改进频率切片小波变换和卷积神经网络的手势肌电信号识别

为了提高肌电信号手势动作识别准确率,基于数据驱动提出结合改进频率小波切片变换和卷积神经网络的肌电手势识别方法。利用滑动窗对8通道肌电信号进行分割,通过改进频率小波切片变换将信号映射为时间-频率谱图,处理后的谱图输入一个18层卷积神经网络进行手势识别。采用133 000个肌电样本数据随机等分进行实验验证,7种手势动作的平均准确率达到97.94%,准确率在不同环境温度和电极测量位置(±1 cm)下无明显降低,提出方法手势识别准确率高、鲁棒性好。     

基于视觉和肌电信息融合的手势识别方法

针对人机交互技术对手势识别的可识别种类和识别正确率的问题,提出一种基于视觉方向梯度直方图(HOG)特征和肌电信号(EMG)时域特征融合及支持向量机(SVM)分类器的手势识别方法.利用视觉传感器和智能臂环分别采集手势图像信息和肌电信号,预处理后提取对应的HOG特征和时域特征;采用串行融合的方式将2种特征进行特征级融合;以...     

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。     

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。     

基于小波包主元分析的表面肌电信号特征识别

针对表面肌电信号(SEMG)的非平稳性及小波包变换系数维数过高的问题,提出一种小波包主元分析和线性判别分析相结合的表面肌电信号动作特征识别新方法。以表面肌电信号用于智能轮椅为例,对采集到的两路SEMG信号进行小波包主元分析,提取SEMG信号的运动特征矩阵,并将运动特征矩阵输入到线性判别分类器进行分类,实现了前臂动作识别。试验表明:该方法能够将小波包系数矩阵由16维降到4维,并且对前臂的四种动作模式(握拳、展拳、手腕内翻和手腕外翻)的平均正确识别率达98%,与传统的小波包变换相比有较高的识别率。     

基于FLM的特征检测算法在手势识别中的应用

提出一种用于特征检测的基于高斯函数的特征相似度函数(Feature Likelihood map(FLM))，该函数是归一化为[0，1]的一个函数，它模拟了在尺度空间中各点的图像特征的相似度．FLM继承了一些基于特征的图像描述方法的特点，避免了模型和数据匹配算法中所需要的大量的搜索，它还淘汰了基于特征的传统方法中的阈值需要．本文推导了对称圆状特征的相似度函数，并且将它运用于手势识别中，实验结果表明该方法能很好地检测出手形特征并且进行手区域定位和手形识别.     

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%.     

基于多核学习的下肢肌电信号动作识别

为了提高下肢肌电控制系统中多运动模式识别的准确性,提出一种基于多核学习(MKL)和小波变换尺度间相关性特征提取的多类识别方法.根据多核学习理论,采用二叉树组合策略构造基于多核学习的多类分类器.对下肢4路表面肌电信号进行离散平稳小波变换,用小波系数尺度间的相关性提取特征向量输入构造的多类分类器,对水平行走时划分的支撑前期、支撑中期、支撑末期、摆动前期、摆动末期这5个细分运动状态进行分类.实验结果表明,所提的多模式识别方法能够以较高识别率区分多个细分运动状态,得到比标准的单核支持向量机(SVM)分类器更好的准确性.     

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。     

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.     

基于时频组合特征的PSO-SVM手势识别方法

为了提高基于表面肌电(sEMG)信号的手势识别的准确率,提出了时频组合特征和粒子群算法优化支持向量机(PSO-SVM)相结合的手势识别方法.将手势sEMG信号的时域特征和频域特征进行线性组合,组合后的时频组合特征作为分类特征,采用经PSO优化的SVM分类器对8类手势进行分类.结果显示,基于时频组合特征均方根值-平均功率频率(RMS-MPF)、绝对均值-平均功率频率(MAV-MPF)的手势识别率,优于它对应的时域特征、频域特征的手势识别率,同时也优于时频域特征的手势识别率.表明了基于时频组合特征RMS-MPF、MAV-MPF的PSO-SVM方法对手势识别有良好的分类效果.     

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.     

基于离散信号相关性的声波通讯信号识别方法

在采油作业中,井下油藏参数获取的准确性与实时性,对制定采油工艺至关重要。以油管柱作为信道的无线声波通讯技术,能够满足井下油藏参数实时性和传输速率的技术要求,近年来成为油井通讯领域的研究热点。针对油井无线声波通讯中因噪音干扰和波形畸变导致的识别困难问题,提出了一种有效的识别方法——声波动态模型匹配法。该方法基于油管柱的声学模型和离散信号相关性,通过将待识别声波信号与动态模型进行相关处理提取其相关系数特征,根据其相关系数鉴别每位声波信号的含义,提高识别的准确率。     

基于对信号功率谱拟合特征提取的信号识别方法

针对通信信号业务种类识别问题,提出利用机器学习领域的线性回归算法和多项式拟合模型提取信号功率谱的多项式拟合因子作为信号的统一特征来构建训练集,并在深度学习平台keras上构建了全连接的神经网络分类器模型.相比传统的方法,新方法具有对无线电信号统一表征而无需对业务逐个提取个性化特征的优点.选取实际无线电监测数据中的码分多址（CDMA）上行、CDMA下行、增强型全球移动通信系统（EGSM）上行、EGSM下行、无线局域网（WLAN）以及长期演进（LTE）6种信号的功率谱数据作为数据集,通过验证得到了97%的分类准确率,并证明了该方法的可行性.     

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．