基于LDA的表面肌电信号分类研究

研究了一种基于LDA分类器的模式识别方法,比较了五种特征参数组合方式,分析了无关联线性判别分析ULDA和PCA两种降维方法,通道数量和窗口长度对肌电信号分类的影响,最后应用LDA分类器对降维后的数据进行分类。实验结果表明:均方根和四阶AR系数两种特征组合在4通道和8通道下的准确率分别可以达到90%和96%,增加通道数量或特征数量可以进一步提高准确率;通过ULDA将特征矢量的维数降低到6维时,仍可以保证较高的准确率;6种手势的识别率超过了94%,其中4种手超过了97%,分类出错的窗口主要集中在过渡阶段。     

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PCA与核LDA的表面肌电信号特征识别

针对表面肌电信号的非线性和非平稳性等特点,提出了一种主元分析与核LDA判别分析相结合的表面肌电信号特征识别新方法;通过虚拟仪器采集桡侧腕屈肌和肱桡肌两路表面肌电信号,并提取其特征参数平均绝对值和均方根,采用主元分析法对表面肌电信号特征参数进行压缩降维,应用核LDA判别分析法对降维后的数据进行分类识别;经过实验表明,该方法将表面肌电信号的特征参数由4维降到2维,减小了数据的冗余度,能够成功的从表面肌电信号中识别握拳、展拳、手腕内翻和手腕外翻四种动作,识别率高达96%。     

基于小波包的表面肌电信号特征表示与识别

为提高智能轮椅人机接口中表面肌电信号的正确识别率和识别效率,主要研究了基于小波包多尺度分解的特征表示及识别。把采集的表面肌电信号在指定尺度及核函数的同一组正交小波包基下进行分解,用小波包多尺度分解的系数构造表面肌电信号的特征基向量。考虑到多通道表面肌电信号可能存在特征信息冗余,为消除这些冗余信息,对多通道表面肌电信号的特征空间通过正交规范化进行重构,并且用重构特征向量的对偶坐标向量作为表面肌电信号的最终特征表示。用非线性自回归神经网络实现了双通道表面肌电信号四种不同动作模式的分类。实验结果表明,小波包多尺度分解系数的重构对偶坐标向量不仅可作为表面肌电信号的特征表示,并能有效简化分类器的结构。     

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。     

基于文化算法的表面肌电信号特征选择*

为了提高假肢控制系统肌电信号的分类准确率,提出一种新的基于文化算法的特征选择方法,通过该方法选择出最佳特征向量,然后用线性分类器检验其分类性能。利用表面差分电极从人体上肢四块肌肉采集四通道的肌电信号,对十个健康受试者进行八个动作的肌电信号模式分类实验,并同时用标准遗传算法来与文化算法作比较。实验结果表明,文化算法与遗传算法相比,特征维数更小,分类准确度更高。     

适用不同Brunnstrom等级患者基于表面肌电信号的动作识别方法

针对不同患病程度的脑卒中患者运动意图识别率低的问题,提出了一种适用于不同Brunnstrom等级患者基于表面肌电信号（sEMG）的动作识别方法．首先将所有等级患者sEMG数据进行融合,使用tsfresh库提取特征,然后基于随机森林（random forest,RF）模型筛选特征,并利用筛选的特征训练动作分类模型．进一步,通过研究动作和康复等级的关系,确定了康复评估动作并设计了康复等级自动评估算法．为了验证所提方法的有效性,在24例患者sEMG数据上进行了测试,实验结果表明所提方法能够将9种动作和6类康复等级的平均识别精度分别提升至89.81%和94%．基于所提方法构建的手部康复机器人系统能够实现康复等级自动评估．     

基于小波的PCA—Butterworth表面肌电信号去噪法

表面肌电信号(sEMG)是一种微弱的生物电信号,采集过程中由于硬件或环境等各种因素干扰,经电极放大,将会采集到噪声,在使用表面肌电信号信号前,除了选取高性能设备和优化实验方案来减小影响以外,还应该使用合适的预处理算法对信号进行滤波去噪,本文提出了一种基于小波的PCA-Butterworth的去噪算法,不仅能去除高频的噪声,对于与信号频谱重叠的噪声也能进行有效的分离。     

基于磁场刺激的肌电信号模式识别的研究

对于人体表面肌电（SEMG）信号提出一种新的研究方法,即在磁场刺激下,采用小波变换的方法,对从掌长肌、肱桡肌、尺侧腕屈肌和肱二头肌上采集的4路表面肌电信号进行分析,并提取其6级小波分解系数绝对值累加和的平均值作为信号的特征．构建特征矢量．输入神经网络分类器进行模式识别,经过训练能够成功地识别出握举、展拳、腕内旋、腕外旋、屈腕、伸腕、前臂内旋、前臂外旋8种运动模式．实验结果表明,该方法识别率高,所需数据量少．运算速度快,实时性好,为肌电等生物电信号的研究提供了一种新方法．     

基于表面肌电信号形态特征的多模式识别研究

为提高肢体运动模式识别率,基于肌电信号的产生机理提出了选用信号的形态特征实现肌电信号模式识别的新方案。方案以分形理论中关联维及分维数的概念分别表征肌电信号的复杂度及自相似性,其中关联维的计算采用了一种改进的G-P算法、即G-P关联维逼近法;在手部动作模式识别中,以关联维和分维数作为表面肌电信号的特征向量,分类器采用由对支持向量机构造的二叉树结构多类分类器。针对手部张开、合拢及腕伸、腕屈4种运动模式的识别实验,该方法的正确识别率达到了91.0%,已具备一定的实用性。     

基于小波包变换的肌电信号特征提取

本文提出一种新的基于小波包变换的特征提取方法,提取表面肌电信号进行小波包变换后得到的信号的协方差矩阵的特征值的最大值作为特征值。利用该方法对表面肌电信号提取特征值构建特征矢量,送入Elman神经网络对手部6种动作模式进行识别,在Matlab平台上进行实验仿真。实验结果表明,该方法取得了很好的识别效果。     

基于改进小波包与样本熵的表面肌电信号特征提取

针对表面肌电信号(sEMG)进行小波包分解后子空间维数较大导致部分子空间的特征信息被减弱和相邻子空间的频率接近会导致不同程度的信息冗余问题,提出了一种基于改进小波包与样本熵相结合的特征提取方法.在对原始sEMG进行小波变换的同时,对其某一高频子空间也进行小波变换,提取改进小波包分解后四个低频子空间的样本熵作为特征.在智能轮椅平台上进行实验,实验结果显示采用基于该算法的轮椅系统不仅正确识别率较高,而且稳定性更好.     

表面肌电信号的分解算法研究

为提高表面肌电信号分解的正确率以及完整性,提出一种表面肌电信号的自动分解算法。考虑到其较低的信噪比,先是采用小波降噪法对信号进行降噪处理,并计算信号的非线性能量算子以加强信号波峰值。之后采用低频小波系数和高频小波系数相结合的特征值来表征运动单元动作电位,最后使用小波神经网络完成对活动段的分类。同时,为了实现表面肌电信号的分解完整性,采用递归模版算法对所提取的叠加波形加以分解。实验结果表明,该分解算法能够成功地提取到中低收缩水平下表面肌电信号中的运动单元动作电位的发放信息,同时也能够有效地对叠加波形进行分解。     

表面肌电信号识别特征提取的仿真研究

研究表面肌电信号准确识别问题,表面肌电信号含有大量的噪声,且特征维数高,传统方法无法消除其中的噪声,选择最重要识别特征信号,表面肌电信号识别正确率低.为提高表面肌电信号的识别正确率,提出一种新的表面肌电信号识别模型.首先采用小波变换提取表面肌电信号特征,消除信号中的噪声,然后采用遗传算法选择最优特征信号,降低特征维数,最后采用遗传算法对支持向量机参数进行优化建立最优表面肌电信号识别模型.仿真结果表明,模型可很好地解决传统方法中的难题,提高了表面肌电信号的平均识别正确率,识别结果非常稳定,为表面肌电信号提供了一种新的识别方法.     

一种基于WPT和LVQ神经网络的手部动作识别方法

针对表面肌电信号(SEMG)的手部动作识别,提出一种采用小波包变换(WPT)和学习向量量化(LVQ)算法的神经网络分类器。对SEMG信号进行基于熵准则的最优小波包基分解得到各个节点分解系数,计算信号各个节点相应子频段的系数能量,归一化处理后的特征向量输入LVQ神经网络,实现基于SEMG的手部动作识别。实验结果表明,采取两路SEMG信号,该分类器能有效识别伸腕、屈腕、展拳和握拳4种动作模式,达到96%的识别率,能可靠应用于2个自由度肌电假手的控制。     

肌电信号的功率谱分析方法

当用传统的检测方法对肌电信号(EMG)进行处理时,会出现较大的个体差异,针对这一不足,我们对其在频域中作具体的分析,提出了一种新的表面肌电信号特征提取方法--功率谱比值法.并在非特定人的条件下,经过多次实验确定实际所用肌电信号的主要频率范围和功率谱的各项参数,将功率谱比值法应用于前臂肌群的表面EMG特征提取,减小了个体差异,进而实现非特定人的动作模式识别.     

肌电信号多通道相关性特征手势识别方法

多通道表面肌电信号（surface electromyography,sEMG）传统手势识别方法,主要提取各个通道时域、频域和时频域特征作为分类器的输入,鲜有考虑通道间的相关性,在提升识别精度上遇到瓶颈。为了充分利用sEMG多通道信息以提高手势识别精度,提出一种以多通道相关性为特征的肌电手势识别方法。该方法计算多通道间一致性相关系数,作为多通道sEMG线性相关特征参数,同时获取多通道间的互信息,作为多通道sEMG非线性相关特征参数。实际运用中精确估计联合概率密度函数往往十分困难,根据互信息与copula熵关系,将互信息估计转化为copula熵的估计,通过经验分布函数进行概率积分变换,采用非参数估计方法估计copula熵,从而避免联合概率密度函数的估计。利用两种相关性特征参数构建多通道相关性特征进行对比实验,基于stacking模型使用多通道相关性特征与4种常用时域特征进行识别并对比结果,其次基于多通道相关性特征使用stacking模型与5种常用分类器进行对比识别,实验结果表明所提的多通道相关性特征能有效区分手势动作,在采集的健康受试者手势数据集上平均识别准确率达到94%。     

基于nRF905的无线表面肌电信号监测系统设计

介绍了利用TI公司的新一代16位单片机MSP430系列的MSP430F1611.和Nordic公司的nRFg05射频收发器芯片组成一种无线表面肌电信号采集系统的设计方案.根据表面肌电信号的特点,设计了相应的调理电路,给出了相应无线传输的软硬件实现方案.结果表明,系统能完成表面肌电信号的采集,结构稳定,而且功耗低.     

基于遗传算法优化神经网络的表面肌电信号识别

表面肌电信号是人体运动时肌肉、神经活动发出的生物电信号在体表的表现,目前已成为对多自由度假肢理想控制的信号源,BP神经网络在肌电信号源模式识别上被应用广泛,但存在如学习收敛速度慢、不能保证收敛到全局最优点等缺点,鉴于以上缺点设计了基于遗传算法的BP神经网络对肌电信号进行模式识别,较好的改善BP神经网络缺点,提高了识别的准确率。