肌音信号模式识别在嵌入式实时手语翻译系统中的应用

基于肌音信号（Mechanomyogram, MMG）的模式识别是指采集MMG信号,应用机器学习算法进行动作识别的过程。为了实现手语实时分类,本文采用基于STM32芯片的轻量级嵌入式设备,控制双轴加速度传感器采集了前臂3块肌肉的6通道MMG,应用反向传播神经网络（Back propagation neural network, BPNN）算法建立分类模型,并将模型参数导入嵌入式系统中,实现算法的移植。实验结果表明该嵌入式系统可实现30种手语的实时识别,模型自测识别率达99.6%,实时识别中可达97.5%,每个动作分类所需时间少于0.52 ms,满足实时性要求,具有较高的实际应用价值。本文的研究结果可应用于人体康复工程,哑语翻译器,义肢控制等领域。     

基于肌力信号与电刺激感觉反馈的多自由度机械手人机交互控制

为使操作者能够灵活控制多自由度机械手并能感受到机械手的抓取力,提出了一种具有双向信息传输能力的可穿戴式人机交互系统及控制方法.该系统利用压力传感器(FSR)阵列采集与操作者手部动作对应的前臂肌力信号,基于SVM(支持向量机)多类分类器算法实现对手部动作的识别,通过发送动作模式码控制机械手动作.另外,基于经皮神经电刺激(TENS)原理,将机械手抓取力信号转变为电刺激信号刺激体表皮肤,实现机械手抓握力向人体的感觉反馈.实验表明,基于肌力信号和SVM分类器的动作模式识别方法可实现对10种手部动作的识别,成功率不低于95%;电刺激感觉反馈可向人体准确反馈抓取力感并实现盲抓取.     

基于脉搏波的人体窦性心率过缓检测方法

随着可穿戴技术的快速发展,可穿戴产品中对人体生理信号分析的需求日益强烈。光电容积脉搏波技术作为一种能够体现人体心血管健康状态的重要生理信号已经开始应用到医疗、老人监护和健康监测的众多可穿戴产品之中。采用支持向量机(SVM)的分类算法,设计了一个基于光电容积脉搏波的人体窦性心率过缓检测系统。通过对光电容积脉搏波数据的采集、存储以及特征向量的提取,并利用支持向量机的分类算法,提出了一个判别用户当前心率状态是否处于窦性心率过缓的检测方法。通过实验测试,确定了分类器的最佳设置参数为C=38,g=7,此时分类准确率达94.44%,测试集验证的正确判决率达94.18%。该技术为基于光电容积脉搏波的可穿戴计算产品提供了一种新的应用领域。     

一种基于表面肌电信号的腕部肌力估计方法研究

基于表面肌电信号(Surface ElectroMyoGraphy,sEMG)的人机交互力控制需要检测肌力的大小,而直接、精确地测量肌力十分困难,因此常使用肌力估计的方法估计肌力,为了实现基于sEMG信号的腕部肌力估计,文中提出了一种方法.该方法首先制作一个肌力采集平台,然后采集腕部一系列不同肌力水平的肌力信号和sEMG信号,将两种信号滤波后同步匹配,取sEMG信号的均方根、平均绝对值(MAV)、均值频率、谱矩比(Spectral Moments Ratio,SMR)作为4个特征值,最后使用支持向量机(Support Vector Machine,SVM)建模实现肌力估计,并与BP神经网络建模结果比较.两名实验者肌力估计均方根误差分别达到9.1％MVC(最大等长收缩力)和8.7％MVC,结果表明所提方法是一种有效的、简便的腕部肌力估计方法.     

面向智能服装的多生理信息融合的情绪判别

人体是一个复杂的多功能系统,采集人体的多种生理信号将其作为信息源,并引入呼吸性窦性心律不齐的生理现象来建立基于多生理信息融合的情绪判别模型,通过可穿戴智能服装系统对心电、呼吸、体温三种生理信号进行特征提取和特征分类,采用支持向量机的方法进行多生理信息融合,在此基础上建立面向智能服装的多生理信息融合的情绪判别模型,对情绪的识别率达到72%,具有良好的医疗诊断价值和广泛的应用前景。     

基于关键点亲和场与支持向量机的人体姿态识别

针对传统动作姿态识别仍需物理数据采集设备或深度体感设备进行手工提取特征的问题,提出一种基于关键点亲和场与支持向量机的人体姿态识别方法。以关键点亲和场为核心进行关节点检测,获取各种姿态下的18个关节点坐标信息,使用标准化后的坐标数据对支持向量机模型加以训练,选择不同的高斯核函数进行对比。实现在没有人体深度信息和无穿戴设备的情况下,只使用普通RGB图片便可对人体姿态进行分类识别的效果。实验表明它在KTH数据集、Weizmann数据集中的识别效果良好;在自采集数据集中与带有传感器的方法相比,缩减操作步骤的同时准确率提高了7百分点。另外,还在保持关节点检测不变的情况下,使用随机森林、KNN算法进行姿态分类对比,实验结果证明该方法优于后两者。     

可穿戴设备中基于人体通信的身份识别方法研究*

针对目前生物识别技术在穿戴式设备上应用的缺陷,提出一种可应用于可穿戴设备上的生物识别方法。利用300KHz-1.5GHz的电磁波在人体通信信道传输中产生的幅度衰减特性曲线作为生物特征。为了验证此方法的可行性,首先,利用矢量网络分析仪测量生物特征;其次,提取数据的梯度,使用支持向量机进行分类器模型训练和测试。验证结果与直接对采集的生物特征进行分析的方法对比,引入梯度的分析方法使得正确识别率从90.45%提高到94.54%、等错误率从0.95%降低到0.14%、接收者操作特征曲线下面积从0.9971增加到0.9999。因此,基于人体通信的身份识别方法可为穿戴式设备的身份认证系统研究提供一种方法。     

基于多传感器的人体生理状态判别可视化技术

基于多传感器的人体生理状态判别可视化技术适用于当前的可穿戴体域网设备。该技术利用了3种可穿戴式人体生理信号传感器。从脉搏传感器中采集脉搏波信号,预处理后提取特征向量,采用支持向量机的方法,将人体生理状态分类为"普通状态"和"事件状态",对16名实验者都取得了90%以上的分类准确率。利用呼吸波传感器和体温传感器作为辅助判别方式,将这三种信号的分类结果采用二进制编码的方式进行数据融合,得出一种对人体生理状态的综合评价可视化结果。     

基于人体姿态的P SO-SVM特征向量跌倒检测方法

在可穿戴设备检测人体跌倒情况时,单一采用加速度阈值判别方法不能完整表征人体跌倒行为变化的信息,导致对跌倒信息误判.为此,提出了一种基于人体姿态的PSO-SVM特征向量跌倒检测算法.首先通过MEMS加速度传感器节点采集人体姿态数据,并利用共轭梯度法对采集的数据进行优化处理,降低非线性误差;然后,利用支持向量机SVM(Support Vector Machine)分类器检测跌倒行为,并通过粒子群PSO(Particle Swarm Optimization)算法对SVM参数进行优化,获得最佳分类模型,根据SVM分类模型对采集的姿态数据进行分析,判断是否跌倒;最后根据人体姿态角,构建融合人体姿态角的PSO-SVM特征向量,检测跌倒过程的具体信息.实验结果表明:该检测方法取得95.5%的识别率,能够较好地区分其他非跌倒性动作,检测精度较其他方法较高,均方根误差较小,有较好的鲁棒性.     

基于状态识别的人体运动中穿戴设备动态监控系统

针对运动动作采集与识别的需求，提出一种基于IMU数据采集与SVM的动作识别的可穿戴动态监控系统。在该系统中，首先利用IMU采集运动数据，然后对数据进行平滑滤波处理，以消除噪声对数据的影响，动作特征的提取将利用动作分割算法，动作的识别采用支持向量机。结果证明：SVM算法在经过特征选择后，在动态动作、静态动作以及全部动作的识别率上达到了98.01%、99.23%、98.52%,整体识别效果好，证明了基于状态识别的可穿戴设备监控系统具有可行性。     

Single-channel SEMG using wavelet deep belief networks for upper limb motion recognition

Surface electromyography (SEMG) has been widely used in different fields such as human machine interaction and motion recognition. A hybrid classification model based on singular value decomposition (SVD) and wavelet deep belief networks (WDBN) is firstly proposed in this paper, which allows the machine to recognize the single-joint motions of upper limb by using one channel. In this experiment, the three-joint SEMG signals of upper limb are respectively recorded through different two channels, which are employed for subsequent comparison to obtain the best single-channel of each joint. Afterwards, the collected raw signals are enhanced by SVD processing. Wavelet function is applied to replace sigmoid function as activation function for feature learning, and the spectrum signals processed by fast Fourier transform (FFT) are input to WDBN model. The results demonstrate that the recognition rates of three joint movements can be up to 100% by SVD-WDBN method, which is much better than support vector machine (SVM), back propagation (BP) neural network and extreme learning machine (ELM) model. The proposed method makes it more possible to control wearable devices with different single-channel SEMG signals, thereby the work efficiency of smart wearable devices can be improved, as well as the complexity of operations between human and machine can be reduced.     

可穿戴设备的数值型流数据差分隐私均值发布

可穿戴设备实时产生的用户健康数据（如心率、血糖等）对健康监测及疾病诊断具有重大意义，然而健康数据属于用户的隐私信息。针对可穿戴设备的数值型流数据均值发布，为防止用户的隐私信息泄漏，提出一种基于自适应采样的可穿戴设备差分隐私均值发布方法。首先，引入适应可穿戴设备流数据均值波动小这一特点的全局敏感度；然后，采用基于卡尔曼滤波调整误差的自适应采样的方式分配隐私预算，提高发布数据的可用性。在发布两种健康数据的实验中，所提方法在隐私预算为0.1时，即高隐私保护强度下，在心率和血糖数据集上的平均相对误差(MRE)分别为0.01和0.08，相较于差分隐私时序监测的滤波和自适应采样（FAST）算法分别降低了36%和33%。所提的均值发布方法能够提高可穿戴设备均值流数据发布的可用性。     

TSCNN:面向可穿戴心电信号监测与分析的卷积神经网络

目的 可穿戴设备能够长时间实时监测人体心脏状况,其在心电信号监测领域应用广泛。但目前仍没有公开的来自可穿戴设备的心电数据集,大部分心电信号分析算法都是针对医院设备所采集的心电数据。因此,本文使用IREALCARE 2.0柔性远程心电贴作为心电信号监测和采集设备制作了可穿戴设备的心电数据集。针对可穿戴心电数据干扰多、数据量大等特点,本文提出了一种针对可穿戴设备获得的心电信号进行自动分类的深层卷积神经网络,称之为时空卷积神经网络（time-spatial convolutional neural networks,TSCNN）。方法 将原始的长时间心电信号分割为单个的心搏并与滤波后不同频段的心搏数据组合成十通道的数据输入到TSCNN中。TSCNN对每个心搏使用时间卷积和空间滤波来提取丰富的特征。采用小卷积核级联卷积的方式提高分类性能,并降低网络的参数量和计算量。结果 在本文制作的心电数据集上进行了测试,并与其他4种心电分类算法：CNN（convolutional neural networks）、RNN（recurrent neural networks）、1-DCNN（1-dimensional convolution neural networks）和DCN（dense convolutional networks）进行了比较。实验结果显示,本文方法的分类准确率达到91.16%,优于其他4种方法。结论 本文方法面向可穿戴心电数据,获得了较好的分类性能,可以有效监控穿戴者是否出现了心电异常情况。     

Mobile sensor network and wearable devices application in athlete muscle and physical fitness image monitoring

Mobile sensors have become a connection with more of the new devices and the fast pace. A new group of these devices is a wearable device, wireless sensor networks, and integrating them into sensors and wearable devices is the concept of bringing a new experience to daily living activities. Potential physiological characteristics and training that may affect the strength will contain considerations for improving the expression of maximal expression of Power and limited time. Various factors and strengths related to profit to achieve exercise capacity and great strength. Strong muscle strength contributes to the overall performance improvement of the relevant players in the time characteristics. In the proposed method using K-Nearest Neighbor (KNN)algorithm are using Sports training is physical strength, skill, tactics, psychology, includes the development of intelligence and ability. Physical training is an important part of the training of competitive sports. Physical conditions may also perform directly affects the players. Depletion might not be necessary for the maximum strength benefit of it is not necessary to increase the maximum muscle strength. In practice, programming can combine heavy chains and light loads with improving board strength and power consumption characteristics. Compared to multiple sets, a single set produces excellent training allowances, but the athlete's training status and response relationships must be considered.     

Cross-fuzzy entropy: A new method to test pattern synchrony of bivariate time series

A new method, namely cross-fuzzy entropy (C-FuzzyEn) analysis, that can enable the measurement of the synchrony or similarity of patterns between two distinct signals, is presented in this study. With the inclusion of fuzzy sets, the similarity of vectors is fuzzily defined in C-FuzzyEn based on the exponential function and their shapes, rather than on the Heaviside function used in the conventional cross sample entropy (C-SampEn). Tests on simulated data sets and real EEG signals showed that C-FuzzyEn was superior to C-SampEn in several aspects, including giving the entropy definition in the case of small parameters, better relative consistency, and less dependence on record length. The proposed C-FuzzyEn was then applied for the analysis of simultaneously recorded electromyography (EMG) and mechanomyography (MMG) signals during sustained isometric contraction for monitoring local muscle fatigue. The results showed that the C-FuzzyEn of EMG-MMG signals decreased significantly during the development of muscle fatigue. The C-FuzzyEn showed a similar trend with the mean frequency (MNF) of EMG, the commonly used muscle fatigue indicator. However, C-FuzzyEn of EMG-MMG demonstrated a better robustness to the length of the analysis window in comparison with the MNF of EMG. The results suggested that the proposed C-FuzzyEn of EMG-MMG may potentially become a new reliable method for muscle fatigue assessment. It can also be applied to other bivariate signals extracted from complex systems with short data lengths in noisy backgrounds.     

Wearable antigravity muscle support system utilizing human body dynamics

In this research, we have developed a wearable antigravity muscle support system, which assists daily activities of physically weak persons by reducing the load to the lower extremities. Many activities of a human being are performed smartly by cooperating motions of different body parts to reduce loads. In this paper, we propose a dynamics-based support concept based on the posture and motion of the user, and analyses of human's smart motion in order to assist the user smartly and naturally by the wearable support system. Based on the proposed concept, a dynamics-based control algorithm for devices without using biological signals is implemented. Experimental results illustrate the validity of the proposed system.     

基于滑动窗口Hurst指数的心电分析研究

心率变异性(Heart Rate Variability,HRV)指心率节奏快慢随时间所发生的变化,可以作为一种无创的方式来诊断人们的生理和心理状态。目前的心率变异性分析主要集中在临床应用或者科学研究中,且往往采用的是离线分析的方式。基于Android平台提出了基于滑动窗口Hurst指数的心电分析方法。Android设备通过无线、蓝牙、IOIO板等多种方式连接到移动或可穿戴的医疗传感器。对于采集的心电信号数据,使用了基于滑动窗口的Hurst指数序列来进行分析。在Hurst指数序列的基础上,提出了CMHurst和CStdHurst指标来识别心脏的生理状态。为了验证方法的可行性,将PhysioBank心电数据库的数据文件仿真为一个模拟传感器设备,由Android客户端实时读取数据并对其加以分析。实验结果显示,基于滑动窗口的Hurst心电分析方法可以识别出健康和不健康的心脏生理状态。     

针对可穿戴设备的虚拟鼠标

人类对外界的感知和联系一直是人类活动研究的重点。许多产品和技术都可以结合,如最近非常流行的虚拟现实,就是将虚拟现实和残疾人的健康保障组合在一起。早期的虚拟显示设备都带有传感器,但用这些传感器进行交互对于残疾人来说十分困难。主要原因是当用户使用输入设备（键盘、鼠标、遥控器）控制虚拟现实设备的时候,操作十分复杂,没有外在的帮助,有运动障碍的人无法正常使用。为了解决以上问题,提出了用虚拟鼠标取代传统鼠标,将键盘、鼠标、遥控器的功能三合一,以可穿戴眼镜作为显示的媒介设备,简化交互过程。设计原则是通过使用一个按键,用户就可以与安装在虚拟眼镜上的系统进行交互,同时不需要很大的手指力量和手指活动幅度。我们控制变量的方式设计对比实验来评估该系统。该系统的后期测验证明了提出的系统的有效性和可靠性,而且系统整体设计十分完备。     

基于表面肌电信号的肌肉疲劳状态分类系统

为了实现肌肉疲劳状态的准确检测分类,提出一个完整的基于人体表面肌电（sEMG）信号的肌肉疲劳分类与检测系统。首先,通过AgCl表面贴片电极和高精度模拟前端ADS1299采集人体sEMG信号,进行小波消噪等预处理之后,提取可反映人体肌肉疲劳状态的sEMG信号时域和频域特征。然后,在常用特征如积分肌电图（IEMG）、均方根（RMS）、中值频率（MF）以及平均功率频率（MPF）基础上,为更加精细地刻画人体肌肉疲劳状态,引入sEMG信号的频域特征带谱熵（BSE）;为弥补傅里叶变换分析非平稳信号的不足,引入sEMG信号时频特征——基于经验模态分解-希尔伯特变换（EEMD-HT）的平均瞬时频率。最后,为提高肌肉非疲劳和疲劳状态分类的准确度,利用含突变的粒子群优化算法优化支持向量机（PSO-SVM）并对sEMG进行分类,实现人体肌肉疲劳状态检测。征集15名健康男青年进行sEMG信号采集实验,建立sEMG信号库,提取特征进行分类实验。实验结果表明,所提的系统能够进行高精度sEMG信号采集和肌肉疲劳程度的高准确度分类,分类准确率大于90%。     

基于阈值和极端随机树的实时跌倒检测方法

针对基于可穿戴设备的跌倒检测存在的实时性与准确性无法兼得的问题,提出一种阈值和极端随机树融合的实时跌倒检测方法。在该方法中,可穿戴设备只需计算阈值量,无需确保跌倒检测的准确率,从而减少了计算量;同时,上位机利用极端随机树算法确保了跌倒检测的准确率。可穿戴设备通过阈值的方法过滤了大部分日常动作,因此减少了上位机检测的动作数据量。这样一来所提方法既满足了跌倒检测的高准确率,又满足了实时性。另外,为了降低跌倒检测的假阳性率,可穿戴设备融合了姿态角度传感器和压力传感器,上位机中加入了反馈机制。当检测结果出现假阳性时,通过上位机将检测错误的样本加入非跌倒数据集中进行再训练,模型经过这样的不断学习会生成适合个人的报警模型,且这种反馈机制为降低跌倒检测的假阳性率提供了新思路。实验结果表明,在1 259个测试样本中,所提方法具有平均99.7%的准确率,最低0.08%的假阳性率。