基于柔性神经树和表面肌电信号的手势识别模型

表面肌电信号因为具有非入侵式、易于采集特点,被广泛应用于康复医疗和行为识别等领域.传统的基于表面肌电信号sEMG( Surface Electromyography)的手势识别通常采用数字信号处理DSP( Digital Signal Processing)芯片或者集合方法研究实时识别问题.这些方法易导致数学模型参数繁多、硬件连接复杂和实时识别率较低.提出一种基于肌电信号与柔性神经树FNT(Flexible Neural Trees)模型的实时手势识别模型.柔性神经树模型通过简单的预定义建立,能够解决人工神经网络ANN( Artificial Neural Network)的结构高依赖性问题.柔性神经树模型不仅能够避免复杂的计算和电路连接,还具有较高的实时识别率.针对六名参与者的六种手势进行实验,实验结果表明:该模型的均方根误差RMSE(Root Mean Square Error)最低为0.000385,实时识别率最高可达97.53％.     

基于卷积神经网络的表面肌电信号手势识别

在当前科学技术快速发展的大背景下,通过应用卷积神经网络原理,能够将表面肌电信号的手势通过一维多通道的方式识别出来,避免在前期采用复杂的方法对表面信号进行预处理以及对信息采用手工提取方法所花费的时间.基于此,以右手为活动手,分析了握拳、向左、向右以及展拳4种手势时的表面肌电信号.将不同手势的肌电信号进行标记,生成信号长度不同的8通道信号训练集和测试集,并借助卷积神经网络的相关原理分析了卷积状态下的采样.借助相关研究后通过卷积神经网络的应用,能够实现卷积神经网络表面肌电信号的高效处理,从而实现对手势信号的识别,且识别率能够满足具体使用需求,因此其在实际工作中应用是有价值的.     

基于卷积神经网络的表面肌电信号手势识别

运用卷积神经网络原理,实现一维多通道的表面肌电信号的手势识别,避免了复杂的前期表面信号的预处理,以及手工特征提取阶段。文中分别采集右手的握拳、向左、向右和展拳4种手势的表面肌电信号。然后将采集的四种不同手势的肌电信号进行切割与标记,生成不同信号长度的八通道信号的训练集与测试集,运用卷积神经网络的原理,分别对其进行卷积、下采样。经过试验研究发现,运用卷积神经网络处理一维多通道表面肌电信号,从而实现手势识别的算法是可行的,并且能够得到较高的识别率。     

基于柔性神经树的Internet流量早期识别模型

在互联网产生的早期阶段对其进行准确有效的识别,对于网络管理和网络安全来说都有着极其重要的意义。鉴于此,近年来越来越多的研究致力于仅仅基于流量早期的数个数据包,建立有效的机器学习模型对其进行识别。本文力图基于柔性神经树（ FNT）构建有效的互联网流量早期识别模型。两个开放数据集和一个实验室采集的数据集用于实验研究,并将FNT与8种经典算法进行对比。实验结果表明,FNT在大多数情况下,其识别率和误报率指标优于其他算法,这说明FNT是一种有效的流量早期识别模型。     

基于柔性印刷工艺的表面肌电电极阵列装置的设计

设计了一种基于柔性印刷工艺的表面肌电电极阵列装置。该电极阵列由12个直径1.2mm的镀金圆电极分成两列组成,内部电极间距为3mm。电极载体材料(聚酰亚胺,厚50μm)具有较高的机械柔性,表面镀金(厚度2μm)的电极具有较低的阻抗,特制的聚酯双面胶带用于可重复使用的电极阵列装置的固定。在单指力量输出任务时记录指浅屈肌的多通道表面肌电(surface Electromyogram,sEMG)信号的实验中得到了稳定的基线和较好的sEMG信号。初步的实验结果表明,设计的这种低成本、体积小的高密度电极阵列装置能用于表面肌肉空间sEMG信号的检测。     

基于稀疏表示的联合多通道肌电信号手势识别

为了改善传统肌电信号手势识别过程的复杂性,将稀疏表示用于表面肌电信号手势识别。针对不同的动作模式下对表面肌电信号提取的特征总是有较大的差异,稀疏表示的过程可以将差异放大,从而改善分类效果。本文首先采集不同手势的多通道表面肌电信号,然后将多通道信号进行切割;通过求解测试样本在训练矩阵下的稀释表示,达到分类识别的目的,并通过实验仿真验证了算法的可行性和优越性。     

基于LightGBM的改进表面肌电信号手势识别研究

为了提升表面肌电信号(sEMG)手势动作识别的准确性和训练效率,提出一种基于LightGBM的手势识别模型.传统的GBDT算法训练效率较低,准确率无法快速提升,LightGBM算法采用基于梯度的单侧采样和互斥特征捆绑改进性能,具有训练速度快、占用内存低、分类准确率高的优势.将臂环采集到的8通道sEMG数据按时间顺序进行...     

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%。     

基于肌电信号稀疏特征的手势识别方法研究

基于表面肌电信号(sEMG)的手势识别技术是人机自然交互领域的重要研究方向.手势识别技术的实现关键在于如何提取sEMG信号的有效特征.提出了一种提取sEMG信号稀疏特征用于多类手势识别的有效方法.该方法以稀疏表示作为特征提取工具,以支持向量机(SVM)作为分类器对多个手势进行识别.首先,采用双阈值法检测分割出手势动作的...     

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.     

基于LabVIEW的多通道sEMG信号检测系统设计

针对多通道信号检测系统在表面肌电信号sEMG(surface electromyography)信号检测分析中的应用,设计了一种基于LabVIEW的多通道sEMG信号检测系统。该系统由前置调理电路、数据接口卡以及LabVIEW软件编程部分组成。利用该系统采集并分析健康受试者完成指力跟踪动作时前臂指总伸肌上4通道sEMG信号时频域的特征值。实验结果表明,该系统能实现4通道sEMG信号的实时采集,并得到与手指力量相关的sEMG信号时域特征和频域特征,验证了所设计检测系统是可行的。     

基于标准差的快速分形图像编码

由于基本分形图像编码过程非常耗时,本文提出了一种基于标准差的快速分形编码方法.先将子、父块按标准差分为平滑块和非平滑块.码本由所有非平滑父块构成,并按标准差赋序.若子块为平滑块,直接存储其均值,否则在赋序码本中寻找其在标准差意义下的最近邻父块,进而在该父块的邻域内进一步搜索最佳匹配父块,搜索时需对父块进行8种等距变换,同时引进误差阈值来控制子块搜索的邻域范围.实验证明,该算法编码速度大大提高,并且该算法在相近编码时间前提下的解码图像质量及在相近峰值信噪比（PSNR）情况下的编码速度均优于基于图像块叉迹的快速算法.     

基于高密度肌电电势图的正常吞咽过程可视化研究

从体表采集吞咽肌群的肌电信号可以为吞咽功能评估、吞咽障碍诊断及其康复治疗提供重要的电生理信息。目前利用体表肌电信号针对吞咽生理的临床研究通常只采用了少量电极(2～4 个),难以从空间分布角度进行分析。为此,本文提出一种高密度肌电技术,通过颈前区域覆盖的电极阵列,同步采集 96 通道肌电信号进行分析。通过分析连续时间窗口内 96 通道的均方根值,建立一系列动态二维肌电电势图,实现了吞咽肌电信息的可视化。本研究招募了 5 名正常受试者参与实验,研究结果表明：正常受试者的动态肌电电势图模型可以反映正常吞咽过程中相关肌群的电生理活动的分布。这些初步结果验证了本方法可以为吞咽肌群活动提供可靠的动态描述信息,也可以作为吞咽障碍临床评估的辅助手段。     

基于肌电信号的多模式抓握力估计

针对大多肌电控制的假肢只研究模式识别而没有对抓握力和抓握模式同步解码的问题,提出一种同时分析抓握模式和抓取力的方法。首先,采用4通道表面电极采集人体手臂肌电信号(EMG),采用力敏电阻(FSR)采集抓取力信号;然后,分别利用线性判别分析(LDA)方法和人工神经网络(ANN)进行抓握模式识别和力估计。在4种抓握模式下分别建立4个肌电信号-力关系,一旦判别出抓取模式,则调用相应模式下肌电信号-力模型估计抓握力大小以实现模式识别和力估计的结合。实验结果表明,当进行模式和力的同步解码时,模式平均分类精度约为77.8%,力估计的准确率约为90%。该方法可以用于假肢的肌电控制,不仅可以解码使用者的抓取动作的意图,还可以解码使用者期望的抓取力,辅助假肢实现稳定抓取。     

基于MPCNN模型的sEMG快速迁移学习的手势识别应用研究

为解决个体间差异性的问题并提高手势识别技术的普适性, 提出基于多并行卷积神经网络(MPCNN)的迁移学习策略, 旨在实现基于表面肌电信号的高效手势识别。MPCNN通过并行架构和优化的迁移学习机制, 对比以往的卷积神经网络(CNN)迁移框架以更有效地处理不同个体间的生理差异, 从而提高模型对新用户的适应性和识别准确率。此外, MPCNN通过减少模型训练时间和提高泛化能力, 增强系统的实用性。通过多组实验, 包括倍数交叉验证、消融实验和健壮性测试来证实所提策略在多个方面的有效性。实验结果表明, 与传统CNN模型相比, 提出的MPCNN迁移学习策略显著提升手势识别准确率, 在Ninapro DB7数据集上的识别率达到了94.95%, 对比CNN迁移学习框架提高了4.38百分点, 同时训练时间减少了超过50%, 验证了MPCNN迁移模型在减轻训练负担、增强泛化能力和提高抗干扰性方面的优点。基于实验模型对人机交互能力进行了验证, 验证了其在肌电控制应用前景。     

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．     

基于平均偏差的快速分形图像编码

针对基本分形编码方法耗时过长的不足,提出了一种基于平均偏差的快速算法.首先对所有父决按平均偏差排序,然后将子块按标准差分为平滑块和非平滑块,对于平滑子块直接存储其均值;对于非平滑子块,在以其平均偏差意义下的最近邻父块为中心的邻域内搜索最优匹配父块,并且引入误差阈值控制子块的搜索过程.实验表明,较之基本分形编码算法,所提快速算法的编码速度大大提高,并且优于基于形态特征的快速算法.