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。     

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。     

基于小波变换的膈肌肌电信号降噪方法研究

膈肌肌电信号是分析和诊断呼吸疾病最科学及有效的数据之一,该信号往往受到被测对象心电信号的严重干扰.利用小波变换的分析方法,在对原始信号小波分解的基础上,针对各尺度小波系数的特点提出一种新的阈值滤波算法.对来自临床食道电极采集的膈肌肌电信号进行降噪处理,处理前后的时域信号对比以及频域的功率谱分析均表明,心电干扰信号能够被有效地去除,而膈肌肌电信号的信号特征得到较好地保留,为膈肌肌电信号的进一步分析处理创造了良好的条件.     

基于非线性尺度小波变换的表面肌电信号的分类

表面肌电信号（Surface EMG,sEMG）是一种复杂的非线性非平稳信号。我们介绍了一种非线性尺度小波变换（Wavelet transform with nonlinear scale，NWT）。由于NWT具有渐进缩短时间分辨率的特点．所以有利于从sEMG信号获得精确的时一频信息。首先，用NWT将sEMG信号（30组前臂内旋和30组外旋的sEMG信号）变换为强度分布（时频分布）．然后，用由主成分分析获得的强度分布特征值构成特征向量．最后，用BP神经网络对两种信号模式的特征向量进行分类识别。结果表明：与两种传统的时频分析方法相比，NWT能够获得较高的正确识别率．同时降低了神经网络计算的复杂度。     

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。     

基于小波包分解的不同状态下脑电信号分析

本文针对脑电信号的非平稳性,引入小波包分解理论处理临床脑电.根据脑电信号的不同节律特性,提出应用小波包分解构造不同频率特性的时变滤波器,提取脑电信号不同节律的动态特性,并由此构造各种节律的动态脑电地形图.为了研究不同脑功能状态下脑电信号各种节律的动态特性,文中对两组不同的临床脑电数据进行分析,比较两种状态下各种节律的动态特性.实验结果表明,利用小波包分解对脑电信号进行滤波,能够有效提取临床脑电不同节律的动态特性,为分析脑电信号提供一条新的途径.     

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。     

基于新型双输入卷积神经网络的肌电模式识别

针对双臂协同运动中蕴含的运动信息量大,难以充分解读且识别率不高的问题,提出一种新型的双输入卷积神经网络（ND-CNN）模型。首先,根据双臂运动的特点,分别设计数据整理和模型输入两种策略。然后,利用两个结构相同、参数共享的特征提取层提取信号本身的特征和信号之间的差别特征。最后,利用所提取的两类特征实现双臂协同动作的识别。在自主设计的双臂实验中,将ND-CNN与其余3种先进的神经网络对比。实验结果表明,本文所提的ND-CNN模型在识别精度和可靠性上优于其他网络模型,能够对双臂肌电动作有效识别。