排序方式: 共有6条查询结果,搜索用时 312 毫秒
1
1.
为探讨人体运动中肌肉间的功能联系,更加准确地理解不同特征频段下的肌间耦合情况,将小波包分解与Copula互信息相结合,构建了基于小波包-Copula互信息的肌间耦合分析模型,定量描述上肢肘关节屈曲运动中相关肌肉表面肌电(sEMG)信号在特征频段上的耦合特性。首先用小波包对同步采集到的sEMG进行信号分解,然后用Copula互信息计算sEMG在特征频段的耦合强度。肘关节屈曲运动中,肌间耦合强度在beta与gamma频段最为显著,协同肌肉对的耦合强度显著高于拮抗肌肉对;随着运动时间的增长,肌肉呈现疲劳状态,协同肌肉对与拮抗肌肉对的耦合强度增加。小波包-Copula互信息能定量分析肌间特征频段的功能耦合特性,揭示运动过程中协同肌与拮抗肌的运动控制机制。 相似文献
2.
在线分类是脑机接口应用中的一个重要研究方向,传统的在线学习算法需要大量样本来适应脑电信号变化,这增加了计算和内存成本。为此,本文提出一种基于样本迁移的在线脑电分类方法。首先利用源域数据训练离线分类器,然后将目标域数据逐个放入进行在线欧式空间预对齐以减小个体差异性,进而提取CSP特征,最后采用加权组合的在线迁移学习分类器进行标签预测。在 BCI 竞赛 Ⅳ 数据集Ⅰ和Ⅱa的跨受试者在线模拟实验中,与4种最先进的算法相比,本文方法表现最好,在线平均分类准确率最高达到了86.02%和75.74%,表明了所提方法的有效性。 相似文献
3.
为了准确描述脑电(EEG)和肌电(EMG)信号在不同尺度上的耦合特征,提出新的多尺度补偿传递熵(McTE)方法. 该方法结合自适应投影多元经验模态(APITMEMD)方法和补偿传递熵(cTE),计算不同尺度上的多尺度补偿传递熵值,计算结果用于定量分析不同耦合方向( ${\text{EEG}} \to {\text{EMG}}$ 和 ${\text{EMG}} \to {\text{EEG}}$ )上的耦合特征. 结果表明,在恒定握力下,beta频段(13~35 Hz)的耦合强度最大,且 ${\text{EEG}} \to {\text{EMG}}$ 方向的耦合强度高于 ${\text{EMG}} \to $ $ {\text{EEG}}$ 方向;在高gamma频段(50~72 Hz), ${\text{EEG}} \to {\text{EMG}}$ 方向EEG与EMG的耦合强度总体高于 ${\text{EMG}} \to {\text{EEG}}$ 方向的. 研究结果表明,脑肌电耦合强度在不同耦合方向和不同尺度上有所差异,McTE方法能准确刻画脑肌电多尺度间的耦合特征及功能联系. 相似文献
4.
科学、规范,以改革的精神抵管理,全方位的管理理念的变化正潜移默化着每一位管理人员。 相似文献
5.
6.
如何使国有企业下岗人员重新就业,使富余人员重新得到有效配置,这是一个关系中国石油工业可持续发展的战略问题,也是一个关系到国家政治、社会稳定的重要问题。考虑到存续企业面临的经营困难和规模庞大的富余人员,必须把解决石油职工充分就业和中国石油的发展过程统一起来,并作为各级领导的一项重要任务。 相似文献
1