基于Bayes决策理论的表面肌电信号模式分类的研究

通过对采集的四通道表面肌电信号进行分析,对其建立AR（Autoregressive）参数模型,提取AR模型参数构建特征矢量。根据实际表面肌电（SEMG）信号的随机性特征,提出了一种采用Bayes决策理论对肌电信号的AR模型参数特征进行分类的新方法,并运用最小错误率Bayes分类器,很好地实现了对前臂八种动作表面肌电信号的模式分类。平均识别率为99．125％。此外,还提出采用动态聚类中心的方法对其进行了改进,使其平均识别率提高到99．5％。研究表明,采用Bayes分类器对肌电信号的AR模型参数特征进行分类,是一种有效的处理手段,并可直接应用到其它具有随机性特征的生理电信号的模式分类中。     

握力对前臂肌肉活动水平的影响

目的：评价不同强度的握力与前臂肌肉活动水平的相关性。方法：8名健康被试者参加实验,分别完成了最大自主收缩力80%MVC,60%MVC,40%MVC及20%MVC,实验记录了指浅屈肌和腕长伸肌的表面肌电信号,采用均方根的方法分析并提取表面肌电信号的幅度特征参数;运用统计分析方法比较握力水平与指浅屈肌、腕长伸肌的表面肌电的相关性,并且使用线性回归分析握力水平与相对特征值之间是否存在线性关系。结果表明指浅屈肌和腕长伸肌的表面肌电信号幅度随握力强度的增加而增加。握力水平与前臂肌肉表面肌电信号幅值存在正相关性,屈肌和伸肌对握力都有贡献,这种特征对于肌电假肢及其他应用的研究有一定帮助。     

基于经验模态分解样本熵的肌电信号识别

针对表面肌电信号非线性、噪声强等特点,设计一种快速有效的表面肌电信号手部多运动模式识别方法,用于肌电假手的实时控制。提出了一种基于经验模态分解样本熵和聚类分析的表面肌电信号多运动模式识别方法。该方法对动作持续阶段的信号首先进行经验模态分解,将其分解为多个平稳的固有模态函数（ IMF）,再依据频率有效度选取若干个包含肌电信号有效信息的IMF分量求和后,计算其样本熵。以尺侧腕伸肌和尺侧腕屈肌两路肌电信号对应的EMD样本熵作为特征向量,设计了主轴核聚类算法的聚类分类器进行模式识别。成功识别了展拳、握拳、腕上翻和腕下翻4种动作,平均识别率达到93%。该方法取得了较高的识别率,抗干扰能力强,计算量少,可用于肌电假手的控制。     

基于自回归模型和学习矢量量化神经网络的手指动作识别

手指的力量和动作是反映手指协同运动、评价手部运动机能的重要参数。本文提出了一种以自回归（Auto-regressive,AR）模型和学习矢量量化（Learning Vector Quantization,LVQ）网络相结合的表面肌电信号处理方法。13名受试者参与了目标力量为4N、6N、8N等三个力量等级的指力跟踪实验,对指力信号和前臂指浅屈肌（flex digitorum superficials,FDS）、指伸肌（extensor digitorum,ED）的表面肌电信号进行了同步记录;通过对采集到的肌电信号进行预处理,提取AR系数作为其特征值;然后设计了一个LVQ神经网络,对同等力量水平下食指、中指的动作进行模式分类,分类正确率在80％以上。实验表明,表面肌电信号（surface Eleetromyography,sEMG）与手指动作具有相关性,使用AR结合LVQ的sEMG有较高的识别率。     

木工上半身肌肉负荷影响的差异性定量研究

目的在特定实验任务中,对专业木工和初学者木工的表面肌电图信号进行差异性分析,为木工提供合理的工作策略指导其减少工作相关肌肉骨骼疾患(WMSDs)的发病率。方法本研究模拟木工的工作任务,测定21名专业木工和21名初学者木工的4块前臂肌肉(肱桡肌、尺侧腕伸肌、尺侧腕屈肌、桡侧腕屈肌),3块肩部肌肉(前部三角肌、中部三角肌、后部三角肌)和斜方肌的表面肌电信号(sEMG)差异,并以经验水平、工作任务和肌肉类别为对比项对表面肌电信号的平均值和峰值统计学分析。结果专业木工和初学者木工之间sEMG的均值和峰值无显著性差异,初学者木工8块肌肉都表现出较高的肌肉活动水平;从局部肌肉的sEMG均值和峰值来看,木工工作任务对前部三角肌和后部三角肌造成较大肌肉负荷;经验水平、工作任务和肌肉类别对专业木工和初学者木工上半身的肌肉负荷的影响有显著差异。结论经验对木工的肩膀肌肉负荷有较大缓解作用,对降低木工工作时的肌肉疲劳度和损伤风险度具有积极作用。     

脑电-肌电信号样本熵与小波熵分析

为了探索自主动作和电刺激产生动作两种不同模式下的大脑运动皮层活动与肌肉收缩之间的关系,搭建了脑电和肌电实验测量平台,设计了自主腕部外旋和穴位电刺激两种实验动作模式,同步采集不同动作模式诱发的脑电信号和表面肌电信号,计算和分析信号的样本熵与小波熵.结果发现穴位电刺激模式下,脑电信号样本熵增大,肌电信号样本熵减小,脑-肌电的平均互样本熵增大,肌电信号的小波熵明显减小.表明穴位电刺激使大脑活动复杂性提高,肌肉活动的有序性增强,出现了优势节律,脑-肌电协同性提高.     

基于EMG频域特征的假肢机电信号识别研究

采集人体表面肌电信号并进行有效模式识别,是多功能假肢研究的关键技术之一.本文研究肌电信号(EMG)的频域信息,以提取有效特征识别不同的手腕部动作.实验采集了8种不同的手腕动作的EMG信号.分别提取了EMG信号的时间序列模型(AR)、时域统计量(DT)、功率谱估计(PSD)、短时傅里叶变换(STFT)和互功率谱(CPSD...     

基于肌电小波包统计特征的踝关节动作识别

为改善足下垂患者步态,研究了踝关节不同动作的表面肌电信号特征分类.本文采集踝关节在不同动作下,对应胫骨前肌、腓肠肌、腓骨长肌和拇长伸肌的表面肌电信号,采用小波包分解方法进行肌电特征提取,获得小波包系数能量、方差统计特征量;利用支持向量机方法实现踝关节4种不同动作模式的肌电特征分类.实验结果表明,采用具有良好奇异特性的小波包能量、对数方差构成的肌电特征向量,对踝关节动作进行模式识别,其正确率远高于通过提取肌电信号时域或者频域特征进行模式分类的正确率,达到了92.8%的平均分类正确率.该特征提取方法以及支持向量机分类器,可以应用于踝关节动作识别和机器人康复工程.     

肘关节运动姿态与其对应肌肉群肌电信号的测量与分析

为了测量人体肘关节运动姿态与其对应肌肉群的表面肌电信号并分析其关联性,首先利用Qualisys光学运动捕捉系统测量出人体上肢各关节的位置,并计算出肘关节的关节角度;同时利用Delsys表面肌电测试系统测量出运动过程中与肘关节关联度较高的肱二头肌和肱三头肌的表面肌电信号,提取肌肉活跃度特征;最后对比分析得出肘关节的关节角度曲线和肱二头肌与肱三头肌的共同收缩指数曲线有相似的变化趋势。     

基于支持向量机的人手姿态肌电模式识别与力检测

针对多自由度假手的肌电控制难题进行了人手多种姿态的模式分类以及握力检测的研究。基于支持向量机(SVM)算法,首先从6通道表面肌肤电信号中提取模式信息,对人手18种姿态进行了分类,然后验证了在3种抓取模式下从肌电信号中回归人手握力的方法的性能。实验结果表明,使用支持向量机能有效地识别出入手所处的姿态模式及施力的大小。结合肌电的模式识别以及握力回归算法,可以实现多自由度假手的随动及力控制,因此可大大提升假手控制的灵活性及功能性。     

基于屈肌声肌图的假手控制初步研究

医学超声成像是研究骨骼肌的结构形态变化特性的有效工具。通过自行开发的信号采集与控制软件,同步采集手腕屈伸时前臂屈肌的超声图像、表面肌电（Surface Electromyography,SEMG）信号以及手腕屈伸角度值。简单分析了屈肌厚度变化的声肌图（SMG）和表面肌电、手腕角度之间的关系,并初步实现了利用屈肌厚度变化SMG控制假手的张合。实验结果表明,肌肉厚度变化SMG具有控制假手的可行性。     

多尺度表面肌电信号的广义判别分析

提出一种融合小波特征和广义判别分析的特征解析方法,并对动作表面肌电信号的多尺度特征进行有效降维描述。首先,通过对表面肌电信号进行小波分解,提取各尺度上小波系数绝对值均值作为原始特征向量,然后用广义判别分析方法进行降维,得到低维的新特征向量,用贝叶斯分类器进行降维有效性检验。结果显示,对选用的三种小波,通过选取恰当的小波分解层数,核参数以及新特征向量的维数,对三名受试者前臂6种动作模式（内翻,外翻,握拳,展拳,上切和下切）的正确识别率可以达到97 %以上。研究表明,该方法能很好地获取表面肌电信号的多尺度主要成分及其特性。     

一种表面肌电信号测试电路设计

表面肌电信号(SEMG)是一种伴随肌肉活动在皮肤表面产生的生物电信号,它蕴涵了许多肢体运动的信息,对其进行模式信息处理可以获得人-机仿生系统的控制信号.SEMG的特点是内阻高,影响因素多,并极易受到干扰.本文在分析肌电信号产生机理的基础上,给出了一种SEMG的采集、放大和滤波电路.对信号处理电路的特性分析表明,所设计的处理电路可以有效提取(10～500)Hz的肌电信号,并能对50 Hz的工频干扰起到很好的抑制作用,该电路在实际应用时取得了理想的实验结果,信号的采集能力和信噪比达到或接近美国kistler公司的肌电采集仪水平.     

以小波系数为特征值的Pi-sigma网络识别肌电信号

为了有效识别肌电信号EMG(Electromyography)的运动模式,利用小波分析的方法对采集的肌电信号进行消噪处理,最大限度地清除混杂在肌电信号中的噪声;然后提取各尺度小波系数最大值作为Pi-Sigma神经网络分类器的输入,完成基于EMG信号多运动模式的识别.与此同时,利用EMG信号的能量特性,对各模式的起始和终止时刻进行界定,配合模式分类器的识别结果控制电动假手完成相应的动作.实验表明,基于小波分析的二次消噪方法能很好地消除混杂在EMG信号中的噪声,在正确的运动模式识别情况下,依据提取的运动模式时间信息,能够方便地实现假手的实时控制.     

基于人工鱼群算法-极限学习机的多手势精准识别

手势作为人机交互的重要方式,因灵活性与便捷性强,已成为控制领域的研究重点。针对上肢康复机器人手势识别技术存在的不足,结合特征组合与滑动窗口法,提出一种基于人工鱼群算法（artificial fish swarm algorithm,AFSA）优化的极限学习机（extreme learning machine,ELM）的多手势精准识别方法,以提高手势识别的准确率。首先,运用表面肌电测量系统采集人体常用的8种手势对应的表面肌电信号（surface electromyography,SEMG）,作为后续分类模型的信号源,并运用去噪技术与起止点检测技术对SEMG进行预处理;然后,选取通过主成分分析（principal components analysis,PCA）降维处理后的最优特征组合与最优滑动窗口;接着,采用AFSA搜寻ELM的最优输入权值和隐含阈值,以提高其分类准确率;最后,对AFSA优化的ELM（AFSA-ELM）分类模型、反向传播（back propagation,BP）神经网络分类模型和未优化的ELM分类模型进行比较,以验证所提出方法的精准性。实验结果表明,结合最优特征组合与最优滑动窗口设计的AFSA-ELM分类模型对多种手势的平均识别准确率高达97.4%,比BP神经网络分类模型和未优化的ELM分类模型分别高3.5%和1.6%,验证了所提出方法的识别精准性。研究结果可为手势识别提供新思路,进而为人体上肢动作的深度分析和上肢康复机器人手势识别算法的优化提供理论基础和参考。     

Human and Nonhuman Recognition Using Pyroelectric Infrared Detector

The auto regressive (AR) model of time series is utilized in this paper to recognize a human and nonhuman from pyroelectric infrared (PIR) signals. Through the wavelet transform, the signals are reconstructed by removing the noise from the original signals. The coefficients of the AR model are selected as the features for human and nonhuman recognition and calculated by the Burg algorithm. The classification experiments of a human and nonhuman are performed with a support vector machine. The recognition results for different PIR signals using the proposed AR-based features show high performance with an optimal recognition rate, which is up to 94.6 % and higher than that of the traditional time domain feature and transform domain method, such as the wavelet entropy and wavelet entropy of the double-density dual-tree complex wavelet transform.     

Dorsal hand vein recognition based on 2D Gabor filters

Hand vein patterns are among the biometric traits being investigated today for identification purposes, attracting interest from both the research community and industry. A reliable and robust personal verification approach using dorsal hand vein patterns is presented in this paper. This approach needs less computational and memory requirements and has a higher recognition accuracy than similar methods. In our work, a near-infrared charge-coupled device camera is adopted as an input device for capturing dorsal hand vein images, due to its advantages of the low-cost and non-contact imaging. In the proposed approach, two finger-peaks are automatically selected to define the region of interest in the dorsal hand vein images. In order to obtain effective pattern of dorsal hand vein vascular, we proposed an innovative and robust adaptive Gabor filter method to extract the dorsal hand vein patterns and encode the vein features in bit string representation. The bit string representation, called VeinCode, offers speedy template matching and enables more effective template storage and retrieval. The similarity of two VeinCodes is measured by normalised Hamming distance. A total of 6160 dorsal hand vein images were collected from 308 persons to verify the validity of the proposed dorsal hand vein recognition approach. High accuracies (>99%) have been obtained by the proposed method, and the speed of the method (responding time <0·8 s) is rapid enough for real-time recognition. Experimental results demonstrate that our proposed approach is feasible and effective for dorsal hand vein recognition.