基于最优小波包分析的肌电信号消噪

为了清除表面肌电信号(SEMG)夹杂的生理噪声,提出了一种基于最优小波包分析的消噪处理方法.该方法以受试者做内旋动作,采自尺侧腕屈肌的SEMG信号为例,基于symlet5小波函数,分别采用小波方法、小波包方法和最优小波包方法进行了消噪处理.分析比较结果表明,该消噪处理方法能更有效地去除肌电信号中的噪声.     

基于小波包分析和Elman网络的肌电信号处理

提出了一种基于小波包变化和Elman神经网络的表面肌电信号特征提取和模式识别方法.在对表面肌电信号进行预处理的基础上,提出了以小波包变换各频段的能量来构造特征值,以该特征值作为训练样本输入Elman神经网络进行网络训练,构筑手部动作分类器,训练完成的分类器可完成伸腕、屈腕、展拳和握拳等4种手部动作模式的识别.实验结果表明,与其他分析方法比较,该方法不仅识别率高,鲁棒性好,同时也为其他非平稳生理信号分析提供了新方法.     

小波分析用于磁场刺激诱发肌电信号的实时检测

肌电信号是在皮肤表面记录下来的神经和肌肉的系统活动时的生物电信号 ,有很好的临床价值。文章着重介绍应用小波分析中的奇异点探测理论 ,对磁场刺激下的诱发肌电信号进行分析 ,实时地提取磁场刺激的诱发肌电信号特征。验证了小波分析理论在分析非平稳的随机信号的优越性 ,是信号分析的又一有力工具。     

多模式人手动作分类识别方法

为了满足手部运动功能康复器的主动康复训练对多种人手动作模式识别的需求,分析了表面肌电信号采样通道设置布局、训练样本制作、特征提取方式、模式分类器结构参数等因素对手部动作识别的影响,设计了针对前臂的表面肌电信号采集方案,分别基于时域统计量、自回归模型系数、小波包分解系数特征设计了BP神经网络分类器。实验结果表明：对6种单指动作、13种多指动作、20种手部动作的最佳平均识别率分别为98.5%、92.4%、90.9%,计算时间小于190 ms,验证了所提出方法的有效性和实用性。     

基于小波域隐马尔科夫模型的肌电信号滤波

为了消除肌电信号中的噪声并且保留信号的细节信息,本文提出了基于小波域隐马尔科夫模型的肌电信号消噪方法。该方法利用隐马尔科夫模型对表面肌电信号小波分解后的小波系数之间的相关性进行建模,运用训练模型算法(Expectation-Maximization algorithm,EM算法)估计出该模型的参数,以贝叶斯估计得到真实信号的小波系数,通过重构实现肌电信号的滤波。实验结果表明该方法能有效地去除肌电信号中的噪声,对进一步的特征提取和模式识别创造了良好的条件。     

基于双流卷积神经网络的肌电信号手势识别方法

面向高性能的肌电控制系统,提出一种基于双流卷积神经网络的肌电信号手势识别方法,其从原始表面肌电信号中提取离散小波变换系数,与原始表面肌电信号分别作为双流卷积神经网络两个分支的输入进行高层特征学习,最终通过一个高层特征融合模块对两个分支学习得到的高层特征进行融合.所提方法在3个包含50～52类手势动作表面肌电信号的大规模...     

空域相关滤波在下肢表面肌电信号中的应用

针对消噪过程中信号细节难以保留的问题,采用了一种基于小波变换的空域相关消噪方法。通过运用信号小波分解后与噪声的小波系数随尺度变化规律不同的特性,实现了信号与噪声的分离,同时给出了表面肌电信号噪声能量阈值的估计算法。实验结果表明,该消噪处理方法不仅能有效地去除肌电信号中的噪声,而且可以较好地保留肌电信号的边缘特征,为下肢表面肌电信号特征的提取创造了良好的条件。     

基于 LMS-随机森林的肌电信号下肢动作快速分类

表面肌电信号(sEMG)发生于动作之前,可以在动作活动时提前预测其活动意愿,但传统的分类方法往往存在实时性与准确性难以兼容的问题。为了使得肌电信号能够更好地运用于机器设备,提出一种LMS-随机森林肌电信号快速动作分类方法,对下肢动作屈髋屈膝、屈髋伸踝、屈膝屈踝、伸膝伸踝进行动作分类与模式识别。相比于传统的分类算法,研究只需采集动作前120 ms数据进行分类,利用LMS进行滤波,并且给原始数据赋予相应权重,其权重代表数据特征的重要程度,改善了传统表面肌电信号分类的实时性不足问题,为人体与外骨骼设备融合提供了解决方案。实验结果表明,相比于传统的支持向量机,反向传播神经网络等算法中,算法耗时间较短,速度为线性围栏法的7.8倍,具备较高的准确度与稳定性,识别精度为97.3%。     

磁场刺激诱发肌电信号的采集系统

文章介绍了磁场刺激诱发的肌电信号采集系统的软硬件设计，主要讲述了系统中的滤波放大电路、单片机控制电路等的设计，提出了一种新型的肌电信号检测系统，并对磁场刺激诱发的肌电信号进行了讨论。     

肌电智能轮椅控制系统设计

为了实现轮椅多种运动状态的智能控制,设计了一种肌电臂环与安卓平台组成的肌电轮椅控制系统。通过采集不同手势动作时的人体前臂表面肌电信号,对其进行数据处理与模式识别,配合蓝牙无线通信,实现了轮椅前进、后退、左转、右转与停止五种状态的实时检测与控制。实验表明,系统响应时间短,在线识别率高,提供了一种稳定、廉价、可扩展的基于肌电信号的智能轮椅控制方案。