自适应小波尺度谱阈值在膈肌信号降噪的应用

膈肌肌电信号是人体微弱的生物电信号,此信号常受到心电信号的严重干扰。为了提高阈值在膈肌肌电信号降噪的准确度,提出了一种小波尺度谱阈值自适应的降噪算法。该算法先对膈肌肌电信号进行小波变换,再把小波系数转化为小波尺度谱,然后确定心电干扰位置,并且根据心电邻域小波能量自动调整阈值从而去除心电干扰。通过对膈肌肌电信号进行实验分析,并且与小波阈值方法进行对比,结果表明该方法降低了心电干扰并且保留了膈肌肌电信号的特征。     

基于肌电信号的行走步态周期识别方法与实验系统的设计

通过下肢表面肌电信号的人体行走步态周期识别方法设计了实验系统;针对表面肌电信号的微弱性、交变性、低频性等特点,提出了识别肌肉动作起始时刻的峰—谷线性插值分段积分算法,并将该算法与阈值法相结合,提取足跟着地前肌肉动作起始时刻,从而达到划分步态周期的目的;该方法仅需单通道信号作为信息源,不同被测者可以选用不同的肌电信号;有效回避了肌电信号传感器零点漂移现象;文中分别对5位被测者行走时的7个下肢肌电信号进行采集,以VisualC++为工具,基于用户界面设计了步态周期的识别系统,其系统识别结果验证了该方法具有广泛性、可靠性、准确性和实用性。     

基于DTW算法的肌电信号手势识别方法

为了提高肌电信号手势识别算法的准确度,增强实时性,提出了一种基于动态时间规整（DTW）算法的手势识别方法,该方法利用肌电信号（EMG）对个体间的手势进行识别。首先,采用滑动平均能量的方法对原始的EMG信号进行数据分割,探测有效动作;其次,对于分割的数据段使用平均绝对值（MAV）来提取信号特征;最后,用DTW算法将8维的EMG信号融合并计算测试样本和模版的相似度,其中采用了DTW算法寻找规整路径的方法进行了模板制作,实现了个体间的手势识别。实验结果表明,使用DTW算法对肌电信号进行手势识别,其动作识别的准确率达到96.09%,该方法计算速度快,实时性强。     

一种改进阈值的平移不变量小波消噪方法

分析了小波消噪软、硬阈值方法,提出一种改进阈值的平移不变量小波消噪方法.采用重复循环平移原始信号的方法消除不连续点的相互干扰,分别进行小波分解.使用改进的阈值量化算法,通过处理小波系数的幂次和阈值的幂次来估计小波系数,并重构信号,对重构信号进行相反平移,通过相反平移信号求平均得到消噪后的信号.对表面肌电信号处理的实验结果表明,与传统的阈值法相比,该方法提高了信噪比,降低了均方误差.     

基于小波包变换的肌电信号特征提取

本文提出一种新的基于小波包变换的特征提取方法,提取表面肌电信号进行小波包变换后得到的信号的协方差矩阵的特征值的最大值作为特征值。利用该方法对表面肌电信号提取特征值构建特征矢量,送入Elman神经网络对手部6种动作模式进行识别,在Matlab平台上进行实验仿真。实验结果表明,该方法取得了很好的识别效果。     

基于改进小波变换的手臂肌电信号去噪算法的研究

手臂肌肉电信号是手臂运动过程中,通过电极记录下来的微小肌肉电流信号。由于该信号可以无创检测,模仿性强,已广泛应用于人工智能假肢领域。研究了小波阈值去噪算法在手臂肌电信号检测中的应用,针对传统阈值去噪算法存在离散点、误差大等缺点,引入非线性函数过渡,利用控制系数,改进阈值去噪算法。利用3种方法对同一含噪信号信息进行仿真分析,通过实验表明,该算法对采集到的手臂单通道肌电信号进行去噪处理,克服了传统阈值去燥算法的缺点,可以有效去除干扰信号,提高信噪比和信息识别的准确性。     

基于小波理论的sEMG的处理方法

文章选取时域分析法对表面肌电信号的提取其特征值,意在于能够得到能较好地表征肌电信号的特征向量,使得之后的分类器能够有效地对表面肌电信号进行分类识别。在对信号进行识别分类识别时,所设计的小波神经网络可以将各动作信号特征值转化为线性组合,简化动作的分类识别过程。     

HHT方法在人体下肢表面肌电信号分析中的应用

针对表面肌电信号是非线性非稳态信号的特点,为了得到信号的有效特征并对信号特征进行有效分析,采用HHT(Hilbert-Huang Transformation)分析方法,通过经验模态分解将信号分解为一组内蕴模态函数。基于各内蕴模态函数的频率特征的分析,对它们进行HHT变换建立表面肌电信号的时间-频率-能量三维Hilbert谱,进而得到信号的边际谱。文中给出基于经验模态分解阈值消噪方法,和小波阈值方法相比,其消噪效果明显,在抑制噪声的同时,能够较好保留信号边缘和细节信息。初步实验表明HHT方法为表面肌电信号的特征提取和模式识别提供了可靠的依据,具有很好的应用前景。     

基于VMD和小波阈值的ECG肌电干扰去噪处理

针对现有心电信号肌电干扰去噪方法的不足,本文提出利用变分模态分解和小波阈值相结合的方法对心电信号肌电干扰进行去噪处理,该方法通过对含噪心电信号进行变分模态分解,确定信号主导模态分量与噪声主导模态分量,噪声主导模态分量的小波阈值变换和重构无噪心电信号,共四步实现对含有肌电干扰的心电信号的去噪处理。其中,通过分析研究所有模态分量中心频率的分布,确定变分模态分解的层数,多组仿真与真实含噪心电信号的相关实验表明。本文所提出的去噪方法可有效去除心电信号中的肌电干扰,且去噪效果优于小波阈值法、变分模态分解法和经验模式分解法。     

基于肌电信号和姿态信号的手势识别

针对仅利用手臂表面肌电(EMG)信号难以准确识别手指动作的问题,提出了将手指关节的姿态信号与表面EMG信号融合用于识别手指姿势的方法。利用MYO手环同步采集手臂的8组肌电信号,同时利用姿态传感器采集手指运动时的三维角度信息。采用滑动平均能量法,依据采集到的原始EMG信号进行活动段检测,提取出执行有效动作过程中的相关信号,并分别采用绝对值均值(MAV)和标准差(SD)对该部分的肌电信号和角度信号提取特征。将提取的特征值作为SVM多类分类器的输入,用于识别手势动作。实验结果表明:融合手指角度信号可有效提高手指动作的识别率,整体识别率达到99. 3%。     

基于WPKPCA和SVM的SEMG动作识别方法

为了有效提取表面肌电信号SEMG(Surface Electromyographic)的特征,更好的识别人体上肢运动模式,提出了一种小波包核主元分析(WPKPCA)和支持向量机(SVM)相结合的新方法。通过虚拟仪器采集桡侧腕屈肌和肱桡肌两路表面肌电信号,应用小波包核主元分析法对表面肌电信号进行特征提取,采用支持向量机对表面肌电信号特征数据进行分类识别。实验结果表明,采用此方法能够从表面肌电信号中识别出握拳、展拳、手腕内翻和手腕外翻4种动作,更能有效提取表面肌电信号信息,动作识别率高达98%。     

基于PCA与核LDA的表面肌电信号特征识别

针对表面肌电信号的非线性和非平稳性等特点,提出了一种主元分析与核LDA判别分析相结合的表面肌电信号特征识别新方法;通过虚拟仪器采集桡侧腕屈肌和肱桡肌两路表面肌电信号,并提取其特征参数平均绝对值和均方根,采用主元分析法对表面肌电信号特征参数进行压缩降维,应用核LDA判别分析法对降维后的数据进行分类识别;经过实验表明,该方法将表面肌电信号的特征参数由4维降到2维,减小了数据的冗余度,能够成功的从表面肌电信号中识别握拳、展拳、手腕内翻和手腕外翻四种动作,识别率高达96%。     

基于平稳小波变换的膈肌肌电信号降噪

为了去除膈肌肌电中的心电干扰,提出了一种基于平稳小波变换的“逆向”硬阈值的降噪方法。首先,对临床的膈肌肌电信号进行平稳小波变换,根据小波系数检测QRS并且确定心电干扰范围;其次,逐层估计心电周期范围的小波系数均方差,并且通过均方差计算各个心电干扰的阈值;最后,对各层心电干扰范围小波系数进行“逆向”硬阈值处理,并进行小波逆变换得到降噪后的信号。实验结果表明,该方法能够有效地去除膈肌肌电信号中的心电干扰,并且能够较好的保留膈肌肌电信号的信号特征。     

基于多源信息融合的手势智能交互系统

利用表面肌电信号（surface ElectroMyoGraphy， sEMG）设计了一个提高分类准确性和快速性的识别系统，用于捕获手势动作并进行人机交互.首先，基于无线肌电测量系统和飞行器自主搭建了智能交互平台；接着，采用滑动时间窗的方法对原始sEMG信号设计短时能量阈值进行信号活动段始末点的确定，从而抑制了动作刚执行时趋势段对识别结果的影响；然后，利用时域统计分析对sEMG信号进行特征分析，并提出了一种融合加速度特征信息和sEMG信号的方法来建立5种手势的分类模型.与仅使用sEMG信息源的方式相比，此方法提高了识别准确率.最后，手势控制飞行器运动的实验证明了本方法的可行性和有效性.     

一种大场景点云的快速分割方法

为实现虚拟展示中大场景三维点云的快速分割,提出了一种基于信号强度统计分布的三维点云分割方法.该方法通过对激光扫描回波信号强度的统计分析,自动获取目标实体信号强度和采样率的最佳阈值关系,再根据阈值实现对无效信号的过滤,能快速提取出场景中的目标实体.实验表明,该方法能取得理想的分割结果,具有较强的实用性.     

表面肌电信号的分解算法研究

为提高表面肌电信号分解的正确率以及完整性,提出一种表面肌电信号的自动分解算法。考虑到其较低的信噪比,先是采用小波降噪法对信号进行降噪处理,并计算信号的非线性能量算子以加强信号波峰值。之后采用低频小波系数和高频小波系数相结合的特征值来表征运动单元动作电位,最后使用小波神经网络完成对活动段的分类。同时,为了实现表面肌电信号的分解完整性,采用递归模版算法对所提取的叠加波形加以分解。实验结果表明,该分解算法能够成功地提取到中低收缩水平下表面肌电信号中的运动单元动作电位的发放信息,同时也能够有效地对叠加波形进行分解。     

基于肌电信号的无线通讯控制系统

表面肌电信号是肌肉动作产生的一种生物电信号,其中蕴含了与人体动作相关的运动意图信息.因此,通过对肌电信号的分析处理,可以获取人体的动作模式.基于肌电信号的研究在康复医学,假肢控制,生物医疗等方面具有巨大的应用前景.研究基于表面肌电信号的分类识别构建一个无线通讯控制系统,研究内容包括表面肌电信号的实验设计,分析方法介绍,手势动作获取,无线通讯系统搭建及实时界面显示控制系统的构建.通过对整个系统的试验调试,该系统操作简单,具有良好的实时性.该课题的研究工作能够为辅助手臂装置或残障人士轮椅控制提供新的模式.     

表面肌电信号识别特征提取的仿真研究

研究表面肌电信号准确识别问题,表面肌电信号含有大量的噪声,且特征维数高,传统方法无法消除其中的噪声,选择最重要识别特征信号,表面肌电信号识别正确率低.为提高表面肌电信号的识别正确率,提出一种新的表面肌电信号识别模型.首先采用小波变换提取表面肌电信号特征,消除信号中的噪声,然后采用遗传算法选择最优特征信号,降低特征维数,最后采用遗传算法对支持向量机参数进行优化建立最优表面肌电信号识别模型.仿真结果表明,模型可很好地解决传统方法中的难题,提高了表面肌电信号的平均识别正确率,识别结果非常稳定,为表面肌电信号提供了一种新的识别方法.     

基于多通道sEMG小波包分解特征的人手动作模式识别方法

为了满足主动康复训练和人机交互等复杂应用场景对多样性的人手运动模式识别需求,提出了一种基于多通道表面肌电信号sEMG小波包分解特征的人手动作模式识别方法。通过实验对比分析,确定了最佳采样布局方案,通过采集前臂表面肌电信号,设计了基于数字滤波器的肌电信号活动段自动标识算法,能快速准确完成样本动作标签的制作。以原始肌电信号的小波包分解系数作为特征向量训练分类器。通过对比不同隐含层节点数对分类器模式识别准确率的影响,最终确定BP神经网络模式分类器的所有结构参数。设计并训练完成了BP神经网络人手运动模式分类器。对9种手部运动的平均识别率达到93.6%,计算时间小于150ms。     

非线性PCA在表面肌电信号特征提取中的应用

针对表面肌电信号的特点,提出了一种应用非线性主分量分析(PCA)提取表面肌电信号特征的新方法.该方法在表面肌电信号滤波的基础上,采用非线性PCA方法完成数据压缩,将多路表面肌电信号转换为一维的特征数据主元,并以主元曲线的形式输出特征提取结果.本文采用基于自组织神经网络的非线性PCA对手臂尺侧腕伸肌和尺侧腕屈肌的两路表面肌电信号进行主元提取,试验结果表明,四种手部运动模式(握拳、展拳、腕外旋、腕内旋)对应的表面肌电信号利用该方法处理后,得到的主元曲线具有很好的类区分性,依据所得主元曲线的形状特征可以有效地进行手部动作类别的识别.