基于表面肌电信号的手势识别与分析

目的 研究利用前臂及手部表面肌电( surface electromyography,sEMG)信号进行手势识别的方法,以及不同 手势下拇指、食指的关节角度,探讨 sEMG 信号控制外骨骼手的可行性。 方法 采集 20 名健康右利手受试者右侧 前臂及手部 6 块肌肉 sEMG 信号。 提取 sEMG 信号的时域特征值,对比人工神经网络( artificial neural network, ANN)、K-近邻(K-nearest neighbor, KNN)、决策树(decision tree, DT)、随机森林( random forest, RF)和支持向量机(support vector machine, SVM)等多种分类器对 6 种日常手势进行识别。 同时,采用 Vicon 摄像机跟踪系统捕捉右手拇指、食指运动轨迹,计算拇指、食指关节角度。 结果 利用前臂及手部 sEMG 信号可以实现 6 种手势的模式识别,其中 ANN 分类器的分类预测效果最好,测试集预测精度可达 97. 9% ,Kappa 系数可达 0. 975。 同时,计算得到不同手势下拇指、食指的关节角度,并进行不同手势下关节角度相关性分析。 结论 利用前臂及手部 sEMG 信号进 行手势识别,能够实现具有几乎完全一致的分类预测结果。 研究结果证明了 sEMG 信号手势识别应用于外骨骼手 控制的可行性。     

基于EMD与IMF分量统计特性的ECG去噪

经验模式分解（EMD）域内心电（ECG）信号的去噪,通常为基于QRS特征波经验性识别固有模态函数（IMF）分量并重建ECG信号。由于该方法引入个人误差,因此识别不准确。针对此问题,本文提出利用EMD与IMF分量统计特性对ECG信号进行去噪。本方法首先对含噪ECG信号进行EMD分解得到一系列IMF分量,然后利用IMF分量的统计特性识别IMF分量属性,并采用被识别为ECG信号的IMF分量重建ECG信号。该识别方法基于统计学方法,具有统计学和现实物理意义。将本方法应用于真实ECG信号去噪处理中,结果表明,本方法可有效去除ECG信号基线漂移噪声与肌电干扰噪声,去噪效果优于经验法。     

基于小波变换结合经验模态分解提取孤独症儿童脑电异常特征研究

孤独症的早期发现与及时干预至关重要。本文结合小波变换和经验模态分解(EMD)提取脑电信号(EEG)特征,比较分析孤独症儿童和正常儿童脑电信号的特征差异。试验共采集了25例(20例男孩,5例女孩)5~10岁孤独症儿童和25例5~10岁正常儿童的脑电信号,基于小波变换提取C3、C4、F3、F4、F7、F8、FP1、FP2、O1、O2、P3、P4、T3、T4、T5和T6的alpha、beta、theta和delta频段的节律波,再进行EMD分解得到固有模态函数(IMF)特征,以支持向量机(SVM)实现孤独症和正常儿童脑电的分类评估。试验结果表明,小波变换和EMD结合的方法可以有效地识别孤独症儿童和正常儿童的脑电信号特征,分类正确率达到87%,相比文中小波结合样本熵方法提取脑电特征分类评估的准确率高出将近20%。所提取的四种节律波中,delta节律(1~4 Hz)波的分类正确率最高,特别是在前额F7通道、左前额FP1通道和颞区T6通道其分类准确率均超过90%,能够较好地表达孤独症儿童脑电信号的特点。     

小波变换结合经验模态分解在音乐干预脑电分析中的应用

本文旨在结合小波分析与经验模态分解(EMD),充分提取音乐干预下的脑电(EEG)信号特征参数,提高情绪状态评估的分类准确率与可靠性,以期为辅助音乐治疗提供支持与帮助。采用音乐诱发情绪的多通道标准情感数据库(DEAP)中的数据,利用小波变换提取出额区(F3,F4)、颞区(T7,T8)和中央(C3,C4)通道的α波、β波以及θ波节律;对提取的脑电节律进行EMD以获得固有模态函数(IMF)分量,再进一步提取脑电节律波的IMF分量平均能量和幅度差特征值,即每种节律波中包含3个平均能量特征和2个幅度差特征值,以达到充分提取EEG特征信息的目的;最后基于支持向量机分类器实现情感状态评估。结果表明,利用该算法可以使无情绪、积极情绪、消极情绪之间分类最优正确率达到100%,使得积极与消极情绪之间的识别率提升10%左右,可以实现无情绪与积极、无情绪与消极情绪等情感状态的有效评估。处于不同情感状态下,音乐治疗效果差异较大,提高情感状态评估的分类正确率,将帮助提高音乐治疗的效果,更好地为音乐治疗提供支持。     

基于EMD的左右手运动想象脑电信号分析研究

基于经验模态分解(EMD)理论,提出一种左右手运动想象脑电信号分析方法.首先利用时间窗对脑电信号数据进行划分,对每段数据通过经验模态分解法将其分解为一组固有模态函数IMF,提取主要信号所在的IMF层去除信号中的噪声.对含有主要信号的几层IMF进行Hilbert变换,得到瞬时频率与对应的瞬时幅值.再提取左右手想象的特定频段mu节律和beta节律的能量信号作为特征,分别利用支持向量机(SVM)和Fisher进行了分类比较.对EMD和小波包在去噪和特征提取进行了比较.结果表明,EMD是一种很有效的去噪方法,经过EMD分解后提取的能量信号在区分左右手想象上更具有优势,识别率高.     

基于三级滤波器的表面肌电信号降噪处理

表面肌电信号（surface electromyography,sEMG）是一种非平稳微弱信号,而它的低信噪比是造成对其进行分解十分困难的主要原因之一.本文针对sEMG信号的噪声特点,提出基于经验模态分解（empirical mode decomposition,EMD）的三级滤波器技术来对sEMG信号进行预处理,即采用频谱插值法去除工频干扰,采用形态学运算去除基线漂移,采用经验模态分解去除白噪声.实验结果表明,本文所提出的方法不仅能够提高sEMG信号的信噪比,也能有效地保留运动单位动作电位（motor unit action potential,MUAP）的波形信息,这将有利于对MUAP的识别从而提高对sEMG信号的分解准确率.     

基于能量估计的小波阈值与经验模态分解相结合的滤波方法研究

本文针对基于经验模态分解(EMD)的时空滤波器存在的固有模态函数分量中频率混叠交叉,导致有用信号与噪声一起被滤除的问题,结合小波在时间、尺度两域表征信号局部特征的特性,提出了一种基于能量估计实现EMD分解层数确定,小波变换阈值处理与EMD相结合的时空滤波方法。该方法既利用小波变换多分辨率的特性,又结合EMD的自适应分解与希尔伯特(Hilbert)谱分析中瞬时频率与能量意义的关系,从而解决了有用信号在滤波时被削弱的问题。以MIT/BIH标准心电数据库数据为对象的实验结果表明,该方法对于生理信号这一类强噪声下的微弱信号是一种有效的数据处理方法。     

基于EMD-ICA的心冲击信号降噪研究

心冲击信号(BCG)是反映心脏机械运动的生理信号,能实现无电极束缚条件下的连续采集测量。但BCG信号微弱,易受干扰,测量时经常会淹没在噪声中。为了消除噪声,有效识别BCG信号特征,提出一种基于经验模态分解(EMD)联合独立分量分析的BCG信号降噪方法。首先,将含噪BCG信号进行EMD分解,获得一系列按频率从高到低的固有模态分量(IMF),采用模态相关准则进行信号层与噪声层的判定;其次,将分界之上的IMF分量构建虚拟噪声通道,基于ICA算法对原始BCG信号进行盲源分离,从而得到降噪后的BCG信号。采集10名健康受试者的BCG信号进行降噪处理。量化评价结果表明,与小波方法和EMD方法相比,降噪后信噪比均显著提高(小波方法11.01±1.58,EMD方法5.19±1.29,所提出方法14.87±3.04,P<0.05),能量百分比也均显著提高(小波方法88.81%±2.81%,EMD方法96.15%±2.96%,所提出方法96.64%±2.92%,P<0.05),从而证明所提出方法降噪效果明显,能够有效还原BCG信号特征。     

基于改进人工蜂群优化与组合特征提取的手部运动意图识别

为了解决表面肌电信号混迭导致的手部运动意图识别率较低的问题,提出了一种基于改进的人工蜂群优化盲源有序分离算法。本算法以表面肌电信号的规范四阶累积量作为代价函数,使用改进的人工蜂群优化算法代替传统的梯度算法对代价函数进行优化,并以代价函数绝对值的降序逐次提取出源信号;对于肌电信号的非平稳性及易受干扰的问题,采用一种基于小波包变换和样本熵的特征提取方法,并与表征肌电信号细节和强度的特征峰度、偏度、肌电积分值组合构建特征向量,训练二叉树支持向量机分类器。实验结果表明,采用表面肌电信号的盲源分离预处理与组合特征提取的方法识别六种手部运动意图,平均准确率达到93. 33%。     

基于经验公式的连续手势动作表面肌电信号识别方法

目的实现连续手势动作表面肌电信号（surface electromyography,sEMG）的简单有效识别。方法首先推导出测试信号属于手势动作模板的概率密度经验公式,通过数据处理实验确定公式参数,最后设计连续手势识别实验以测试该经验公式用于动作sEMG识别的效果。结果推导出的经验公式在连续手势识别中获得了较好的识别结果,验证了该经验公式用于连续手势动作sEMG信号识别的有效性。结论基于经验公式的方法为实现基于sEMG信号的连续手势识别提供了一种可行的解决方案。     

一种同时消除脉搏波信号中呼吸基线漂移和高频噪声的方法

目的：基于光电容积脉搏波可以实现血氧饱和度等人体生理参数的无创检测。基于光电容积脉搏波测量时,由于信号采集过程中存在人体呼吸和仪器本身热噪声等干扰,脉搏波信号中存在着呼吸基线漂移和高频噪声,影响最终的人体生理参数测量精度。方法：因此提出一种在经验模式分解的过程中结合小波变换的方法,来同时消除呼吸基线漂移和高频噪声的影响。首先通过经验模态分解将脉搏波信号分解为若干内在模式分量,并分别判断出含有呼吸基线漂移和代表高频噪声的分量,对于代表高频噪声的分量采用类似小波变换的方法进行滤波,利用小波变换将含有呼吸基线漂移的分量分解,将代表呼吸基线漂移的小波细节置零,信号重构后就达到了同时消除呼吸基线和高频噪声的目的。利用自行研制的测量装置采集的脉搏波信号进行实验验证,并采用信号交直流比R和信号的频谱进行效果评价。结果：有效地同时消除了呼吸基线漂移和高频噪声。结论：该方法将有利于血氧饱和度等人体生理参数无创检测精度的提高。     

基于表面肌电信号的性别差异性手势识别

对于同一手势不同性别的表面肌电信号差异性较大。为了减小差异性,提出滑动平均能量与能量补偿相结合的方法。本实验共采集10种手势动作的表面肌电信号;利用滑动平均能量对活动段进行检测,并对女性的动作段进行能量补偿;小波包分解采用Db4、Bior3.2、Haar、Sys8、Dmey这5种小波函数提取特征;最后并通过粒子群优化支持向量机进行分类。结果分析表明,能量补偿增大了特征的辨识度,减小了性别差异性,提高了手势识别率。     

基于肌电信号与肌肉形变信号的手语识别

针对手语手势识别问题,提出一种基于肌电信号与肌肉形变信号的手语识别架构。首先,设计信号采集系统;然后,采集肌电信号与肌肉形变信号,利用滤波及小波降噪等方法对原始数据进行降噪处理。采用基于能熵比的双门限端点检测法提取信号有效活动段;分别提取肌电信号以及肌肉形变信号特征,将所提取的信号特征融合组成特征向量;最后,采用基于网格搜索的支持向量机识别模型对所采集手语动作进行识别。信号融合后手语识别正确率达到97.2%,相对于仅采用肌电信号的手语识别方法,融入肌肉形变信号后识别率提高9.3%。结果表明,基于肌电信号和肌肉形变信号的手语识别框架对动态手语手势具有良好的识别效果。     

小波变换在表面肌电信号分类中的应用

针对肌电信号的非平稳特性,采用小波变换方法对表面肌电信号进行分析。通过奇异值分解有效地提取信号特征进行模式识别,能够成功地从掌长肌和肱桡肌采集的两道表面肌电信号中识别展拳、握拳、前臂摧旋、前壁外旋四种运动模式。实验表明,基于小波变换的奇异值分解方法是一种稳定、有效的特征提取方法、为非平稳生理信号的分析提供了新的手段。     

基于灰色系统理论的表面肌电分类

为提高假肢分类的准确率和速度 ,提出采用灰色系统理论中的灰关联法进行动作辨识。首先用小波变换方法对表面肌电信号进行分析 ,通过对小波系数奇异值分解提取信号特征 ,根据待分类动作与各标准动作模式间特征矢量的灰关联系数做出判断。从掌长肌和肱桡肌采集的两道表面肌电信号中识别四种运动模式 ,准确率达87.5 %。与神经网络等识别方法相比 ,此方法不需大量训练样本数量 ,运算量小 ,在识别率相近的情况下 ,辨识速度大大提高。     

Research on the Method of EEMD in Pulse Wave Signals Processing

The mixed noise in the acquisition process of pulse wave signals will affect the signal analysis, how to effectively eliminate the noise and complete the pulse wave analysis has important practical significance. In this paper, empirical mode decomposition(EMD) and ensemble empirical mode decomposition(EEMD) were used to realize scale decomposition of pulse wave signals to obtain intrinsic mode function(IMF). A band-pass filter was implemented according to the characteristic time scale parameters of the IMF. After filtering and reconstruction, the pulse wave denoising was completed. The denoising effects of EMD, EEMD and wavelet transform were compared in terms of mean square error and signal-to-noise ratio. The result shows that EMD and EEMD are better than wavelet transform, and the effects are similar. Further comparing the Hilbert-Huang spectrum of EMD and EEMD, it can be seen that EEMD can not only avoid mode mixing, but also facilitate the analysis of pulse wave signals.     

Classification of surface EMG signals using optimal wavelet packet method based on Davies-Bouldin criterion

In this paper we present an optimal wavelet packet (OWP) method based on Davies-Bouldin criterion for the classification of surface electromyographic signals. To reduce the feature dimensionality of the outputs of the OWP decomposition, the principle components analysis was employed. Then we chose a neural network classifier to discriminate four types of prosthesis movements. The proposed method achieved a mean classification accuracy of 93.75%, which outperformed the method using the energy of wavelet packet coefficients (with mean classification accuracy 86.25%) and the fuzzy wavelet packet method (87.5%).     

基于迁移学习和空洞卷积的癫痫状态识别方法

癫痫患者脑电信号的自动检测和发作诊断对临床治疗癫痫具有重要意义。针对训练数据有限及训练与测试数据分布不一致的难点,采用领域间联合知识迁移学习方法,实现小训练数据量下的癫痫状态识别。首先对脑电信号进行4层小波包分解,提取小波包分解系数作为特征,通过边缘分布和联合分布迭代调整,完成源域和目标域特征之间的知识迁移,训练空洞卷积神经网络作为分类器,完成目标域癫痫状态识别。分别在波士顿儿童医院CHB-MIT脑电数据集(22 例被试,共计790 h)和波恩大学癫痫脑电数据集(5 组,每组100 个片段,每段23.6 s)上进行算法验证,实验结果表明,所提出的方法对复杂癫痫状态的平均识别准确度、敏感性、特异性在CHB-MIT数据集上达到96.8％、96.1％、96.4％;在波恩数据集上,平均识别准确率为96.9%,有效提高了癫痫状态识别综合性能,实现了癫痫发作稳定可靠检测。