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。     

动态跟随型生物反馈电刺激系统实现

功能性电刺激是一种治疗运动功能受损的有效治疗方案。在现有功能性电刺激基础上,提出基于表面肌电信号的动态跟随型反馈电刺激方法,采用动态标志阈,与实时表面肌电信号进行即时对比,控制电刺激输出强度大小;交替实现肌电采集和电刺激,提高处理频率,加强实时性;根据患者个体肌电的差异,动态设定刺激初始值,实现个性化治疗;增加疲劳动态识别功能并及时停止刺激。实验结果表明,系统能实时动态调节电刺激强度大小,动态跟随时间缩短到3s,患者运动过程中动态标志阈改变次数增多,治疗时间内电刺激强度变化增大,提高了治疗的有效性;患者一旦出现疲劳,系统能即刻识别并停止电刺激,有效地保护了患者。     

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。     

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.     

表面肌电信号的多重分形特性分析与手势识别

为改善表面肌电信号手势识别的抗噪性和分类识别率,提出了一种基于多重分形特征的表面肌电信号手势识别方法.该方法首先借助多重分形测度分析手段,研究了不同手势动作下表面肌电信号的多重分形特性,根据不同手势表面肌电信号的多重分形谱之间的差异,提出了多重分形特征的提取算法,并利用多重分形特征结合支持向量机进行了手势识别.实验研究表明,上臂肌肉的表面肌电信号具有显著的多重分形特性,最大、最小概率子集分形维数差等多重分形特征可以作为不同手势动作的分类识别的有效特征,所提出的方法具有良好的分类识别性能,是一种有效的分类识别方法.     

基于机器学习的抑郁症特征提取与实现北大核心

文章将抑郁症脑电识别作为“云计算与数据挖掘”课程的实验内容,设计了利用机器学习进行抑郁症脑电识别诊断系统,利用信号处理方法进行脑电特征提取。时域采用基于统计特征的近似熵及非线性特征的模糊熵、频域采用基于脑电波段划分的功率谱密度进行特征提取,用以更加精准地提取抑郁症患者的脑电信号特征。最后利用机器学习方法,实现了对抑郁症的快速客观诊断。实验采用Python语言实现,实验结果表明近似熵特征取得了最佳分类结果。     

基于深度森林的脑电情绪识别研究

为了改善传统脑电情绪识别方法需要对脑电信号进行深入了解,且需要人工提取相关特征的缺点,基于深度森林的表征学习能力对脑电样本的时域与频域数据进行自动特征提取,并融合32通道脑电信号的时域特征向量和频域特征向量,通过级联森林对特征作进一步学习。实验结果表明,该方法对效价二分类预测的准确率达到68.4%,查准率达到66.3%,查全率达到89.9%,F1分数达到76.3%;对唤醒度二分类预测的准确率达到68.2%,查准率达到65.8%,查全率达到91.2%,F1分数达到76.4%。通过与DEAP数据集使用EEG信号给出的二分类实验结果进行对比,基于深度森林的脑电情绪识别方法对未知样本的识别准确率高于DEAP的结果。     

基于EEMD和LS-SVM的癫痫脑电信号识别

针对癫痫脑电(EEG)信号的非平稳性和非线性,提出一种基于集合经验模式分解(EEMD)提特征并利用最小二乘支持向量机(LS-SVM)的脑电信号分类方法。首先利用EEMD将EEG信号分成多个经验模式分量,得到各阶本征模式分量(IMF),然后提取有效特征,最后用LS-SVM对其进行分类,实验结果表明,该方法对癫痫发作间歇期和发作期EEG的提特征后分类识别正确率达到98%。     

基于时域正则化共空间模式的单次脑电情绪识别(英文)

通过使用单次提取脑电信号的分类技术进行情绪词的脑电(EEG)识别研究.以中文情绪双字词为实验材料,通过其诱发的EEG信号,对正性词与中性词、负性词与中性词分别进行分类.使用时域正则化的共空间模式对单次提取脑电信号进行特征提取,并利用线性判别分析方法进行特征分类,分类准确率集中于55%~65%.置换检验验证了实验分类准确率的统计学显著性,表明了情绪词和中性词的成功识别,也有效地证实了基于脑电信号的语言情绪信息的可识别性.此外,在15名被试中,10名被试的负性词与中性词识别率显著,而仅有4名被试的正性词与中性词识别率显著,说明负性情绪更易被识别.     

小波去噪方法的仿真研究

去除在心电信号采集过程中混入的基线漂移等噪声信号,避免噪声对心电信号特征点的识别和提取造成误判和漏判.利用样条小波小波对心电信号按Mallat算法进行分解,然后小波重构的算法进行去噪.采用MIT-BIH数据库中的心电信号进行仿真、验证,有效去除了噪声信号.此方法实时性好,为临床分析与诊断莫定了基础.     

"提升小波"变换在生物电实验预处理中的应用

为了解决生物电信号中的噪声抑制问题,首先讨论了"提升小波"变换原理及生物电信号特点,然后利用"提升小波"进行原始信号的分解,并使用软阈值处理小波分解的细节系数,将处理过的细节系数和近似系数一起重构信号,最后采用该方法对两种典型的生物电信号进行降噪处理.仿真结果表明:"提升小波"变换的去噪声方法,能有效地从背景噪声中提取出微弱的检测信号,是一种可行的生物电实验预处理方法.     

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。     

基于小波特征的油浸式变压器电弧光故障诊断

基于小波分解频带能量特征和BP神经网络的方法识别油浸式变压器短路故障。利用电弧光信号进行油浸式变压器短路故障诊断,对不同工况下的光信号进行多分辨率分析的四层小波分解,选择合适的重构小波系数,提取特征频带。对提取出的特征频带的小波系数作平方和归一化处理,求出每个特征频带的能量,作为特征参数输入到BP神经网络模型中进行训练和故障识别。     

基于小波理论的心电信号仿真分析

小波理论在心电信号去噪处理中已经得到了广泛的应用,针对不同的噪声可以采用不同的小波方法进行去噪处理。根据小波在各个尺度上的不同的带通滤波特性,利用小波变换多分辨的特点对心电信号进行滤波,并应用Matlab仿真进行实验。通过实验证明,利用不同的阈值函数及自适应阈值能较好地抑制信号中的基线漂移、工频干扰和肌电干扰,具有一定的实用价值。     

基于Morlet小波的EEG疲劳程度的识别研究

为了识别人类疲劳程度,文中提出一种基于Morlet小波变换的EEG脑电信号测量方法来分析受测者的眼动信号,通过时域信号的特征值筛选来识别疲劳状态,进而了解受测者的疲劳程度.本研究使用非侵入式脑电信号测量仪,进行脑电信号原始数据的采集,使用Matlab程序对于脑电信号进行Morlet小波变换(Morlet Wavelet transform,MWT)将信号分解,再将数据转化为特征值之后,使用支持向量机(Support vector machine,SVM)与反向传播类神经网络(Back propagation neural network,BPNN)进行疲劳的状态分析.该方法对400名测试者在不同疲劳程度状态下进行测试,结果显示脑电信号识别的正确率平均达到96.15%.     

结合形态非抽样小波和引导滤波的图像融合研究

提出一种新的图像融合方法,该方法将形态非抽样小波和引导滤波结合,实现一种快速有效并且对图像边缘保持明显的融合过程。该方法首先对源图像进行形态非抽样小波分解得到基础层图像,源图像减基础层图像得到细节图像。接着对细节图像进行显著比较得到权重图,然后对权重图进行引导滤波,源图像作为引导图得到优化后的权值图,最后将优化后的权值图分别与基础层图像和细节图像加权平均再相加得到最终的融合图像。相对于现有的图像融合算法,该方法能有效的保留源图像的边缘部分,有助于显著目标的识别。通过实验证明了该算法能得到具有高对比度的融合图像,融合效果良好,在实时图像融合中具有较高的应用价值。     

基于信息融合技术的结构损伤诊断方法

为提高结构损伤识别的准确率,将多源信息融合技术引入到结构损伤诊断中．在介绍多源信息融合技术的基本理论、功能模型、级别分类和数学方法的基础上,将2种或多种结构损伤识别方法提取的损伤特征向量进行特征级融合,建立了基于信息融合的结构损伤诊断方法．在钢筋混凝土板损伤试验中测试其模态信息,利用基于信息融合的结构损伤诊断方法进行裂缝位置识别,并与单独使用模态应变能法和柔度法进行损伤识别的结果进行对比．结果显示基于特征级信息融合的结构损伤诊断方法能够准确识别单一损伤识别方法无法识别的结构损伤,对于多位置损伤识别亦有效果．基于信息融合的结构损伤诊断方法具有良好的损伤敏感性．不同的信息融合算法有不同的适用范围,在实际结构健康监测中,要通过详细分析选择合适的多源信息融合算法．     

基于小波分析和神经网络的胎儿心电提取

通过小波分析方法和自适应线性神经网络相结合,对围产期母体腹壁混合心电信号进行处理,采用两种方案进行仿真并分析对比。分别采用小波变换和小波包分解技术对心电信号消噪处理,探索一种提取出胎儿清晰心电信号的方法,为下一步胎儿心电信号特征提取和健康状况的诊断奠定基础。实验结果表明,先提取胎儿心电信号,再进行消噪处理效果较好。     

基于虚拟仪器的肌电信号处理方法研究

根据肌肉收缩力量的大小取决于运动神经纤维传出动作电位频率的特征,采用功率谱比值法对表面肌电信号(SMES)进行特征提取,并通过Labview编程实现算法,计算功率谱中最大值附近一定范围内的能量占整个功率谱能量的比值K。经过多次实验,可以实现根据K值来有效地识别肌肉动作模式。采用虚拟仪器技术可提高测量精度,降低成本,减少计算工作量。     

基于改进阈值函数的小波去噪算法研究

为更好地消除心电信号（ECG）处理过程中存在的基线漂移、工频干扰和肌电干扰等噪声,提出一种基于改进小波阈值的去噪算法。该算法选定 coi5 作为小波基进行分解,选取分解尺度为 8 层,使用改进的阈值选取方法对每一层信号系数进行去噪。该阈值函数不仅克服了硬阈值函数不连续的缺点,而且解决了软阈值函数存在的恒定偏差,同时具有良好的自适应性。实验结果表明,该方法与传统阈值法相比,信噪比提高了24.26%,均方误差降低了 21.42%;与当前国际上先进的去噪算法相比,信噪比提高了 2.01%,均方误差降低了6.9%,去噪效果显著提升,验证了该算法的有效性。