基于卷积神经网络的脑电信号上肢运动意图识别

为了在脑机交互中能够对运动意图进行识别,使设备能够预判人的行为动作并提前作出反应,脑电(EEG)信号运用学习过程去解码,并建立识别机制.针对传统生物信号模式识别模型中手动提取特征可能会产生信息损失的问题,引入深度学习的卷积神经网络(CNN),并和目前广泛使用的两种特征提取方法使用BP神经网络分类进行对比.结果显示,CNN在左、右手2分类动作和单手3分类动作中,提高识别精度分别约为4%和8%,增加了动作预测的可靠性.通过对上肢运动意图识别的讨论,可以更好地进行脑机交互控制,并加深对中枢神经信号与手部动作关系的理解.     

四类运动想象脑电信号特征提取与分类算法

针对脑机接口(BCI)系统中存在的信息传输速率较慢和脑电信号识别正确率较低的问题,对多通道四类运动想象脑电信号进行研究.通过对4种运动想象及休息状态脑电信号进行功率谱分析,合理确定预处理滤波器的最佳滤波频段,然后使用PW-CSP,Hilbert变换及归一化处理的方法,对四类运动想象脑电信号进行特征提取,分类算法分为特征信号算术求和与阈值比较的预分类过程及包含单个支持向量机(SVM)的细分类过程,算法复杂度明显比采用多个SVM组合的多类分类算法要低,为实现算法的在线应用打下基础.仿真结果表明,该算法分类正确率高,时间开销小,并且可以通过调节阈值,在正确率与算法复杂度之间获得平衡.     

基于多层脑功能网络特征的动作意图识别

基于脑电信号完成对步态特征的解码分析并就动作意图做出可靠识别和预测，是基于脑机接口的人机混合康复训练系统和智能助行机器人中的核心问题。为实现对站立、坐下以及静止状态这些最基本步态过程的分类识别，提出了基于多层脑功能网络分析的特征表示方法，结合对各类脑功能网络特征的统计分析，确定对不同动作敏感的网络特征量，并结合支持向量机、线性判别分析、逻辑回归以及朴素贝叶斯算法完成对不同动作过程的分类识别。实验结果表明，所提出的方法可较好地实现对上述动作意图的识别，针对13名被试者对站立、坐下和静止状态的识别准确率均高于71%，最高达到77%。对多层动态脑功能网络的分析结果表明，下肢运动过程的发生会弱化脑区间的相互依赖关系，导致网络拓扑连接结构变得逐渐稀疏。研究结果对理解下肢运动过程中大脑认知过程变化，开展基于脑机接口的下肢康复策略研究和康复系统开发具有一定的参考价值。     

基于BCI的下肢辅助康复系统的研究

脑-机接口作为一种新颖的人机接口方式,为人脑和外界事物进行信息交流和控制提供了一种全新的通道。该文把脑一机接口技术成功的应用到医疗康复中,利用运动想象时大脑感觉运动区域产生的事件相关同步和事件相关去同步现象来分析左右手运动想象时的脑电信号特征,进而来判断想象者的运动意图,从而实现脑电信号对下肢辅助康复设备的控制,为中风患者做下肢的运动康复性训练。     

一种新颖的手部运动跟踪系统

目前已有的手部运动跟踪系统大多在一定程度上限制了人体运动自由.基于此,提出一种无线、可穿戴、无障碍的腕关节、指关节运动跟踪系统.在人体每个手指甲上粘贴一轻小永磁体,用以产生标示腕关节、指关节运动的信号;若干磁传感器置于手腕处的电子腕带上,作为标示信号(磁信号)检测器.当腕关节、指关节运动时,永磁体在各传感器所在位置处的合成磁场发生变化,传感器对该磁场信号进行测量,所检测到的磁场信号送入手部姿势估计器,估计器基于系统数学模型计算手部姿势,从而实现对手部运动的跟踪.     

基于BP神经网络的仿人两指末端执行器抓握模式预测

为了得到手部特征及物体特征与两指抓握模式之间的非线性映射关系,以便对仿人两指末端执行器的抓握模式进行预测,采用5 554次人手拇指-食指成功抓握试验的数据作为训练样本,构建基于L-M算法的BP神经网络两指抓握模式预测模型,进行仿人两指末端执行器的抓握模式预测。结果表明:该神经网络模型的预测准确率达90%,预测值与实测值的相关系数为0.83,能够快速有效地预测仿人两指末端执行器的抓握模式;对于等效直径较小且质量较轻的目标物,多选择精密捏;对于等效直径较大且质量较重的目标物,多选择强力握。研究结果可为仿人两指末端执行器的稳定抓握控制提供重要的决策依据。     

基于脑电图的三分类前臂运动方向解析

针对基于非侵入式脑机接口技术的右臂运动方向的判别问题,采用自主运动实验范式,将右臂自主运动脑电图(EEG)划分为规划和执行两阶段分别进行分析,并根据复杂神经活动的特点,采用WPD(小波包)与CSP(共空间模式)融合的方法进行EEG特征提取,进一步利用SVM(支持向量机)对多维特征进行分类.实验得到三分类(左、右和静止)平均85%的分类正确率.实验结果表明,该组合方法能够较好解析右臂运动方向.     

基于条件互信息的低冗余短期负荷预测特征选择

为避免负荷预测特征集中冗余特征对预测精度的负面影响,降低预测器复杂度,提出一种基于条件互信息(CMI)和高斯过程回归(GPR)的短期负荷预测特征选择方法.首先,为降低建模所用特征量,根据与目标变量具有最大互信息的特征,选取剩余特征中可对目标变量提供最大信息增益的特征,计算CMI值并进行排序;然后,以GPR为预测器,以其预测结果平均绝对百分比误差为决策变量,按照特征CMI值排序顺序,采用序列前向选择方法,确定最优特征子集;最终,以最优特征子集构建GPR预测模型,并与皮尔逊相关系数法(PCC)和互信息(MI)2种特征选择方法分别结合支持向量机和反向传播神经网络开展对比实验.实验结果证明新方法降低了最优特征集合冗余度与预测模型复杂度,且具有更高的预测精度.     

基于多特征融合的人体动作识别

提出复杂环境下基于特征融合的日常动作、突发异常(摔倒)行为检测方法. 利用人的姿态、姿态变化速率特征、人的位置变化特征表征人的运动状态,通过合成简单的姿态事件并结合特征来表达具有复杂时空关系的运动事件. 该方法计算复杂度小,对目标大小的变化具有较好的鲁棒性,在智能交互、服务机器人自主服务系统中具有实用价值.      

H.264中基于预测的快速模式决策算法

针对H.264采用多模式运动估计和模式决策等一系列新算法而引入的高计算复杂度问题,提出了一种基于预测的H.264编码快速模式决策算法.使用一种基于自适应阈值的提早退出检测算法,以较高识别率检测出静止宏块和区域运动宏块,及早作出模式决策;对未被判定的宏块使用基于预测的快速搜索算法得到所有4×4块的运动矢量;利用自底向上合并检测,得到其他模式块的运动矢量和最佳模式.实验结果表明,该算法与参考实现中的快速算法相比,仅损失了少量的图像质量和码率,但平均编码速度提高了30％.     

基于运动预测的改进ORB-SLAM算法

针对不同运动场景下以固定的点特征提取与匹配策略的ORB-SLAM算法存在系统跟踪定位误差较大的问题,考虑相机自身运动对视觉SLAM系统的影响,提出基于运动预测的改进ORB-SLAM算法.该方法利用上一帧的点特征利用率和匀速运动模型,预测出相邻2帧之间的共视范围,实时动态调整不同运动状态下的点特征提取阈值,在保证系统稳定性的情况下,提高系统的准确性.提出基于运动预测的点特征匹配优化策略,基于匀速运动模型快速确定出共视范围内的有效待匹配点,结合图像金字塔缩小匹配搜索范围,减少大量的无效匹配过程.在TUM数据集上进行对比实验,结果表明,提出的算法不仅实时性好,而且提高了系统的精度.     

基于相位划分的下肢连续运动预测

为了实现针对特定个体的运动特点进行更精确的下肢连续运动预测和用更短的时间开展预测模型训练,采用对每个步态相位都建立预测模型的方法. 在识别出当前的步态相位后,使用当前相位的预测模型进行关节角度的预测. 使用支持向量机（SVM）,对提出的方法进行验证. 实验表明,采用基于相位划分的下肢连续运动预测方法相比于对整个运动状态进行关节角度建模的预测方法,具有更高的预测精度和更短的模型训练时间. 髋、膝、踝关节的预测结果与真实值的相关系数均大于0.99,每次预测的角度与真实值的平均均方根误差均小于2°,训练时间缩短4.0~5.0倍.     

基于显著稀疏强关联的脑功能连接分类方法

针对脑功能连接数据维度过高、冗余特征过多影响神经网络分类准确率的问题,提出一种基于显著稀疏强关联的脑功能连接分类方法. 该方法利用显著特征稀疏模块对原始特征进行筛选增强;采用稀疏强关联特征上下文融合模块对不同感受野内的显著特征信息进行聚合;使用全连接神经网络进行分类预测. 在ABIDE以及ADHD-200数据集上的实验结果表明,所提方法相较于现有的脑功能连接分类算法在准确率上分别提升了10.41%和12.50%. 重要特征的可视化结果表明所提方法能准确定位与疾病相关的脑区,具有一定实际应用价值.     

基于EMG的假手实时力跟踪控制

针对商业假手灵活性及智能化水平较低的问题,进行了具有力矩/位置感知的五指假手及其控制方法的研究.以人体前臂肌电信号（EMG）为控制源,以力传感器检测指尖法向力,通过SVR支持向量机（Support Vector Regression,SVR）构建了指尖力的预测模型;采用网格搜索法确定模型的参数,缩短了训练时间,提高了模型的泛化能力.通过在线预测,结合带有二阶微分跟踪器的模糊PID控制方法实现了指尖施力实时跟踪;速度快,超调小,鲁棒性强,提高了假手的控制水平.     

一种基于多模态特征融合的骨质疏松评估方法

针对现有骨质疏松评估中诊断依据单一、准确率低的问题,综合考虑骨骼图像数据和问卷数据,首先提出一种基于深度神经网络的多模态特征融合骨质疏松评估方法;然后,针对骨骼图像特征较浅、结构固定的特点,使用Unet进行图像分割预处理,去除冗余信息以提升分类准确性;最后,针对普通卷积操作在把握全局信息方面的不足,提出采用基于non-local模块的卷积神经网络来进一步丰富特征信息.交叉验证结果表明,提出的多模态特征融合方法与仅单独使用图像数据或问卷数据的机器学习方法相比具有明显的优势,分类准确率分别提升了3.2%和22.3%.     

H.264 SVC层间预测选择快速算法

针对H.264 SVC采用层间预测编码工具而引起的高计算复杂度问题,提出H.264 SVC层间预测选择快速算法.在层间残差预测方面,先作一次运动搜索,估计宏块在2种层间残差预测选择结果之间的模式代价比,利用该模式代价比预测残差数据对增强层宏块编码的影响,从而快速选择层间残差预测.在层间运动预测方面,利用宏块的运动信息和模式代价信息来快速选择层间运动预测.实验结果表明,与参考算法相比,该算法在同等质量条件下,编码速度平均提高了30%左右.该算法可以与模式选择快速算法结合使用,进一步提高编码速度．     

基于LSTM与牛顿迭代的两轴系统轮廓误差控制

针对轮廓误差影响运动系统精度的问题,提出结合长短期记忆神经网络(LSTM)和牛顿迭代法对轮廓误差进行预测、通过转换任务坐标系对轮廓误差进行补偿的方法.在运动平台上提取特征轮廓与数据,将牛顿迭代法应用于对轮廓误差的计算,通过计算出的轮廓误差对优化后的LSTM神经网络进行训练,建立更准确的轮廓误差预测模型.通过转换任务坐标系,将预测的轮廓误差作为前馈补偿到参考轮廓中,提高轮廓控制性能.通过试验对比PID、迭代法和神经网络法,利用随机NRBUS轨迹验证泛化性,表明提出的方法能够有效地预测并控制轮廓误差,在精密运动控制领域有良好的应用前景.     

基于脑电信号的高智能假手控制

提出了一种基于特定几种心理作业的脑电信号控制假手的方法。将Burg法功率谱估计用于多通道脑电信号的特征生成,使用线性神经网络进行分类,通过离线以及在线实验验证,得到3种模式较高的识别成功率。将闭眼时α节律功率的提升作为单次实验的触发,实现了对假手三自由度的控制。     

递推批量MGM(1,N)模型在滑行艇运动姿态预报中的应用

为了设计出有效的滑行艇的自动控制系统,需要建立预测模型对其运动姿态进行实时的、精确的预报.分析利用MGM(1,N)模型对滑行艇运动姿态进行预报的适用性.同时,针对滑行艇运动姿态数据的特点和预报的实时性要求,提出了新采集了一批数据之后,计算模型的参数矩阵的递推公式.利用该公式可以在提高预测精度、延长预测时间的同时,不会显著的增加计算量.数值仿真试验的结果表明,将批量递推MGM(1,N)模型应用于滑行运动姿态预报是可行的,并且具有非常高的预测精度.