基于时频域的卷积神经网络运动想象脑电信号识别方法

针对目前运动想象脑电（EEG）信号识别率较低的问题，考虑到脑电信号蕴含着丰富的时频信息，提出一种基于时频域的卷积神经网络（CNN）运动想象脑电信号识别方法。首先，利用短时傅里叶变换（STFT）对脑电信号的相关频带进行预处理，并将多个电极的时频图组合构造出一种二维时频图；然后，针对二维时频图的时频特性，通过一维卷积的方法设计了一种新颖的CNN结构；最后，通过支持向量机（SVM）对CNN提取的特征进行分类。基于BCI数据集的实验结果表明，所提方法的平均识别率为86.5%，优于其他传统运动想象脑电信号识别方法；同时将该方法应用在智能轮椅上，验证了其有效性。     

MEMS光开关及其与光纤组装方式的研究

光开关是一种在光路中应用极其广泛的光无源器件,可用于扫描、投影、通讯等多种不同的领域,其中用于全光通讯中连接光纤之间的光开关日渐成为人们关注的焦点.高性能、低成本、又能大量生产的MEMS光开关很好地满足了全光网络对器件的要求.本文对这种MEMS光纤光开关的类型、特点以及研究现状进行了介绍,并给出了MEMS光开关与输入输出光纤的组装与自组装以及主要方式.     

脑电信号的小波变换和样本熵特征提取方法

针对现有的采用单一的特征提取算法对运动想象脑电信号识别率不高的问题,提出一种结合小波变换和样本熵的特征提取方法.通过小波变换,把脑电信号进行3层分解,抽取出对应于脑电β节律频带的小波系数的能量均值和能量均值差,并结合脑电信号的样本熵组成特征向量,使用支持向量机分类器对左右手运动想象脑电信号进行分类.结果表明,结合小波变换和样本熵的特征提取方法明显优于仅采用小波变换、样本熵以及其他传统的特征提取方法,得到的最高正确识别率为91.43%.     

一种克服sEMG人机交互中肌肉疲劳的SVM算法

在基于表面肌电信号的人机交互系统中,产生的肌肉疲劳降低了系统的稳定性。针对该问题,分析肌肉正常状态和疲劳状态下的肌电信号变化规律,提出一种改进的在线支持向量机增量训练算法。该算法在每次训练SVM(Support Vector Machine)模型时,计算各样本到分类超平面的距离,并以之为条件对不断更新的训练数据进行有条件的选择和遗忘,只留下最大距离1/2以内的数据。通过在线训练不断更新训练样本来获得新的SVM模型,用于适应肌肉疲劳过程中肌电信号的变化,同时防止多次在线训练过程中更新的样本改变训练集间初始边界。最后在智能轮椅上进行验证,实验结果表明:该算法有效减少了肌肉疲劳在人机交互系统中的影响,使得系统能够保持长时间稳定操作。     

智能轮椅上的机械手运动学分析及轨迹规划*

装备了机械手臂的智能轮椅在助老、助残、辅助康复等方面都有重要的研究价值。对装备于智能轮椅的四自由度机械手臂运动学分析以及轨迹规划进行了研究,为机械手臂自主抓取建立了数学模型和理论依据,运用D-H法建立了机器人的运动学方程。提出了基于目标函数的最小功率法,在逆解存在多组解的情况下,选取节约能量的一组解,从而节约了能量。通过仿真实验验证了算法的有效性,为以后的轨迹优化、无碰撞轨迹规划建立基础。     

基于改进CSSD的运动想象脑电信号特征提取

针对现有的共空域子空间(common special subspace decomposition,CSSD)算法在脑电信号(EEG)特征提取时,类内和类间的信号特征变化导致脑电信号特征值稳定性低、特征向量区分度差的问题,提出一种改进的CSSD特征提取方法,即基于KullbackLeibler距离的共空域子空间分解法(KL-CSSD)。在传统CSSD算法的基础上利用Kullback-Leibler距离,最大化类间距离而最小化类内差异,提取鲁棒性较强的EEG信号特征。实验结果表明:该算法相对于传统CSSD有较好的特征向量区分度,有效提高了脑电信号的正确识别率。     

基于视角不变的三维手势轨迹识别

提出了一种新颖的基于视角不变的三维手势轨迹识别方法,手势分割采用Kinect传感器获取图像深度信息,通过先定位起始点再定位结束点的方法定位手心点,使手势轨迹点定位有自动无延时的特性。采用改进的质心距离函数表示视角不变的三维轨迹特征,隐马尔可夫模型用于训练和识别有效的轨迹。实验结果表明,该方法具有光照及复杂背景鲁棒性,数字0～9的平均识别率可达97.7%。     

一种改进的DAGSVM 手势识别方法及其应用

在支持向量机多分类方法基础上,提出了一种改进的有向无环图支持向量机( Directed Acyclic Graph Support Vector Machine,DAGSVM) 手势识别方法。首先根据Kinect 采集到 的场景深度信息将前景和背景分开,分割得到手,然后提取其特征向量,利用特征向量训练多 个SVM 两分类器,采用DAG 拓扑结构构成DAGSVM 多分类器,并对其结构排序进行改进。 实验证明,与其他支持向量机多分类方法相比,改进后的DAGSVM 分类器能够达到更高的识 别率,并将这个手势识别方法用于智能轮椅的控制上,收到了良好的效果。     

基于Kinect传感器的智能轮椅手势控制系统的设计与实现

利用Kinect深度传感器所获取的图像深度信息实现手部从背景中的分割,并通过在Hu矩基础上加入3个表达式,使不变矩包含更多细节特征,对手势目标进行识别,最后把得到的识别结果转换成控制指令通过Ad-Hoc网络传送给智能轮椅,实现运动控制.实验表明,通过该方法实现的手势识别在图像旋转、缩放、平移的情况下具有不变性,对背景干扰具有较强的鲁棒性.     

关于语音数字综合业务网中语音包长的进一步探讨

利用汉语语音的统计特性,对文献[3]中提出的语音包化协议进行了改进,在理论上证明了最佳语音包长的存在并给出了最佳语音包长所必须满足的数学表达式。