基于谱插值与经验模态分解的表面肌电信号降噪处理*

根据表面肌电(surface electromyography, sEMG)信号的噪声特性来探讨其降噪方法的应用问题。采用谱插值法来削弱工频干扰以避免工频处的肌电信息成分丢失,再选取通过经验模态分解(empirical mode decomposition, EMD)方法获得的内在模态函数(intrinsic mode function, IMF)分量作小波软阈值分析,并将部分明显的低频IMF干扰分量及冗余分量去除,然后对相应IMF分量进行重构便可得到降噪处理后的sEMG信号。仿真和真实信号的降噪实验结果     

基于表面肌电信号参数的人体上肢运动研究

根据检测得到的右上肢主肌肉群的肌电信号,探讨了人体右上肢主肌肉群的肌肉功能状态和男性与女性之间肌肉功能状态的差别．20位实验者右上肢完成13个基本动作,对三角肌、肱二头肌、肱三头肌、掌长肌和指伸肌五块肌肉进行肌电采集,用SPSS14．0软件对特征参数平均振幅（AEMG）和积分肌电（IEMG）进行数据处理．结果表明：完成不同的日常生活活动,肌肉的活跃程度存在着一定的相似性和差异性;男性以增强指伸肌和三角肌为主,女性则以掌长肌和三角肌为王实验数据可为老年人和残疾人康复训练及肌电信号控制提供一定的理论依据和指导作用．     

基于统计聚类方法的儿童下肢肌电信号周期识别

为运用肌电信号分析髋脱位儿童和正常儿童的差异,提出一种基于统计的聚类方法,识别步态中下肢肌电信号的周期起始时刻。使用非参数贝叶斯模型将肌电信号序列聚类为状态序列,并通过k均值聚类算法将该状态序列标记为肌肉活跃和不活跃两种状态,将肌肉活跃状态的起始时刻作为肌电信号周期的起始位置,并且利用窗函数方法提高预测准确性。实验结果表明,该方法对于预测正常儿童周期起始位置的识别误差较小,平均值为2.15%,并且在5%的置信度水平下与SampEN、SNEO和IP等检测算法相比具有较高的预测准确率。     

基于人体手臂运动意图反馈的人机顺应协作

本文旨在通过人体手臂运动意图反馈来提高人与机器人协作的顺应性.首先通过自编码器和反向传播神经网络融合表面肌电信号和机器视觉信号,对人体手臂肘关节力矩和运动意图进行预测.然后,将人体手臂肘关节力矩反馈给机器人,以此预测手臂的运动意图并让机器人作出顺应响应,从而实现人机协作.最后,结合主观评价指标和客观评价指标,在人机协作锯木头实验中对比了3种不同协作模式的效果.与无运动意图反馈的人机协作相比,有反馈的人机协作下的协作交互力波动幅度减小了153.39 N,任务完成时间减少了19.25 s.实验结果表明,有人体手臂运动意图反馈的人机协作能够提高人与机器人协作的顺应程度,与人-人协作效果类似.     

改进AR模型特征提取及分类

目前,表面肌电信号（sEMG）是手势动作识别研究的重要信号源.本文以肌电信号为对象,从非平稳与非线性的角度出发,采用ICA独立成分分析和经验模式分解的方法,消除表面肌电信号中的工频干扰,对处理后的信号建立AR模型.将模型系数作为信号的特征,对6种手势动作进行模式识别.实验表明,该方法获得的特征具有较好的分类效果.     

在线半监督Kohonen网络的预抓取手势识别

为实现智能仿生手的抓取,提高模式识别的实时性和灵敏性,提出一种在线半监督Kohonen网络。该网络针对表面肌电信号(s EMG)的特性,在有监督Kohonen网络基础上,将有监督和无监督网络的优势进行结合,应用数据剪辑方法处理训练集更新识别网络,在线识别侧边抓取、球形抓取、三指精确抓取和圆柱形抓取4种预抓取手势。实验表明,与不同Kohonen网络相比,此识别方法具有很好的在线识别能力和正确率。     

基于肌电信号容错分类的手部动作识别

针对肌电交互系统中因电极断开、损坏及数据传输中断等故障造成的数据错误/丢失问题,提出一种基于高斯混合模型的肌电信号容错分类方法,通过对肌电信号特征样本中错误/丢失数据边缘化或条件均值归错实现非完整数据样本分类.应用所提出的方法识别5种手部动作,实验结果表明,该方法的动作识别精度要高于传统的零归错与均值归错方法.最后,融合容错分类机制开发了肌电假手平台,在线实验验证了提出的方法可以有效提高肌电交互系统的鲁棒性.     

基于熵和PSO优化SVM的肌电信号跌倒识别

跌倒对老年人的健康构成严重危害,设计了一种基于肌电信号的跌倒识别方法,可用于跌倒检测报警。该方法首先对表面肌电动作信号进行小波包分解,再依据信号特征选取信号的低频分量并重构,计算其排列组合熵,最后以4路肌电信号对应的排列组合熵组成的特征向量输入SVM进行模式识别并采用粒子群算法对SVM中惩罚参数c和核函数参数g进行优化,对8种动作进行识别实验,跌倒识别率88%,特异度98.3%,平均识别率97.0%,优于网格法和遗传算法支持向量机（GA-SVM）的参数优化,具有较强的鲁棒性和抗干扰能力。     

基于小波阈值的sEMG信号消噪方法研究

在表面肌电（sEMG）信号采集过程中,不可避免的会出现噪声,特别是人体运动时,肌肉动态收缩,采集的结果含噪就会更多。针对含噪情况,提出基于小波阈值的sEMG信号消噪方法。通过选择肌电信号的采集位置,在采用高精度的肌电采集系统的基础上,采集正常行走过程中胫骨前肌的sEMG信号,利用matlab小波工具箱,用dbN小波函数进行分解后,用detcoef函数提取不同尺度的细节系数,将与噪声相关的细节系数进行强制阈值消噪,对信号相关的细节系数用minimaxi阈值规则进行软阈值消噪,并与分层阚值得到的降噪信号进行比较,分层阈值得到的降噪信号过于光滑,降噪后的信号能量保留成份仅为46．48％,失去了原信号本身的一些信息。而采用软闯值消噪,不仅较好的去除了噪声,而且与原信号保持了很好的相似性,能量保留成份达到86．38％,说明比分层阈值具有更好的消噪效果。     

基于独立成分分析的表面肌电信号工频去噪

表面肌电信号(SEMG)采集中,如何消除工频干扰对信号的后续应用意义重大.在探讨独立成分分析(ICA)原理的基础上,提出了一种用于表面肌电信号工频去噪的快速独立成分分析(FastICA)算法.该方法通过对观测信号去均值和白化处理后,用负熵作判据通过迭代得到解混矩阵,经解混运算得到源信号.针对混合信号ICA分离效果的差异,引入最大似然指标作为分离效果的评价量.实验结果表明,所提算法能有效分离SEMG信号中的工频噪声,运用最大似然评价指标将工频噪声降至最低.