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.     

复杂度和小波包变换在运动模式识别中的应用

传统的复杂度算法是对信号的时域信息进行处理，缺乏频域的丰富信息，不够稳健。在对信号进行小波变换频域分解后再采用复杂度算法提取信号的特征向量，并与仅仅采全时域单一复杂度特征的分类效果进行对比。结果证实了在子频段采用复杂度是一种有效的分类方法。     

SVM和小波包变换在动作模式识别中的应用

支持向量机（SVM）是一种线性机器，广泛用于模式分类和非线性回归。对于很多低维非线性可分的模式，如果我们能够提取合适的高维特征向量，则模式往往在高维特征空间是线性可分的。本文利用小波包变换提取动作的特征向量，将各种动作信号映射到特征空间形成一定维数的特征向量，然后采用SVM进行动作识别。试验证明。当特征空间维数合适时，利用SVM进行动作识别效果良好。     

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。     

经济型医疗器械检测平台方案探讨

根据医疗器械检定检测的迫切要求,本文提出了三种与计算机相结合,分别基于虚拟仪器平台、平台和单片机平台的经济型的检测方案,这些方案组建简单,成本低廉,分析功能强大,能够满足大部分医疗器械常规参数的检定要求.