基于多通道表面肌电信号的手势识别方法研究

为验证基于表面肌电信号控制智能假手的可靠性,构建一种基于网格划分(Grid Search)优化支持向量机(SVM)的手势动作识别模型.从Ninapro数据集中截取部分动作信号数据,通过提取5种时域特征和基于小波包的时频域特征,利用SVM和Grid Search-SVM对不同种手势动作进行分类,并对比分类模型的可靠性.实验结果表明,在训练集数据量不同时,分类效果不同;且在训练程度相同时,优化后的分类模型较未优化模型分类效果更好,平均准确率相比提高了21.37％.该模型的建立为以后实时控制智能假肢奠定了基础.     

基于SVM的4类运动想象的脑电信号分类方法

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器.实验以“BCI Competition 2005”中的DatasetⅢa为例,先对采集的4类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类.结果表明该方法分类正确率较高,可以达到91.12％,并且有效的减少了分类器的个数,最终达到较好的识别效果.     

基于时频组合特征的PSO-SVM手势识别方法

为了提高基于表面肌电(sEMG)信号的手势识别的准确率,提出了时频组合特征和粒子群算法优化支持向量机(PSO-SVM)相结合的手势识别方法.将手势sEMG信号的时域特征和频域特征进行线性组合,组合后的时频组合特征作为分类特征,采用经PSO优化的SVM分类器对8类手势进行分类.结果显示,基于时频组合特征均方根值-平均功率频率(RMS-MPF)、绝对均值-平均功率频率(MAV-MPF)的手势识别率,优于它对应的时域特征、频域特征的手势识别率,同时也优于时频域特征的手势识别率.表明了基于时频组合特征RMS-MPF、MAV-MPF的PSO-SVM方法对手势识别有良好的分类效果.     

基于三维重力加速器人体动作识别与分类

运用单个动作传感器通过机器学习算法——支持向量机(SVM),建立出色的人体日常动作识别模型.通过3个主要步骤对动作数据进行了处理,即小波转换,基于降维和K层交叉验证的主成分分析(PCA)以及自动寻优搜索获得SVM径向基核函数中的最佳参数σ和c,获得识别6种人体动作的最佳分类器.采用SVM(支持向量机)算法获得的动作分类器,在对不同动作识别时,得出的平均准确率达到94.5%.这表明基于人体动作识别的验证方法具有实用价值的,并在不久的将来会有进一步的提升.     

基于小波变换与SVM的调制信号识别方法

为了准确地识别通信信号的调制方式,运用小波变换与支持向量机（SVM）对调制信号类型进行识别。采用小波分解重构方法对常用3种模拟信号和6种数字信号提取特征值,将提取的小波特征参数送到 SVM判决器,对信号调制类别进行训练与测试,得到平均识别率。实验结果表明,在信噪比不低于5 dB时,识别率达到了100%,具有良好的分类性能和抗噪能力。     

一种基于SVM的人形识别算法

提出了一种基于SVM(支持向量机)人形识别的算法,通过对静态图像小波变换提取目标的局部形状突变特征,并结合动态帧的步态特征,然后利用支持向量机对小样本进行学习与识别.通过实验验证,该算法具有实时性好、识别率高、可靠性高、适用范围广等特点,以达到实现监控自动化和智能化的目标.     

基于小波包主元分析的表面肌电信号特征识别

针对表面肌电信号(SEMG)的非平稳性及小波包变换系数维数过高的问题,提出一种小波包主元分析和线性判别分析相结合的表面肌电信号动作特征识别新方法。以表面肌电信号用于智能轮椅为例,对采集到的两路SEMG信号进行小波包主元分析,提取SEMG信号的运动特征矩阵,并将运动特征矩阵输入到线性判别分类器进行分类,实现了前臂动作识别。试验表明:该方法能够将小波包系数矩阵由16维降到4维,并且对前臂的四种动作模式(握拳、展拳、手腕内翻和手腕外翻)的平均正确识别率达98%,与传统的小波包变换相比有较高的识别率。     

基于支持向量机的图像纹理识别方法

将支持向量机(SVM)应用于基于内容的图像检索领域，提出一种基于Gabor小波变换和支持向量机分类器的新型集成纹理识别方法.目标是利用Gabor小波设计的多通道小波滤波器对图像目标进行小波变换，用Gabor小波变换系数的模的平均值和标准差生成表示目标图像的特征向量，将特征向量归一化后用支持向量机进行训练和识别.最后，利用Brodatz纹理库中的纹理图像进行了试验并与其他几种方法进行了比较.结果表明，该方法的识别率在小样本情况下要优于其他几种方法，并且具有更好的泛化和推广能力.     

基于医学影像的病脑检测

采用离散小波变换对脑部核磁共振图像进行特征提取,通过对比分类精确度对多个特征进行筛选,采用峰度作为最后识别特征。最后,采用支持向量机对脑部核磁图像进行分类识别,并与几种常用的分类算法做了对比研究。     

采用深度学习和表面肌电信号的上肢动作识别

使用上肢表面肌电信号对上肢动作进行识别是实现康复机器人持续被动运动和主动辅助运动模式的重要方法。为了提高基于表面肌电信号(surface electromyography, sEMG)的上肢动作识别精度,分别采用了分段时域信号和拼接频谱图的两种肌电动作识别方法。分段时域信号方法采用融合卷积神经网络(convolutional neural network, CNN)、长短时记忆网络(Long Short-term Memory, LSTM)和注意力机制的自建网络对上肢动作进行识别;拼接频谱图方法将预处理后的时域信号通过短时傅里叶变换(Short-Time Fourier Transform, STFT)转换为对应频谱图,利用两种微调的预训练模型VGG16和Resnet50对所有通道竖直拼接的频谱图提取特征并将特征拼接,结合支持向量机对上肢动作进行识别。实验结果表明,所提出的两种方法在采集的受试者肌电信号数据集上均表现出90%以上的识别精度,可有效区分不同的上肢动作。     

一种改进的快速嵌入式字符识别方法

针对手持式字符识别系统开发中系统对实时性要求较高、系统资源有限以及传统的支持向量机(SVM)分类方法难以同时满足识别率和识别速度的缺点,提出一种快速的SVM(FCSVM)分类算法。对支持向量集采用变换的方式,用少量的支持向量代替全部支持向量进行分类计算,在保证不损失分类精度的前提下使得分类速度较传统SVM算法有较大提高。实验结果表明,FCSVM算法较大幅度地减少了计算复杂度,提高了分类速度,尤其在嵌入式系统中效果更加明显。     

基于多核学习的下肢肌电信号动作识别

为了提高下肢肌电控制系统中多运动模式识别的准确性,提出一种基于多核学习(MKL)和小波变换尺度间相关性特征提取的多类识别方法.根据多核学习理论,采用二叉树组合策略构造基于多核学习的多类分类器.对下肢4路表面肌电信号进行离散平稳小波变换,用小波系数尺度间的相关性提取特征向量输入构造的多类分类器,对水平行走时划分的支撑前期、支撑中期、支撑末期、摆动前期、摆动末期这5个细分运动状态进行分类.实验结果表明,所提的多模式识别方法能够以较高识别率区分多个细分运动状态,得到比标准的单核支持向量机(SVM)分类器更好的准确性.     

基于脑电信号的癫痫疾病智能诊断与研究

针对医疗诊断中癫痫脑电信号分类准确率低、分类类别少的问题,依据粒子群算法和支持向量机理论,提出了一种基于粒子群算法优化支持向量机参数的信号分类检测技术。首先利用小波分析对脑电信号进行5层分解与重构,然后提取含有癫痫特征频率的3、4、5层重构信号的波动系数和近似熵等特征,计算不同状态不同尺度的脑电信号能量,根据不同状态不同尺度的能量分布,调整特征向量的系数。最后使用粒子群算法优化的支持向量机对脑电信号进行分类。实验结果表明,本文提出的方法可以正确识别健康、癫痫发作间期、癫痫发作期3种类型脑电信号,最终的识别率可以达到99.83%。     

基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.     

改进粒子群与支持向量机混合的特征变换

研究了数据挖掘中通过特征变换的数据预处理来提高支持向量机(SVM)分类精度的方法,提出了改进粒子群优化(PSO)和SVM混合的方法. 用推广t统计、Fisher判别式和随机森林的线性加权度量来排序特征,得到预选特征子集,再用启发式信息加速改进PSO搜索特征的线性变换因子,并用二进制PSO对特征变换子集进行特征选择,在后处理中通过格子搜索获取了高精度SVM分类器. 在NIPS 2003的madelon及10个UCI数据集上的实验表明,与有C-SVM分类精度相比,新方法在4个数据集上的精度更高.     

基于Gabor变换和极限学习机的贝类图像种类识别

研究了基于Gabor变换和二维图像主成分分析(2DPCA)相结合的贝类图像识别方法。对贝类图像进行Gabor变换,提取其图像特征,确定了图像特征维数;采用2DPCA方法,对变换后的特征进行降维,并利用极限学习机(ELM)进行贝类图像的分类识别。与BP神经网络和支持向量机(SVM)实验对比发现,极限学习机分类器用于贝类识别不仅速度极快而且泛化性良好,算法具有较高的精度。     

基于改进支持向量机的人手动作模式识别方法

为了提高基于表面肌电信号（sEMG）控制的手部运动康复器对人手多种动作模式的识别率,比较常规支持向量机（SVM）多类分类器的特点,提出改进的决策树支持向量机多类分类方法.该方法引入基于sEMG特征向量的类间距离可分性测度来指导决策树的构建,能够为每个SVM子分类器的训练提供识别率较高的样本划分方案,在提高决策树内部节点分类成功率的同时,简化了分类器结构.通过实验对比可知,新方法在20种手部动作模式的识别训练过程中,单项动作最低识别率较常规决策树方式提高了7.1%,平均识别率达到88.9%,训练速度较一对一支持向量机分类器提高了5.8%.     

基于小波分析和支持向量机的供电线路故障诊断

将小波分析与支持向量机(SVM)相结合对供电线路故障进行自动诊断.运用变尺度多分辨小波分析方法对供电线路故障信号进行特征分析,SVM能够对小样本数据进行模式识别并且具有很好的分类推广能力.在小波分析信号特征提取的基础上,利用分布式多SVM分类器识别故障.实验表明,该方法能有效地对供电线路故障进行准确识别和诊断.     

基于混沌粒子群优化支持向量机的变压器故障诊断

为了提高电力变压器故障诊断的准确性,也要克服人工神经网络(ANN)中存在的收敛速度慢、容易陷入局部极值等缺陷,提出一种混沌的粒子群优化支持向量机的变压器诊断方法,该方法不仅具有很强的全局搜索能力,而且适用于支持向量机(SVM)参数优化,提高算法的鲁棒性.首先利用混沌的粒子群算法优化支持向量机的参数,把气体的特征参数代入优化的支持向量机分类模型中进行诊断,能够准确地分类变压器故障,从而达到故障诊断的目的.实验结果与常规方法比较,该方法能简单有效,诊断速度快,诊断正确率高.     

VMD与PSO的乐器声音识别

针对乐器音频信号的识别率低的问题,提出了一种变分模态分解(VMD)和被粒子群算法(PSO)优化的支持向量机(SVM)的乐器音频信号识别的方法。采用VMD将乐器音频信号分解成一系列平稳的窄带分量(IMF),并根据相关系数重构信号,采用小波去除残余的噪声。最后,在分析传统的声音特征提取方法基础上,提取梅尔频率倒谱系数(MFCC),用经PSO寻优参数的SVM进行音频信号的分类。实验结果表明,本文算法的去噪效果明显优于经验模态分解(EMD)和集合经验模态分解(EEMD)的分析结果;PSO优化后的SVM有效的提高了噪声环境下音频信号分类的正确率。