癫痫脑电的递归确定性分析

利用排序递归图的分析方法对癫痫脑电进行了确定性(DET)的分析,得出癫痫头皮脑电(EEG)的DET高于健康EEG。DET特征的差异性在局部导联上更明显,局部导联的DET特征可以作为癫痫疾病的自动诊断特征。通过分析发作阶段和发作间隙皮层脑电(ECoG)的DET,得出整个频带的DET差别不大,而在beta频带,发作阶段的确定性明显高于发作间隙的DET。Beta频带的DET特征可以作为癫痫发作的预测特征。研究结果为癫痫疾病的自动诊断和癫痫发作预测提供了理论依据。     

基于脑电BCI的研究综述

一直以来脑研究都是国内外的研究热点,脑机接口(Brain Computer Interface,BCI)则是脑研究中的重要内容之一。正因为如此,越来越多的国内外研究者开始从事BCI的相关研究,并取得了诸多优秀成果。该文从BCI信号角度入手,总结了近年来基于脑电BCI的典型系统、相关分析方法及研究成果,并具体分析了其中存在的不足之处。     

基于谱插值与经验模态分解的表面肌电信号降噪处理*

根据表面肌电(surface electromyography, sEMG)信号的噪声特性来探讨其降噪方法的应用问题。采用谱插值法来削弱工频干扰以避免工频处的肌电信息成分丢失,再选取通过经验模态分解(empirical mode decomposition, EMD)方法获得的内在模态函数(intrinsic mode function, IMF)分量作小波软阈值分析,并将部分明显的低频IMF干扰分量及冗余分量去除,然后对相应IMF分量进行重构便可得到降噪处理后的sEMG信号。仿真和真实信号的降噪实验结果     

基于表面肌电信号参数的人体上肢运动研究

根据检测得到的右上肢主肌肉群的肌电信号,探讨了人体右上肢主肌肉群的肌肉功能状态和男性与女性之间肌肉功能状态的差别．20位实验者右上肢完成13个基本动作,对三角肌、肱二头肌、肱三头肌、掌长肌和指伸肌五块肌肉进行肌电采集,用SPSS14．0软件对特征参数平均振幅（AEMG）和积分肌电（IEMG）进行数据处理．结果表明：完成不同的日常生活活动,肌肉的活跃程度存在着一定的相似性和差异性;男性以增强指伸肌和三角肌为主,女性则以掌长肌和三角肌为王实验数据可为老年人和残疾人康复训练及肌电信号控制提供一定的理论依据和指导作用．     

脑机接口技术研究

脑机接口(Brain-Computer Interface,BCI)是在人脑和外界之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的一种通讯系统.该文概述了基于脑电信号(EEG)的BCI技术的基本原理、研究方法、类型、研究现状,并分析了目前存在的问题与应用前景.     

基于软件无线电的微弱信号相关检测算法研究与实现

文章对微弱信号的相关检测原理和步骤进行了研究,给出了相关检测在数字域的快速实现算法。利用软件无线电思想设计了信号采集、数据处理平台,实现了较低信噪比信号的相关检测。     

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.     

人体血压呼吸信号软件发生器的设计与实现

当今社会中计算机技术、数字信号处理技术、电子技术等行业不断地发展促进了医学技术的发展。人体生理信号发生器也在不断地发展。它是一种人体生理信号发生设备,其功能是对多参数监护仪是否可以正常工作进行检测。通过设置参数能够模拟出心电、呼吸、血压等信号的波形与数据情况。利用MATLAB软件主要完成了人体心电信号、呼吸信号、血压信号波形的软件仿真设计,且仿真效果较好。     

基于统计聚类方法的儿童下肢肌电信号周期识别

为运用肌电信号分析髋脱位儿童和正常儿童的差异,提出一种基于统计的聚类方法,识别步态中下肢肌电信号的周期起始时刻。使用非参数贝叶斯模型将肌电信号序列聚类为状态序列,并通过k均值聚类算法将该状态序列标记为肌肉活跃和不活跃两种状态,将肌肉活跃状态的起始时刻作为肌电信号周期的起始位置,并且利用窗函数方法提高预测准确性。实验结果表明,该方法对于预测正常儿童周期起始位置的识别误差较小,平均值为2.15%,并且在5%的置信度水平下与SampEN、SNEO和IP等检测算法相比具有较高的预测准确率。     

融合注意力机制的多流卷积肌电手势识别网络

针对目前表面肌电信号(surface electromyography,sEMG)端到端手势识别特征提取不充分、多手势识别准确率不高的问题,提出一种融合注意力机制的多流卷积肌电手势识别网络模型.该模型通过滑动窗口将多通道时域sEMG生成肌电子图,并使用多流卷积神经网络充分提取每个采集通道sEMG的语义特征,然后将其聚合得到丰富的多通道手势语义特征;同时从时间和特征通道维度上计算语义特征的注意力分布图,强化有用特征并弱化无用特征,进一步提高多手势识别准确率.实验使用Ninapro数据集进行训练和测试,并与主流的肌电手势识别模型进行对比.实验结果表明,该模型在识别准确率上具有更好的表现,证明了该模型的有效性.