融合表面肌电和加速度信号的下肢运动模式识别研究

为了提高下肢运动模式识别率,本文设计了一种融合表面肌电和加速度信号的下肢运动模式识别方法.首先,用局部均值分解将表面肌电信号分解为多个乘积函数(Product Functions,PFs),再计算PF成分的多尺度排序熵.然后,通过拉普拉斯权重(Laplacian score,LS)特征选择算法选定每路肌电信号的一个尺度排序熵为特征,并把该特征和加速度信号的排序熵组成特征向量.最后,根据类内欧氏距离和类间样本分布,设计了改进的二叉树支持向量机,把特征向量输入该支持向量机进行下肢运动模式分类.实验结果表明所提方法对七个日常动作的平均识别率达到98.62%,相较于其他方法有较高的识别率.

基于多源信息和粒子群优化算法的下肢运动模式识别

为了提高人体下肢多运动模式识别的准确性,提出一种基于多源信息和粒子群优化算法-误差反向传播(PSO-BP)神经网络的识别方法.建立下肢多源信息采集系统,该系统由下肢表面肌电信号、髋关节角度、髋关节加速度组成.选择肌电信号偏度、峭度和功率谱比值为肌电信号特征,髋关节角度细分模式均值比为腿部角度信号特征,加速度标准差、能量峰值、两轴相关性系数为髋关节加速度特征.按照主成分分析(PCA)方法融合上述特征值,利用PSO-BP进行识别.实验结果表明:该方法识别率为95.75%,平均识别时间为1.234 8s.

基于多源信息和广义回归神经网络的下肢运动模式识别

针对目前下肢运动模式识别率低的问题,提出了一种基于多源信息和广义回归神经网络(GRNN)的下肢运动模式识别方法.通过足底压力信息将人体日常下肢动作分解为不同的动作片段以组成识别目标集.采用下肢表面肌电信号中的偏度、峭度、功率谱熵,以髋关节角度作为腿部特征值,利用主成分分析(PCA)方法对文中提取的特征值进行降维处理,以缩短模型训练时间,防止过拟合.最后,利用GRNN对目标集中平地行走、上楼、下楼3种动作进行识别.实验结果表明,该方法的正确识别率为90.16%.