基于肌电信号容错分类的手部动作识别

针对肌电交互系统中因电极断开、损坏及数据传输中断等故障造成的数据错误/丢失问题,提出一种基于高斯混合模型的肌电信号容错分类方法,通过对肌电信号特征样本中错误/丢失数据边缘化或条件均值归错实现非完整数据样本分类.应用所提出的方法识别5种手部动作,实验结果表明,该方法的动作识别精度要高于传统的零归错与均值归错方法.最后,融合容错分类机制开发了肌电假手平台,在线实验验证了提出的方法可以有效提高肌电交互系统的鲁棒性.     

基于块稀疏贝叶斯学习的体域网心电压缩采样

为有效提高体域网的实时性和降低体域网的功耗,提出一种基于块稀疏贝叶斯学习的体域网心电压缩采样方法。该方法在体域网框架下,利用压缩采样理论,在体域网的传感节点利用二进制随机观测矩阵对心电信号进行压缩采样,远程监护中心获得采样值之后,利用块稀疏贝叶斯学习重构算法和离散余弦稀疏变换矩阵对心电信号进行重构。实验结果表明,当心电信号压缩率在70%~90%时,基于块稀疏贝叶斯学习的重构算法要比其他重构算法的重构信噪比高出3 dB~21 dB。该方法能有效减少数据采样,减轻后续的数据存储、数据传输压力,提高体域网的实时性。同时该方法具有功耗低,易于硬件实现的优点。     

基于熵和PSO优化SVM的肌电信号跌倒识别

跌倒对老年人的健康构成严重危害,设计了一种基于肌电信号的跌倒识别方法,可用于跌倒检测报警。该方法首先对表面肌电动作信号进行小波包分解,再依据信号特征选取信号的低频分量并重构,计算其排列组合熵,最后以4路肌电信号对应的排列组合熵组成的特征向量输入SVM进行模式识别并采用粒子群算法对SVM中惩罚参数c和核函数参数g进行优化,对8种动作进行识别实验,跌倒识别率88%,特异度98.3%,平均识别率97.0%,优于网格法和遗传算法支持向量机（GA-SVM）的参数优化,具有较强的鲁棒性和抗干扰能力。     

全定制心电采集的模拟集成电路设计

设计和实现了一种应用于健康监测设备的采集心电信号的模拟集成电路(IC)。该电路系统包括集成了右腿驱动电路的仪表放大器,二阶有源低通滤波器,第二级放大电路,高电源抑制比(PSRR)的低压差线性稳压电源(LDO)以及导联脱落检测电路。与其他已有的方案相比,该全定制模拟集成电路系统集成了工业级应用所需要的全部功能,并且表现出更好的共模抑制和电源抑制性能。芯片采用SMIC0.18μmCMOS工艺流片,且已完成测试,通过电极成功采集到人体心电信号。测试结果表明,该模拟IC实现了在0.5~100Hz带宽内51dB的增益,系统的共模抑制比和电源抑制比为75dB和90dB。在2.9V~5.5V电源电压下正常工作时,芯片消耗190μA的电流。     

基于能量特征的脑电信号特征提取与分类

为了快速、有效地提取脑电特征,提高分类正确率,采用带通滤波和小波包分析的方法提取Mu、Beta节律对应的脑电信号,在时域范围内,将信号幅度的平方作为能量特征值;在频域范围内,采用AR模型功率谱估计法所得的功率谱密度作为能量特征值.根据运动想象脑电信号特点,构造左右通道信号能量差值的符号特性作为分类判别依据,进行分类测试,方法简单.初步实验结果表明,所利用的两种方法的分类正确率达87.857%.     

基于典型相关分析与低通滤波的肌电伪迹去除

提出了一种基于典型相关分析(CCA)和低通滤波的盲源分离方法去除脑电信号(EEG)中的肌电伪迹.该方法首先将混入了肌电伪迹的EEG信号分解为不相关的CCA分量,然后对与伪迹源相关的分量进行低通滤波处理,去除这些分量中的高频伪迹成分,最后利用与EEG相关的CCA分量和滤波处理后的新分量重构信号,消除肌电伪迹的影响.实验结果表明,采用CCA能够有效地分离出肌电伪迹,而结合低通滤波技术能够更有效地保留EEG信息.该方法取得了较好的去除肌电伪迹的效果.     

基于小波阈值的sEMG信号消噪方法研究

在表面肌电（sEMG）信号采集过程中,不可避免的会出现噪声,特别是人体运动时,肌肉动态收缩,采集的结果含噪就会更多。针对含噪情况,提出基于小波阈值的sEMG信号消噪方法。通过选择肌电信号的采集位置,在采用高精度的肌电采集系统的基础上,采集正常行走过程中胫骨前肌的sEMG信号,利用matlab小波工具箱,用dbN小波函数进行分解后,用detcoef函数提取不同尺度的细节系数,将与噪声相关的细节系数进行强制阈值消噪,对信号相关的细节系数用minimaxi阈值规则进行软阈值消噪,并与分层阚值得到的降噪信号进行比较,分层阈值得到的降噪信号过于光滑,降噪后的信号能量保留成份仅为46．48％,失去了原信号本身的一些信息。而采用软闯值消噪,不仅较好的去除了噪声,而且与原信号保持了很好的相似性,能量保留成份达到86．38％,说明比分层阈值具有更好的消噪效果。     

一种改进的心电信号预处理方法研究

心电信号是典型的强噪声下的非平稳微弱信号,减小噪声的干扰对心电信号的分析有着十分重要的意义,因此,有效的滤波方法一直是该领域学者关注的热点问题。本文在基于小波变换心电信号分析研究基础上,针对小波去噪时分解只作用于低频部分,从而忽略了高频区域中一部分有用信号的问题,提出了一种采用改进小波包理论实现心电信号去噪的方法,利用小波包在消除信号噪声方面具有更为精确的局部分析能力的特点,采用了‘db4’小波和＂最优基＂选择的方法,对心电信号进行消噪。以MIT-BIH心电数据库中心律失常数据仿真实验,得到了较理想的去噪效果。对比该方法与小波滤波去噪,发现基于小波包的心电信号去噪具有更优良的去噪性能。     

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。     

用于胎儿心电信号测量的嵌入式数据处理系统研究

简要介绍了测量胎儿心电信号的意义和方法,提出了一种综合单片机和数字信号处理器(DSP)的数据处理系统的设计方案。文章从软硬件两部分详细介绍了设计方案。结果显示,本嵌入式心电信号处理系统能够对胎儿心电信号进行实时高精度处理和监控,而且具备便携特点,有很高应用价值。