基于功率谱的表面EMG信号运动模式识别

通过对肌电信号功率谱特性的研究，提出了将功率谱所占带宽的倒数作为EMG信号特征的处理方法。用该方法提取的特征值具有区分肌电信号所代表的运动模式的能力，同时也能较好地消除受试个体差异所带来的影响。在此基础上，可利用传统的阈值方法来识别EMG信号所代表的肢体运动模式。实验表明该处理方法有很高的识别率，有很好的应用前景。     

一种改进的证据算法及其在信息融合中的应用

阐述了基于证据理论的信息融合算法,提供了一种证据理论的改进方法以解决D-S算法在实现过程中存在的失效问题.并通过多传感器信息融合实验,对该方法的有效性进行了验证.     

利用DCOM技术实现机器人远程控制

建设性地提出基于分布式组件技术构建多层网络化机器人远程控制系统，利用分布式组件(DCOM)技术的方法实现了机器人的远程控制和网络共享。     

用证据理论实现机器人多感觉信息的融合

阐述了基于Ｄ－ Ｓ证据理论的多传感器信息融合算法,提出一种基于Ｄ－ Ｓ理论的推广方法以解决融合信息的相关性问题。用机器人的力觉和热觉传感器作实验,对目标物体进行了分类识别     

机器人触觉和热觉复合传感系统的研制

本文在分析现有机器人触觉、热党特点的基础上,提出了一种用PVDF做敏感材料研制的机器人触觉和热觉复合传感器的结构、硬件处理电路及其信号处理方法,最后,对研制的传感器及信号采集处理系统进行了触觉感知及热觉识别试验,给出了有关结果.     

融合表面肌电和加速度信号的下肢运动模式识别研究

为了提高下肢运动模式识别率,本文设计了一种融合表面肌电和加速度信号的下肢运动模式识别方法.首先,用局部均值分解将表面肌电信号分解为多个乘积函数（Product Functions,PFs）,再计算PF成分的多尺度排序熵.然后,通过拉普拉斯权重（Laplacian score,LS）特征选择算法选定每路肌电信号的一个尺度排序熵为特征,并把该特征和加速度信号的排序熵组成特征向量.最后,根据类内欧氏距离和类间样本分布,设计了改进的二叉树支持向量机,把特征向量输入该支持向量机进行下肢运动模式分类.实验结果表明所提方法对七个日常动作的平均识别率达到98.62%,相较于其他方法有较高的识别率.     

基于深度神经网络的实时人脸识别

作为典型的模式识别任务,人脸识别有着巨大的实际应用价值与市场前景。理想环境下的人脸识别已经取得不俗成绩,然而,当所处环境变化（如姿态变换、夸张表情、阴阳脸、分辨率较低）时,识别难度增加,效果也急剧变差。与此同时,现有大多数方法无法实时（在线）完成人脸识别任务,这也限制了人脸识别技术的应用。为此,该文以深度神经网络为框架,使用大规模人脸库构造了一种新型实用的多层网络应用于大规模的人脸识别任务中并提出了一种新的搜索策略。实验结果表明,该套方法实时性好,识别率较高,是人脸识别较为理想的方案。     

基于sEMG的行走步态非均匀特性及其对识别的影响

人体生理特性和运动特性是影响步态识别的重要因素。利用实验采集的下肢表面肌电信号,首先对肌电信号进行小波消噪及特征提取,然后构造支持向量机分类器进行分类与识别,并针对步态周期数据的非均匀性（非等时性）特性进行了详细讨论。结果表明,即使在匀速行走条件下,人体步态周期仍然存在一定的非均匀特性,且这一特点会影响步态识别的准确性。这对于进一步研究步态稳定性和步态识别率等具有一定的参考价值。     

基于CEEMDAN-ICA的单通道脑电信号眼电伪迹滤除方法

传统盲源分离法不能解决欠定问题,且分离信号与源信号对应关系不确定.提出一种基于自适应噪声完备经验模态分解(CEEMDAN)和独立成分分析(ICA)相结合的脑电信号眼电伪迹自动去除方法.该方法首先将含伪迹脑电信号自适应分解成多维本征模态函数(IMF),以满足盲源分离方法对信号正定或超定要求,再对本征模态函数用ICA方法构建多维源信号,最后利用模糊熵阈值判据判别多维源信号中的伪迹信号,完成滤波并重构脑电信号.该方法相比于其他算法,能更好的去除眼电伪迹并保留原始信息,适合单通道脑电信号预处理.     

多重分形分析在肌电信号模式识别中的应用

为提高肢体运动模式识别率,论文提出了一种经验模态分解与多重分形分析相结合的模式识别方法。先用经验模态分解得到代表肌电信号细节的多层内在模态函数,然后在内在模态函数上进行多重分形分析,提取其广义维数谱,作为肌电信号多模式识别的特征向量。最后以改进的K最近邻分类方法-KNN模型增量学习算法,实现对动作模式的识别。在对张开、合拢及腕内旋、腕外旋4个动作的识别实验中,正确识别率达到了93.0%。结果表明,方法具备一定的实用性,可用于遥操作机器人系统中操作者手腕运动模式识别。