三自由度比例控制肌电假手的设计

针对电动假手的仿生控制问题,给出了一种三自由度实时比例控制肌电假手的设计方案。通过采集残臂上的4路表面肌电信号（SEMG）,采用能量时域分析法对信号进行了特征提取,并采用二叉决策树模式分类方法识别得到了手部3个自由度7个动作模式。由单片机构成的信号处理和控制电路,实现了三自由度电动假手的实时仿生控制;并根据表面肌电信号的强弱,采用多路SEMG能量加权法来求取多自由度假手的比例控制系数,实现了对电动假手的比例控制。试验结果表明,基于表面肌电信号的三自由度肌电假手响应速度快。动作准确率达到96％以上。     

仿生电动假手的研究

设计一种带有触觉和滑觉传感器的肌电控制电动假手。触滑觉组合传感器采用PVDF作为敏感材料．柔顺的传感器表面和小巧的尺寸使之能完全应用于仿生假手的手指上。以AR模型特征分析方法与神经网络相结合的方法完成肌电信号的运动模式识别，并在电动假手的控制上，采用肌电信号与触滑感觉信号作为双重控制信号源，取得了良好的电动假手仿生控制效果。     

基于虚拟仪器的表面肌电信号的采集

表面肌电信号（SEMG）的检测分析对临床诊断及康复医学、运动医学等具有重要意义;但是表面肌电信号幅度较小,频率较低,信号的提取比较困难。文章采用虚拟仪器技术构建肌电信号的采集系统,并利用LabWindows／CVI对信号进行处理,利用功率谱K值法对信号进行动作识别,准确度可达85％以上。该研究可作为虚拟仪器的一个开发方向,具有广泛的应用前景。     

采用肌电信号控制残疾人假手的研究

介绍了采用肌电信号来控制假手的运动。手指部分的设计采用欠驱动机构和耦合原理，控制电路与机械结构进行系统化设计，假手由皮肤表面肌电（EMG）信号进行控制，肌电信号处理运算全部在DSP内完成。研究表明，该控制算法简单，特征识别成功率高。     

基于磁场刺激与神经网络肌电信号的模式识别

针对表面肌电(SEMG)信号的非平稳特性,采用bior3.1小波对在磁场刺激下从掌长肌、肱桡肌、尺侧腕屈肌和肱二头肌四块肌肉上采集的四路表面肌电信号进行了分析,并用小波变换方法提取其肌电信号的特征,构成特征矢量,输入Elman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拳、展拳、腕内旋、腕外旋、屈腕、伸腕、前臂内旋、前臂外旋八种运动模式.实验表明,该方法识别率高,为肌电信号的模式识别提出了一种基于磁场刺激的新方法.     

基于肌电信号的仿人型假手控制

提出了一个表面肌电信号运动模式分类器，利用安置在拇长屈肌和指深屈肌上的2个电极所测得的肌电信号，该运动模式分类器能够成功的分辨出拇指、食指和中指的弯曲运动。完成了对所研制仿人型残疾人假手的控制。     

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.     

矢功率谱与概率神经网络结合在旋转机械故障诊断中的应用研究

与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面,而概率神经网络学习速度快、收敛性好,基于此,结合矢功率谱和概率神经网络,提出一种故障诊断的新方法,该方法是以矢功率谱作为特征输入到概率神经网络分类器进行故障识别,并应用到旋转机械故障诊断中。实验结果表明,该方法是有效的。     

基于预抓取模式识别的假手肌电控制方法

为解决多自由度假手肌电控制难题,建立一种人手预抓取模式的在线识别方法,并将其应用至HIT-DLR假手的抓取控制。基于Teager-Kaiser能量算子增幅肌电信号在肌肉动作发起时的变化,引入后处理解决噪声影响,提出一种预抓取发起的在线检测方法。针对人手4种预抓取模式,讨论不同肌电信号分段方法,不同时域特征、频域特征和时频域特征以及多种分类方法所能获得的识别成功率。最终建立了基于波形长度及支持矢量机的最优识别方法,成功率可达95%,延迟小于300 ms。肌电控制试验表明,假手可以准确快速地抓取各种不同形状的物体。     

基于动态阈值的肌电假手动作控制方法研究

由于构成肌电信号采集电路的电子元器件性能不可能完全对称及干扰信号的存在,有时会导致两路肌电信号发生阈值不一致。这时仍采用固定阈值来对两路肌电信号控制的动作进行判别,会导致动作的误判率增加。为了提高对假手动作判别的正确率,本文提出了利用动态阈值对假手动作进行判别。实验结果表明,利用动态阈值对假手动作进行判别,能够提高对动作判别的正确率达约10%。     

Hand gesture recognition using valley circle feature and Hu’s moments technique for robot movement control

Hand gesture recognition is a simpler and more natural way of human computer interaction. The goal of this paper is to detect the continuous gestures and use them to convey information for the robot movement control. So the hand gesture recognition requires fast and extremely robust. In this paper, three strategies were used to realize the hand gesture recognition: (1) the valley circle (VC) was created for the first stage of 6 fingertip numbers classification; (2) the hybrid feature vector of Hu’s moments, convexity and compactness (HCC) were constructed for the second stage of gesture recognition of the remainder unknown gesture classes; (3) a new template matching recognition (NTMR) algorithm was proposed to realize 10 gesture classes recognition. To test the hand gesture recognition method, the robot movement control system was built. It is experimental proved that the NTMR algorithm is effective and corrective for the hand gesture recognition. It increased the recognition accuracy by 4% and decreased the recognition duration by 112 ms compared with Hu’s moment method. It had good performances of the real-time hand gesture acquisition and information conveyance, and it had the invariant properties when the gesture was rotated and shifted and scaled.     

基于幅值立方和BP神经网络的表面肌电信号特征提取算法

传统特征向量提取算法得到的特征向量无法识别手指不同角度动作,将幅值立方法引入特征向量的提取算法之中,并对立方计算后信号的特征量进行降数量级处理。实验表明,提出的特征向量提取算法对表面肌电信号微小特征差异的零偏差识别率达到75%,且大偏差保持在5%以下。设计的基于BP神经网络的手指运动模式分类器,能有效地提高手指运动形式的正确识别率。     

基于支持向量多分类机的多类复杂手操作EEG信号模式识别

针对用于服务机器人的脑机接口系统中脑电信号模式识别精度不高,不能满足机器人多任务要求的问题,提出一种基于C-支持向量多分类机的多类复杂手操作EEG信号模式识别方法,并将其应用到复杂手操作的EEG信号模式识别试验中,实现一个4类复杂手操作的模式识别,实验结果表明,与之前用BP神经网络进行识别相比,识别率由85％提高到了90％。     

MBCV-EWT和奇异值差分谱的滚动轴承信号降噪方法

针对滚动轴承振动信号降噪时,克服模式混叠、保证各频率成分完整性和独立性问题,提出最大类间方差-经验小波变换分解(maximum between-cluster variance-empirical wavelet transform,简称MBCV-EWT)与奇异值差分谱相结合的信号降噪方法。首先,针对传统区间划分的不确定性问题,提出MBCV-EWT信号分解方法,通过最大类间方差对信号频谱自适应划分,并在每个划分区间上构建带通滤波器;其次,针对分解分量冗余,提出脉冲指标作为调幅-调频分量筛选准则,选取最优的分量用于降噪;最后,对最优调幅-调频分量进行奇异值分解,根据其差分谱重构分量并实现降噪。仿真及实验结果表明,该方法能够实现频谱自适应划分,有效克服模式混叠等问题,保证分解得到的各成分主频独立且完整,调幅-调频分量筛选准确,降噪效果明显,为故障识别和预测奠定研究基础。     

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。     

熔化极气体保护焊熔滴过渡光谱信号模式识别系统的研究

为实现熔化极气体保护焊熔滴过渡类型的自动识别,开发了熔滴过渡光谱信号模式识别系统,利用此系统,获得了大量各种熔滴过渡类型的光谱信号。以此为样本,根据模式识别的原理和方法,在Windows环境下,以Visual Basic为开发语言,设计了熔滴过渡光谱信号模式识别软件,成功地对各种熔滴过渡类型进行了自动识别。     

小波包神经网络在轴承故障模式识别中的应用

基于不同点蚀模式的轴承振动信号的频域能量分布差异性,提出了基于小波包正交分解和BP神经网络的轴承点蚀故障模式识别技术。对轴承振动信号进行小波包正交四层分解,实现了信号空间完整拆分的同时得到了第四层由低频到高频的小波包分解系数,再分别进行单支重构得到各频段的成分。利用信号各频段的能量组成特征矢量作为神经网络的输入样本,对BP神经网络进行训练,获得模式识别网络;再用新数据进行网络的检验,结果证明网络的性能良好。