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.

基于改进EEMD方法的因子动量组合绩效研究

集合经验模态分解(EEMD)方法用于分解具有复杂特性因子序列的变动趋势有较强的去噪效果,但用于因子组合构建时缺乏客观统一的去噪规则。基于此,本文提出了基于多尺度排序熵的改进EEMD方法,用于分解因子序列,并构建因子动量组合,采用2007年1月至2021年12月中国A股市场中94个异象因子数据,考察因子动量组合的绩效。研究结果表明,与指数移动平均方法、改进HP滤波方法、主成分分析方法和EEMD方法相比,采用改进EEMD方法构建的因子动量组合在提升因子动量组合绩效方面具有明显的优势;与未经趋势分解的原始因子动量组合相比,采用改进EEMD方法构建的因子动量组合的平均超额收益率提高了35.32%,夏普比率提高了37.74%,异常收益率提高了37.97%;因子动量组合中的因子个数、训练集长度和交易成本对因子动量组合绩效的影响有限。

基于Android系统的便携式癫痫发作智能监控系统

临床上基于个人电脑的脑电监护系统不适用于便携和家庭的监测,并且癫痫患者长期住院检测会增加医疗负担。为此本文设计了一种基于Android智能手机的16导便携式、网络化监控系统。整个系统采用了主动电极技术、WiFi无线传输技术、多尺度排序熵算法、反向传播(BP)神经网络优化算法等,并基于Android手机应用软件实现对脑电数据的处理、分析、显示、报警等功能。系统在多台Android 2.3以上系统的手机上测试后运行稳定、可靠,为医护人员和患者提供了一种便携、可靠、实用的癫痫发作监控解决方案。