基于小波变换的表面肌电信号的情感识别

情感识别是情感计算的一个关键问题。针对表面肌电信号（EMG）的非平稳性,采用小波变换方法对表面肌电信号进行分析,提取小波系数最大值和最小值构造特征矢量输入用L-M算法改进的BP神经网络分类器进行情感状态识别。实验表明,用表面肌电信号对joy、anger、sadness、pleasure 4种情感识别效果较好。也说明用小波变换方法提取特征,用神经网络作分类器的方法用于情感识别有很大的应用前景。     

基于小波包的表面肌电信号特征表示与识别

为提高智能轮椅人机接口中表面肌电信号的正确识别率和识别效率,主要研究了基于小波包多尺度分解的特征表示及识别。把采集的表面肌电信号在指定尺度及核函数的同一组正交小波包基下进行分解,用小波包多尺度分解的系数构造表面肌电信号的特征基向量。考虑到多通道表面肌电信号可能存在特征信息冗余,为消除这些冗余信息,对多通道表面肌电信号的特征空间通过正交规范化进行重构,并且用重构特征向量的对偶坐标向量作为表面肌电信号的最终特征表示。用非线性自回归神经网络实现了双通道表面肌电信号四种不同动作模式的分类。实验结果表明,小波包多尺度分解系数的重构对偶坐标向量不仅可作为表面肌电信号的特征表示,并能有效简化分类器的结构。     

基于WPT和LDA的表面肌电信号特征识别方法

针对时域特征参数在表面肌电信号(SEMG)模式识别过程中的局限性,提出一种小波包变换(WPT)和线性判别分析(LDA)相结合的新方法;通过虚拟仪器采集桡侧腕屈肌和肱桡肌两路表面肌电信号,应用小波包变换对表面肌电信号进行多尺度分解,提取小波包系数并计算其均方根作为特征参数,应用线性判别分析对表面肌电信号数据进行分类识别;实验结果表明,采用此方法成功地从表面肌电信号中识别握拳、展拳、手腕内翻和手腕外翻4种动作,与时域参数相比,此方法更能有效提取表面肌电信号信息,且有较高的动作识别率,识别率高达98.2%。     

基于WPKPCA和SVM的SEMG动作识别方法

为了有效提取表面肌电信号SEMG(Surface Electromyographic)的特征,更好的识别人体上肢运动模式,提出了一种小波包核主元分析(WPKPCA)和支持向量机(SVM)相结合的新方法。通过虚拟仪器采集桡侧腕屈肌和肱桡肌两路表面肌电信号,应用小波包核主元分析法对表面肌电信号进行特征提取,采用支持向量机对表面肌电信号特征数据进行分类识别。实验结果表明,采用此方法能够从表面肌电信号中识别出握拳、展拳、手腕内翻和手腕外翻4种动作,更能有效提取表面肌电信号信息,动作识别率高达98%。     

基于小波变换与神经网络的表面肌电信号的情感识别

情感识别是情感计算的一个关键问题。针对表面肌电图(EMG)的非平稳性,采用小波变换方法对表面肌电信号进行分析,提取小波系数最大值和最小值构造特征矢量,分别输入用L-M算法改进的BP神经网络分类器和最近邻法分类器进行情感识别。实验表明,提取EMG的小波系数对joy、anger、sadness、pleasure四种情感进行识别,BP神经网络分类器识别效果优于最近邻法分类器。说明小波变换的方法对EMG进行分析是可行且有效的,并有很大的应用前景。     

脑电信号在情感识别中的应用

针对如何在情感识别中有效处理脑电信号和提取有用信息的问题,对实验采集的脑电信号进行小波包分解,通过对相关频段信号的重构,提取出脑电信号中能用于情感状态识别的β波节律,对其在不同情感状态下进行谱分析。仿真实验结果表明,将脑电信号中的β波节律用于情感状态识别是可行的。     

基于小波包变换的肌电信号特征提取

本文提出一种新的基于小波包变换的特征提取方法,提取表面肌电信号进行小波包变换后得到的信号的协方差矩阵的特征值的最大值作为特征值。利用该方法对表面肌电信号提取特征值构建特征矢量,送入Elman神经网络对手部6种动作模式进行识别,在Matlab平台上进行实验仿真。实验结果表明,该方法取得了很好的识别效果。     

表面肌电信号识别特征提取的仿真研究

研究表面肌电信号准确识别问题,表面肌电信号含有大量的噪声,且特征维数高,传统方法无法消除其中的噪声,选择最重要识别特征信号,表面肌电信号识别正确率低.为提高表面肌电信号的识别正确率,提出一种新的表面肌电信号识别模型.首先采用小波变换提取表面肌电信号特征,消除信号中的噪声,然后采用遗传算法选择最优特征信号,降低特征维数,最后采用遗传算法对支持向量机参数进行优化建立最优表面肌电信号识别模型.仿真结果表明,模型可很好地解决传统方法中的难题,提高了表面肌电信号的平均识别正确率,识别结果非常稳定,为表面肌电信号提供了一种新的识别方法.     

基于DSP的人体手势动作实时识别系统

针对人体表面肌电信号(SEMG)的非平稳性、小波包变换系数维数过高和识别率低的问题,设计了基于DSP处理器TMS320VC5502硬件平台的便携式人体手势动作实时识别系统,并提出了一种小波包主元分析(WPPCA)和线性判别分析(LDA)相结合的表面肌电信号动作特征识别新方法。实验结果表明,该方法能够将小波包系数矩阵由16维降到4维,并且对前臂的握拳、展拳、手腕内翻和手腕外翻4种动作模式的平均正确识别率达99.5%,与传统的小波包变换相比有较高的识别率。     

基于小波理论的sEMG的处理方法

文章选取时域分析法对表面肌电信号的提取其特征值,意在于能够得到能较好地表征肌电信号的特征向量,使得之后的分类器能够有效地对表面肌电信号进行分类识别。在对信号进行识别分类识别时,所设计的小波神经网络可以将各动作信号特征值转化为线性组合,简化动作的分类识别过程。     

Classification of surface EMG signal using relative wavelet packet energy

Features can be classified into interferential features and discriminable features according to their contribution to pattern recognition. In this paper, a novel and simple method based on wavelet packet transform is proposed to extract the features from surface EMG signal. In this method, the features are relative wavelet packet energy (RWPE), which is evaluated from several selected frequency bands of surface EMG signal. Compared with a conventional method, which is of the best performance in previous applications, the method can compress the interferential features and enhance the discriminable features more effectively. In consequence, the RWPE features calculated by the method represent different patterns of surface EMG signal more accurately and the accuracy of surface EMG signal pattern classification is improved greatly.     

基于排列熵的振动信号小波包阈值去噪研究

工程实践中的振动信号往往存在噪声干扰而导致信号特征信息无法显露,传统小波包软、硬阈值函数去噪形式固定,无法依据信号小波包分解系数的噪声干扰情况进行调整.据此,提出一种新的介于软、硬阈值函数之间的改进小波包阈值函数,并将排列熵作为信号含噪情况表征参数引入阈值函数中.对信号小波包系数进行排列熵计算,并依据该值对阈值函数进行自适应调整,使得新的阈值函数能够对含噪较多的小波包系数进行大尺度收缩而对含实际信号特征较多的小波包系数尽可能地保留,从而达到最佳的去噪效果.对滚动轴承振动实验信号的去噪分析,并与其他方法进行对比,验证了该方法的有效性与优越性.     

基于最优小波包理论陀螺信号处理方法

小波变换具有良好的时频率局部化特性,基于小波变换的陀螺信号消噪方法在实际应用中取得了较好的效果.小波包具有比小波更为细致的时频划分能力,因而具有更强的时频局部化特性.笔者将基于Shanon-weaker熵准则的最优小波包基应用于陀螺信号的去噪,并给出了去噪算法.此外,还将CS-ARS微机械陀螺的实测数据在MATLAB中进行了数值仿真,仿真结果表明,本文所介绍方法对陀螺信号的去噪效果优于小波变换方法,具有广泛的应用前景.     

小波包特征熵在级联式变频器故障诊断中的应用

为精确诊断级联式变频器功率器件开路故障,提出了一种基于小波包特征熵的故障信号提取方法.对采集到的级联式变频器相电压信号进行三层小波包分解,提取特征熵构造电压信号的特征熵向量,并以此作为故障诊断样本,利用概率神经网络进行故障诊断.仿真结果表明,基于小波包特征熵的信号提取方法在级联式变频器故障诊断的应用中具有较高的有效性与可行性.     

基于最大能量匹配与样本熵的小波降噪方法

为提高自适应小波阈值降噪方法的效果,提出一种结合最大能量匹配的小波包分解和快速样本熵的小波阈值降噪方法。根据各层小波系数特点并以最大能量匹配准则自适应选择小波包基对含噪信号进行分解,对最大尺度下的小波系数阈值化后重构得到噪声信号,采用快速样本熵算法计算噪声信号样本熵,动态调整阈值使噪声信号样本熵最大而获得最佳的降噪效果。应用实例表明：该方法相比传统的小波阈值降噪方法具有更好的降噪效果。     

A new optimum feature extraction and classification method for speaker recognition: GWPNN

Speech and speaker recognition is an important topic to be performed by a computer system. In this paper, an expert speaker recognition system based on optimum wavelet packet entropy is proposed for speaker recognition by using real speech/voice signal. This study contains both the combination of the new feature extraction and classification approach by using optimum wavelet packet entropy parameter values. These optimum wavelet packet entropy values are obtained from measured real English language speech/voice signal waveforms using speech experimental set. A genetic-wavelet packet-neural network (GWPNN) model is developed in this study. GWPNN includes three layers which are genetic algorithm, wavelet packet and multi-layer perception. The genetic algorithm layer of GWPNN is used for selecting the feature extraction method and obtaining the optimum wavelet entropy parameter values. In this study, one of the four different feature extraction methods is selected by using genetic algorithm. Alternative feature extraction methods are wavelet packet decomposition, wavelet packet decomposition – short-time Fourier transform, wavelet packet decomposition – Born–Jordan time–frequency representation, wavelet packet decomposition – Choi–Williams time–frequency representation. The wavelet packet layer is used for optimum feature extraction in the time–frequency domain and is composed of wavelet packet decomposition and wavelet packet entropies. The multi-layer perceptron of GWPNN, which is a feed-forward neural network, is used for evaluating the fitness function of the genetic algorithm and for classification speakers. The performance of the developed system has been evaluated by using noisy English speech/voice signals. The test results showed that this system was effective in detecting real speech signals. The correct classification rate was about 85% for speaker classification.     

基于小波包多尺度信息熵的鱼类识别方法

提出一种基于小波包多尺度信息熵的鱼类识别方法。该方法首先对鱼体的回波包络信号进行小波包分解,得到分布在不同频段内的分解信号,并提取各个频带内信号的信息熵作为识别特征量。对三种常见的不同形状的鱼类进行了水池试验,提取多尺度信息熵,并使用BP神经网络分类器成功进行了分类。结果表明:利用小波包多尺度信息熵作为特征量,可对不同形状的鱼类进行识别,且具有较高的识别率。     

基于小波包的语音谱熵端点检测方法研究

端点检测是语音识别过程中的一个重要的环节,因此改善端点检测的效果一直是语音识别领域的一个重要课题。为了提高在背景噪声下语音信号端点检测的准确率,提出了一种基于小波包的谱熵端点检测方法。该方法对语音信号进行小波包变换,将每帧信号分解成多个子带,在此基础上计算每帧信号的子带能量,通过子带能量所占比例求出每帧信号的谱熵,最后确定新的门限值。仿真实验表明,该方法比传统方法更有效、更优越,能够比较准确地检测语音信号。     

基于SPIHT编码的语音信号压缩算法

提出了一种基于最佳小波包变换和SPIHT编码的语音信号压缩编码方法。该方法首先对语音信号进行小波包变换,求解最佳小波树,进行动态位分配,再用改进的SPIHT算法对变换后的小波系数进行压缩编码。并且采用了熵编码的方法进一步提高了压缩比。实验表明,该方法在较高的压缩比下能获得较好的信号重构质量,计算复杂度低,延迟小。     

基于多通道sEMG小波包分解特征的人手动作模式识别方法

为了满足主动康复训练和人机交互等复杂应用场景对多样性的人手运动模式识别需求,提出了一种基于多通道表面肌电信号sEMG小波包分解特征的人手动作模式识别方法。通过实验对比分析,确定了最佳采样布局方案,通过采集前臂表面肌电信号,设计了基于数字滤波器的肌电信号活动段自动标识算法,能快速准确完成样本动作标签的制作。以原始肌电信号的小波包分解系数作为特征向量训练分类器。通过对比不同隐含层节点数对分类器模式识别准确率的影响,最终确定BP神经网络模式分类器的所有结构参数。设计并训练完成了BP神经网络人手运动模式分类器。对9种手部运动的平均识别率达到93.6%,计算时间小于150ms。