独立分量分析和小波熵在动作模式分类中的应用

在表面肌电信号(electromyography,EMG)中,各类动作的识别是一个重要研究方向.本文采用独立分量分析independent component analysis,ICA)对肌电信号进行处理,消除各动作信号之间的相互线性耦合叠加,并采用信号的小波熵作为特征向量进行模式识别.试验表明,在对信号进行先期ICA处理以后,动作模式的识别效果较好.此方法也可应用于其他生理信号的识别分类.     

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。     

采集表面肌电信号应用于动作识别的可行性

背景：文献表明上肢前臂运动时所产生的表面肌电信号具有非线性特征,而肢体运动时肌电信号又呈现出非平稳特性。 目的：设计一种简单的拾取电路采集表面肌电信号,拟应用于动作肌电信号的特征识别。 方法：根据表面肌电信号的特点,设计高共模抑制比的前端放大电路,抑制共模干扰;采用低通滤波电路,有源双T带阻滤波器对信号进行去噪处理;对采集得到的信号进行小波包变换,得到信号的特征量。 结果与结论：所设计的表面肌电信号检测电路具有较高共模抑制比,并能有效地滤除50 Hz工频信号,可以满足肌电信号采集电路的基本要求。肌电信号的处理结果表明采用子频段能量值的方法可以区分手部4种不同动作。     

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。     

基于小波分析与神经网络相结合的表面肌电信号识别的研究

表面肌电信号是从人体骨骼肌表面通过电极记录下来的神经肌肉活动发放的生物电信号,具有非平稳性和复杂性的特点。本研究通过使用小波分析与神经网络相结合的方法,识别正常肌电信号与疲劳肌电信号。实验表明,将小波分解后的肌电信号代替原始肌电信号,能明显提高神经网络对肌电信号的识别准确率。     

基于小波包变换与自适应阈值的ECG信号滤波算法研究

目的:在心电信号(ECG)的采集过程中,常常会受到噪声的影响,为了正确进行心电参数测量、波形识别和病情诊断,在低信噪微弱信号检测中必须要进行噪声抑制,提高信噪比.噪声的滤波处理是心电图分析的一个重要步骤.方法:本文提出了一种基于小波包变换及与分解层次相关的自适应阈值的去噪方法,利用小波包对心电信号进行分解,可以同时对信...     

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。     

基于小波包-交叉频率相干性的肌间耦合特性

人体运动控制系统具有高度的非线性特性,通过量化评价表面肌电(sEMG)信号间的非线性耦合强度,可以得到运动相关肌肉的功能状态,进而探究人体运动控制的机制。本文将小波包分解和n∶m相干性分析相结合,构建基于小波包-n∶m相干性的肌间交叉频率耦合分析模型,探究肌电信号间的非线性耦合关系。在维持30%最大自主收缩力(MVC)的肘部屈伸状态下,采集20名健康成年人的sEMG信号,首先基于小波包分解获取子带分量,然后将子带信号进行n∶m相干性计算,分析肌间耦合特征。结果表明:30%MVC的肘部屈曲运动下,协同肌对和拮抗肌对的线性耦合(频率比为1∶1时)强度高于非线性耦合(频率比为1∶2、2∶1和1∶3、3∶1时);对于肌间非线性耦合,随着频率比的增大,耦合强度随之降低,且频率比为n∶m和m∶n之间没有明显的耦合强度差异;beta和gamma频段内的肌间耦合主要体现在协同肌对之间的线性耦合(1∶1)和低频率比的非线性耦合(1∶2、2∶1)以及拮抗肌对之间的线性耦合上。以上说明:小波包-n∶m相干性方法可以定性、定量地描述肌间非线性耦合强度,为深入揭示人体运动控制机制和运动功能障碍患者的康复评价提供理论参考。     

多类运动想象脑电信号的处理研究

基于运动想象的脑-机接口具有不依赖外界刺激器的特点,但如何根据不同受试者自适应地提取出最佳特征是目前的难点之一.本文设计了基于LabVIEW平台的运动想象脑电信号采集系统,对五名受试者想象左手、右手和脚运动时的脑电信号进行采集;利用小波包分解提取μ节律和β频段,实现脑电信号的滤波;通过分析不同受试者的小波包节点的ERD/ERS比率,自适应地选出最佳特征时间和频段;组合最佳特征时间、频段的小波包能量和小波包熵作为特征向量,利用马氏距离分类判别.实验结果证明:利用ERD/ERS比率、小波包分解和马氏距离分类,算法简单快捷,平均正确率可以达到84.3％,较好的实现了三类运动想象分类,提高了系统的自适应性.