基于形状先验与轮廓预定位的目标分割

针对单帧图像中特定目标的分割一直面临着由于背景复杂和光照变化等因素带来的分割精度偏低的问题,提出一种基于轮廓预定位的先验局部二值拟合(local binary fitting,LBF)算法,用于人体上肢图像的分割.首先,利用浅层卷积神经网络对上肢形状模板进行筛选和预定位,得到分割目标的粗轮廓曲线;然后,利用基于先验形状的LBF算法对粗轮廓曲线进行演化,得到分割目标的精确轮廓曲线.实验结果显示算法的成功率在90%以上,表明该方法对于背景复杂和光照变化情况下的特定目标分割具有良好的效果.     

基于表面肌电信号双谱分析的动作分类

为了提高人体上肢动作识别正确率,提出了一种基于表面肌电信号双谱分析的动作分类方法,以信息增益作为表面肌电信号起止点分割效果衡量标准,结合TKE算子提取出肌肉运动起止区间的表面肌电信号,对提取到的表面肌电信号进行双谱变换,提取双谱的正反对角切片作为表面肌电信号特征,以概率神经网络作为分类器,以100次10折交叉验证为一次动作分类实验,计算10次分类实验的平均正确率,最终得到正对角切片、反对角切片和正反对角切片的分类正确率分别为94.56%、90.93%和95.48%.     

基于Kinect的上肢康复网络系统的设计与实现

目前上肢运动功能障碍患者的康复训练一般为人工指导的方式,针对此训练方式的人员、场地资源限制,以及训练数据难以记录管理的问题,设计并实现了一套可进行自主训练,可详细记录、查询训练数据的网络康复训练系统。系统通过Kinect传感器采集人体的运动信息,计算人体骨骼向量,并结合Dynamic Time Warping (DTW)算法,将患者的实际动作与标准动作进行匹配,根据匹配结果指导患者进行自主康复训练,节省了指导人员与场地资源,并与游戏相结合,提高了趣味性;基于Spring、SpringMVC、MyBatis（SSM）框架的康复训练数据管理系统,提供了记录、查询、统计训练数据的功能,将病人的训练时间与完成情况绘制成图表,方便专业人员跟踪病人的训练情况,使康复训练更加自动化、数据化、高效化。     

汽车B柱加强板软硬部过渡特性的磁巴克豪森噪声检测方法

汽车B柱加强板软硬部过渡特性评价的常规方法是通过破坏性取样对局部硬度进行检测,无法直接面向零部件进行便捷、快速的无损测试,且耗时、耗费成本。为克服传统方法的不足,研究利用磁巴克豪森噪声检测方法实现过渡特性的无损评价。利用自主研发的多功能微磁检测仪器开展标定试验,提出过渡区域起止位置及长度范围的估算方法,并建立过渡区域的表面硬度定量预测模型。研究结果表明,磁巴克豪森噪声、切向磁场强度信号的大部分特征参量可以有效评估软、硬部过渡范围,参量x₁、x₅和x₁₇对起始点的估计误差范围处于±14 mm,长度估算的相对误差小于10%。利用单一参量x₁₇建立的线性表征模型对硬度的预测RMSE值为12.38 HV10,融合多项磁参量建立的BP神经网络模型的预测精度更高,RMSE值小于6 HV10。提出一种汽车关键部件软硬部过渡特性的微磁评估方法,研究磁巴克豪森噪声特征参量与硬度的关系,实现汽车B柱软硬区表面硬度和软硬部过渡范围的定量表征,具有重要的工程应用前景。     

基于加速度传感器的上肢运动信息采集与姿态识别

为了对脑卒中病人的康复训练效果进行评价,针对基于加速度传感器的人体上肢动作识别这一新兴的领域开展研究,提出了一套基于蓝牙4.0的人体上肢姿态采集系统,对患者上肢康复训练中常见的7种运动信息进行采集和姿态识别.系统包括运动信息采集、信号传输、信号去噪声、动作识别等几个主要部分.实验结果表明:将传统的时域特征和过零点特征与上四分位点和下四分位点的特征进行组合,能够更好地将曲肘侧平举与曲臂弯曲静止等动作分开,有效提高识别的准确率.与BP神经网络相比,基于径向基核函数的支持向量机(support vector madine,SVM)分类器具有明显的性能优势,获得了较好的姿态识别性能,交叉验证平均正确识别率可达90%.