EMG在语音信号识别中的应用

提出使用肌电信号的语音识别系统。研究证实从面部肌肉中提取的肌电信号存在语音信息。实验使用(0～9)十个数字,受试者每隔10s重复单词。讲话时用电极记录五个通道表面肌电信号。用短时傅里叶变换提取信号的特征量,并通过主成分分析降维,有效地提取特征量进行模式识别。分类错误范围在15%以下。实验表明表面肌电信号的语音识别系统有着极好的前景。     

基于Myo旋转偏移估计与自适应校正的手势识别方法

在基于表面肌电信号(Surface electromyography, sEMG)的手势识别系统中, 针对Myo环形电极多次实验间旋转位置不同导致的识别精度降低问题, 提出了一种基于极坐标系的电极位置偏移估计与自适应校正的识别方法. 该方法首先建立相对于环形肌电传感器的极坐标系, 提出了极坐标系下活跃极角(Activation polar angle, APA), 用于估计实验中传感器相对于初始位置的横向旋转偏移角度; 进而建立基于偏移角度的线性变换模型, 在肌电信号特征空间内, 对电极偏移位置下的样本进行自适应校正. 在8 种常用手势识别应用中, 设计了两种实验范式: 利用传感器各通道数据循环平移模拟电极横向旋转偏移实验和肌电传感器在小臂肌肉上的真实旋转偏移实验. 结果均表明所提出方法的识别精度远高于未进行校正的模型识别精度. 因此, 所提出的电极偏移估计与自适应校正识别方法, 不仅有效提高了表面肌电交互系统识别的鲁棒性, 也降低了使用者在多次使用时训练成本与学习负担.     

融合注意力机制的多流卷积肌电手势识别网络

针对目前表面肌电信号(surface electromyography,sEMG)端到端手势识别特征提取不充分、多手势识别准确率不高的问题,提出一种融合注意力机制的多流卷积肌电手势识别网络模型.该模型通过滑动窗口将多通道时域sEMG生成肌电子图,并使用多流卷积神经网络充分提取每个采集通道sEMG的语义特征,然后将其聚合得到丰富的多通道手势语义特征;同时从时间和特征通道维度上计算语义特征的注意力分布图,强化有用特征并弱化无用特征,进一步提高多手势识别准确率.实验使用Ninapro数据集进行训练和测试,并与主流的肌电手势识别模型进行对比.实验结果表明,该模型在识别准确率上具有更好的表现,证明了该模型的有效性.     

基于表面肌电和组织阻抗信息融合的手势识别研究

手势识别中的一种常见方式是通过表面肌电信号来实现。为提高手势识别的稳定性和精度, 通常需要采集多个通道的肌电信号,但这会增加电极传感器的数量以及识别系统的复杂度。因此,如 何利用较少量的通道采集信号并确保手势识别的性能一直是肌电信号应用到意图识别的研究方向之 一。该研究设计了一款便携式四通道肌电和阻抗双模信号采集器,在不增加额外传感器和通道数的情 况下,能同时采集肌电信号和差分电极对之间的组织阻抗信号。初步实验结果表明,通过该系统采集 的四通道融合信息可以提升手势识别的准确率和稳定性。与仅采集肌电信息相比,该研究采用的肌电 与阻抗信息融合方法可以将手势识别性能提升 3% 以上,达到 96.2% 的识别率。     

基于LightGBM的改进表面肌电信号手势识别研究

为了提升表面肌电信号(sEMG)手势动作识别的准确性和训练效率,提出一种基于LightGBM的手势识别模型.传统的GBDT算法训练效率较低,准确率无法快速提升,LightGBM算法采用基于梯度的单侧采样和互斥特征捆绑改进性能,具有训练速度快、占用内存低、分类准确率高的优势.将臂环采集到的8通道sEMG数据按时间顺序进行...     

基于EMG信号的无声语音识别应用及实现

提出了基于肌电信号（EMG）的无声语音识别系统。由于该系统是通过EMG信号而非声音信号进行识别,因此可应用于高噪声环境和帮助失去发音能力的人实现无声交流,有着良好的应用前景。关于该系统的实现,提出了以下方法：实验时使用0—9十个中文数字,由受试者不发声地重复说出,从三块面部肌肉采集EMG信号;对EMG信号进行小波变换,获取变换系数矩阵后提取其能量值,构造特征矢量送入BP神经网络分类器分类。实验表明,基于小波变换的特征提取方法是一种有效的方法．适用于类似EMC信号的非平稳生理信号。     

肌电信号多通道相关性特征手势识别方法

多通道表面肌电信号（surface electromyography,sEMG）传统手势识别方法,主要提取各个通道时域、频域和时频域特征作为分类器的输入,鲜有考虑通道间的相关性,在提升识别精度上遇到瓶颈。为了充分利用sEMG多通道信息以提高手势识别精度,提出一种以多通道相关性为特征的肌电手势识别方法。该方法计算多通道间一致性相关系数,作为多通道sEMG线性相关特征参数,同时获取多通道间的互信息,作为多通道sEMG非线性相关特征参数。实际运用中精确估计联合概率密度函数往往十分困难,根据互信息与copula熵关系,将互信息估计转化为copula熵的估计,通过经验分布函数进行概率积分变换,采用非参数估计方法估计copula熵,从而避免联合概率密度函数的估计。利用两种相关性特征参数构建多通道相关性特征进行对比实验,基于stacking模型使用多通道相关性特征与4种常用时域特征进行识别并对比结果,其次基于多通道相关性特征使用stacking模型与5种常用分类器进行对比识别,实验结果表明所提的多通道相关性特征能有效区分手势动作,在采集的健康受试者手势数据集上平均识别准确率达到94%。     

融合注意力机制的多视图卷积手势识别研究

基于表面肌电信号（sEMG）的手势识别在人机交互中发挥着重要作用,然而,由于sEMG具有非线性和随机性,因此提升基于稀疏多通道sEMG的手势识别准确率难度较高。提出一种融合注意力机制的多视图卷积手势识别模型。首先使用200 ms滑动窗口提取经典的sEMG特征集构建多视图输入,其次利用高效通道注意力对多视图特征在通道维度进行加权,以强化有效特征同时弱化无效特征,最后通过多视图卷积从带有注意力权重的肌电特征中提取高层特征,利用高层特征融合模块对其进行融合以降低数据维度并提高模型鲁棒性。在NinaPro DB1、NinaPro DB5、NinaPro DB7 3个肌电公共数据集上进行训练和评估,结果表明,该模型在200 ms滑动采样窗口上的平均识别准确率分别为87.98%、94.97%和89.67%,整段手势动作的平均投票准确率分别为97.38%、98.41%和97.09%,平均信息传输率为1 308.71 bit/min。与传统机器学习方法和近年来前沿的深度学习手势识别方法相比,所提模型在单模态肌电和多模态手势识别上均具有更高的识别准确率,验证了其有效性和通用性。     

基于人工神经网络对sEMG信号的手势动作识别

针对利用表面肌电信号(sEMG)对手势动作的肌电信号的研究较少和sEMG信号处理过于复杂的问题,提出了利用人工神经网络和sEMG信号对人的手势动作进行识别研究,引入了MYO硬件设备对新的手势动作sEMG信号采集.利用MYO从手臂上获取每一个手势动作的sEMG信号,提取信号特征值,作为算法的训练数据和测试数据.采用人工神经网络中的反向传递神经网络算法来进行对4种不同手势动作分类,对应目标手指识别率在90.35%.研究结果可以被用来做临床诊断和生物医学的应用以及用于现代硬件的发展和更现代化的人机交互的发展.     

基于多源信息融合的手势智能交互系统

利用表面肌电信号（surface ElectroMyoGraphy， sEMG）设计了一个提高分类准确性和快速性的识别系统，用于捕获手势动作并进行人机交互.首先，基于无线肌电测量系统和飞行器自主搭建了智能交互平台；接着，采用滑动时间窗的方法对原始sEMG信号设计短时能量阈值进行信号活动段始末点的确定，从而抑制了动作刚执行时趋势段对识别结果的影响；然后，利用时域统计分析对sEMG信号进行特征分析，并提出了一种融合加速度特征信息和sEMG信号的方法来建立5种手势的分类模型.与仅使用sEMG信息源的方式相比，此方法提高了识别准确率.最后，手势控制飞行器运动的实验证明了本方法的可行性和有效性.     

基于柔性印刷工艺的表面肌电电极阵列装置的设计

设计了一种基于柔性印刷工艺的表面肌电电极阵列装置。该电极阵列由12个直径1.2mm的镀金圆电极分成两列组成,内部电极间距为3mm。电极载体材料(聚酰亚胺,厚50μm)具有较高的机械柔性,表面镀金(厚度2μm)的电极具有较低的阻抗,特制的聚酯双面胶带用于可重复使用的电极阵列装置的固定。在单指力量输出任务时记录指浅屈肌的多通道表面肌电(surface Electromyogram,sEMG)信号的实验中得到了稳定的基线和较好的sEMG信号。初步的实验结果表明,设计的这种低成本、体积小的高密度电极阵列装置能用于表面肌肉空间sEMG信号的检测。     

Nonlinear multiscale Maximal Lyapunov Exponent for accurate myoelectric signal classification

Surface Electromyography (sEMG) is a non-invasive, easy to record signal of superficial muscles from the skin surface. The sEMG is widely used in evaluating the functional status of the hand to assist in hand gesture recognition, prosthetics and rehabilitation applications. Considering the nonlinear and non-stationary characteristics of sEMG, hand gesture recognition using sEMG signals necessitate designers to use Maximal Lyapunov Exponent (MLE) or ensemble Empirical Mode Decomposition (EMD) based MLEs. In this research, we propose a hand gesture recognition method of sEMG based on nonlinear multiscale MLE. The aim is to increase the classification accuracy of sEMG features while reducing the complexity of EMD. The nonlinear MLE features are classified using Flexible Neural Tree (FNT), which can solve highly structured dependent problems of the Artificial Neural Network (ANN). The testing has been conducted using several experiments with five participants. The classification performance of nonlinear multiscale MLE method is compared with MLE and EMD-based MLE through simulations. Experimental results demonstrate that the former algorithm outperforms the two latter algorithms and can classify six different hand gestures up to 97.6% accuracy.     

Emotion recognition from speech using global and local prosodic features

In this paper, global and local prosodic features extracted from sentence, word and syllables are proposed for speech emotion or affect recognition. In this work, duration, pitch, and energy values are used to represent the prosodic information, for recognizing the emotions from speech. Global prosodic features represent the gross statistics such as mean, minimum, maximum, standard deviation, and slope of the prosodic contours. Local prosodic features represent the temporal dynamics in the prosody. In this work, global and local prosodic features are analyzed separately and in combination at different levels for the recognition of emotions. In this study, we have also explored the words and syllables at different positions (initial, middle, and final) separately, to analyze their contribution towards the recognition of emotions. In this paper, all the studies are carried out using simulated Telugu emotion speech corpus (IITKGP-SESC). These results are compared with the results of internationally known Berlin emotion speech corpus (Emo-DB). Support vector machines are used to develop the emotion recognition models. The results indicate that, the recognition performance using local prosodic features is better compared to the performance of global prosodic features. Words in the final position of the sentences, syllables in the final position of the words exhibit more emotion discriminative information compared to the words and syllables present in the other positions.     

单人图象中人眼的快速定位

人眼的识别是计算机人脸识别和智能监控中的重要部分。本文提出了一种基于灰度投影曲线和边缘检测进行人眼定位的新算法。首先利用原图的垂直灰度投影曲线确定人脸的左右边界,之后利用人脸区域的水平灰度投影确定头顶至鼻中部的上下边界,然后利用人脸比例模型估计人眼的大概位置,分析人眼区域的边缘图象,给出人眼的确切位置。。实现表明,该算法简单、快速,鲁棒性强。     

基于表面肌电信号的肌肉疲劳状态分类系统

为了实现肌肉疲劳状态的准确检测分类,提出一个完整的基于人体表面肌电（sEMG）信号的肌肉疲劳分类与检测系统。首先,通过AgCl表面贴片电极和高精度模拟前端ADS1299采集人体sEMG信号,进行小波消噪等预处理之后,提取可反映人体肌肉疲劳状态的sEMG信号时域和频域特征。然后,在常用特征如积分肌电图（IEMG）、均方根（RMS）、中值频率（MF）以及平均功率频率（MPF）基础上,为更加精细地刻画人体肌肉疲劳状态,引入sEMG信号的频域特征带谱熵（BSE）;为弥补傅里叶变换分析非平稳信号的不足,引入sEMG信号时频特征——基于经验模态分解-希尔伯特变换（EEMD-HT）的平均瞬时频率。最后,为提高肌肉非疲劳和疲劳状态分类的准确度,利用含突变的粒子群优化算法优化支持向量机（PSO-SVM）并对sEMG进行分类,实现人体肌肉疲劳状态检测。征集15名健康男青年进行sEMG信号采集实验,建立sEMG信号库,提取特征进行分类实验。实验结果表明,所提的系统能够进行高精度sEMG信号采集和肌肉疲劳程度的高准确度分类,分类准确率大于90%。     

应用于小样本的差异字典人脸识别

针对人脸识别中每个人只有小规模训练样本的情况,在基于表示的分类(representation based classification,RBC)方法基础上使用由无关类组成的差异字典。差异字典一般由具有面部姿态变化与表情变化的人脸及其基准脸构成,需要训练样本为基准脸才能得到较好的识别效果。为防止小规模训练样本中有非基准脸使差异字典出现识别效果下降的情况,使用灰度对称脸将训练样本中的非基准脸转换为近似基准脸,进行差异字典的训练。实验结果表明,该人脸识别方法在小样本情况下的ORL、GT(Georgia tech)、FERET人脸库上具有良好的表现。     

基于文化算法的表面肌电信号特征选择*

为了提高假肢控制系统肌电信号的分类准确率,提出一种新的基于文化算法的特征选择方法,通过该方法选择出最佳特征向量,然后用线性分类器检验其分类性能。利用表面差分电极从人体上肢四块肌肉采集四通道的肌电信号,对十个健康受试者进行八个动作的肌电信号模式分类实验,并同时用标准遗传算法来与文化算法作比较。实验结果表明,文化算法与遗传算法相比,特征维数更小,分类准确度更高。