首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   28篇
  完全免费   2篇
  机械仪表   30篇
  2019年   1篇
  2018年   1篇
  2016年   2篇
  2015年   1篇
  2014年   3篇
  2013年   3篇
  2012年   1篇
  2011年   3篇
  2010年   1篇
  2009年   4篇
  2008年   6篇
  2006年   1篇
  2005年   3篇
排序方式: 共有30条查询结果,搜索用时 29 毫秒
1.
基于表面肌电信号的前臂手部多运动模式识别   总被引:7,自引:0,他引:7  
基于表面肌电信号的肢体运动模式识别是假手仿生控制的基础,SEMG的个体差异与识别率是肌电假手实用化必须面对的问题。本文根据SEMG的频谱特性提出了一种新的特征提取方法——功率谱比值法。该方法的主要特点是以实时取得的SEMG功率谱信号为基础,确定最大功率谱附近的谱能量与全信号段谱能量之比为特征值,将人的个体差异影响降低到最低程度。模式分类器采用特别设计的Bayes统计决策算法,该方法在非特定人的条件下应用于前臂肌群的多运动模式识别时,识别正确率达到84%,已具备一定的实用性。  相似文献
2.
表面肌电信号测试中工频干扰的抑制   总被引:6,自引:0,他引:6  
介绍了一种表面肌电信号 (EMG)测试调理电路和信号处理的方法。表面EMG测量中最难处理的问题之一是工频(5 0Hz)干扰 ,它处在有效的肌电信号频带之中。针对表面EMG的测量特点设计了一种信号调理电路 ,使肌电信号和工频信号并行单独处理 ,避免了不加区分地采用工频陷波器 ,这一设计思想在实际的肌电信号检测时取得了较好的实验结果。  相似文献
3.
5-DOF上肢康复机械臂交互式康复训练控制策略   总被引:3,自引:0,他引:3  
设计一种5-DOF穿戴式偏瘫上肢康复机械臂系统,提出被动和主动两阶段的交互式康复训练控制策略.在被动训练中,根据偏瘫患者上肢单侧受损的特点,提取偏瘫患者的健侧上肢4块肌肉的表面肌电信号(Surface electromyogram,sEMG)作为康复机械臂的控制信号,利用AR参数模型和BP神经网络来理解患者的运动意图,驱动机械臂辅助患侧上肢实现特定的康复训练动作.在主动训练中,通过实时获取各关节力矩信号来判断人体上肢的运动所产生的作用力方向与大小,并利用比例控制器和运动学雅可比逆矩阵控制康复臂末端速度、驱动各关节运动.试验结果证明了提出方法的正确性和有效性.  相似文献
4.
上肢康复机器人发展现状的分析与研究   总被引:3,自引:0,他引:3  
首先对上肢康复机器人的现状及发展进行了阐述,分析了当前康复机器人系统所存在的不足,并结合临床康复医学理论及临床康复经验对上肢康复机器人的结构、训练模式、评价方法及应用细节提出了建议.在此基础上提出了一种应用于偏瘫患者康复训练的外骨骼式上肢康复训练机器人,针对现有不足及提出的建议对该机器人进行了设计与实现.  相似文献
5.
基于功率谱分析和RBF网络的表面EMG多模式分类   总被引:1,自引:0,他引:1  
张清菊  罗志增  叶明 《机电工程》2005,22(11):35-38
提出了一种以功率谱K值法和RBF网络相结合的表面肌电信号处理方法.首先,将采集到的肌电信号进行预处理,计算互功率谱比值作为其特征值;其次,将其特征值作为训练样本输入RBF神经网络进行网络训练,并对手臂的各种动作进行多运动模式分类.实验表明,这种方法不仅简化了计算工作量,而且取得了比较理想的识别效果.  相似文献
6.
表面肌电信号采集及动作识别系统   总被引:1,自引:0,他引:1  
搭建了一个表面肌电信号采集及动作识别系统,系统由硬件和软件两部分组成。硬件部分前端采用一次性表面贴片式电极作为输入传感器,肌电信号采集后经信号放大器的滤波放大、经数据采集卡的模数转换后将信号输入到电脑;软件部分在LabVIEW平台下开发完成,利用小波变换方法进行特征提取,采用BP神经网络进行人体上肢特定动作的识别。特征提取和动作识别均在LabVIEW平台下实现。通过该系统,实现了对于肌电信号的实时采集、处理和对所设定上肢动作的准确识别。  相似文献
7.
基于多源信息融合的膝上假肢步态识别方法   总被引:1,自引:1,他引:0  
为了实现膝上假肢的有效控制,提出基于多源信息融合的步态识别方法.首先通过搭建人体下肢多源运动信息系统获取下肢表面肌电信号、腿部角度信号和足底压力信号.针对获取的信息,采用基于小波变换的空域相关滤波对肌电信号进行消噪并提取信号特征;选择大小腿、膝关节角度作为腿部角度信号特征;将足底压力信号通过阈值法提取有效特征.在特征提取基础上,分别利用BP神经网络和有限状态机对下肢运动信息进行步态识别,并将识别结果进行融合.实验验证了该方法在平地行走、上下楼梯模式下步态识别准确率均达到95%以上.  相似文献
8.
基于单通道sEMG分解的手部动作识别方法   总被引:1,自引:0,他引:1  
表面肌电信号(Surface electromyography,sEMG)已广泛应用于手部动作识别.为提高动作识别精度,研究者往往需要采集多个通道sEMG信号,从而增加应用复杂性,针对这一情况,提出一种基于单通道sEMG分解的手部动作识别方法.使用单通道电极采集人体上臂肌肉sEMG,将其分解为6个运动单元动作电位序列,过程包括:二阶差分滤波、阈值计算、尖峰检测、分层聚类;然后,提取绝对值积分、最大值、非零中值、半窗能量等特征,并采用主元分析法降维;最后,利用支持向量机分类识别5种不同手部动作,精度达到80.4%.而采用未融合sEMG分解的传统方法,动作识别精度仅有约70%.  相似文献
9.
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.  相似文献
10.
采用隐马尔科夫(HMM)的信号分类识别方法,用以实现下肢步态中各细分动作的更好识别和描述.首先将待分类的肌电信号进行预处理,按等时间间隔对每通道的肌电信号划分不同的段,采用小波变换方法对每个数据段内肌电信号进行多尺度分解,并提取小波分解系数的奇异值构成观察值序列.将步态周期的四种运动模式与HMM状态一一对应,用Baum-Welch算法对HMM参数进行重估训练,再用标定技术处理的前向后向算法和Viterbi算法进行识别,得到的平均识别率高于90%.然后在四种运动模式中分别提取小波特征组成特征编码,送入概率神经网络(PNN)中进行识别.证明HMM的识别效果优于概率神经网络,能够更好地应用于假肢的控制研究.  相似文献
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号