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。     

基于眼动辅助脑电信号的手部动作分类方法

提出一种利用小波包变换和支持向量机对手部动作的运动想象脑电信号进行分类的方法。在相关眼动辅助情况下采集想象手部动作时的C3、C4 、P3和P4通道脑电信号,用小波包变换的方法提取4种特征节律波,分别计算每种节律波能量占4种节律波能量之和的比值作为特征,然后将16维特征向量输入支持向量机分类器进行手部动作分类。对上翻、下翻、展拳、握拳4种手部动作的分类实验中平均识别率为82。3%,表明眼动辅助能有效提高运动想象脑电信号可分性。     

基于感兴趣脑区LASSO-Granger因果关系的脑电特征提取算法

该文将脑功能网络引入到脑电特征提取的研究中,提出一种基于感兴趣脑区LASSO-Granger因果关系的新方法,克服了当前基于孤立脑区的研究方法的不足。先利用主成分分析提取各感兴趣区的最大主成分,然后计算它们之间的LASSO-Granger因果度量,并将其作为特征向量,最后输入支持向量机分类器,对BCI Competition IV dataset 1中的4组数据进行分类识别。结果表明,基于感兴趣脑区间LASSO-Granger因果关系分析和支持向量机分类器的方法对不同的运动想象任务识别率较高,提供了新的研究思路。     

基于加速度传感器的下肢运动信息获取方法

在智能下肢假肢的设计中,需要获取足够的下肢运动信息,而ADXL203作为一种采用集成微电子机械系统（iMEMS）技术的加速度传感器,非常适合于下肢运动姿态的测量。通过分析和研究微型加速度传感器ADXL203的原理和使用方法,设计了基于两个ADXL203传感器的下肢运动姿态识别系统,该系统能准确测试人体大腿、小腿的倾角,并通过运算得到膝关节的屈伸角度和角速度。测试结果表明,该系统非常适合于下肢运动信息的获取,并具有体积小、反应快速灵敏的优点。     

一维压电式触觉传感器去耦问题的研究

就PVDF材料制成的－维触觉传感器的去耦问题作了讨论，采用递推最小二乘估计的方法很好地解决了去耦矩阵的求解问题。     

机器人语音控制及其实现

研究语音识别技术在机器人控制系统中的应用，采用了以LPC倒谱系数为特征矢量的模板匹配法来对有限的词汇量进行识别，将识别结果转换成命令并通过串口发送给机器人以控制其运动，实现了机器人的语音控制。     

仿生假手触滑觉研究

实现人体假手的触滑觉传感器，包括其结构设计、传感信号的采集、处理和感觉信息输出。传感器采用PVDF作为敏感材料，柔顺的传感器表面和小巧的尺寸使之能完全应用于仿生假手的手指上。信号调理电路完成信号的放大、滤波。信号数字处理完成触觉、滑觉信号的分离，并根据特征值的大小判断是否输出相应的感觉信息。     

高速缓存技术在基于SOAP的Web中的应用

WWW上的缓存技术被认为是改进Web性能的有效技术之一.文中分析了基于SOAP协议的缓存系统所要解决的问题,并针对需要解决的问题,给出了相应的方案.这些方案在实际的应用中,可以有效地减少等待时间,提高Web应用系统的性能.     

非线性PCA在表面肌电信号特征提取中的应用

针对表面肌电信号的特点,提出了一种应用非线性主分量分析(PCA)提取表面肌电信号特征的新方法.该方法在表面肌电信号滤波的基础上,采用非线性PCA方法完成数据压缩,将多路表面肌电信号转换为一维的特征数据主元,并以主元曲线的形式输出特征提取结果.本文采用基于自组织神经网络的非线性PCA对手臂尺侧腕伸肌和尺侧腕屈肌的两路表面肌电信号进行主元提取,试验结果表明,四种手部运动模式(握拳、展拳、腕外旋、腕内旋)对应的表面肌电信号利用该方法处理后,得到的主元曲线具有很好的类区分性,依据所得主元曲线的形状特征可以有效地进行手部动作类别的识别.     

脑电信号的混沌分析和小波包变换特征提取算法

针对脑电(EEG)信号的手部动作模式信息处理,提出一种混沌分析和小波包变换相结合的特征提取方法.用眼动辅助来采集手部动作时的脑电信号,对采集的C3、C4 、P3和P4脑电信号消噪后分别用混沌分析和小波包变换的方法进行特征提取,前者提取混沌特征的最大Lyapunov指数和关联维数,组成8维向量;后者提取脑电信号的4种特征节律波,分别计算其相对能量,组成16维向量;最后把两种方法提取的向量组成24维特征向量,输入SVM分类器,实现基于EEG信号的手部动作模式的识别.对不同个体上翻、下翻、展拳、握拳4种手部动作的识别实验表明,平均识别率均在80%以上,明显优于其他方法识别的结果.