排序方式: 共有113条查询结果,搜索用时 15 毫秒
11.
基于单通道sEMG分解的手部动作识别方法 总被引:5,自引:0,他引:5
表面肌电信号(Surface electromyography,s EMG)已广泛应用于手部动作识别。为提高动作识别精度,研究者往往需要采集多个通道s EMG信号,从而增加应用复杂性,针对这一情况,提出一种基于单通道s EMG分解的手部动作识别方法。使用单通道电极采集人体上臂肌肉s EMG,将其分解为6个运动单元动作电位序列,过程包括:二阶差分滤波、阈值计算、尖峰检测、分层聚类;然后,提取绝对值积分、最大值、非零中值、半窗能量等特征,并采用主元分析法降维;最后,利用支持向量机分类识别5种不同手部动作,精度达到80.4%。而采用未融合s EMG分解的传统方法,动作识别精度仅有约70%。 相似文献
12.
基于小波变换的表面肌电信号的消噪处理 总被引:1,自引:0,他引:1
表面肌电信号因其无创性被广泛应用,但因其为一组肌群的募集信息,所以包含了更多的噪声.本文针对这个问题通过仔细选择肌电信号的采集位置,在采用高精度的肌电采集系统及11 025 Hz的过采样率的基础上采集到多组表面肌电信号,结合肌电信号的特点利用小波变换中的消噪技术对不同频段的信号进行不同阈值的消噪处理.实验表明,该方法有很好的消噪效果. 相似文献
13.
14.
针对跌倒常常对老年人的健康构成严重危害的问题.本文设计了一种基于肌电信号的跌倒检测方法,首先提取腓肠肌和股外侧肌的sEMG的模糊熵特征作为特征向量,然后,针对日常活动动作类(Activities of Daily Life,ADL)的数目远多于跌倒类导致的数据集不平衡的问题,提出了加权核Fisher线性判别方法,采用相应的平衡参数来调节样本核矩阵,最终,将跌倒与行走、蹲下和坐下辨识出来.实验结果表明,该方法跌倒平均识别率96.7%,ADL平均识别率99.4%,识别结果优于其它分类方法. 相似文献
15.
16.
针对现有手指康复器在柔顺性、适用性和安全性方面存在的不足,基于气动柔性驱动器(FPA)设计了一种气动柔性手指康复器,以采用压缩气体驱动并以橡胶材料为主体设计的基于FPA的柔性弯曲关节代替传统的纯机械式结构。根据手指康复器仿生康复的任务要求,设计具有三大模块的控制系统:模式识别模块负责通过采集和分析手指表面肌电信号(sEMG)对主体的动作意图进行识别,并生成康复运动训练方案;角度反馈模块采用AS5045芯片实时检测康复器运动状态并将数据信息反馈至主控制器;主控制模块控制上述训练方案和康复器运动状态实时反馈信号以驱动康复器完成运动训练。实验结果表明,康复器两个关节弯曲期望值为15°和30°时的稳态误差小于0.6°,提出的控制系统能很好地完成sEMG的识别、康复器运动信息检测与反馈和康复训练任务,证明了手指康复器及其控制系统是可行的、有效的。 相似文献
17.
目的 为客观评价轮椅的使用效益,使用表面肌电设备测试轮椅使用过程中的肌电信号,并融合姿势信号IMU来构建人机评价模型。方法 分别对轮椅的折叠、刹车方式及行驶坡度进行试验来评估轮椅的使用绩效,通过对比用力肌群间的疲劳状况来判定较为舒适的轮椅折叠及刹车方式。实验要求被试者在执行轮椅任务时,分别使用两种折叠方式和三种刹车方式不同的轮椅进行实验,并在操作动作任务过程中采集sEMG和IMU信号,在实验任务结束后填写NASA-TLX量表。结果 根据模型的评价指标对实验数据进行了比较与分析,横向收折式折叠和凹口式刹车(手刹位于前方)的轮椅疲劳度低,在3~4°坡度范围下轮椅使用者的受力最小,较为舒适,从而验证了模型在轮椅人机评价上的可行性,为优化轮椅设计提供参考。结论 人机评价模型适用于评估产品绩效,同时提出的融合表面肌电和姿势信息的轮椅绩效评价方法具有较高的精度和准确性,能够有效地评估轮椅使用者的绩效水平。 相似文献
18.
设计了一种无创采集前臂多腱肌的多通道表面肌电(sEMG)信号的线性电极阵列.利用柔性印刷工艺制备的8个条形镀金电极以5mm的电极间距(IED)排成一列.预先冲孔的医用双面胶粘贴在电极面构成的一次性非接触粘贴结构可填充少量导电膏,而且便于电极固定在皮肤表面.单差分sEMG信号被放大和带通滤波.较小的电极阻抗保证了此种镀金电极具有恒定的电学性能.相对稳定的低电极.皮肤接触阻抗确保了稳定的基线和良好的信噪比(SNR).为了探讨此装置的实际可用性,在单指力量输出任务时同步记录9名受试者指浅屈肌(FDS)的14通道sEMG信号.稳定的基线,良好的sEMG信号质量和显著的肌肉活动的通道差异性表明该电极阵列是一种可用于前臂多腱肌长时多通道sEMG信号采集的极具发展前景的技术. 相似文献
19.
20.
为了提升表面肌电信号(sEMG)手势动作识别的准确性和训练效率,提出一种基于LightGBM的手势识别模型.传统的GBDT算法训练效率较低,准确率无法快速提升,LightGBM算法采用基于梯度的单侧采样和互斥特征捆绑改进性能,具有训练速度快、占用内存低、分类准确率高的优势.将臂环采集到的8通道sEMG数据按时间顺序进行... 相似文献