利用AR模型提取控制用肌电信号的特征

肌电信号往往作为控制信号源用于肢体运动功能的康复,本文中提出的用AR模型提取肌电信号的特征用于控制目的是一种有效的方法,便于实现多种功能的控制。文中详细介绍了应用快速横向最小二乘(FTF)标法,建立肌电信号AR模型的原理,以及在截瘫病人步行系统中的具体应用。     

基于低频电刺激诱发表面肌电信号的肌肉疲劳度研究

目的 通过对肌肉疲劳过程中非诱发表面肌电(surface electromyography,sEMG)信号和诱发表面肌电信号的研究分析,寻找有效评价肌肉疲劳的分析测量方法.方法 对7名受试者进行自主运动和电刺激两种致肌疲劳的实验,并在两组实验中分别记录电刺激诱发与非诱发肌电信号,然后对每组信号进行傅里叶变换求取功率谱和近似熵.结果 随着疲劳的产生,两组实验诱发信号的频谱曲线左移效果优于非诱发信号,近似熵分析中电刺激组诱发信号出现先上升后下降的变化,自主运动组诱发信号则呈现单调递减的趋势.结论 低频电刺激诱发表面肌电信号更适于测量肌疲劳的动态变化.相对于传统功率谱,近似熵分析方法更适于处理电刺激诱发的表面肌电信号.     

基于BP神经网络的手势动作表面肌电信号的模式识别

手势语言在日常生活中有着广泛的应用,本研究利用手势动作时从前臂4块肌肉上获取的4路表面肌电（SEMG）信号,经特征提取并采用BP神经网络,对8种手势动作模式进行了识别。鉴于BP网络具有较强的模式分类能力,而特征提取（幅度绝对值均值、AR模型系数、过零率）又利用了多路肌电信号的信息,实验结果取得了较高的识别正确率,表明所采用的方法是有效的。     

基于BP神经网络的手势动作表面肌电信号的模式识别

手势语言在日常生活中有着广泛的应用,本研究利用手势动作时从前臂4块肌肉上获取的4路表面肌电(SEMG)信号,经特征提取并采用BP神经网络,对8种手势动作模式进行了识别.鉴于BP网络具有较强的模式分类能力,而特征提取(幅度绝对值均值、AR模型系数、过零率)又利用了多路肌电信号的信息,实验结果取得了较高的识别正确率,表明所采用的方法是有效的.     

基于样本熵和个体化阈值的表面膈肌肌电信号起点检测

膈肌是人体最主要的呼吸肌,表面膈肌肌电(sEMGdi)信号的动作区间起点检测可用于呼吸康复训练,但心电(ECG)信号的存在增加了其检测难度,故本文对此提出了基于样本熵(SampEn)和个体化阈值的起点检测方法,简称样本熵法。该方法涉及样本熵特征的提取,样本熵特征参数w和r0的优化,个体化阈值的选取以及判断条件的设立。同时还选用其他三种常用方法与本文所提的样本熵法进行起点检测方面的比较,即利用小波变换(WT)去噪后再分别使用均方根(RMS)和能量算子(TKE)的起点检测方法,以及不做小波变换而直接使用TKE的起点检测方法。本文共采集12名健康受试者在2种呼吸状态下的sEMGdi信号,用于信号合成和算法检测。最后以误差的绝对值累加和作为评价起点检测精度的指标。最终结果表明,样本熵法在稳定性和精度两方面皆优于其他三种方法,是一种能适应个体间差异,无需提前对sEMGdi信号进行ECG信号去噪便可获得较高精度的起点检测方法,为基于sEMGdi信号的呼吸康复训练和实时交互提供了依据。     

多道前臂肌电信号集中参数模型系统的确定

采用了分段的ＬＳ方式来提取前臂肌电信号集中参数模型ＡＲ系数，在此基础上，对不同时窗，不同的采样频率以及不同的衰减数系的作用进行了比较，提出了最佳的选择。与目前其他ＡＲ系数的提取方法相比，实验结果表明分段的ＬＳ方法有关更好的辨识效果。     

一种基于表面肌电信号映射人体下肢运动意图的方法

智能膝关节假肢是截肢患者恢复日常运动的重要辅具。对人体下肢运动意图的识别是实现下肢假肢控制的关键。该文针对此问题,提出了一种通过表面肌电信号预测膝关节角度的方法。对表面肌电提取时域特征,通过 BP 神经网络模型建立平地行走过程中表面肌电信号和膝关节角度的映射关系,预测膝关节角度。     

基于小波系数熵的表面肌电信号识别

目的:对表面肌电信号进行分类识别。方法:30名健康的志愿者参加数据采集。每名志愿者用右手臂完成两个动作:前臂内旋和前臂外旋。在每个动作中,采集一组表面EMG信号。总共获得30组内旋和30组外旋的表面EMG信号。然后,运用小波包系数熵构成特征向量,用Bayes决策对两种模式信号进行分类识别。结果:当信号长度达350ms后,正确识别率达到100%。结论:采用小波包系数熵可以有效地提取表面EMG信号的特征信息,达到控制前臂假肢的目的。     

基于运动神经元激励的表面肌电信号仿真研究

以单纤维动作电位的仿真为基础,结合运动单位的生理结构特点,利用神经肌肉系统激励与运动单位募集、发放间的近似关系,建立一个比较符合生理学特性的表面肌电(sEMG)信号模型,以仿真不同激励情况的sEMG信号.仿真实验发现,肌纤维与电极间距离的增加将使皮肤表面检测到的动作电位峰值下降;随着激励水平的提高,与仿真sEMG信号相关的收缩力逐渐增大,且仿真sEMG信号的时域波形以及频谱也与真实sEMG信号相似.实验结果表明仿真sEMG信号能够较有效地逼近真实sEMG信号,可用于运动单位发放检测等相关研究领域.     

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。     

基于双线性模型的动作肌电信号用户无关识别研究

动作肌电信号具有个体差异性且不同动作的肌电信号是不同的,通过挖掘双线性模型的因素分解能力,将训练样本的特征矢量分解为用户相关和动作相关两大因素,通过确定因素的维度重构具有共性的训练样本特征。在测试样本特征重构阶段引入适应融合机制,更新模型参数重构测试样本特征。以11名受试者的4类动作为例,分别采用线性判别、K近邻分类算法和支持向量机,对比3种实验方案(多用户单天、单用户多天和基于双线性模型的多用户单天)的识别结果。实验表明,双线性模型的平均识别率最低为85%以上,相比于单纯的多用户单天识别结果(平均识别率不高于75%)有显著提高(P <0.001),且相比于单用户多天的识别结果(平均识别率90%以上)差异性不显著(P >0.24)。双线性模型为基于动作识别技术的非特定人肌电控制系统提供了交互方案,且该模型具备将多用户单天的数据看成单用户多天数据的能力,提供了用户训练负担降低的可行性。     

基于增量半监督仿生模式识别的运动想象脑电识别

针对BCI研究中样本采集代价较大,如何充分利用未标记的样本来提升识别性能的问题,本研究将仿生模式识别算法(BPR)与增量半监督学习算法结合,以Bagging算法框架为基础,提出了一种新的增量半监督的仿生模式识别算法(BPR-ISSL).以脑机接口国际大赛公布的数据集对该算法进行了离线分析以及模拟在线的实验,并且使用作者在线采集的实际脑电数据进行了实际在线实验,比较分析了BPR-ISSL与作者之前提出的改进仿生模式识别算法,以及BPR-ISSL与增量半监督SVM、增量半监督BP的识别性能.实验结果表明:在训练样本较充足的情况下,BPR-ISSL识别准确率优于其它3种算法,平均准确率要高出3％左右;并且通过对标准差的计算,其在抗过学习和稳定性上也体现出了明显的优势.     

基于自回归模型表面肌电信号检测肌肉疲劳研究

针对表面肌电信号的非平稳特性,采用自回归模型对表面肌电信号进行分析,对短时间内的表面肌电信号肌肉疲劳迅速做出判定。应用非平稳时间序列的时变系统建模方法对10例受试者疲劳前、疲劳后表面肌电信号进行特征提取。建立时变参数自回归模型,通过引入Legendre基函数将线性非平稳过程参数辨识转化为线性时不变系统参数辨识,结合相关指数可以获得时变系统参数估计的最优Legendre基函数维数,进而可以获得最佳模型拟合效果,并采用最小二乘法解出时不变参数。用疲劳前、后的自回归模型的第一个时变参数(ARC1)的变化率作为检测肌肉疲劳敏感性指标,并采用双尾t检验,分别与平均功率频率(MPF)和中值频率(MF)的变化率进行统计学对比分析。结果表明, ARC1、MPF和MF疲劳前后的变化率分别为34.33%±2.41%、25.68%±2.03%、22.80%±2.19%,且ACR1的变化率分别显著高于MPF和MF(P<0.05).所提出的方法通过表面肌电信号对肌肉疲劳检测时,具有时间短和敏感性高等优点,可用于在线实时分析肌肉疲劳程度,为肢肌肉劳损的评估、康复治疗及人体工效学的研究提供一个潜在的分析工具。     

肌电生物反馈的非线性机制

目的探讨肌电生物反馈中肌电与脑电活动间的相关联系及其机制。方法动态同步采集肌电生物反馈中肌电和脑电信号后,在评价肌电幅值和频率的基础上,利用非线性动力学参数——近似熵(ApEn)和互近似熵(Cross-ApEn),分析肌电信号内部以及肌电-脑电信号间的非线性改变。结果随生物反馈次数的增加,对照组及生物反馈组实验前后肌电振幅的最大值、最小值和平均值都明显降低(F=3.85~25.59,P<0.05),生物反馈组实验前及实验后肌电频率明显上升(F=6.71、8.67,P<0.05);同时,肌电信号的ApEn明显降低(F=5.42、2.81,P<0.05),肌电与脑电信号间的互近似熵也明显升高(F=13.77~19.52,P<0.05)。最后2次反馈中上述指标均明显不同于对照组(P<0.05)。结论肌电生物反馈中肌电变化的机理,可能与生物反馈加强了大脑的有意识的调控作用而减弱了大脑对下运动神经元-肌肉系统的非线性易化有关。     

基于多尺度最大李雅普诺夫指数的表面肌电信号模式识别

为了提高动作表面肌电信号的识别率,提出一种将最大李雅普诺夫指数和多尺度分析结合的方法。从非线性和非平稳的角度出发,引入多尺度最大李雅普诺夫指数特征,并应用到人体前臂6类动作表面肌电信号的模式识别中。首先利用希尔伯特-黄变换,对原始信号进行经验模态分解,即多尺度分解;然后利用非线性时间序列分析方法,计算多尺度最大李雅普诺夫指数;最后将多尺度最大李雅普诺夫指数作为特征向量,输入支持向量机进行识别。平均识别率达到97.5%,比利用原始信号的最大李雅普诺夫指数进行识别时提高了3.9%。结果表明,利用多尺度最大李雅普诺夫指数对动作表面肌电信号进行模式识别效果良好。     

Study for the Gating Kinetics of Potassium Channel in Clonal Pheochromocytoma Cells Based On Fractal Model

INTRODUCTION　　 Today s studies showed that a lotof diseases result from the variations of thefunction and structure of ion channels in cell membrane. The variations are reflectedby their open and closed gating characteristics which can be described quan…     

基于肌动图与肌电图信号的假肢控制系统的研究

目的验证使用肌动图（mechanomyography,MMG）和肌电图（electromyography,EMG）两种信号共同作为假肢控制信号时,是否能提高假肢控制系统分类的准确度。方法本文采用信号融合方法,通过融合6通道的MMG信号与2通道的EMG信号,以及基于模式识别的线性判别分析（linear discriminant analysis,LDA）算法,研制了基于MMG和EMG信号的假肢控制系统。结果该系统能对采集到的信号进行处理并得出动作分类结果,然后控制假肢完成相应动作。对6位测试者的腕屈、腕伸、张开、握拳4类动作以及静止状态进行假肢控制的动作分类准确度实验,准确度达94．6％,比单独用MMG信号的精度88．5％或EMG信号精度90．4％效果更好。结论基于MMG与EMG信号的假肢控制系统可以更好地实现假肢控制动作的有效分类,未来可应用于上臂截肢的残疾人。     

基于肌电信号层级分类的手部动作识别方法

目的 利用肌电信号对手部动作进行识别,是控制现代康复假手的关键,其中使用少量电极识别出较多手势又是一难点。为更加充分利用所获得的肌电信息,本文提出一种层级分类方法。方法 首先提出一种基于层级分类的手部肌电信号动作识别方法,该方法首先根据被分类对象的多侧面属性,利用肌电积分值作为特征值,并通过线性判别函数实施预分类;其次建立肌电信号的自回归模型,将模型系数作为特征值,将人工神经网络作为分类器进行细分类;最后进行了对比实验论证。结果 实验结果表明,可以利用2个表面肌电电极以较高的识别率识别出8个常用手部动作。结论 该方法能够以较少的肌电电极识别出较多的动作,比未采用分层方法具有更好的分类效果。     

一种基于加速度与表面肌电信息融合和统计语言模型的连续手语识别方法

加速计(ACC)和表面肌电(SEMG)传感器是两种有效轻便的手势捕获设备.本研究提出一种采用多级决策树融合ACC和SEMG信息识别手语词根,并引入统计语言模型进行词根接续判断和错误纠正的中国手语连续语句识别方法.对包含有120个词根的200组连续中国手语句子展开的识别实验结果表明,该方法可以有效的从连续信号中识别出词根序列,120个手语词根全局平均识别率接近95%,句子识别率接近90%,采用纠错模型的方法与未采用纠错模型相比,词根的平均识别率提高了4%左右,句子识别率提高了10%.这种结合模式识别和自然语言处理的手语识别方法在连续手语识别和人机交互领域有着广阔的应用前景.