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。     

表面肌电信号识别特征提取的仿真研究

研究表面肌电信号准确识别问题,表面肌电信号含有大量的噪声,且特征维数高,传统方法无法消除其中的噪声,选择最重要识别特征信号,表面肌电信号识别正确率低.为提高表面肌电信号的识别正确率,提出一种新的表面肌电信号识别模型.首先采用小波变换提取表面肌电信号特征,消除信号中的噪声,然后采用遗传算法选择最优特征信号,降低特征维数,最后采用遗传算法对支持向量机参数进行优化建立最优表面肌电信号识别模型.仿真结果表明,模型可很好地解决传统方法中的难题,提高了表面肌电信号的平均识别正确率,识别结果非常稳定,为表面肌电信号提供了一种新的识别方法.     

人手运动状态的识别

提出了一种新的模式分类方法,该分类法采用小波变换和李雅普诺夫指数构造特征矢量,利用Elman神经网络在非线性建模方面的优势,构建前馈神经网络,以此进行特征分类。通过对前臂伸肌、屈肌以及旋前肌采集的肌电信号的处理分析,有效地实现了对握拳、展拳、手腕内旋和手腕外旋4种动作模式的识别。结果表明该分类器有较高的识别准确率和更稳定的再现性。     

基于FFT盲辨识的肌电信号建模及模式识别

针对表面肌电信号(Electromyographic signal,sEMG)产生原理复杂、易受人体自身及外界因素影响的特点,采用基于快速傅里叶变换(Fast Fourier transform,FFT)的盲辨识方法建立肌电信号模型.该方法通过计算即可确定信道阶次,无需人为凭借经验设定,且计算简单、易于实现、运算速度快.其利用输出信道间的相互关系特性,实现信号的频域盲辨识,建立数学模型.此方法适用于小样本信号建模,非常适合易受肌肉疲劳影响的表面肌电信号.将模型系数作为改进的BP神经网络的输入,实现多运动模式识别,与其他盲辨识方法比较,此方法识别效果较好.     

语音信号与脑电信号转换研究

由于身体原因导致无法进行语音交流的群体越来越受到大家的关注,为了这部分群体能重新使用语音交流,科研工作者们进行了各种尝试性研究。以前的研究主要围绕着肌电信号与语音信号间的映射关系,而本文是通过深度神经网络建立语音信号与脑电信号间的映射关系。将从语音中提取的特征作为前馈神经网络的输入,将脑电信号的特征作为输出目标建立模型。对回归预测的模型使用R-square进行评估,R-square的值达到了0.75。     

四通道表面肌电信号采集系统设计与研究

面向表面肌电信号在康复机器人领域的应用,设计了一种四通道表面肌电信号采集系统。表面肌电采集系统包含了检测电极设计、前置放大电路、高通滤波电路、工频陷波电路、低通滤波电路、后级放大电路和电源电路。实验基于右前臂桡侧腕长伸肌,对设计的四通道表面肌电信号采集系统采集的信号进行了测试分析。实验结果表明,系统能够很好地采集到人体表面肌电信号,每一个通道的信噪比为58±3 dB,可以看出表面肌电信号采集设备对噪声的抑制能力较高,且采集到的信号质量高,能够应用于康复机器人领域。     

利用肌电信号求解关节力矩的研究及应用综述

表面肌电信号(surface electromyography, sEMG)是人体的易于检测的神经信号,其富含大量人体运动信息。利用肌电信号作为输入信号,结合相关生物学模型分析肌电信号同肌肉力和对应关节力矩之间的关系,对于深入理解分析人体动力学具有重要意义。本文详细归纳总结了利用肌电信号求解人体关节力矩方法的研究成果,同时介绍神经肌肉骨骼模型的计算及优化过程,给出部分模型生理参数为之后的研究提供参照,并给出现阶段该方法在人体关节力矩求解中的应用。通过分析该求解过程中所面临的一些问题,总结出该方法的发展展望,为之后的研究提供参考。     

多重分形分析在肌电信号识别中的应用

针对表面肌电信号的非线性特征,目前的分析方法有非线性动力学的复杂度及分形维数等,但是单重分形只能反映信号的整体特征,缺乏时局部奇异性的刻画.本文采用多重分形来分析表面肌电信号,结合灰色关联度对四种前臂动作进行分类识别,取得了较好的识别效果.结果表明:广义维数谱可以作为一种新的肌电信号特征来描述肌电信号的复杂性,为表面肌电信号的识别提供了一种新的思路.     

人体肌电信号的生理层模型

研究表面肌电信号模型,能够更精确地描述肌肉在活动时所产生的肌电信号的形成过程.因此表面肌电信号模型的建立,可以实现对神经肌肉的控制,以及肌电信号的产生等问题的理解,为其特定参数值的提取,以及信号的实用性和真实性的分析打下了基础.在考虑了影响人体肌电信号主要参数值的特征条件后,通过matlab仿真软件建立一个能够仿真运动单位在不同激励下的表面肌电信号.目前的生理层仿真模型参数不可调,使得模型的精准性较差,而上述的改进和优化实现了参数的可调控性,使得模型更具实用性.     

基于矩阵对角化的盲源分离算法研究

盲源分离是从观测信号中恢复源信号的一种有效方法,目前已成为信号处理领域的研究热点。首先对三种盲源分离的算法进行分析,它们是:四阶盲辨识(FOBI)、特征矩阵的联合近似对角化(JADE)、二阶盲辨识(SOBI)。分析表明这些算法均有各自的不足,而另一方面,它们都是通过矩阵对角化实现盲源分离的。一个很自然的想法是将这些算法结合起来,以提高盲源分离的性能。仿真结果表明,JADE法和SOBI法的结合可以获得不错的盲分离效果。     

一种基于ICA的同态盲反卷积算法

盲反卷积是图像处理、语音信号处理、通信、系统辨识和声学等许多研究和应用的基本问题,具有重要的理论与应用价值。根据无损检测中盲反卷积问题的特点,提出了一种新的基于ICA的同态盲反卷积算法。该算法首先将检测信号变换到复倒谱域,将卷积混合模型变为线性混合模型,即ICA问题;然后通过ICA将系统冲击响应和输入信号分离;最后,根据分离的复倒谱信号,重构其时域信号。论文提出的盲反卷积算法具有运算量小,计算速度快,分离精度高等特点,且不受信道是否为最小相位信道的影响。计算机模拟和实验数据都证明了算法的有效性。     

混沌卷积混合信号的预测重构盲反卷积方法

介绍了混沌序列的特性，然后利用混沌的类随机特性和盲信号处理技术，提出了一种针对混沌卷积混合信号的预测重构盲反卷积方法．该方法充分利用了混沌的物理特性，通过对混沌卷积混合信号使用基于直接预测误差分析所构成的混沌滤波器和基于相空间重构动力学系统方程的人工智能补偿技术去进行盲反卷积，从而实现对单输入单输出混沌卷积信号的源信号和传输函数的盲反卷积处理．仿真实验验证了该方法的有效性和可行性。     

基于特征值分解的循环平稳离散时间信号的盲分离

盲分离的目的是从观测到的混叠信号中恢复出各个未知的源信号,现今的很多方法都是利用了信号时域表示的某些统计特性来解决这个问题。从信号频域分析的角度提出了一种利用信号的循环平稳特性来处理离散时间信号的频域盲分离方法。该方法构造两个二阶统计矩阵的乘积,并对该乘积矩阵进行特征值分解,从而实现源信号的分离;同时,还对特征值分解的条件进行了分析。该方法在低维信号的情况下可以取得相当满意的分离效果,仿真结果表明该方法具有良好的性能。     

功率谱估计和扩展子空间下的欠定盲分离

研究了欠定情形下的信号盲分离。充分利用信号的时频特性,提出了AR模型功率谱估计法滑动估计信号频率,设计带通滤波器近似获取源信号和欠定混合矩阵,以及扩展子空间向量基构造完备观测信号的方法,将问题转化为完备情况下的盲分离,最后运用FastICA方法实现了信号盲分离。仿真实验数据表明方法的可行性和有效性,为欠定盲分离问题研究提供了新的思路。     

基于PCA-ICA的盲源分离算法研究

提出了一种以独立分量分析(independent component analysis,ICA)为核心,以主元分析(principle component analysis)进行白化处理的盲分离算法,给出了用盲信号分离技术来分离心电信号的方案,并对模拟信号进行了分离.实验是有效的且鲁棒效果良好     

盲源分离在机械振动信号分析中的应用

设备状态信号的处理是状态监测及故障诊断的基础。在实际运行环境中,信号检测传感器采集的机械振动信号必然包含设备各个部件的信号以及周围环境的强烈干扰。传统的振动信号处理方法抗扰去噪效果并不理想。盲源分离技术由于自身独特的盲处理优势,可以有效去除外来干扰并分离出源信号,有助于提高诊断的准确性。针对直升机齿轮箱振动信号进行盲源分离仿真,分离出了轴承故障振动信号,并将分离信号的功率谱与原始信号的功率谱相比较,表明盲源分离技术是机械故障诊断领域的一个有效的信号处理方法。     

心率信号的采集与处理

介绍了一种基于SoC的简单心率测量方法。整体系统设计包括模拟电路模块和C51CPU核。其中CPU核是数字处理部分，用来处理心率信号和其它应用的输出信号。经过模拟电路模块，心率信号被转换成脉冲信号，然后把脉冲信号作为心率估算的输入信号进行计算。整个系统工作在一片芯片上。     

基于非线性动力学系统噪声减缩盲解调负信噪比载频上的随机码流

盲解调技术是获取非协作数字通信信号上携带有用信息的最关键技术之一.首先对现有数字通信信号盲解调进行了综述,然后在我们已发表论文的基础上,进一步完善非线性动力学系统噪声减缩的理论和算法,对负信噪比BPSK调制载频上的随机码流进行盲解调.试测试结果表明,信噪比在Eb/N0>7dB区间,噪声减缩的盲解调的误码率为0,信噪比在0 < Eb/N0 < 7dB区间,噪声减缩的盲解调的误码曲线低于现有非相干解调方法的误码曲线.噪声减缩的盲解调的误码率接近或重合或低于现有相干解调的理论误码曲线.可见,采用非线性动力学系统的噪声减缩的盲解调与现有非相干解调的处理能力比较,至少提高了7dB的处理能力.测试结果表明研究成果为电子侦察信号处理的盲解调提供了一种有效的方法.     

基于回归特征分析的BPSK信号盲处理结果可信性评估

针对二相编码（Binary phase shift k eying,BPSK）信号盲处理过程中信号调制方式识别及参数估计的可信性评估问题,提出了一种 基于线性回归特征分析的处理方法。根据特定处理结果建立参考信号,并将参考信号与原始 观测信号进行相关累加取模值,在分析相关累加模值曲线在原序与升序两种不同情形下线性回归 差异的基础上,分别定义了排序回归系数及分段回归符号两大特征,用以判别BPSK信号盲处 理结果的可信性。计算机仿真结果表明,在低信噪比、缺乏信号先验信息的条件下,本算法 可对BPSK信号盲处理结果的可信性进行有效检验。