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。     

GA-BP神经网络在下肢运动步态识别中的应用研究

为了提高下肢表面肌电信号步态识别的准确性,提出了一种基于遗传算法（GA）优化的BP神经网络分类器设计方法。首先,对采集的下肢表面肌电信号进行小波滤波及特征值提取,其次,构造基于GA优化的BP神经网络分类器,然后,以提取的表面肌电信号特征作为输入对分类器进行训练,最后利用训练好的分类器进行测试。实验结果表明,基于GA优化的BP神经网络分类器能成功识别下肢正常行走的五个步态,平均识别率达到98%以上,效果明显优于BP神经网络分类器的识别效果。     

基于行走时脚摆角的步态识别方法

提出一种利用脚摆动特征进行步态识别的方法。对步态序列图像进行背景提取、图像差分、阈值分割、形态学后处理后,提取行走时的脚摆角作为特征参数,再分别采用BP神经网络、最近邻分类器和K近邻分类器法对这些特征数据进行识别分类与比较分析。实验结果表明,与同类方法相比,该方法可以更快速地进行步态识别,且识别性能较好。     

基于小波包与支持向量机的复杂信号模式识别

为很好地识别神经和肌肉的功能状态,针对表面肌电信号的非平稳特性,提出了采用小波包变换的方法对原始肌电信号进行分解,并提取其频段系数的最大奇异值构建特征矢量.利用"一对一"的分类策略和二又树构建多类支持向量机分类器,经训练后可以有效地对前臂8种动作的表面肌电信号进行识别,8种动作的平均识别率达到99.375%.实验结果表明,支持向量机分类器的识别率明显优于传统的BP神经网络、Elman神经网络和RBF神经网络分类器,且鲁棒性好,并具有良好的泛化推广能力.     

基于小波变换的肌电信号识别方法研究

针对肌电信号的非平稳特性,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构造特征矢量输入神经网络分类器进行模式识别,经过训练能够成功地从掌长肌和肱桡肌采集的两道表面肌电信号中识别展拳、握拳、前臂内旋、前臂外旋四种运动模式。实验表明,基于小波变换的神经网络分类方法所需的数据短、运算快,对于肌电假肢的控制具有良好的应用前景。     

基于Gabor小波变换与分块PCA的人脸识别

由于Gabor小波描述的人脸特征维数太高,直接将Gabor小波提取的特征进行识别时出现计算量大、实时性差的问题,提出了基于Gabor小波变换与分块主分量分析的人脸识别新算法。首先对人脸图像进行Gabor小波变换得到人脸图像特征,然后用分块主分量分析方法对其进行降维、提取特征向量,最后用最近邻分类器分类识别。在ORL和NUST603人脸库上进行实验,结果表明,该方法的识别率优于传统PCA、分块PCA、Gabor小波变换与PCA结合的方法。     

基于小波和余弦变换的神经网络人脸识别法

提出了利用小波变换和余弦变换与 BP 神经网络相结合的人脸识别方法。将人脸图像归一化后进行小波变换,再用余弦变换对低频信号提取特征向量,达到降维和去除干扰的目的,并把特征向量送进 BP 神经网络训练。识别时,对人脸图像进行相同的变换后,送入神经网络进行辨别。实验结果表明,该算法优于传统的人脸识别法。     

优化的小波变换和改进的LDA相融合的人脸识别算法

提出了一种优化的小波变换与改进的LDA相融合的人脸识别算法。首先对经过预处理的人脸图像进行2层小波变换并提取特征,然后对小波分解后的高频子带进行融合,并在改进的LDA下利用交替方向法求出投影矩阵和最优融合系数,再结合低频子带在改进的LDA下的特征表示,利用最近邻分类器进行分类。实验结果表明,该算法在ORL及YALE人脸库上的识别效果较传统的人脸识别算法更优。     

基于表面肌电信号小波包熵的情感识别

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,根据小波包变换在不同时频段均能精确的刻画信号,并提供丰富模式信息的特点,提出利用小波包熵方法对不同情感状态下的表面肌电信号进行分析。实验表明,该方法对情感的唤醒度识别效果较好。     

sEMG信号采集电路设计及其特征提取算法

表面肌电(Surface electromyography,sEMG)信号直接、客观地反映了神经和肌肉的活动功能状态,已获得广泛应用。本文设计了一种sEMG信号采集电路并以单通道形式采集上肢5种动作的sEMG信号,经小波包变换提取6种特征(其中一种引自基于小波变换的特征提取方法)并分别结合PCA和KPCA进行处理;再分别用BP神经网络和SVM进行动作识别。此外,对比了小波变换的特征提取;讨论了KPCA与PCA在特征变换上的差异。所提取的基于小波包变换的6种特征有5种的识别率均超过95.7%,其中引入的高低频系数组合特征在BP神经网络下平均识别率超过99%。基于小波变换提取的5种特征经KPCA变换后也达到较高的识别率。实验结果表明,本文的sEMG信号采集方法及其特征提取方法均达到较好效果。     

基于支持向量机多分类的眼电辅助肌电的人机交互

针对单一肌电信号在控制系统中正确识别率不高问题,设计并实现了一种基于支持向量机(SVM)多分类的眼电(EOG)辅助肌电(EMG)的人机交互(HCI)系统。该系统采用改进小波包算法和阈值法分别对EMG信号和EOG信号进行特征提取,并对特征向量融合;然后提取特征参数作为SVM的输入来识别EMG信号和EOG信号动作模式,根据分类结果生成控制命令。实验证明,该系统比单一肌电控制系统更便于操作,稳定性好,正确识别率高。     

蚁群算法在呼吸信号情感识别中的应用研究

针对生理信号的情感识别问题,将蚁群优化算法用于呼吸信号（RSP）特征选择,并采用自适应的适应度参数值、变异策略和临近位置交换策略对算法进行改进,使用Fisher进行情感分类,获得了较高的识别率和有效特征组合。采集了212个被试6种不同情感（高兴、惊奇、厌恶、悲伤、愤怒、恐惧）的呼吸信号数据进行仿真实验,识别效果最好的是高兴情感,最好识别率达到了92.06%,平均识别率达到了84.43%。实验仿真结果表明,将蚁群优化算法引入基于呼吸信号的情感识别研究是可行的。     

基于Wavelet-CNN的电磁炮过靶信号识别方法

电磁炮测试中,炮口产生强烈的火光信号以及振动等噪声,会严重干扰电枢特征信号的识别处理;为了提升对电枢信号的自动识别率,提出了一种基于小波变换和卷积神经网络(CNN)相结合的电枢信号识别方法;利用小波变换对过靶信号进行小波阈值去噪,进而重构信号,然后利用CNN提取信号的深层次特征,通过CNN的全连接层输出信号的分类结果;当输入信号为电枢信号时,对其作最大值检测获取电枢信号的特征点;实验结果表明,所提方法对比传统小波阈值滤波法在特征点自动拾取准确率上提升了5.88%;该算法对电磁炮电枢过靶信号的滤波、识别具有一定的参考意义。     

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Gabor小波变换和支持向量机的人脸识别

将Gabor小波变换和支持向量机分类方法结合起来进行人脸识别。通过由Gabor小波变换系数表示的若干个人脸模板和人脸图像之间的匹配来确定特征点的近似位置；在所有的特征点位置计算Gabor小波变换系数并将其串联成表示人脸图像的向量；采用一种层次分解的支持向量机二叉决策树进行分类识别。实验结果表明了该方法的可行性。     

高压水射流靶物反射声信号的特征提取方法

为了提高利用高压水射流靶物反射声信号识别靶物材质的效率,针对地雷探测过程常见的地雷、石块、砖块和木块4种靶物,采用不同的特征提取方法来识别靶物材质。在分析Mel频率倒谱系数及小波包变换倒谱系数基本原理的基础上,结合靶物反射声信号的特点,提出了一种基于Mel频率倒谱和小波包变换倒谱特征融合的特征提取方法:利用小波包变换将原始靶物反射声信号划分为若干子频段,选取其中一个子频段作为低频和高频的划分层;低频部分提取Mel频率倒谱系数作为特征值,高频部分则提取小波包变换倒谱系数作为特征值,将2组特征值线性合并为一组新的特征向量,用于靶物材质的识别。采用最小二乘支持向量机建立多分类模型,验证基于单一特征和基于特征融合的特征提取方法的识别率。实验结果表明,在取得低频与高频的最佳划分层时,基于特征融合的特征提取方法的平均识别率达到82.812 5%,较单一的利用Mel频率倒谱系数或小波包变换倒谱系数作为特征向量时的平均识别率分别提高了10.312 5%和7.812 5%。     

Combined neural network model to compute wavelet coefficients

Abstract: In recent years a novel model based on artificial neural networks technology has been introduced in the signal processing community for modelling the signals under study. The wavelet coefficients characterize the behaviour of the signal and computation of the wavelet coefficients is particularly important for recognition and diagnostic purposes. Therefore, we dealt with wavelet decomposition of time-varying biomedical signals. In the present study, we propose a new approach that takes advantage of combined neural network (CNN) models to compute the wavelet coefficients. The computation was provided and expressed by applying the CNNs to ophthalmic arterial and internal carotid arterial Doppler signals. The results were consistent with theoretical analysis and showed good promise for discrete wavelet transform of the time-varying biomedical signals. Since the proposed CNNs have high performance and require no complicated mathematical functions of the discrete wavelet transform, they were found to be effective for the computation of wavelet coefficients.