表面肌电图在脑卒中患者手神经肌肉功能评定中的应用

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%.

     

基于表面肌电信号进行手部动作发起检测方法

实时且准确地识别手部动作,是表面肌电信号应用的重要方面,而通过其进行手部动作的发起检测是一个技术难点。为了解决这一问题,该文提出一种通过表面肌电信号进行手部动作发起检测的方法,将TKE算子应用于sEMG信号的预处理,通过设计二值化状态函数,并针对消除噪声对肌电信号的影响,提出启发式滤波策略。建立手部动作发起的表面肌电仿真模型,通过比对应用几种算子对仿真模型进行发起检测,证明TKE算子方法的有效性。利用肌电信号采集与处理系统进行实验验证。结果表明,该检测方法能够对手部动作发起进行高精度的实时检测。     

基于线性判别分析的表面肌电信号动作模式识别

表面肌电信号(SEMG)属于非平稳的生物电信号,特点是信号微弱、易受干扰.为了有效提取表面肌电信号(SEMG)特征、更好地识别人体上肢运动的模式,针对表面肌电信号的特点提出了一种线性判别分析人体前臂运动特征的识别方法.通过虚拟仪器同时采集桡侧腕屈肌和肱桡肌两路的表面肌电信号,取平均绝对值(MAV)和均方根(RMS)为特征参数,应用线性判别分析(LDA)方法对样本特征矩阵进行模式识别.与其他特征识别方式的对比实验表明,此方法的动作识别率更高,能够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,动作的平均识别率达到了99.5%.     

基于排列组合熵的表面肌电信号特征分析

针对表面肌电信号的混沌特征、噪声强等特点,该文提出了基于排列组合熵的表面肌电信号特征分析方法。用肌电信号的相邻数据复杂度计算出排列组合熵,以尺侧腕伸肌和尺侧腕屈肌两路肌电信号对应的排列组合熵构成特征向量,对腕上翻、腕下翻、展拳和握拳四种动作信号进行区分,具有良好的区分度。     

采用深度学习和表面肌电信号的上肢动作识别

使用上肢表面肌电信号对上肢动作进行识别是实现康复机器人持续被动运动和主动辅助运动模式的重要方法。为了提高基于表面肌电信号(surface electromyography, sEMG)的上肢动作识别精度,分别采用了分段时域信号和拼接频谱图的两种肌电动作识别方法。分段时域信号方法采用融合卷积神经网络(convolutional neural network, CNN)、长短时记忆网络(Long Short-term Memory, LSTM)和注意力机制的自建网络对上肢动作进行识别;拼接频谱图方法将预处理后的时域信号通过短时傅里叶变换(Short-Time Fourier Transform, STFT)转换为对应频谱图,利用两种微调的预训练模型VGG16和Resnet50对所有通道竖直拼接的频谱图提取特征并将特征拼接,结合支持向量机对上肢动作进行识别。实验结果表明,所提出的两种方法在采集的受试者肌电信号数据集上均表现出90%以上的识别精度,可有效区分不同的上肢动作。     

应用于假手的肌电信号分类方法研究

高效、准确的肌电信号分类方法是实现高仿生性肌电假手控制的关键技术之一.本文对肌电假手常用的信号分类方法进行了系统研究,阐述了目前常用的七种方法的基本原理和研究现状.重点分析了基于神经网络和支持向量机的肌电信号分类方法,分别从网络类型、所采用的信号特征、识别准确率等方面对分类结果进行了比较.最后,对各种方法的优缺点及适应...     

基于线性判别分析的表面肌电信号特征识别

通过虚拟仪器同时采集桡侧腕屈肌和肱桡肌两路表面肌电信号,取其平均绝对值(MAV)和均方根(RMS)作为特征参数,并应用线性判别分析(LDA)方法对采集的样本进行模式识别。与其它特征识别方式的实验对比表明,所提的识别方法能够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,且动作识别精度更高。     

基于表面肌电信号参数的人体上肢运动研究

根据检测得到的右上肢主肌肉群的肌电信号,探讨了人体右上肢主肌肉群的肌肉功能状态和男性与女性之间肌肉功能状态的差别．20位实验者右上肢完成13个基本动作,对三角肌、肱二头肌、肱三头肌、掌长肌和指伸肌五块肌肉进行肌电采集,用SPSS14．0软件对特征参数平均振幅（AEMG）和积分肌电（IEMG）进行数据处理．结果表明：完成不同的日常生活活动,肌肉的活跃程度存在着一定的相似性和差异性;男性以增强指伸肌和三角肌为主,女性则以掌长肌和三角肌为王实验数据可为老年人和残疾人康复训练及肌电信号控制提供一定的理论依据和指导作用．     

基于贝叶斯分类研究肌肉动作模式识别方法

提出了一种结合AR模型和贝叶斯分类的肌电信号动作模式识别方法.首先将采集到的肌电信号进行预处理,提取AR系数作为其特征值.其次设计了一个贝叶斯分类器,利用AR系数对手臂的各种肢体动作进行动作模式分类.实验表明这种方法不仅降低了误识别率,而且取得了比较理想的识别效果.同时,采用虚拟仪器技术提高仪器的测量精度,降低成本,降低计算工作量.     

基于经验模态分解的颈部表面肌电信号特征提取

通过SEMG的线性与非线性指标分析评估被试者在伏案工作过程中的颈部肌肉疲劳程度.采用经验模态分解EMD将原始信号中的强背景噪声分解至各个固有模态函数IMF,达到降噪的作用.在此基础上,分别对SEMG的线性、非线性指标进行了分析.结果表明:随着低头伏案学习时间的增加,被试者的肌肉疲劳程度不断加重,线性和非线性指标随时间都有较明显的线性变化规律.此项研究结果表明长期伏案工作者中的颈椎病患者通常易发生低节段颈间盘退变,同医学影像学中核磁检测结果一致.因此应用SEMG信号的时频分析评估颈部肌肉疲劳状态是可靠且可行的.     

基于对角积分双谱的雷达辐射源信号识别

双谱以其独特的抗噪优势,广泛应用于信号分析。双谱的数据量较为庞大,目前减少双谱数据量的方法中积分双谱的效果最好,然而各种积分双谱均存在一定的缺陷。文章提出了对角积分双谱,它沿平行于双谱次对角线的直线序列积分,不但避免了插值,而且包含了更多的相位和幅度信息。最后将对角积分双谱应用于低截获概率（LPI）雷达信号的特征提取。仿真条件下,对比分析了各种积分双谱的识别性能,结果表明对角积分双谱的识别性能优于其它积分双谱。     

基于子块积分循环双谱的雷达辐射源信号识别

循环双谱性能优越,能用于雷达辐射源信号的识别,但是其数据量庞大。循环双谱对角切片法丢失了大部分信息。证明了循环双谱的对称性和周期性,在此基础上提出了子块积分循环双谱,该方法不但能有效地减小数据量,而且保留了大部分的循环双谱信息。然后用Fisher判决率(FDR)选择鉴别能力较强的子块积分循环双谱。仿真条件下,对比分析了子块积分循环双谱与循环双谱对角切片法的识别效果,结果表明新方法的识别性能远优于对角切片法。     

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。     

基于双谱估计的小波包调制信号识别研究

小波包调制是一种全新的多载波调制方式。根据小波包调制信号的非线性和二次相位耦合性特点,该文利用双谱分析方法,对小波包调制信号进行参数化双谱估计,并提取特征参量,实现对小波包调制信号的识别。仿真结果表明,该方法具有良好的识别性能。     

基于双谱分析的磁瓦内部缺陷音频检测方法

内部缺陷检测是保证磁瓦产品质量的关键环节之一。针对目前磁瓦内部缺陷采用人工音频识别存在的问题,使用双谱分析已知内部缺陷情况的磁瓦在跌落撞击试验中产生的音频信号,其结果表明内部缺陷会影响双谱的峰值分布。根据这个规律,提出了一种归一化双谱三切片分析方法用于磁瓦内部缺陷的检测。该方法首先提取归一化双谱上三个特定方向的切片;其次按照峰值分布与内部缺陷的映射关系,将每个切片划分成若干频率区域,并对各区域进行分类;然后通过对不同种类的区域最大峰值比较与计算,建立识别内部缺陷的阈值。最后,验证试验对方法的有效性进行了评估,取得了97%以上的识别正确率。试验结果表明双谱分析在磁瓦内部缺陷音频检测中具有较好的实用性。     

水下目标辐射噪声的子波变换和双谱联合分析

首次将子波变换和双谱联合分析应用于对水下目标辐射噪声的特征提取，首先利用子波变换提取辐射噪声的动态调制分量，然后应用归一化双相干系统分析该动态调制的谐波特性，结果表明，该方法可以有效地实现动态调制分量与其他信号的分离，准确提取谐波特性，并具有很强的抗噪性。     

基于支持向量机的文本倾向性分类研究

文本倾向性分类可以广泛应用到信息检索,产品质量在线跟踪,民情民意调查分析以及聊天系统等.本文提出了基于限定词性词语与信息增益、基于情感倾向词汇与信息增益的两种混合特征选择方法,并设计了基于支持向量机的分类器.以汽车产品、篮球赛事以及中日关系3种中文评论文本为训练与测试语料,对本文所提方法进行了实验验证,结果表明:限定词性词语与信息增益的混合特征选择优于信息增益与情感倾向词汇混合特征选择方法.     

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.     

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。