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.     

基于表面肌电信号特征的动作识别

文章对表面肌电信号的RMS特征和AR模型特征进行了分析,并利用采集到的原始表面肌电信号数据进行了RMS和AR参数的提取。利用提取的数据对上肢动作进行识别分析,结果表明双通道数据或多维数据联合分布能够有效的区分和识别相应的动作。     

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%.     

5 DOF穿戴式上肢康复机器人控制方法研究

提出了一种面向偏瘫患者,可实现单关节和多关节运动的5自由度穿戴式上肢康复机器人的控制新方法.根据偏瘫患者上肢单侧受损的特点,该机器人利用偏瘫患者的健肢运动的表面肌电信号(sEMG)驱动康复机械臂辅助患者患肢实现康复训练.利用肌电绝对值积分(IAV)和自回归参数模型法(AR model)对选定的上肢四块肌肉运动产生的sEMG信号进行分析,所提取的特征分别作为基于Levenberg-Marquardt算法的反向传播神经网络的输入,6个上肢运动作为输出建立表面肌电信号与上肢康复动作之间的关系.试验结果表明该方法利用sEMG准确地完成了对上肢康复动作的识别.这一方法有利于提高患者运动积极性,保持正确运动的感觉,并为研究患者受损上肢表面肌电信号与肌肉运动的关系打下了基础.     

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。     

实时肌电信号采集系统设计与探究

针对残疾人要完成的绝大多数任务都是由多个连续的动作组成的实际情况,仅仅对动作信号的稳态值来分析处理肌电信号的数据已经不能够满足实时性的要求.考虑到肌电信号的特性以及实验室的实际环境,搭建了一个肌电信号的硬件采集平台,并设计了3个包含连续动作的实验.利用肌电信号采集平台采集到两路正常人前臂上的表面肌电信号,应用信号幅值作为特征,并通过极值的方法分别得到3个实验中各个动作的切换点位置,为后续对连续动作的识别打下基础.     

基于ANOVA和BP神经网络的最优肌电信号测量位置选择

基于肌电信号的手部动作识别中,肌电信号测量位置的选择直接关系到动作识别的准确率.本文以使用最少的肌电传感器和获得较高的动作识别率为目标,提出一种基于ANOVA(方差分析)和BP神经网络的肌电信号测量位置优选方法.使用4个肌电传感器采集受试者做出指定动作时的肌电信号,提取肌电信号的时域特征,并按测量位置组合构成15个不同的样本进行BP神经网络的训练和测试.采用单因素ANOVA分析测量位置对动作识别结果影响的显著性,采用Tukey HSD将测量位置进行归类,并从动作识别率最高的子集中选择测量位置最少但识别准确率最高的测量位置组合作为最优的肌电信号测量位置.实验结果表明,测量位置对动作识别的结果具有显著的影响,随着测量位置数的增加,动作识别准确率呈上升趋势,最优的测量位置组合为P1+P3+P4,其动作识别准确率为94.6%.     

基于小波变换和PSO-SVM的表面肌动作模式分类

为提高对表面肌动作识别的准确性,提出一种小波变换与粒子群优化支持向量机(PSO-SVM)相结合的模式分类方法。通过虚拟仪器采集肱桡肌和尺侧腕屈肌的两路表面肌电信号,运用小波变换对其进行多尺度分解,提取小波系数最大值作为表面肌动作特征,采用支持向量机(SVM)进行特征分类,并在分类过程中引入粒子群算法对SVM的惩罚参数和核函数参数进行寻优。实验结果表明,采用此方法能成功地识别表面肌内翻、外翻、握拳、展拳4种动作,较传统SVM方法有更高的分类精度。     

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...     

AR模型阶数的强相合估计

引入贝叶斯因子来判定AR模型的阶数,给出AR模型阶数蠡的一个强相合估计,最后用随机模拟对其与AIC（k）,BIC（k）两种定阶准则进行比较得出,该估计量的判别效果优于AIC（k）准则．     

基于自回归支持向量机的结构损伤诊断

将自回归时间序列(AR)模型和支持向量机方法结合应用于结构的损伤诊断,以一个3层框架结构为分析对象,模拟两种损伤模式:初始线性结构发生质量变化和初始非线性结构发生质量变化.首先对实验中采集到的加速度信号建立AR模型,从而提取模型参数作为损伤特征,再利用支持向量机进行损伤诊断.结果表明,在小样本情况下基于自回归支持向量机进行结构非线性损伤诊断,能够得到很好的结果.     

基于多项式变换的自适应Chirp信号参数估计

提出了一种新的基于多项式变换的RLS(recursiveleastsquare)算法。利用多项式变换将多项式相位信号(PPS)转变为具有线性相位的谐波信号,这一谐波信号满足AR(Autoregressive)模型且其频率对应于多项式相位的最高次项系数。然后利用RLS算法对AR模型的AR系数进行自适应估计,通过AR系数求解谐波信号频率,便可以获得多项式相位中最高次项的系数。本算法速度快,计算量小,并且在较低的信噪比(SNR)下估计性能依然良好。Monte Carlo仿真实验证明了本方法的有效性。     

Bayes线性无偏估计关于误差协方差及先验分布的稳健性

对于线性模型中未知参数估计的稳健性的研究,一直是统计学中的一个热点.本文研究线性模型中回归系数的Bayes线性无偏估计关于误差协方差及先验分布的稳健性问题,分别得到当误差协方差改变、先验分布改变或误差协方差和先验分布同时改变时,Bayes线性无偏估计还保持其最优性的充分必要条件．     

相控阵雷达低仰角目标DOA估计的算法

在相控阵雷达跟踪低仰角目标时,采用频率捷变技术可以有效地减小雷达回波中直射信号和反射信号的相关性,抑制多径效应对目标到达方向估计造成的影响,提高角度估计的精度和性能。再用修正的AR模型算法,不仅可以在此基础上进一步去掉这两种信号的相关性,而且能正确估计出目标和镜像的仰角。计算机仿真实验结果验证了频率捷变和修正AR模型算法理论的正确性,以及在与其他方法比较的情况下,两者结合在去相关性能上的优越性和工程实用性。     

贝叶斯估计的方差比和广义方差比

用剔除数据扰动的方式,从估计效率角度讨论了数据的剔除对贝叶斯估计的影响大小,建立了判定数据影响的度量与相关系数及广义相关系数之间的等式关系,揭示了影响度量与相关性之间的内在联系。     

用于机械状态监测的振动信号的非平稳建模

以往开发的绝大多数故障诊断算法基于数据的平稳性假设,没有考虑机械某一运转周期内的时间相关细节特征。本文针对特定对象强调了非平稳模型用于信号分析的必要性,讨论了模型的时变,耐不变算法及相应的特征提取、工况判断过程。本文引入正交变换,一方面实现了数据的大规模压缩,另一方面完成了代表正常工况的母体模型的建立;其次,借助于模式识别理论的相似性判据得到对多个特征定量监测的方法。一关于柱塞泵振动监测的实例说明了方法的应用过程。     

增长曲线模型回归系数的线性经验 Bayes 估计

给出了增长曲线模型参数矩阵的线性经验Ｂａｙｅｓ估计，同时得到了它的渐近最优的收敛速度．     

汽轮机振动信号的自回归模型谱估计算法

在汽轮机振动信号采样点数较少时,使用经典著谱估算法进行分析的效果差．针对经典算法存在的这一问题,文中将现代谱估计中的自回归模型算法引入到汽轮机振动信号谱分析中,对算法的具体原理及自回归模型阶次确定的信息论准则进行了详细讨论．结合工业现场的实测信号,对算法的实际性能进行了分析与仿真,并与经典算法性能进行了对比．仿真结果表明：自回归模型功率谱估计算法适合于汽轮机振动信号的频谱分析,在采样点数较少的情况下,其性能优于经典算法．同时,信息论准则为算法应用中最优阶次的确定提供了有效的理论依据．