基于表面肌电信号的手腕动作模式识别

基于表面肌电信号的肢体动作模式识别是假手仿生控制的基础.为提高动作模式识别率,从肌电信号的产生机理出发,选取分别表征肌电信号形态特征——细节复杂度和整体自似性的近似熵指标和分维数指标,作为模式识别的特征向量;同时提出一种具有增量学习能力的K最近邻(KNN)模型增量学习算法作为模式识别的分类器.在对10位受试者手腕的4个精细动作(腕伸、腕屈、腕内旋、腕外旋)的识别实验中,取得了92.5％以上的正确识别率.同时对增量学习能力对分类器动作模式识别率的影响做对比实验,当假肢使用者生理变化时,以KNN模型增量学习算法作为分类器比采用不具增量学习能力的KNN模型算法的识别率高4.5％.实验表明,该肌电信号动作模式的识别方法方案合理,具有应用价值.     

基于人体加速度多特征融合和K近邻算法的跌倒检测

目的探索基于人体加速度的跌倒检测方法。方法 2017年9月至11月,6例健康青年志愿者完成13个跌倒动作和11个日常活动动作。通过两个加速度传感器采集人体动作信息,每个加速度传感器提取81个加速度特征参数。通过主成分分析降维,输入K近邻(KNN)算法分类器对跌倒和日常动作进行识别。结果跌倒检测敏感性100%,特异性99.76%,检测时间216 ms。结论加速度多特征融合和KNN算法可以实现跌倒的及时有效检测。     

基于部分定向相干法的脑网络特征分析

目的研究儿童癫痫患者在发作间期与发作期脑电信号特征的异同。方法采用23名儿童患者139次EEG数据,进行部分定向相干因果性(partial directional coherences,PDC)分析,基于显著性水平的方法选取阈值,在此阈值下,建立δ波、θ波和α波的脑功能网络连接图,并从出度和聚类系数角度分析脑区的网络特征。结果在癫痫发作间期与人体视觉、体觉及精神功能相关的枕叶区、顶叶区、额叶区脑网络节点出度值总体减弱,而与听觉功能相关的颞叶区节点出度值增大。聚类系数则相反,枕叶区、顶叶区、额叶节点的聚类系数总体处于较高水平,但在左、右大脑分割位置的节点及颞叶节点聚类系数减小。结论儿童患者在癫痫发作时与视觉、体觉、思维等相关的脑区功能减弱,而听觉功能疑似增强,出现了不同于发作间期的异常现象。