共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
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. 相似文献
3.
4.
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。 相似文献
5.
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。 相似文献
6.
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... 相似文献
7.
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。 相似文献
8.
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%。 相似文献
9.