基于表面肌电信号的截肢者人手动作模式识别

基于表面肌电信号(sEMG)的手部动作模式识别技术已被广泛研究,它在健全的受试者中有良好的分类性能.但对于截肢者的日常使用,其性能还需进一步研究.本文对截肢者进行了10天的肌电信号采集,调查了截肢者对于不同动作的分类性能.模仿实际应用条件,取时域特征为支持向量机(SVM)的输入,对截肢者的双侧手臂进行手部动作识别,结果...     

基于非线性特征的表面肌电信号模式识别方法

该文提出一种计算非线性时间序列信号Lyapunov指数的新方法球均值Lyapunov指数计算法,用于肢体肌电信号的特征提取与分类。首先采用所提方法计算出肌电信号的Lyapunov指数,并与关联维组合构成输入特征向量,然后用二叉树法构造基于对支持向量机的多类分类器,对握拳、展拳、腕内旋、腕外旋4类动作模式进行分类识别。实验结果表明,该方法不仅具有比Rosenstein算法更强的抗干扰能力,而且在肌电信号的特征提取与分类应用中取得96.0%以上的识别率,适合于分析信噪比较低的混沌信号。     

集成语音信号与表面肌电信号的情感自动识别模型

为了提高情感识别的正确率,针对单一语音信号特征和表面肌电信号特征存在的局限性,提出了一种集成语音信号特征和表面肌电信号特征的情感自动识别模型.首先对语音信号和表面肌电信号进行预处理,并分别提取相关的语音信号和表面肌电信号特征,然后采用支持向量机对语音信号和表面肌电信号特征进行学习,分别建立相应的情感分类器,得到相应的识别结果,最后将识别结果分别输入到支持向量机确定两种特征的权重系数,从而得到最终的情感识别结果.两个标准语情感数据库的仿真结果表明,相对于其它情感识别模型,本文模型大幅提高了情感识别的正确率,人机交互情感识别系统提供了一种新的研究工具.     

表面肌电信号模式识别在康复工程中的研究

本文针对近年来基于sEMG的动作模式识别研究进展做分析,对于在康复工程领域的应用进行介绍。     

基于小波包变换的表面肌电信号模式识别

采用小波包变换的方法对表面肌电信号sEMG进行了多尺度分解,并提取小波包分解系数的能量值构建特征矢量,采用四种方法设计多类最小二乘支持向量机（LS-SVM）分类器,对8种表面肌电信号进行了模式分类。实验结果表明,采用四种多类分类方法的LS-SVM分类器对8种表面肌电信号的平均识别率在90%以上,LS-SVM分类准确率明显优于传统的RBF神经网络分类器。     

基于相关性分析和支持向量机的手部肌电信号动作识别

为了有效提取表面肌电信号(SEMG)的特征,该文提出了一种基于相关性分析的改进的特征提取方法。首先用空域相关法对两路SEMG信号进行消噪预处理,然后对处理后的SEMG信号进行四尺度小波变换,并通过相关性分析提取SEMG信号的重要边缘在各尺度上的小波系数,以各尺度上的这些系数的平方和构建六维特征向量输入支持向量机分类器,对手部的多个动作进行分类。实验结果表明,基于相关性分析和小波变换构筑的特征向量结合支持向量机的方法能够以较高识别率区分伸腕、屈腕、展拳、握拳4种动作,能够得到比传统的神经网络分类器更为准确的分类结果。     

基于粒子群优化-支持向量机方法的下肢肌电信号步态识别

为提高下肢表面肌电信号步态识别的准确性和实时性,该文提出一种基于粒子群优化(PSO)算法优化支持向量机(SVM)的模式识别方法。首先对消噪后的肌电信号提取积分肌电值和方差作为特征样本,然后利用PSO算法优化SVM的惩罚参数和核函数参数,最后利用步态动作的肌电信号样本数据对构造的SVM分类器进行训练、测试。实验结果表明PSO-SVM分类器对下肢正常行走5个步态的识别率,明显高于未经参数优化的SVM分类器,优化后平均识别率达到97.8%,并兼顾了分类的准确性和自适应性。     

肌电模糊熵特征的加权核FDA跌倒识别

针对跌倒常常对老年人的健康构成严重危害的问题.本文设计了一种基于肌电信号的跌倒检测方法,首先提取腓肠肌和股外侧肌的sEMG的模糊熵特征作为特征向量,然后,针对日常活动动作类(Activities of Daily Life,ADL)的数目远多于跌倒类导致的数据集不平衡的问题,提出了加权核Fisher线性判别方法,采用相应的平衡参数来调节样本核矩阵,最终,将跌倒与行走、蹲下和坐下辨识出来.实验结果表明,该方法跌倒平均识别率96.7%,ADL平均识别率99.4%,识别结果优于其它分类方法.     

非线性SVM融合LDA的sEMG手势识别应用分析

针对非线性SVM及LDA算法在肌电信号手势识别应用上的合理性问题进行实验,比较新型非线性支持向量机(SVM)分类方法和实际应用中常用的线性判别分析(LDA)在肌电图手势识别上的优劣。首先采用1到6不同数量的电极采集3组不同的手臂动作的前臂肌电信号,记录数据。然后,通过计算机编写算法程序对比SVM和LDA两种方法在不同电极数量下的肌电手势识别的准确率。最后得出结论,2种算法的手势识别率与肌电电极数量密切相关,根据电极数选择合适的分类算法。分析表明,该实验在减少电极数量情况下对手势识别算法的选择有重要意义。     

基于耳周围EMG信号的舌-机接口编解码技术研究

人-机交互（Human-Computer Interface, HCI）是将人的意图或运动转为机器指令的技术。其中,利用生物电信号来实现人与外部设备之间实时通信的HCI系统可反映人体内部状态和预期行动,已广泛应用于健康监测、医疗诊断、航空航天、假肢和辅助设备的开发等多个领域。研究表明,基于肌电（Electromyography, EMG）的HCI系统稳定性强、实用化程度高,具有广阔的应用场景。其中,舌头运动具有高度的灵活性和可控性,诱发信号强且易于检测,因此通过舌动来控制外部设备的舌-机接口（Tongue-Computer Interface, TCI）具有重要的研究价值。然而现有研究的舌动信号采集方式仍然无法同时满足自然场景下高用户舒适度、精识别准确率和多控制指令集等方面的需求。为此,本研究设计了7种不同的舌头运动方式,分别为舌头“从左到右”、“从右到左”、“向上”、“向下”、“吐舌”、“卷舌”和“说‘talk’”运动,并采用更为便捷、舒适的电极放置方法获取了22名受试者的耳周围舌动EMG信号。本研究通过时、频域特征和共空间模式（Common Spatial Pattern, CSP...     

基于数字信号处理器的激光成像雷达目标识别算法实现

激光成像雷达的空间分辨率较高,能成四维像(强度像 三维距离像),适合作目标识别探测器.支持向量机(SVM)是一种能在小样本学习的情况下,仍有较高识别正确率的目标识别方法.通过优化支持向量机算法,将它嵌入到激光成像雷达系统的数字信号处理器(DSP)芯片内,实现目标识别的功能,有很高的现实意义.首先用真实激光成像雷达强度像做实验,测试56个样本,共耗时31.97μs,证明嵌入到数字信号处理器的支持向量机算法能满足实时性要求,识别正确率为98.2%;再用仿真激光成像雷达距离像验证支持向量机的推广能力,证明支持向量机在实时性和识别性能两方面都能满足激光成像雷达的识别要求.     

融合时空特征的视频序列表情识别

针对视频表情识别,静态特征不能有效描述人脸区域沿时间轴动态变化信息的局限,该文提出一种融合动态纹理信息和运动信息的表情识别方法,借鉴LBP-TOP原理,提出具有时空域描述能力的时空韦伯局部描述子(STWLD)来提取动态纹理信息,同时采用分块光流直方图(BHOF)描述运动信息,最后利用SVM对融合后的纹理和运动信息完成表情分类。在CK+和MMI表情数据库上的交叉实验结果表明,相比基于单一特征的识别方法,所提方法取得了更好的效果;与其他相关方法的对比实验也验证了该方法的优越性。     

基于改进RFT算法的宽带LFMCW雷达运动补偿方法

针对线性调频连续波(LFMCW)雷达运动补偿问题,提出了一种改进型Radon-Fourier变换(RFT)的参数类成像方法。首先用RFT算法在大搜索范围内进行了运动速度的粗估计;然后再在粗速度估计误差范围内基于Tsallis熵对速度进行了精估计;最后根据估计结果对LFMCW雷达目标完成了成像。由于改进的RFT算法的两次估计均使用到了相参积累,因此该算法可在低信噪比条件下对速度进行估计;此外该算法先在大范围内粗搜索,再在小范围内精搜索,这样的方式有效降低了算法运算量,使传统方法得到了改进。最后通过仿真实验验证了所提算法的有效性。     

基于曲面类型与深度学习融合的三维掌纹识别技术

传统的2维掌纹识别在图像采集时容易受到干湿度、残影和压力等影响,使得其鲁棒性和准确性降低。为解决这些问题,3维掌纹识别技术应运而生。现有的3维掌纹身份认证技术需要将掌纹的特征提取与匹配识别分开进行,不仅延缓了识别时间,更增加了不同方法优化组合的难度。该文提出一种基于曲面类型(ST)与深度学习融合的3维掌纹识别方法。该方法利用ST图像表示3维掌纹特征,并将其作为卷积神经网络(CNN)的输入,实现网络的训练。测试图像可自行提取掌纹图像特征信息并在网络中直接完成识别。实验结果表明,该文方法在公开数据集上得到了99.43%的准确率和28 ms的识别时间,与传统3维掌纹识别方法相比均有提高,实现了3维掌纹的快速高精度识别。     

基于最近相关性分类器的单样本掌纹识别

为了解决单样本掌纹识别的困难,研究了基于最近相关性分类器(NCC)的单样本掌纹识别方法。首先对掌纹图像进行分块,划分为若干个子图像;然后运用统计特征、傅里叶变换、离散余弦变换(DCT)和Gabor变换4种方法对子图像进行特征提取,将所有子图像的特征向量组合在一起形成该图像的特征向量;最后应用NCC进行分类识别。运用PolyU掌纹图像库,对本文算法进行测试。实验结果表明:与最近邻分类器(NNC)和支持向量机(SVM)相比,在不同大小的子图像上,运用不同的特征提取算法,NCC均提高了识别率;分类时间在0.3～0.7s之间,满足实时系统的需求。     

深度特征筛选及融合的人脸识别方法研究

针对人脸识别问题,提出采用深度特征筛选及融合的方法.采用卷积神经网络(CNN)学习人脸图像的多层次深度特征.对于所有的深度特征矢量,使用斯皮尔曼等级相关系数筛选其中有效部分.基于支持向量机(SVM)对筛选得到的任一深度特征矢量进行分类决策,并基于线性加权融合对它们的结果进行融合,最终确定待识别样本的人脸类别.基于ORL...     

基于支持向量机的粗糙海面风速及海表盐度反演研究

将支持向量机(Support Vector Machine, SVM)回归技术应用到海况参数(如海表盐度、海面风速等)反演研究.利用双尺度模型(Two-Scale Model, TSM)作为前向电磁算法, 数值模拟不同雷达参数下风驱粗糙海面微波后向散射系数, 经过敏感性分析, 选取L波段(1.4 GHz)、C波段(6.8 GHz)及其合适的入射角作为雷达参数, 并设计多种反演方案, 分别以单频率双极化双角度、双频率双极化双角度及双极化后向散射系数的比值作为SVM的训练样本数据信息, 经过适当的训练, 利用SVM回归技术对海洋表面风速和盐度进行了反演研究.研究结果表明, 针对于海面风速的反演, C波段的反演精度最高, 针对于海表盐度的反演, L波段同极化散射系数比值作为SVM输入的反演精度较高.最后, 检验了SVM反演方法的抗噪声性能, 表明文中提出的SVM方法能较好地应用于实际海况参数反演问题.     

基于加权合成核与三重Markov场的极化SAR图像分类方法

马尔可夫随机场(Markov Random Field,MRF)广泛用于处理遥感图像的分类问题,然而MRF在构建极化合成孔径雷达(Synthetic Aperture Radar,SAR)图像模型时未考虑其非平稳特性且对初始分类较为敏感,为此本文提出了一种基于加权合成核与三重马尔可夫随机场(Triplet Markov Field,TMF)的极化SAR图像分类方法.该方法依据训练样本在特征空间上的距离,提出了加权合成核函数权重系数的自适应确定方法以提高初始分类的精度和普适性;为充分考虑极化SAR图像的非平稳统计特性,利用TMF对极化SAR图像进行统计建模以实现贝叶斯分类.实验结果表明,与基于MRF的极化SAR图像分类方法相比,本文所提方法可获得更高的分类精度和更平滑的同质区域分类结果,而且本文方法能更好地保持图像边缘信息.