基于NNE技术的手臂运动模式识别算法研究

本文将神经网络集成(Neural network ensemble,NNE)算法应用于人体手臂运动模式识别领域中,通过对手臂不同运动模式下的表面肌电信号(sEMG)的采集、分析与处理,识别出与其对应的手臂运动模式。主要利用小波包分解(WPD)算法提取表面肌电信号的时-频特征向量,利用集成神经网络对表面肌电信号特征向量进行模式识别;神经网络集成模型由Bagging算法生成,参与集成的个体神经网络均为BP神经网络,集成神经网络的输出由单个神经网络的输出通过相对多数投票法产生。最后,对手臂4个不同运动模式下的表面肌电信号进行了模式识别实验。实验结果表明,与个体神经网络相比,集成神经网络可以显著地提高手臂动作的识别率,证明了将神经网络集成技术用于手臂运动模式识别的有效性和可行性。     

基于免疫神经网络的下肢假肢肌电信号识别方法的研究

提出一种基于人工免疫神经网络的表面肌电信号模式识别方法.在对表面肌电信号进行预处理的基础上,免疫RBF神经网络模型中抗原集合作为网络的输入数据即为表面肌电信号,抗体为抗原的压缩聚类映射作为径向基函数神经网络模型的隐层中心,则网络的输出为下肢各关节的角度预测值.仿真结果表明,免疫RBF神经网能明显提高对肌电信号的识别准确率,这对于肌电假肢的控制具有良好的应用前景.     

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。     

面向带电作业的手臂末端输出力评估方法

为了解决带电作业时手臂末端输出力的准确控制,提出一种基于表面肌电信号(sEMG信号)和支持向量机回归(SVR)实现对手臂末端施力的评估方法.通过手握机械手臂末端的手柄,做往复推拉运动,记录此时手柄处的力传感器的数据F,同时利用3组肌电信号传感器同步采集手臂的肌电信号.将肌电信号提取特征后,与力F组合成样本集合S,在样本集合中随机抽取50%的样本数据作为训练集,分别训练BP神经网络、GRNN神经网络以及SVR神经网络.最后用训练好的神经网络对整个样本集中的力F进行预测,并用均方根误差和相关系数评估模型的预测效果.结果显示,SVR神经网络的预测效果较好,其均方根误差为3.074 0,相关系数为0.951 7.     

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.     

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.     

多通道肌电信号的FFT识别技术研究

为了提高单个通道肌电信号识别效率,对多通道肌电信号进行融合处理.选择了具有kaiser窗的FFT变换,对多通道肌电信号进行频谱特性分析,并提取出能表征各通道肌电信号特性的奇异值.在奇异值的基础上,利用BP神经网络的数据融合技术,从多通道中实现了单个通道的信息识别,有效地识别各动作模式,为康复机器人的智能化控制提供了有效的多通道肌电信号识别技术.     

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%.     

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.     

Analysis of sEMG signal for KOA classification

The sEMG signals are collected from the vastus lateralis,vastus medialis,biceps femoris,and semitendinosus of lower extremity during level walking among control subjects and knee osteoarthritis (OA) pa...     

基于改进概率神经网络的手势动作识别

为寻找一种快速且高识别率的手势识别方法,提出一种基于改进的概率神经网络手势识别算法。该算法采用K-W检验方法实现sEMG（Surface-Myoelectrogram Gestures）的特征选择,利用粒子群优化方法对传播率参数进行优化。在7种手部姿势识别的实验中,该算法平均正确识别率均在90%以上,而传统BP算法的正确率仅为85.7%。仿真实验结果表明,改进的概率神经网络算法具有更短的训练时间和更强的分类能力。     

BP神经网络优化模型在水体富营养化预测的国内进展

在湖泊富营养化已成为世界性的水污染治理难题的今天,富营养化预测模型应用广泛,已取得较大发展。文章介绍了运用BP人工神经网络预测水体富营养化的计算过程,综合论述了学者们在预测水体富营养化时水体中BP人工神经网络模型联合各种算法的优化情况,由此可以看出,足够多的样本是BP神经网络进行学习训练的关键;各种联合模型比普通BP人工神经网络模型更加准确、有效;多种联合模型并未运用于水体营养化评价方面;联合模型优化的BP人工神经网络必将具有巨大的价值和发展前景。     

人工神经网络模拟反应精馏过程的研究

提出了用BP（误差反向传播）神经网络模拟计算合成乙酸甲酯的新思路,模拟过程中采用学习速率可变的动量BP算法训练神经网络。结果表明：只要有充足可靠的数据为基础,采用学习速率可变的动量BP算法训练的神经网络的预测精度比普通BP算法的预测精度高10倍左右,且训练时间显著下降,是一种具有广泛应用前景的模拟方法。     

BP神经网络的遗传优化及其应用研究

针对BP神经网络具有训练速度慢、容易陷入局部极小值的特点,在分析其训练算法本质的基础上,提出将遗传算法（GA）引入神经网络训练,优化神经网络的权值和闽值,充分发挥遗传算法的全局寻优能力和BP算法的局部搜索优势,形成了一种新的GA—BP神经网络．应用实例仿真结果表明,GA—BP神经网络具有全局搜索、快速收敛的特点,建立的模型具有较高的预测精度和良好的泛化能力．     

神经网络在GPS高程拟合中的应用

讨论利用遗传算法(GA)、粒子群算法(PSO)来优化BP神经网络权值和阈值的原理;结合平坦地区的工程实例,研究二次曲面、BP、GA-BP与PSO-BP 4种拟合模型在GPS高程拟合中的应用.拟合结果表明:PSO算法优化BP神经网络精度效果优于GA算法优化BP神经网络精度,拟合误差更小.     

基于BP神经网络的数字图像修复

考虑到BP神经网络非凡的学习能力和非线性映射能力,提出了利用BP神经网络修复数字图像.由于一般的BP神经网络收敛速度较慢,且易陷入局部极小,产生振荡现象.因此考虑在梯度下降算法的基础上引进动量因子,结果发现收敛速度加快、振荡现象减轻.该方法根据待修复区域的边界寻找相似块,利用相似块周围像素数据得到BP神经网络的权值和阈值.试验表明:文中的方法相对于利用偏微分方程(如BSCB方法)速度要快,而且具有更大的ISNR.     

基于NSGA-Ⅱ算法的锅炉燃烧多目标优化

采用BP（back propagation,BP）神经网络模型分别建立了300 MW燃煤锅炉的NOx排放特性模型和锅炉热损失模型,同时利用锅炉热态试验数据对模型进行了训练和验证。结果表明：BP神经网络模型可以很好地预测锅炉的排放特性和锅炉的热损失特性。结合NOx排放模型和锅炉热损失模型并采用非劣分类遗传算法（non-dominated sorting genetic algorithm,INSGA-Ⅱ）对锅炉进行多目标优化,优化结果表明：NSGA-Ⅱ多目标优化方法与BP神经网络模型结合可以对锅炉多目标燃烧优化问题实现有效的多目标寻优,得到理想的Pareto解方案可以在降低锅炉NOx排放的同时使锅炉运行在较高的效率工况下,是对锅炉进行多目标优化的有效工具。