基于CDMA/GPRS/RADIO技术的无线环境监控终端设计

针对传统环境监测系统不能实现跨通信平台、无线远程数据传输和控制,本文设计了以AVR AT-mega128为核心部件,采用μC/OS-Ⅱ嵌入式实时操作系统的无线环境监控终端.该终端与环境监控中心通过CDMA/GPRS/RADIO无线通信平台进行数据双向传输,突破了传统环境监控系统受地域范围的限制,实现了对环境的远程化、网络化、无人化监控.现场应用结果表明所设计的无线环境监控终端运行稳定,性能可靠.     

基于Kinect深度图像信息的人体运动检测

人体运动检测是计算机视觉人体运动分析的关键环节。根据Kinect深度图像的特点,引入并改进Vi Be算法处理深度图像进行人体运动检测。考虑到深度图像中地面像素值连续性造成的地面附近运动检测困难,提出了一种自适应的图像分层处理和不同邻域模式的建模方式,增加了去除"鬼影"现象的参考模型。像素分类时增加了前景点检验步骤,通过当前像素与参考模型的比较消除"鬼影"。在模型更新方面增加了基于前景点的背景模型更新策略,解决了"黑影"现象问题。采用阈值法对分类结果进行了误检点消噪处理。实验结果表明所提出的改进Vi Be算法能够比较准确地检测出人体运动。     

基于EEMD和WT的运动想象脑电信号消噪方法

采集到的运动想象脑电信号MI EEG(Motor Imagery Electroencephalogram)通常含有大量噪声信号.为了消除噪声同时保留尽可能多的有效信号,本文提出了将集合经验模态分解EEMD(Ensemble Empirical Mode Decomposition)与改进小波阈值法相结合的消噪方法.改进小波阈值法采用了新的阈值选取规则和阈值函数.首先对信号进行EEMD分解,然后再对高频固有模态函数IMF(Intrinsic Mode Functions)进行改进小波阈值处理,最后将处理后的高频IMF分量和低频IMF分量进行重构得到消噪信号.以信噪比和均方根误差作为消噪效果的定量评价指标,将本文提出的方法与单纯使用EEMD分解消噪法、单独使用改进小波阈值消噪法、EMD与改进小波阈值法相结合消噪法进行比较,结果表明,本文提出的消噪法优于其他三种消噪法.     

利用多源运动信息的下肢假肢多模式多步态识别研究

运动状态识别对智能下肢假肢的控制非常关键,本文利用下肢表面肌电信号、腿部角度和足底压力信号在运动模式和步态分析中的优势和特点,对下肢假肢的多模式多步态识别进行研究.通过建立下肢运动信息系统,获取下肢多源运动信息.先提取下肢肌电信号的小波包能量作为特征,建立多个HMM对下肢假肢的运动模式进行识别;再根据大小腿和膝关节的角...     

基于多元经验模态分解-传递熵的脑肌电信号耦合分析

皮层肌肉功能耦合是大脑皮层和肌肉组织间的相互作用,脑肌电信号的多尺度耦合特征可以体现皮层-肌肉间多时空的功能联系.将多元经验模态分解(MEMD)与传递熵(TE)结合,构建出MEMD-TE模型,应用于脑、肌间耦合分析.首先对同步采集的脑电(EEG)和肌电(EMG)信号进行预处理,然后采用多元经验模态分解算法对信号进行时-频尺度化,最后计算不同尺度上的传递熵值,分析各个尺度不同耦合方向(EEG→EMG及EMG→EEG)上的非线性耦合特征.采集了10名受试者静态握力(5 kg、10 kg、20 kg)下脑、肌电信号,实验结果表明:脑电对肌电的MEMD-TE值在高频段(40 Hz~75 Hz)上高于肌电对脑电的MEMD-TE值,皮层肌肉功能耦合具有双向性,且不同方向和频段上的耦合强度有所差异,显著性校验反映了不同力度下脑电对肌电的MEMD-TE值没有显著性差别.     

基于多源信息融合的膝上假肢步态识别方法

为了实现膝上假肢的有效控制,提出基于多源信息融合的步态识别方法。首先通过搭建人体下肢多源运动信息系统获取下肢表面肌电信号、腿部角度信号和足底压力信号。针对获取的信息,采用基于小波变换的空域相关滤波对肌电信号进行消噪并提取信号特征;选择大小腿、膝关节角度作为腿部角度信号特征;将足底压力信号通过阈值法提取有效特征。在特征提取基础上,分别利用BP神经网络和有限状态机对下肢运动信息进行步态识别,并将识别结果进行融合。实验验证了该方法在平地行走、上下楼梯模式下步态识别准确率均达到95%以上。     

面向人脸特征点定位和姿态估计任务协同的DCNN方法

为了提高复杂背景下面部信息的识别性能,提出了一种面向人脸特征点定位和姿态估计任务协同的深度卷积神经网络(DCNN)方法。首先从视频图像中检测出人脸信息;其次设计一个深度卷积网络模型,将人脸特征点定位和姿态估计两个任务协同优化,同时回归得到人脸特征点坐标和姿态角度值,然后融合生成相应的人机交互信息;最后采用公开数据集和实际场景数据进行测试,并与其他现有方法进行比对分析。实验结果表明:该方法在人脸特征点定位和姿态估计上表现出较好的性能,在光照变化、表情变化、部分遮挡等复杂条件下人机交互应用也取得了良好的准确性和鲁棒性,平均处理速度约16帧/s,具备一定的实用性。     

基于邻接矩阵分解的脑电特征提取与分类方法

针对脑-机接口研究中运动想象脑电信号的特征提取问题,本文提出了一种基于脑功能网络邻接矩阵分解的新方法。首先采用多通道运动想象脑电信号构建脑功能网络,然后对相应的邻接矩阵进行奇异值分解,依据矩阵奇异值特征向量定义了脑电的特征参数,最后输入支持向量机分类器,对BCI Competition IV Data Sets 1中的四组数据进行分类识别。实验结果表明,基于脑功能网络邻接矩阵分解的特征提取和支持向量机分类器的方法能够以较高识别率区分不同的运动想象任务,为脑电特征提取研究提供了新的思路。     

基于NA-MEMD和互信息的脑电特征提取方法

多变量经验模式分解（MEMD）方法不需要根据先验知识选取基函数,能同时对多通道数据进行自适应分解,适合于分析具有高度相关性和非平稳性的脑电信号。为了判别包含有用信息的内蕴模式函数（IMFs）,提出一种基于噪声辅助多变量经验模式分解（NA-MEMD）和互信息的方法,并用于脑电特征提取。首先使用NA-MEMD算法对多通道信号进行分解得到多尺度IMF分量,然后采用互信息法分别计算各尺度上信号与其IMF分量、噪声与其IMF分量、信号IMF分量与噪声IMF分量之间的相关性,接着根据敏感因子筛选包含有用信息的IMF分量,将其叠加得到对应的重构信号,最后采用共同空间模式（CSP）法对重构信号进行特征提取,再用支持向量机（SVM）实现分类。使用仿真数据和实际数据集BCI Competition IV Data Set 1进行测试,与现有的其他方法比较,验证了所提方法的有效性。