智能肌电控制假手研究进展

智能肌电假手研究作为康复医疗领域中的重要研究内容,始终是国内外研究的热点.随着机器人技术的进步,假手正往仿人型、灵巧性、直觉控制、智能感知方向发展.智能肌电假手应当具有与人手相近的功能,其不仅能通过运动功能重建辅助残疾人进行日常生活,而且还应通过感知反馈功能重建让残疾人产生人机共融的本体感.本文通过对国内外多年的肌电假手研究成果进行分析比较,从质量、灵巧程度、抓取性能、设计原理等多角度分析了假手的机械结构设计要素;另外,本文还较系统地对基于肌电信号的手势识别研究现状进行概述,介绍了目前基于残肢生物信号识别的多种研究思路,并分析了多种基于不同原理的假手信息感知技术,介绍了利用指尖力触觉传感器实现对假手的自适应控制和用户的感知反馈.最后总结了未来假手的研究发展过程中面临的问题与挑战,提出了肌电假手的未来研究方向.     

嵌入式人手姿态肌电模式在线识别方法

为了实现多自由度假手的肌电控制,需要嵌入式地实现先进模式识别方法.分别采用K近邻法及支持向量机分类方法,在样本充足以及相对匮乏的情况下,对实验中采集肌电信号的阈值特征集和稳态特征集进行了模式识别操作.实验结果表明,支持向量机的方法要明显优于近邻法,采用阈值数据作为训练样本要比稳态数据实时识别效果好.给出了一种在DSP内基于支持向量机进行10种人手姿态肌电模式的在线识别方法,识别率在95%以上,决策频率约为30Hz.     

三自由度仿人型假手及其肌电控制策略

为了弥补当前商用单自由度假手康复功能的局限性,基于欠驱动原理设计了一种新型的三自由度仿人型假手.采用3枚电机分别驱动假手的拇指、食指以及其余三指,完成了15个活动关节在抓取物体时的调控.基于假手自由度的配置,采用支撑向量机方法,讨论了人手共19种姿态肌电模式的识别,并将其应用于假手的实时控制.实验结果表明,基于肌电信号能以较高成功率识别人手部的多种姿态,并可以直接应用至假手的动作控制,体现了较高的灵活性.     

膈肌肌电信号中心电干扰去除技术的一种方法

本文基于小波信号分解与重建理论和自适应滤波技术相结合的方法,以去除膈肌肌电信号中的心电干扰. 首先,采用小波分解把肌电信号中包含心电干扰的低频段分离出来,这部分信号经过自适应滤波处理后压低膈肌肌电信号,突出心电信号,然后从肌电信号中减去通过自适应滤波得到的心电噪声,再与处理后的细节进行小波的信号重建,得到心电干扰较少的EMGdi信号. 通过对真实的临床医学数据处理,并与常用的高通滤波方法作比较,结果表明,本文所提方法的输出信号的信噪比明显提高,对比处理前后信号的功率谱发现处理后的信号的频谱明显向高频移动,表明该方法取得了较好的去噪效果.     

改进AR模型特征提取及分类

目前,表面肌电信号（sEMG）是手势动作识别研究的重要信号源.本文以肌电信号为对象,从非平稳与非线性的角度出发,采用ICA独立成分分析和经验模式分解的方法,消除表面肌电信号中的工频干扰,对处理后的信号建立AR模型.将模型系数作为信号的特征,对6种手势动作进行模式识别.实验表明,该方法获得的特征具有较好的分类效果.     

基于小波变换的表面肌电信号的消噪处理

表面肌电信号因其无创性被广泛应用,但因其为一组肌群的募集信息,所以包含了更多的噪声.本文针对这个问题通过仔细选择肌电信号的采集位置,在采用高精度的肌电采集系统及11 025 Hz的过采样率的基础上采集到多组表面肌电信号,结合肌电信号的特点利用小波变换中的消噪技术对不同频段的信号进行不同阈值的消噪处理.实验表明,该方法有很好的消噪效果.     

基于直方图和功率谱比值的肌电信号识别方法

仿生肌电假肢的控制依赖于表面肌电信号,其中基于表面肌电信号的肢体动作识别是关键。该文提出一种时域波幅直方图和频域功率谱比值相结合的特征提取方法,通过对两路表面肌电信号的波幅直方图分析和频谱分析,以波幅比值作为时域特征,以功率谱比值作为频域特征,通过证据理论对它们各自利用神经网络得到的分类结果进行证据累积,最终得到分类结果。实验证实了该算法的识别率高于利用单一特征参数的分类方法。     

小波变换在肌电信号预处理中的应用

传统检测方法处理肌电信号时，个体差异比较大，针对这一不足，首先应用小波消噪理论对肌电信号进行预处理，将信号进行小波分解与重构，消除了肌电信号实际测量中不可测噪声的干扰，然后分析重构得到的信号的功率谱比值和对应肢体动作变化之间的关系。这种方法很适合处理非特定人的肌电信号。实验表明这种方法与单一使用功率谱比值法的方法相比，动作模式识别率得到了提高。同时，采用虚拟仪器技术提高仪器的测量精度，降低成本。     

基于FPA-VVRKFA的手势表面肌电信号识别

表面肌电(Surface Electromyography,sEMG)信号直接、客观地反映了人体肌肉的活动情况,其作为一种便捷的无侵入式肌电检测方法,被广泛地应用于人体动作识别领域.针对表面肌电信号的手势识别问题,提出了一种基于时域特征和向量正则核函数逼近方法(Vector-Valued Regularized Kernel Function Approximation,VVRKFA)的手势识别方法.首先,对MYO臂环采集到的sEMG数据进行活动段检测以提取出活动段;随后,从活动段信号中提取平均绝对值、波形长度、过零点数、均方根和Willison幅值等五个时域特征;最后,应用VVRKFA分类器对提取到的sEMG进行分类识别,同时采用花授粉算法(Flower Pollination Algorithm,FPA)优化分类器参数以保证最佳分类能力.实验结果表明提出的方法在手势动作模式识别上取得了较高的准确率.     

ICA及其在消除心电信号中肌电伪迹的应用

针对肌电干扰容易在心电信号中产生伪迹,在特殊身体条件下尤其明显,这一现象提出基于最大似然估计(MLE)的独立分量分析(ICA)方法来消除心电信号中的肌电伪迹.建立了基于最大似然估计的目标函数,研究了用于目标函数优化的固定点迭代算法,给出了ICA的具体实现步骤,实现了对所有独立分量的并行同步提取.最后引人了相空间理论衡量股电伪迹的消除效果.结果表明,利用独立分量分析有效地实现了心电信号中肌电伪迹的消除.     

基于表面肌电信号双谱分析的动作分类

为了提高人体上肢动作识别正确率,提出了一种基于表面肌电信号双谱分析的动作分类方法,以信息增益作为表面肌电信号起止点分割效果衡量标准,结合TKE算子提取出肌肉运动起止区间的表面肌电信号,对提取到的表面肌电信号进行双谱变换,提取双谱的正反对角切片作为表面肌电信号特征,以概率神经网络作为分类器,以100次10折交叉验证为一次动作分类实验,计算10次分类实验的平均正确率,最终得到正对角切片、反对角切片和正反对角切片的分类正确率分别为94.56%、90.93%和95.48%.     

下肢假肢穿戴者跑动步态识别方法

提出基于粒子群（PSO）优化支持向量机（SVM）的下肢假肢穿戴者跑动步态识别方法.将假肢接受腔装配的肌电（EMG）传感器、加速度计和足底的压力传感器采集的假肢穿戴者跑动运动信息进行去噪预处理,对应提取加速度的偏度、均值与肌电信号均方根多个特征参数作归一化处理,结合双下肢足底压力信息组成多维特征向量,作为SVM的输入,解决了单一特征识别步态的低准确率问题.利用PSO优化分类模型参数,建立基于SVM的次序二叉树分类模型对跑动步态进行辨识.与传统BP神经网络的步态识别方法对比表明,利用PSO优化SVM方法能够将跑动步态识别率提高到92.78%,优于SVM和BP神经网络.     

表面肌电信号的小波消噪改进算法

根据在不同尺度下信号和噪声的小波变换系数的相反特性，提出了一种改进的小波消噪算法来去除肌电信号中的噪声.利用Mallat算法对肌电信号进行小波分解，实质上就是将信号投影到尺度空间和小波空间，分别包含了信号的光滑通道分量和细节分量.兼顾软阈值和硬阈值量化方法的优点，利用两者的加权平均值滤除由噪声所决定的小波变换系数，从而在大尺度下补充细节信息并保持信号在奇异点的特征.利用保留下来的小波变换系数进行信号重构即得到消噪后的信号.实验结果表明，该方法可以有效去除噪声，兼顾了软、硬阈值的优点，保留了在模式变化过程中肌电信号细节部分的有用信息.     

不平衡数据分类方法综述

分类问题是机器学习领域的重要研究内容之一,现有的一些分类方法都已经相对成熟,用它们来对平衡数据进行分类一般都能取得较好的分类性能,但在现实世界中数据往往都是不平衡的,而现有的分类器的设计都是基于类分布大致平衡这一假设的,如果用这些方法来对不平衡数据进行分类就会导致分类器的性能下降,因而研究用于处理不平衡数据集的分类方法显得相当重要.为便于读者更清晰地了解数据不平衡分类问题的研究现状和未来研究的动向,本文对相关的研究进行了综述和展望.     

企业信用评估指标体系及信用评估模型研究

针对企业的信用评估,基于已有研究,引入企业财务指标和非财务指标,使用机器学习分类方法构建信用评估模型,并对几种方法的分类准确率进行了比较分析. 实验结果表明,该信用评估指标体系可行,随机森林方法在该指标体系上的分类效果最好. 同时,优化了分类效果较差的多层感知器,提升了分类准确率.     

多尺度补偿传递熵的皮层肌肉功能耦合方法

为了准确描述脑电(EEG)和肌电(EMG)信号在不同尺度上的耦合特征,提出新的多尺度补偿传递熵(McTE)方法. 该方法结合自适应投影多元经验模态(APITMEMD)方法和补偿传递熵(cTE),计算不同尺度上的多尺度补偿传递熵值,计算结果用于定量分析不同耦合方向( ${\text{EEG}} \to {\text{EMG}}$和 ${\text{EMG}} \to {\text{EEG}}$)上的耦合特征. 结果表明,在恒定握力下,beta频段(13~35 Hz)的耦合强度最大,且 ${\text{EEG}} \to {\text{EMG}}$方向的耦合强度高于 ${\text{EMG}} \to $ $ {\text{EEG}}$方向;在高gamma频段(50~72 Hz), ${\text{EEG}} \to {\text{EMG}}$方向EEG与EMG的耦合强度总体高于 ${\text{EMG}} \to {\text{EEG}}$方向的. 研究结果表明,脑肌电耦合强度在不同耦合方向和不同尺度上有所差异,McTE方法能准确刻画脑肌电多尺度间的耦合特征及功能联系.     

TSP203系统在岩体分级中的应用研究

从工程岩体分级的发展状况出发,介绍了目前国内主要应用的三种岩体分类方法以及TSP（TunnelSeismic Prediction）203系统所能提供的有用信息.通过比较各种岩体分级方法所考虑的基本参数,探讨其与TSP203系统相结合的可能性.最后通过实例验证了TSP203系统与国标《工程岩体分级标准》相结合的有效性.     

一种基于谓词逻辑的分类规则约简方法

利用各种分类规则挖掘方法,提取出的分类规则集中,存在许多的冗余规则,从而降低了分类效率。采用谓词公式描述分类规则,给出了一种分类规则集约简方法。该方法利用谓词公式中的逻辑推理,对分类规则集进行约简,消除了冗余规则。采用恒星光谱数据,实验验证该方法在保证分类规则集的分类能力不变的前提下,有效地提高了分类的效率。