基于多源信息融合的肌电轮椅智能控制技术研究

传统手势识别设备很难同时满足识别精度与便携性的要求,同时,基于单一传感器的手势识别策略获取的信息较少,识别结果易受各种因素的影响。而相较于传统的摇杆控制方式,手势控制方式更为便捷,并且可实现远距离操作。基于此背景提出了基于多源信息融合的肌电轮椅智能控制技术研究,设计了一套便携式肌电信号与运动信息采集系统,其中运动信息包括加速度信号和角度信号。利用极限学习机构建识别算法模型,优化了融合分类结构,并以此识别结果控制轮椅运动。实验结果表明:相较于单一传感器手势识别方案,识别准确率提升了6.1%～12.3%,达到了94.7%;相较于传统模式识别方法,分类准确率提升了1.5%～6.0%,并且,轮椅控制系统的在线平均识别率达到了95.2%,满足实时性要求。     

采用鱼群算法进化极限学习机的假肢步态识别

为提高下肢假肢步态识别的准确性,提出一种基于鱼群(fish swarm,简称FA)算法优化极限学习机(extreme learning machine,简称ELM)的模式识别方法。首先,提取张量投影特征,分析了特征值选取的合理性;其次,采用主成分分析法降维;最后,利用鱼群算法进化极限学习机分类识别平地行走、上楼、下楼、上坡及下坡5种步态,识别准确率达到97.45%。通过实验比较了该算法与极限学习机等分类器在假肢步态分类上的识别准确率与识别时间,结果表明,FA-ELM方法识别准确率优于其他方法。     

基于极限学习机及多姿态信息融合的步态识别

为了解决步态识别系统复杂度较高且设备较为昂贵的问题,本文设计了一种步态识别系统。通过采集安装在大腿、小腿和脚板的三个姿态传感器数据,利用时域与频域结合的多域特征方法和近邻成分分析（NCA）算法对姿态数据进行特征提取和降维,得到姿态数据的低维特征向量,使用极限学习机对低维特征向量进行分类,实现了三种步态的准确识别。实验结果表明,三种步态的识别率均达95%以上。     

采用蝙蝠算法进化相关向量机的假肢步态识别

为了提高假肢穿戴者步态识别准确率,提出了一种高阶过零分析技术分析表面肌电信号的假肢步态识别方法。该方法针对假肢穿戴者步态识别过程中的多分类问题,选择表面肌电信号（surface electromyogram signal,简称sEMG）作为步态识别信息源,将表征时间序列特性的高阶过零分析（higher order zero crossing analysis,简称HOC）方法运用于不同步态下的肌电信号的特征提取,结合相关向量机（relevance vector machine,简称RVM）建立了多分类步态识别模型,然后采用蝙蝠算法（bat algorithm,简称BA）对RVM分类器的核函数参数进行优化。实验结果表明,所提方法与粒子群算法优化相关向量机（particle swarm optimization-relevance vector machines,简称PSO-RVM）及RVM等方法相比,对于平地行走、上楼、下楼、上坡和下坡5种步态的识别准确率均高于PSO-RVM和RVM等方法。     

基于表面肌电信号的人体步态事件快速识别方法

针对下肢康复训练机器人主动训练阶段患者运动检测实时性、准确性的需求,提出一种基于动态表面肌电信号的人体步态事件快速识别方法。首先,通过表面肌电信号产生过程数学建模及步态过程中肌肉活动规律分析,给出了基于表面肌电信号强度及其变化特征的步态事件感知原理;其次,以双腿股外侧肌动态表面肌电信号强度及其变化为特征,构建了用于识别支撑和摆动两个步态事件的自适应模糊神经网络模型。实验结果表明：该方法识别结果正确率达95.3%,对足跟触地和脚尖离地事件发生时刻进行识别的平均时间误差分别为21.4ms和24.5ms,同时证明,该方法对步态之间表面肌电信号的差异具有较强的鲁棒性。     

基于灰色信息融合技术的磨粒识别方法

传统的灰色关联度计算方法是将单特征关联系数简单的进行求和平均,在磨粒识别中其识别结果分辨率不高,容易造成误判。提出了一种基于灰色信息融合技术的磨粒识别方法,它首先将各组单特征关联系数作为多源证据,然后利用D-S证据理论进行有效融合计算灰色关联度,实际计算表明,该方法能明显提高磨粒识别结果的分辨率及准确率。     

基于sEMG与足底压力信号融合的跌倒检测研究

跌倒已经成为一种普遍危害老年人身心健康的事故,需要得到及时救治。设计了一种基于表面肌电(s EMG)和足底压力信号融合的跌倒检测系统。提取s EMG的近似熵及基本尺度熵特征,并根据足底压力的变化规律,提取动作信号段的压力特征,通过D-S证据推理将肌电信号与足底压力信号的SVM决策融合获得综合判别结果。实验结果表明,该方法对跌倒与ADL的平均识别率达到了91.7%,优于单一信源识别结果。     

基于信息融合技术的多模型磨粒智能识别方法

磨粒能够直接反映发动机的磨损过程和磨损状态,对磨粒的准确识别是实现发动机故障诊断和状态监测的关键环节.针对单一的智能方法在磨粒识别中的局限性,提出了一种基于信息融合技术的多模型磨粒智能识别方法.首先利用灰色关联度、模糊优选和神经网络模型对磨粒进行识别,得到3组初始识别结果,归一化后作为3组基本概率分配函数,利用D-S证据理论对其融合得到最终识别结果.实例计算表明,与单一智能模型相比,提出的识别方法提高了磨粒识别的区分度和准确率,并具有良好的通用性、适应性和容错性,为发动机磨损磨粒识别提供了一种新的有效的方法.     

基于迁移学习的手部离散动作识别方法研究

表面肌电传感器作为新一代机器人人机交互接口设备,目前已在航空航天、军工应用、康复医疗、工业生产等多种环境中表现出巨大的应用潜力和价值。研究发现,表面肌电信号在识别手势动作时,若面临传感器移位、动作用户变化等问题,动作识别准确率将急剧下降,模型可复用能力变差。针对这一情况,提出一种基于小型辅助集的迁移学习建模方法。利用MMD算法对源领域数据集与目标领域数据集的高维距离进行评价,通过TCA算法缩小二者在全局特征上的边缘分布差异,引入小型辅助集对待测数据集创建伪标签,改进了迁移成分分析在数据条件分布相似性上的不足。以多名受试者作为研究对象,验证提出算法的适应性和合理性。肌电控制实验表明,新场景下受试者仅需进行小量训练(仅占源领域数据4%),迁移学习融合模型准确率可提高至80%以上。     

基于 sEMG 的下肢连续运动切换态实时识别方法

在外骨骼与人进行自然人机交互(HRI)过程中,准确快速地识别下肢连续运动中的切换态至关重要。 切换态 sEMG 信 号即包含切换前后运动信息,又包含切换的瞬态信息,难以直接用于识别。 为了快速准确地识别切换态,本文提出了 FMICMD-LACNN 的实时识别方法。 提出了自适应多分量瞬时频率估计方法来提升多元本征线性调频模态分解(MICMD)计算效率,提 出了分量能量惩罚因子提高 MICMD 分解精度,从而形成了快速多元本征调频模态分解(FMICMD)算法。 针对 FMICMD 分解后 sEMG 信号,构建了 LACNN 识别模型,实现了快速且准确的切换态识别。 本研究采集了 10 名受试者 8 种常见下肢连续运动切 换态下的 sEMG 信号进行实验验证。 结果表明,对于这 8 种切换态,该方法平均识别准确率为 98. 35% ,平均识别时间仅约 8 ms,均优于 CNN-LSTM、E2CNN 以及 CNN-BiLSTM 方法。 该方法具有较高的准确率和实时性,能够满足外骨骼与人体快速自 然交互的需求。     

Detection method of spot welding based on multi-information fusion and fractal

A novel detection method of support vector machine （SVM） based on fractal dimension of signals is presented. And models of SVM are made based on nugget size defects of spot welding. Classification using these trained SVM models is done to signals of spot welding. It is shown from effect of different SVM models that these models with different inputs. In detection of defects, these models with inputs including sound signal have a high percentage of accuracy, the detection accuracy of these models with inputs including voltage signal will reduce. So the SVM models based on fractal dimensions of sound are some optimal nondestructive detection ones. At last a comparison between SVM detection model and ANNS detection model is researched which indicates that SVM is a more effective measure than Artificial neural networks in detection of nugget size defects during spot welding.     

基于加权D—S证据理论信息融合的故障诊断方法及其应用

针对新产品因故障概率数据掌握不充分使其故障诊断较为困难的问题,提出了一种基于加权D—S证据理论多源信息融合的故障诊断方法。该方法采用D-S证据融合,解决了缺乏故障概率分布模型或准确数学分析无效的问题,引入加权Ds证据理论融合方法进行故障诊断,用历史故障估计的正确率作为确定信息源当前检测估计值的置信程度调整,实现了故障诊断的历史数据对当前诊断结果的修正。对新型船舶气象仪故障诊断结果表明,该方法在故障概率和故障经验知识掌握不充分时,实现故障诊断是非常有效的。     

基于D-S证据理论的产品多信息融合标识失效补救方法

针对离散制造企业生产环境和工艺的复杂性容易引起Data Matrix二维符号标记的磨损、污染和腐蚀而发生标识失效的问题,提出一种基于D-S证据理论的产品多信息融合标识失效补救方法。分析了产品物理与制造过程中多源信息之间的关联和数据结构,建立了离散制造产品零散与不完整多源信息的数学模型;设计了改进的变异系数加权法,并采用基于类中心的变权欧式距离法对失效标识产品特征和历史数据库进行相似性测度计算;通过D-S证据理论对失效标识的产品特征层进行融合辨识。实验结果表明,该方法能够较好地恢复补救产品失效的标识。     

基于多信息融合的无创血糖检测系统设计

为了解决糖尿病人血糖检测的有创问题,以生物特征检测技术为基础,设计了一种近红外透射光谱法的多信息融合无创血糖检测系统,并测试了系统性能。通过建立数学模型对该系统实测的数据进行处理,得到人体的血糖值。试验结果表明,本系统与传统血糖仪检测结果的相关系数达到了0.854 2。同时该系统可以对人体血糖变化趋势进行记录,为连续监测血糖值提供了新方法。     

一种智能膝关节假肢及其控制算法研究

为了使下肢假肢的功能更趋近于人体下肢,提出了一种智能膝关节假肢的设计方法及其相应的控制算法。首先,根据人体膝关节的结构特点,设计仿生膝关节的机械组件。并在此基础上,为其添加分体式的膝关节阻尼控制模块。然后,为阻尼控制模块添加控制算法[传统PD控制算法、微粒群(PSO)优化的BP神经网络PD控制算法]。最后通过步态测试对比两种不同算法的实际控制效果。最终的实验结果表明：在行走的摆动相,PSO-BP-PD控制相较于传统PD控制,膝关节摆动角度的控制准确度提升5.1°,稳定度下降0.7°。     

基于步态参数的助行器设计方法

以人机(助行器)适配为设计目标,提出了基于人体步态参数分析的动力式助行器设计方法.利用Vicon三维运动分析系统开展了人体步态实验研究,以获取的步态参数为动力式助行器运动控制依据.基于杆状模型,将ADAMS仿真结果与计算结果对比,得到了动力设计要求.在运动控制及动力需求的基础上,提出了一款基于直线角位移机构驱动的动力式助行器设计方案.     

A position based kinematic method for the analysis of human gait

Human joint motion can be kinematically described in three planes, typically the frontal, sagittal, and transverse, and related to experimentally measured data. The selection of reference systems is a prerequisite for accurate kinematic analysis and resulting development of the equations of motion. Moreover, the development of analysis techniques for the minimization of errors, due to skin movement or body deformation, during experiments involving human locomotion is a critically important step, without which accurate results in this type of experiment are an impossibility. The traditional kinematic analysis method is the Angular-based method (ABM), which utilizes the Euler angle or the Bryant angle. However, this analysis method tends to increase cumulative errors due to skin movement. Therefore, the objective of this study was to propose a new kinematic analysis method, Position-based method (PBM), which directly applies position displacement data to represent locomotion. The PBM presented here was designed to minimize cumulative errors via considerations of angle changes and translational motion between markers occurring due to skin movements. In order to verify the efficacy and accuracy of the developed PBM, the mean value of joint dislocation at the knee during one gait cycle and the pattern of three dimensional translation motion of the tibiofemoral joint at the knee, in both flexion and extension, were accessed via ABM and via new method, PBM, with a Local Reference system (LRS) and Segmental Reference system (SRS), and then the data were compared between the two techniques. Our results indicate that the proposed PBM resulted in improved accuracy in terms of motion analysis, as compared to ABM, with the LRS and SRS.     

Reciprocating gait prosthesis for the bilateral hip disarticulation amputee.

This paper describes the design, manufacture and use of a new prosthesis which produced reciprocating gait for a bilateral hip disarticulation amputee. A special mechanism used the hip extension moment during weight bearing to drive the contralateral limb through the swing phase. The user rapidly attained efficient and safe reciprocating gait, together with simple donning and doffing. The success of this project has major implications for hip disarticulation amputees in terms of profound improvements of their independence and self-esteem.     

基于工作流模式的BPMN过程模型验证方法

针对业务流程建模符号过程模型语义验证问题,提出了一种新方法.该方法基于正确的业务流程建模符号过程模型是工作流模式的合理组合的理念,通过扩展和改进业务流程建模符号及其执行语义,设计了工作流模式的形式化编码规则;借鉴Petri网化简方法,设计了工作流模式组合化简规则;基于工作流模式编码及组合化简规则,给出了业务流程建模符号过程模型验证方法.应用示例表明了该方法的有效性.     

基于数据融合和改进 MoCo的工业机器人抖动原因识别

实际工程中工业机器人受关节控制参数不佳易引起末端抖动,抖动原因识别有助于定位关节异常及优化控制。而工业机器人抖动原因识别存在周期信号冗余度高、抖动方向多及抖动状态样本标签缺失的问题,故提出基于数据融合和改进动量对比学习(MoCo)的工业机器人抖动原因识别方法。首先,对工业机器人末端各传感器数据依次进行数据降维、数据扩充、水平拼接融合及降维,构建充足且全面反映抖动方向及状态信息的融合样本。其中,数据融合前降维可降低周期样本冗余度及提升样本融合效率,数据融合后降维可避免融合样本过长导致模型训练复杂度增加。其次,在MoCo前标记少量融合样本由正编码器分类通道输出监督信息,引导特征聚类。然后,改进对比学习策略,将正编码器提取的无标签融合数据特征与动量编码器保存的负样本特征的聚类中心进行对比,去除特征相似度最高的聚类中心以降低对比类别错误的假负样本干扰。并通过对称调换两个编码器的输入进行两次对比损失计算,完成编码器训练。最后,在编码器分类通道后添加Softmax分类器完成工业机器人抖动原因识别。实验结果表明,所提方法在不同工况的工业机器人抖动原因识别准确率均在90%以上,证明了该方法的有效性。