基于支持向量机多分类的眼电辅助肌电的人机交互

针对单一肌电信号在控制系统中正确识别率不高问题,设计并实现了一种基于支持向量机(SVM)多分类的眼电(EOG)辅助肌电(EMG)的人机交互(HCI)系统。该系统采用改进小波包算法和阈值法分别对EMG信号和EOG信号进行特征提取,并对特征向量融合;然后提取特征参数作为SVM的输入来识别EMG信号和EOG信号动作模式,根据分类结果生成控制命令。实验证明,该系统比单一肌电控制系统更便于操作,稳定性好,正确识别率高。     

基于肌电信号和姿态信号的手势识别

针对仅利用手臂表面肌电(EMG)信号难以准确识别手指动作的问题,提出了将手指关节的姿态信号与表面EMG信号融合用于识别手指姿势的方法。利用MYO手环同步采集手臂的8组肌电信号,同时利用姿态传感器采集手指运动时的三维角度信息。采用滑动平均能量法,依据采集到的原始EMG信号进行活动段检测,提取出执行有效动作过程中的相关信号,并分别采用绝对值均值(MAV)和标准差(SD)对该部分的肌电信号和角度信号提取特征。将提取的特征值作为SVM多类分类器的输入,用于识别手势动作。实验结果表明:融合手指角度信号可有效提高手指动作的识别率,整体识别率达到99. 3%。     

基于人工鱼群算法优化SVM的手部动作sEMG识别

为了提高人体手部运动模式识别的准确性,提出了一种基于人工鱼群算法优化支持向量机( SVM)的模式识别方法.该方法对采集的表面肌电信号( sEMG)去噪后提取小波系数最大值作为特征样本,将提取后的特征输入到SVM进行动作模式识别,同时采用人工鱼群算法优化SVM( AFSVM)的惩罚参数和核函数参数,避免参数选择的盲目性,提高模型的识别精度.通过对内翻、外翻、握拳、展拳四种动作仿真结果表明:该方法与传统的SVM方法相比具有更高的识别率.     

基于WPKPCA和SVM的SEMG动作识别方法

为了有效提取表面肌电信号SEMG(Surface Electromyographic)的特征,更好的识别人体上肢运动模式,提出了一种小波包核主元分析(WPKPCA)和支持向量机(SVM)相结合的新方法。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,应用小波包核主元分析法对表面肌电信号进行特征提取,采用支持向量机对表面肌电信号特征数据进行分类识别。实验结果表明,采用此方法能够从表面肌电信号中识别出握拳、展拳、手腕内翻和手腕外翻4种动作,更能有效提取表面肌电信号信息,动作识别率高达98%。     

基于WPT和LDA的表面肌电信号特征识别方法

针对时域特征参数在表面肌电信号(SEMG)模式识别过程中的局限性,提出一种小波包变换(WPT)和线性判别分析(LDA)相结合的新方法;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,应用小波包变换对表面肌电信号进行多尺度分解,提取小波包系数并计算其均方根作为特征参数,应用线性判别分析对表面肌电信号数据进行分类识别;实验结果表明,采用此方法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,与时域参数相比,此方法更能有效提取表面肌电信号信息,且有较高的动作识别率,识别率高达98.2%。     

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。     

基于排列组合熵的高速列车走行部故障分析

针对列车走行部的多种故障模式,提出了基于排列组合熵的高速列车走行部故障诊断方法.对原车和抗蛇行减振器失效、空气弹簧失气、横向减振器失效四种工况进行仿真实验,得到列车不同位置的振动信号.计算列车振动信号的排列组合熵,首先实现了同一速度下不同故障的分离,然后以排列组合熵作为故障特征向量,对特征向量进行多级SVM分类识别.实验结果表明,该方法可以有效识别列车同一速度下的不同故障,高速时对四种工况的平均识别率达97％以上.     

基于人体姿态的P SO-SVM特征向量跌倒检测方法

在可穿戴设备检测人体跌倒情况时,单一采用加速度阈值判别方法不能完整表征人体跌倒行为变化的信息,导致对跌倒信息误判.为此,提出了一种基于人体姿态的PSO-SVM特征向量跌倒检测算法.首先通过MEMS加速度传感器节点采集人体姿态数据,并利用共轭梯度法对采集的数据进行优化处理,降低非线性误差;然后,利用支持向量机SVM(Support Vector Machine)分类器检测跌倒行为,并通过粒子群PSO(Particle Swarm Optimization)算法对SVM参数进行优化,获得最佳分类模型,根据SVM分类模型对采集的姿态数据进行分析,判断是否跌倒;最后根据人体姿态角,构建融合人体姿态角的PSO-SVM特征向量,检测跌倒过程的具体信息.实验结果表明:该检测方法取得95.5%的识别率,能够较好地区分其他非跌倒性动作,检测精度较其他方法较高,均方根误差较小,有较好的鲁棒性.     

基于人工神经网络对sEMG信号的手势动作识别

针对利用表面肌电信号(sEMG)对手势动作的肌电信号的研究较少和sEMG信号处理过于复杂的问题,提出了利用人工神经网络和sEMG信号对人的手势动作进行识别研究,引入了MYO硬件设备对新的手势动作sEMG信号采集.利用MYO从手臂上获取每一个手势动作的sEMG信号,提取信号特征值,作为算法的训练数据和测试数据.采用人工神经网络中的反向传递神经网络算法来进行对4种不同手势动作分类,对应目标手指识别率在90.35%.研究结果可以被用来做临床诊断和生物医学的应用以及用于现代硬件的发展和更现代化的人机交互的发展.     

基于小波包与支持向量机的复杂信号模式识别

为很好地识别神经和肌肉的功能状态,针对表面肌电信号的非平稳特性,提出了采用小波包变换的方法对原始肌电信号进行分解,并提取其频段系数的最大奇异值构建特征矢量.利用"一对一"的分类策略和二又树构建多类支持向量机分类器,经训练后可以有效地对前臂8种动作的表面肌电信号进行识别,8种动作的平均识别率达到99.375%.实验结果表明,支持向量机分类器的识别率明显优于传统的BP神经网络、Elman神经网络和RBF神经网络分类器,且鲁棒性好,并具有良好的泛化推广能力.     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于排列组合熵的脑电意识任务识别方法的研究

研究基于脑电信号排列组合熵的运动意识任务自动分类方法.求出时变脑电信号所对应的排列组合熵时间序列.它能很好的反映出事件相关去同步(ERD)和事件相关同步(ERS)现象,因此能有效地提取人脑想象左右手运动任务时的特征,最终利用K-近邻法模式分类方法对想象左右手运动任务进行分类决策.对国际脑机接口竞赛相关数据进行测试,最高准确率达到88.57%,最大互信息达到0.42.基于排列组合熵的脑电信号特征,可以作为脑电意识任务的有效分类依据.     

基于鲸鱼算法优化LSSVM的滚动轴承故障诊断

针对轴承振动信号中的故障特征难以提取的问题,提出一种基于改进的鲸鱼算法优化最小二乘支持向量机(least square support vector machine, LSSVM)的故障分类方法.首先,利用变分模态分解(variational mode decomposition, VMD)对原始信号进行分解,使用中心频率法解决VMD中分解参数K值的选取问题;其次,计算每个IMF分量的多尺度排列熵值,提取信号故障特征;再次,针对鲸鱼算法(whale optimization algorithm, WOA)收敛速度慢和精度低的问题,引入冯诺依曼拓扑结构和自适应权重进行改进,可以适当地调整全局搜索能力和局部搜索能力之间的平衡;最后,采用改进后的鲸鱼算法优化LSSVM核函数的参数和惩罚因子,建立滚动轴承故障诊断模型,并利用美国凯斯西储大学提供的轴承数据集进行仿真实验.实验结果表明,所提方法的故障分类性能更好,准确率更高.     

基于参数联合优化VMD-SVM的工业机器人旋转部件故障诊断方法

针对因工业机器人旋转部件故障诊断模型最优参数难以自适应确定导致故障识别率低的问题,提出了一种参数联合优化的VMD-SVM的工业机器人旋转部件故障诊断方法;提出了一种基于遗传变异的改进灰狼算法,该算法采用Logistic混沌映射进行种群初始化,将非线性因子引入位置更新公式,并利用遗传变异策略解决算法陷入局部最优时的停滞现象;基于该算法对VMD和SVM进行参数联合优化;利用参数优化的VMD对故障信号进行分解,对所得的本征模态函数计算改进样本熵以构成特征向量,再输入至参数优化的SVM完成工业机器人旋转部件的故障诊断;仿真和实验结果表明,本文方法能够准确地进行故障诊断,在信号无噪和含噪的条件下准确率最高均达100%,较EMD、LMD、DTCWT、VMD等四种方法具有更优的指标。     

基于统计特征和熵特征融合的心肌梗死辅助诊断方法

针对心肌梗死临床诊断过程中临床实用性和准确率不高的问题,提出一种基于12导联心电图（ECG）的心肌梗死的辅助诊断方法。首先,对12导联ECG信号进行去噪和数据增强处理;其次,分别对各导联ECG信号提取包含标准差、峰度系数、偏度系数的统计特征,以此反映信号的形态特征;同时,提取包含香农熵、样本熵、模糊熵、近似熵和排列熵的熵特征,以此表征ECG信号时间序列的时间与频谱复杂性、新模式产生的概率、规律性和不可预测性以及检测ECG信号的微小变化;然后,融合ECG信号的统计特征和熵特征;最后,基于随机森林算法在病人内和病人间两种模式下对算法进行分析和验证,并通过交叉验证防止过拟合。实验结果表明,病人内模式下算法准确率和F1值分别为99.98%和99.99%,病人间模式下算法准确率和F1值分别为94.56%和97.05%;与基于单导联ECG的诊断方法相比,采用12导联ECG诊断心肌梗死更符合医生临床诊断逻辑。     

联合同步挤压小波变换和多尺度排列熵的局部放电类型识别

为稳定提取变压器局部放电信号的特征,提出一种基于同步挤压小波变换和多尺度排列熵的局部放电特征提取方法,再通过ＧＫ模糊聚类方法对局部放电信号的特征进行识别分类。首先,通过同步挤压小波变换对4种典型变压器故障产生的局部放电信号进行分解,将其分解为一组含有局部放电特征信息的模态分量;然后,通过多尺度排列熵量化各模态分量的局部放电特征信息,使用各模态分量多尺度排列熵的平均值作为识别特征向量;最后,利用模糊聚类得到的局部放电样本标准聚类中心,采用欧式贴近度进行局部放电识别分类。将提出的方法应用于变压器局部放电的实验数据上,并与基于小波分解方法和经验模态分解的识别方法进行对比分析,实验结果表明,所提出的方法具有更好的分类性,对变压器局部放电分类具有更高的识别精度,平均识别精度达到93.60%。     

基于参数优化VMD和样本熵的滚动轴承故障诊断EI北大核心CSCD

针对滚动轴承故障特征提取不丰富而导致的诊断识别率低的情况,提出了基于参数优化变分模态分解(Variational mode decomposition,VMD)和样本熵的特征提取方法,采用支持向量机(Support vector machine,SVM)进行故障识别.VMD方法的分解效果受限于分解个数和惩罚因子的选取,本文分析了这两个影响参数选取的不规律性,采用遗传变异粒子群算法进行参数优化,利用参数优化的VMD方法处理故障信号.样本熵在衡量滚动轴承振动信号的复杂度时,得到的熵值并不总是和信号的复杂度相关,故结合滚动轴承的故障机理,提出基于滚动轴承故障机理的样本熵,此样本熵衡量振动信号的复杂度与机理分析的结果一致.仿真实验表明,利用本文提出的特征提取方法,滚动轴承的故障诊断准确率有明显的提高.     

基于表面肌电信号的肌肉疲劳状态分类系统

为了实现肌肉疲劳状态的准确检测分类,提出一个完整的基于人体表面肌电（sEMG）信号的肌肉疲劳分类与检测系统。首先,通过AgCl表面贴片电极和高精度模拟前端ADS1299采集人体sEMG信号,进行小波消噪等预处理之后,提取可反映人体肌肉疲劳状态的sEMG信号时域和频域特征。然后,在常用特征如积分肌电图（IEMG）、均方根（RMS）、中值频率（MF）以及平均功率频率（MPF）基础上,为更加精细地刻画人体肌肉疲劳状态,引入sEMG信号的频域特征带谱熵（BSE）;为弥补傅里叶变换分析非平稳信号的不足,引入sEMG信号时频特征——基于经验模态分解-希尔伯特变换（EEMD-HT）的平均瞬时频率。最后,为提高肌肉非疲劳和疲劳状态分类的准确度,利用含突变的粒子群优化算法优化支持向量机（PSO-SVM）并对sEMG进行分类,实现人体肌肉疲劳状态检测。征集15名健康男青年进行sEMG信号采集实验,建立sEMG信号库,提取特征进行分类实验。实验结果表明,所提的系统能够进行高精度sEMG信号采集和肌肉疲劳程度的高准确度分类,分类准确率大于90%。     

基于表面肌电和组织阻抗信息融合的手势识别研究

手势识别中的一种常见方式是通过表面肌电信号来实现。为提高手势识别的稳定性和精度, 通常需要采集多个通道的肌电信号,但这会增加电极传感器的数量以及识别系统的复杂度。因此,如 何利用较少量的通道采集信号并确保手势识别的性能一直是肌电信号应用到意图识别的研究方向之 一。该研究设计了一款便携式四通道肌电和阻抗双模信号采集器,在不增加额外传感器和通道数的情 况下,能同时采集肌电信号和差分电极对之间的组织阻抗信号。初步实验结果表明,通过该系统采集 的四通道融合信息可以提升手势识别的准确率和稳定性。与仅采集肌电信息相比,该研究采用的肌电 与阻抗信息融合方法可以将手势识别性能提升 3% 以上,达到 96.2% 的识别率。     

Feature extraction of surface electromyography signals with continuous wavelet entropy transform

A novel tool of bio signal processing is proposed to identify human muscle action through sEMG. The tool is based on Integration of continuous wavelet transforms, wavelet time entropy and wavelet frequency entropy to identify muscle actions through sEMG. The experiments are carried out on triceps, biceps and flexor digitorum superficial (FDS) muscles. sEMG signals are measured at different intensities of FDS muscle contractions in order to verify the consistency of results. By taking the average entropies and based on lowest average wavelet entropy, it is found in calibrated experiment that complex Shannon wavelet family is the best candidate to identify the muscle activities among: Derivative of Gaussians wavelet family, Derivative of Complex Gaussians wavelet family, Complex Morlet family, Symlets, Coiflets and Daubechies wavelet families. Moreover, the results are consistent over the time-variant signal. The results presented in this paper have futuristic engineering implication in biomedical engineering and bio-robotic applications.