肌电信号选择对下肢关节连续运动估计的影响

介绍了利用肌电信号实现人体运动识别的发展状况和相关方法。针对肌肉选择对下肢关节角度预测性能的影响这一问题,构建了肌电信号组合集,并建立了高阶多项式模型以及提出的改进模型实现对肌电信号子集到关节角度的映射。利用最小二乘法对模型参数进行了辨识,并对比验证了这两种模型的有效性,确认了最佳肌电信号组合与模型自由度。结果表明,提出的改进高阶多项式模型对不同肌电信号组合实现关节角度预测具有更稳健的效果,同时,下肢关节连续运动识别的最佳肌肉选择不一定与关节运动直接相关。     

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。     

基于深度网络迁移学习的致痫区脑电识别* .txt

摘要：致痫区脑电识别能够为癫痫外科手术提供重要的参考价值。提出了一种基于深度网络迁移学习的致痫区脑电识别算法。首先利用连续小波变换（CWT）对脑电信号进行时频分析，获得脑电信号时频图；然后迁移学习AlexNet网络模型，调整网络结构使之适应于致痫区脑电识别，将模型第7层全连接层输出作为脑电信号时频图的特征表示，最后利用支持向量机（SVM）、BP神经网络、长短期记忆网络（LSTM）、基于稀疏表达分类算法（SRC）、线性判别分析（LDA）等分类算法进行特征分类。基于开源脑电数据集采用十折交叉验证的方法对算法进行了验证,比较6种分类器的效果，得到SVM算法的平均特异性为8881%，灵敏度为8807%，准确率为8844%，证明了该方法识别致痫区脑电信号的有效性。 .txt     

基于设计情境与脑机反馈融合的产品设计知识需求感知技术

针对产品设计知识主动推送过程中设计人员的知识需求难以自动获取的问题,提出了一种基于设计情境与脑机反馈融合的产品设计知识需求感知方法。设计情境与脑机反馈融合构建知识需求感知框架,由动态变化的设计活动信息驱动生成设计情境实例序列,基于脑机反馈构建设计知识需求域。根据设计任务分解与产品结构的映射关系建立知识需求锚点,以设计情景激活知识需求锚点的方式动态关联当前设计内容,采用加权贝叶斯方法实现设计知识需求类型识别,并在数控机床数字化设计中对提出的需求感知方法进行了应用验证。     

阿里红多糖对Aβ1‒42诱导的AD大鼠模型海马区及脑皮层ROS/8-OHdG/3-NT/4-HNE含量的影响

[摘要] 目的：观察阿里红多糖（Fomes officinalis Ames polysaccharides，FOPS）对阿尔茨海默病（AD）模型大鼠海马区神经元的形态改变及脑皮层和海马区氧化应激水平的影响。方法：72只健康雄性SD大鼠称体质量并按随机原则分为空白组、模型组、盐酸多奈哌齐组（0.5 mg/kg）、阿里红多糖高、中、低剂量组(100 mg/kg、50 mg/kg、25 mg/kg)，每组12只。采用大鼠双侧海马CA1区注射（5μl/侧）Aβ1-42建立AD大鼠模型，给药30d后，苏木精-伊红（HE）染色观察海马神经元的形态改变，DCFH-DA荧光探针分析处理对各组大鼠海马区和脑皮质层中活性氧簇（ROS）的影响，酶联免疫吸附（ELISA）法检测8羟基脱氧鸟苷（8-OHdG）、3-硝基酪氨酸（3-NT）、4羟基壬烯醛（4-HNE）的含量。结果：干预30d后，与模型组比较，盐酸多奈哌齐及阿里红多糖组大鼠锥体细胞数目明显增多、形态较完整、海马神经元大多数较正常、排列较规整紧密、着色均匀、核仁清晰，大鼠海马区及脑皮层ROS含量明显降低(P<0.01)，8-OHdG、3-NT、4-HNE含量明显降低(P<0.01)。结论：阿里红多糖通过影响Aβ1-42诱导的AD大鼠脑内ROS、8-OHdG、3-NT、4-HNE含量，改善脑内氧化应激状态，起到改善认知障碍和保护神经的作用。     

齿轮-连杆组合机构多足机器人的设计与控制研究

基于蜘蛛、螃蟹节肢动物的爬行方式,采用作图法设计一种满足预定轨迹要求的齿轮-连杆组合机构:多足机器人。利用Solid Works软件对该机器人零件进行装配,并采用其中的Motion模块添加马达进行运动仿真分析,得出爪端速度曲线,验证了该机构的可行性。另外,该机器人搭载了TGAM脑电模块采集脑电数据,通过蓝牙串口发送给PC机进行数据处理,最后将数据发送给Arduino平台控制多足机器人以不同速度前进,实现脑波控制机器人的目的。