基于分形维前臂动作表面肌电信号的分类

通过分形维对表面肌电信号进行识别分类.在30个健康志愿者做前臂内旋和外旋时,从他们的右前臂肌前群分别采集2类动作表面肌电信号.当原始动作表面肌电信号用小波包变换分解成几个子信号后,采用一种基于模糊自相似性的方法计算原始信号和4个子信号的分形维.结果表明:从频带0～125 Hz的子信号求得的内旋和外旋动作表面肌电信号的分形维有各自的范围;通过该分形维进行Bayes决策时,错误识别率仅2.26%.因此,该分形维适合用来识别内旋和外旋动作表面肌电信号.     

基于表面肌电信号的腰背动作识别新方法

为提高基于表面肌电信号的人体腰背动作识别率,提出一种基于小波包能量与改进NARX神经网络的分类识别新方法。利用小波包变换对动作部位进行表面肌电信号特征提取,并采用改进NARX神经网络进行分类识别。选取8名实验者分别在扭腰、弯腰、侧弯腰3种动作下进行表面肌电信号数据采集,选择db4小波包函数对信号进行6层分解,得到第6层64个频带的小波包分解系数,代表各个动作信息的特征向量,作为改进NARX神经网络的输入进行分类识别。对照实验组中,改进NARX神经网络的识别率较高,总体识别率达到96.7%。实验结果表明,利用该识别方法对腰部动作进行分类识别,分类准确,且识别率更高。     

基于多重分形特征的心电身份识别方法研究

由于人的心脏是一个复杂的非线性混沌系统,利用多重分形分析手段来研究心电(electrocardiosignal,简称ECG)的混沌也是一种趋势.文章利用质量指数、多重分形谱两个概念,定性地分析了心电信号具有多重分形特性.并利用质量指数对称度、多重分形谱宽度、最大最小概率子集分形维数差、多重分形谱非对称指数作为心跳周期的多重分形特征,结合支持向量机(Support Vector Machine,简称SVM)在3个心电数据库进行仿真测试.测试得到的心跳判别结果通过多数投票规则以判断受测者的身份,身份识别率达到96.67%,是一种可行的识别方法.     

手势识别研究概述

手势是一种自然而直观的人际交流模式.介绍了手势识别的发展过程以及手势的建模方法.当前人们采用不同的手势识别手段和技术来识别手势.同时介绍了当今比较先进的计算机手势输入技术,提出了一种新的手势识别方法,并举出已经实现的手势识别系统.     

利用神经网络进行人手动作表面肌电信号的识别研究

为了更好地识别人手动作的肌电信号,采用基于小波包分解与主成分分析结合的特征提取方法,并利用粒子群优化Elman神经网络的模式分类方法。选择"db"系小波对肌电信号进行多尺度分解,并结合主成分分析法,选用累计贡献率大于98.6%的十个主成分作为特征向量,输入优化神经网络进行网络训练,实现对人手抓取动作的模式识别。实验结果表明,与传统神经网络仿真结果对比,采用粒子群算法优化Elman神经网络不仅能提高系统稳定性问题,而且能提高人手动作分类识别率,验证了该方法是一种可行的人手动作分类识别方法。     

基于计算机视觉的人机交互技术研究

计算机视觉技术使得人类手势识别在工业应用中发挥了重要作用,如人机交互等.该方法提出了一种基于手工提取特征的动态手势分割和分类方法,这些特征是从Kinetic传感器提供的骨架数据中提取出来的.其中,手势检测模块依赖于前馈神经网络,该神经网络执行逐帧的二分类.手势识别方法采用滑动窗口的方式从空间和时间维度提取信息.然后,本文组合不同持续时间的窗口,以获得多时间尺度方法所带来的性能增益.受递归神经网络最近在时间序列领域验证成功的启发,该方法还提出了一种基于双向长短期记忆单元来同时进行手势分割和分类的方法,该方法具有在长时间尺度上学习时间关系的能力.所提方法评估了2014年ChaLearn Looking at People挑战赛数据集,并与其他不同方法进行对比,该方法的性能几乎与最先进的技术相匹配.最后,该方法识别出的手势可以应用于与协作机器人进行交互.     

基于EMD的运动想象脑电特征提取与识别

针对运动想象脑电特征的提取与识别,提出了一种采用经验模态分解(EMD)提取脑电信号能量特征与幅值特征的分类识别方法。首先用时间窗对脑电信号进行细分;然后利用EMD方法对细分后的数据进行分解,取前三阶的固有模态函数分量(IMF),提取能量和平均幅值差作为特征向量;最后,使用支持向量机对左右手运动想象进行分类识别。多次仿真试验数据表明,分类准确度达到88.57%,证明了该方法有效、适用。     

表面肌电与三轴信息融合的运动判断实验

为了提高基于表面肌电与三轴加速度信号的运动识别准确率,提出了一套多源信息融合处理的实验流程与方法。该方法利用5层离散小波变换对表面肌电信号进行分解,充分提取不同运动产生的肌电信号中各频域的特征信息;再将分解后的表面肌电信号与三轴加速度信号通过滑动窗口的方法进行特征融合,构造融合肌电与空间运动特征的特征图;最后用融合特征图对深度学习模型进行训练,并结合自动状态机进行最终运动状态的识别。实验结果表明,多源信息融合处理方法可以提高运动识别的准确性,总体识别精度分别达到了95.4%和89.2%。该方法在实时性与准确性上均有良好表现。     

基于Kinect深度图像信息的手势轨迹识别及应用

本文提出了一种新型的利用Kinect获取深度图像并进行手势轨迹识别的应用方法,该方法称为HMM(隐马尔可夫)手势轨迹识别方法,具体操作步骤为:首先利用Kinect传感器获取深度图像,然后通过OpenNI的手势生成器的手势分析模块获取完整的手势信息,对手部进行形态学处理,识别并跟踪手势,提取手势轨迹,最后运用HMM手势轨迹识别方法进行识别.实践证明,该方法可快速有效地实现手势轨迹的识别.     

基于Kinect传感器和HOG特征的静态手势识别

手势识别是人机交互领域的一种重要手段。针对现有算法识别率低,鲁棒性弱的问题,本文基于Kinect传感器获取的手势深度图像,对复杂背景干扰下的手部区域进行分割,然后利用梯度方向直方图(HOG)对手部灰度图像进行特征提取,最后利用最小马氏距离分类器进行建模、分类,实现静态手势识别。根据Kinect传感器获取的深度信息结合阈值分割法,能够准确地检测手部区域,为后续识别打下良好的基础。而HOG特征适应光照的变化,且具有几何不变矩的特性。实验结果表明,本文提出的手势识别方法在光照变化和复杂背景干扰下具有较强的鲁棒性和较高的识别率。