基于小波包熵的与动作相关表面肌电信号的分类

目的:对与动作相关的表面肌电信号进行分类识别.材料与方法:与动作相关的表面肌电信号是从右手前臂肌群表面采集而来.用小波包变换将信号分解成16个等频带宽的的子空间.之后,计算每个子空间的相对小波包能量和每个信号的小波包熵.结果:正确识别率达到100%.结论:小波包熵能够作为与动作相关的表面肌电信号的特征值来识别不同的动作表面肌电模式.     

基于双谱分析表面肌电信号特征的提取与模式识别

背景:肌电信号在本质上是一种具有非平稳、非高斯特性的生理信号。目前基于高阶累积量的高阶谱技术广泛应用于非高斯、非平稳、非线性等问题。目的:基于非高斯AR参数模型,将双谱分析和fisher线性判别分析方法相结合进行表面肌电信号特征提取。方法:针对表面肌电信号特点,从信号高阶统计处理角度,基于"非高斯AR参数模型"进行双谱分析,提取有效特征,用fisher线性判别分析降维方法构造特征向量,然后利用支持向量机实现不同动作模式的准确分类。并与多种常用表面肌电信号特征的识别准确率进行对比研究。结果与结论:利用多类支持向量机分类器对8种前臂动作进行分类,8种动作的平均识别率达到97.6%以上。通过比较发现,基于短数据的双谱特征在分类性能上优于AR模型系数、小波包系数等构造的特征,能够提高肌电假肢的实时控制的性能。     

基于GA-RBF神经网络和sEMG的下肢动作识别方法研究

为了提高人体肌电信号对于下肢动作识别的准确率,提出一种基于遗传算法(GA)优化的径向基(RBF)神经网络分类模型.通过采集人体日常8种下肢动作的表面肌电信号并选择"sym6"系小波函数对肌电信号进行滤波预处理,使用主成分分析法(PCA)对时频域特征降维,把特征向量输入GA算法优化的RBF神经网络进行训练和识别.实验结果...     

基于肌电信号的人手运动状态的辨识

研究的目的在于利用人体前臂的肌电信号进行人手动作模式的识别。根据采集的肌电信号，判断动作始末状态并对该肌电信号进行小波降噪预处理，利用小波变换的高频细节系数极值构造特征矢量，经过学习矢量量化（LVQ）神经网络训练，能够有效地识别握拳、展拳、手腕内旋和手腕外旋4种动作模式。和前馈型神经网络比较，LVQ神经网络具有更高的识别准确率和更稳定的再现性。     

特征优化在表面肌电模式识别中的作用

肌电信号是与神经肌肉活动有关的生物电的体现，其应用已逐步深入到生物医学的各个领域，肌电信号模式识别肌电应用的基础，本文在表面肌电模式识别中引入了特征优化环节，并讨论了其作用，通过对7个志愿者的实验研究表明，采用特征优化情况下，动作平均辨识可提搞近12％，结论表明，在没有增加原始信息的情况下，通过合适的特征优化处理可提高特征的可分性，从而提高动作模式的辨识率，这说明了特征优化在肌电信号模式分类中有重要作用，对其在康复控制等实验应用场合产生积极影响。     

基于脑肌电融合的混合脑机接口研究

动作模式识别是脑机接口技术的核心内容之一。针对目前脑机接口动作识别模式单一、识别率低等问题,基于混合脑机接口思想,提出一种脑电和肌电特征融合策略,可实现单侧肢体不同动作模式的有效分类,进而可用于脑机接口技术。同步采集9名健康受试者单侧手腕屈/伸两种动作模式下的脑电信号和表面肌电信号,分别提取脑电信号事件相关去同步化特征和表面肌电信号的积分肌电值特征,构建基于支持向量机和粒子群优化算法的脑肌电融合及运动模式识别模型,通过调整“特征融合系数”来实现动作模式最优分类,从而提高模式识别的准确率;进一步通过递降健康人的肌电信号幅值来模拟患者和运动疲劳状态下的肌电信号,验证所提出方法对动作模式识别的有效性。实验结果表明,基于脑肌电融合特征的动作模式识别率(98%)比单纯依靠脑电特征的识别率(73%)提高25%;在运动疲劳状态下,基于脑肌电融合特征的识别率稳定在80%以上,比单纯依靠肌电特征的识别率提高14%。可见,脑肌电融合策略能提高动作模式识别的准确性和鲁棒性,为混合脑机接口技术提供条件。     

基于蚁群算法的表面肌电信号特征选择

目的为提高假肢系统对动作信号的识别速度,设计了基于优化蚁群算法（ant colonyoptimization,ACO）的特征选择法,对表面肌电信号（surface electromyography,sEMG）高维特征向量降维以减少计算负担。方法以特征与目标类型之间互信息关系作为启发函数,通过蚁群算法选出最佳特征子集,最后用已训练好的人工神经网络检验其分类性能。结果对10名健康受试者进行了手腕部动作的肌电信号模式分类实验。与传统主成分分析法（principle component analysis,PCA）相比,该算法选出的特征子集提高了识别准确率,并显著降低了原始特征集的特征维数,进而简化分类器的结构,减少计算开销。结论本方法在实时性要求高的肌电控制假肢等系统中具有良好的应用前景。     

Feature selection for surface electromyography signal based on ant colony optimization

目的为提高假肢系统对动作信号的识别速度,设计了基于优化蚁群算法(ant colony optimization,ACO)的特征选择法,对表面肌电信号(surface electromyography,sEMG)高维特征向量降维以减少计算负担.方法 以特征与目标类型之间互信息关系作为启发函数,通过蚁群算法选出最佳特征子集,最后用已训练好的人工神经网络检验其分类性能.结果 对10名健康受试者进行了手腕部动作的肌电信号模式分类实验.与传统主成分分析法(principle component analysis,PCA)相比,该算法选出的特征子集提高了识别准确率,并显著降低了原始特征集的特征维数,进而简化分类器的结构,减少计算开销.结论 本方法在实时性要求高的肌电控制假肢等系统中具有良好的应用前景.     

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。     

基于最佳小波包的表面肌电信号分类方法

针对表面肌电信号的分类问题，采用最佳小波包分解构造最能体现分类能力的小波包基。用Fisher线性判别分析对肌电信号各个子空间的相对能量特征进行降维处理，然后利用BP神经网络进行分类识别。实验表明该方法能够有效地从伸肌和屈肌采集的两道肌电信号中识别前臂内旋、前臂外旋、握拳和展拳四种运动模式，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。     

基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取

目的乳腺癌的早期发现对患者意义重大。为帮助医生进行乳腺癌的早期检查和诊断,本文提出利用小波分析与图像纹理特征提取相结合的方法来提取乳腺X线图像微钙化点区域,在提高检查准确性的同时避免漏检误检。方法首先利用灰度共生矩阵所提取的能量、熵、对比度、相关性以及小波分解后得到的各层高频系数的方差、能量作为图像的特征向量,然后利用支持向量机进行训练建立最优分类模型。最后利用建立的最优分类模型实现乳腺X线图像微钙化点区域的提取并利用检出率和误检率对结果进行评估。结果使用临床数据进行验证,结果表明利用小波分析与图像纹理特征提取相结合的方法能有效提取乳腺图像中的微钙化点区域。结论基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取方法比单一的图像纹理特征提取或小波分析等方法,提取的效果更好。另外,该方法设计简单,更易于实现乳腺癌的自动化诊断。     

基于离散小波变换提取脑机接口中脑电特征

在脑机接口中，针对脑电特征提取利用单一种类信息、使用数据量大、分类性能较差等缺点，提出一种新颖的基于离散小波变换的方法。分析了小波变换特征提取的特点和特征表示方式，用Daubechies类db4小波函数对脑电信号进行6层分解，抽取小波变换各子带关键的部分逼近系数、小波系数、小波子带系数均值组成特征向量。以分类正确率为指标检验了提取特征的性能。实验结果表明，这种方法能够利用少量数据提取脑电信号本质特征，具有较高的分类性能，为利用脑电识别人的不同意图提供了快速而有效的手段。     

新疆高发病食管癌图像的特征提取及分类

目的结合灰度共生矩阵和小波变换的纹理分析方法提取新疆哈萨克族高发病食管癌X射线钡剂造影图像的特征,旨在为放射科医生的诊断决策提供具有实际参考价值的辅助信息,提高食管癌诊断的准确率和效率。方法选取2种中晚期食管癌——蕈伞型和缩窄型,以及正常食管图像各100张,利用基于灰度共生矩阵的纹理特征提取方法分别提取食管癌X射线图像的角二阶矩、熵、惯性矩、逆差矩及相关性的方差作为纹理特征,同时使用小波变换对食管癌X射线图像进行二层小波分解,获取其高频子图,并提取高频子图的能量特征作为纹理特征。然后,使用C4.5决策树算法构造一个分类器,对正常食管和中晚期食管癌图像进行分类研究。结果共计提取11维特征,利用单一特征算法进行分类,灰度共生矩阵法分类准确率为64.66%,小波变换法分类准确率为77%。而综合的灰度共生矩阵和小波变换法的分类准确率为81.67%,更适用于正常食管和中晚期食管癌的分类。结论本研究将灰度共生矩阵、小波变换算法与决策树C4.5相结合,对正常食管与蕈伞型和缩窄型食管癌进行特征提取及分析,结果表明本算法分类准确率较高,为开发食管癌的计算机辅助诊断系统奠定了基础。     

Automatic texture and intensity based ovarian classification

Abstract

Detection of ovarian follicle/cysts and monitoring its growth is vital in infertility treatment in women. Ultrasound imaging technique is used for recognition of ovarian follicles and cysts. Profound variation in location, shape, size and color is seen in follicles. Human interpretation of follicles gives a chance for misinterpretation and false diagnosis. Follicle recognition becomes a challenging task due to the non-homogenous nature of the follicles and presence of speckle noise. To overcome this problem, computer assisted recognition of ovarian follicle and cysts followed by ovarian classification were proposed. Discrete wavelet transform (dwt) was used for despeckling. Texture and intensity based segmentation methods were used for automatic recognition. Classification of ovary was done based on ovarian morphology. This novel method serves as a decision support system for the medical expert. The efficiency of the proposed texture and intensity based ovarian classification (TIOC) method was demonstrated using various performance indices like sensitivity, specificity, accuracy, precision, Mathew’s correlation coefficient and receiver operating characteristic curve. The resultant images obtained from the TIOC method was compared with the control images and existing methods for validation.     

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。     

用小波变换的模极大值提取胎儿心率的方法

对胎儿监护的主要方法是监听胎儿心率,而超声多普勒测量胎儿心率是一种很好的无创方法.但是,由于测量得到的原始信号成分非常复杂,干扰严重,从而使其对胎心率的提取造成很大困难.本文利用小波变换系数的模的平方值与信号奇异性指数之间的关系,从超声回波信号中提取出了胎儿的心率.由于噪声的小波变换系数随尺度的增大而减小,因此,该方法具有较高的抗干扰能力.通过模拟仿真和实际信号处理,证明该方法能准确地从超声多普勒信号中提取胎心率信号.     

基于小波变换的微钙化灶增强

用图像增强技术处理乳腺钼靶片，以识别读原片时难以分辨的微小病灶的细节。此项技术是先对原始图像做小波变换，然后利用归一化的差值图像数据调制小波系数，最后取变换后小波系数的一部分反变换得到增强图像。将此法与传统的部分小波变换和基于形态学的高帽增强算法比较，加权小波系数部分重构增强法在检测微钙化灶方面上优于其他两种方法。     

基于小波变换的颜色视觉诱发电位检测去噪研究

为了提高检测的效率，将基于小波变换的信号分析方法引入到颜色视觉诱发电位（Visual evoked potential，VEP）的检测中，提出了基于多尺度条件下小波变换模极大值分布图的重建VEP信号的方法。该方法对初始采集信号采用Mallat快速算法进行离散小波变换得到模极大值分布图。根据信号噪声的Lipschitz指数特性进行去噪。最后按照POCS（Projections onto convex sets）方法进行信号的重建。仿真实验结果表明该方法对VEP信号的去噪效果比较理想。同时该方法极大地降低了测试次数。因此该方法与现有临床的叠加方法相比有明显的优披件．     

基于共空间模式算法和支持向量机二重分类的癫痫发病预测

目前癫痫患者的发病预测手段十分耗时且易受主观因素干扰,因此文中提出了一种基于共空间模式算法(CSP)和支持向量机(SVM)二重分类的癫痫发病自动预测方法。此方法将提取空域特征的共空间模式算法应用到癫痫脑电信号检测中,但是该算法未考虑信号的非线性动力学特征且忽略了其时频信息,所以在特征提取阶段选取了标准差、熵和小波包能量这几种互补特征来进行组合。分类过程采取一种基于支持向量机的全新二重分类模式,即将癫痫患者正常期、发作间期和发作期三个阶段分成正常期和准发病期(包括发作间期和发作期)两类进行支持向量机识别,然后对属于准发病期的样本进行发作间期和发作期的分类,最终实现三个时期的分类识别。实验数据来自德国波恩大学的癫痫研究数据库。实验结果显示,第一重分类平均识别率为98.73%,第二重分类平均识别率可达99.90%。结果表明,引入空域特征和二重分类模式能够有效解决众多文献中发作间期和发作期识别率不高的问题,提升各个时期的识别效率,为癫痫患者的发病预测提供有效的检测手段。