、腕下翻、展拳和握拳四种动作信号进行区分,具有良好的区分度。     

一种消除表面肌电信号中工频干扰的方法

50Hz工频干扰是表面肌电信号的主要干扰源之一,消除工频干扰是表面肌电信号处理中的一项重要技术。该文将独立成分分析方法引入表面肌电信号处理领域,采用基于负熵判据的Fas-tICA方法消除表面肌电信号中的50Hz工频噪声。实验表明,该方法消除50Hz工频噪声效果显著,并且不会对表面肌电信号中除50Hz以外的其它频率成分造成影响。     

基于概率型支持向量分类机的Q学习

按TD误差标准,把Q学习系统的状态-动作空间粗略地划分为正负2类.为了描述分类的不确定性和避免简单分类导致的学习精度下降问题,利用概率型支持向量分类机(PSVCM)来使得样本的分类同时具有定性的解释和定量的评价.PSVCM的输入为系统的连续状态和离散动作,输出为带有概率值的类别标签.对由PSVCM判定为正类的离散动作按其概率值进行加权求和,即可得到连续动作空间下的Q学习控制策略.小船靠岸问题的仿真结果表明,与基于传统支持向量分类机的Q学习相比,所提方法不仅能够有效解决具有连续状态和连续动作的非线性系统的Q学习控制,而且其控制性能对初始动作的设置不敏感.     

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。     

基于蒙特卡洛树搜索的众包概率规划

概率规划问题描述的是一个马尔科夫决策过程,其中的动作具有并行性和不确定性,从而导致概率规划问题的状态空间产生组合爆炸。过大的状态空间会降低规划器的效率,同时也会提高求解的难度。基于蒙特卡洛树搜索的众包概率规划可以将规划任务动态分配给多个规划器,由多个规划器共同对规划问题进行求解;同时使用蒙特卡洛树搜索算法构建前瞻树,通过前瞻树评估不同规划器返回的动作的质量。实验结果表明,随着时间限制放宽,该方法所求得的解的质量呈上升趋势;即使在相同条件下,该方法在求解效率和标准差上都有优势。     

肌电信号处理和肌电控制的研究

根据肌肉收缩力量的大小与运动神经纤维传出动作电位的频率有的特征，通过数据卡采集表面肌电信号，进行放大、滤波等处理，然后提取特征进行分析处理。在分析比较了各种特征提取方法的优缺点后，采用了功率谱法对肌电信号进行特征提取，并通过labview计算功率谱中最大值左右一定范围内的能量所占整个功率谱能量的比值K，根据K值来判断该肌电信号属于何种动作。     

Study on Influence of Initial Rolling Temperature for Rolling Process Based on Numerical Simulation

Wire rolling is a typical large deformation process and its principle is very complex,which includes material non- linearity,geometry non-linearity and boundary non-linearity.It is difficult to obtain theory analytical results by trying to roll or physical experiment because they will induce many problems such as high cost,waste time and venture.With the rapid advance- ment of computing technology and numerical method,the finite element method is regarded as the best one,which can account for the large plastic deformation,thermo-mechanical coupling and complex boundary conditions of the rollers and the workpiece inter- actions in the rolling process.Under the different initial rolling temperature,the two-pass hot continuous rolling process of high- speed wire has been simulated accurately for the pre-finishing rolling section.The metal fluxion law and the deformation field have been obtained.Strain,temperature,rolling force and torque also have been simulated and discussed.The results of simulation are useful for practical manufacture and the optimization of process-parameters.     

一种新的连续信息系统的知识获取方法

提出了一种新的连续信息系统的知识获取方法.首先给出了连续属性离散化方法,该方法可以使得离散化后得到的分类的类数适度,丢失的信息量尽量减少;然后在此基础上给出了连续信息系统属性约简的一种简易算法;最后实例证明了该离散化方法是可行和有效的.     

一种基于CSI的人体动作计数与识别方法

WiFi信道状态信息（CSI）被广泛应用于被动式（非侵入式）人体行为判断,为使用现有商用设备实现人体连续动作计数与识别,提出了一种Wi-ACR方法.先利用阈值和活动指标检测出一组连续动作发生的区间和时间,再通过peak-find算法统计出动作的数量,并确定每个动作的开始和结束时间;再分别采用基于波形特征的动作识别模型和基于统计特征的动作识别模型,得到动作识别结果.实验评估结果表明,Wi-ACR对动作计数的准确率可达95%,两类识别模型对于2个动作（深蹲和走）的平均识别精准率为90%.