基于新型双输入卷积神经网络的肌电模式识别

针对双臂协同运动中蕴含的运动信息量大,难以充分解读且识别率不高的问题,提出一种新型的双输入卷积神经网络(ND-CNN)模型。首先,根据双臂运动的特点,分别设计数据整理和模型输入两种策略。然后,利用两个结构相同、参数共享的特征提取层提取信号本身的特征和信号之间的差别特征。最后,利用所提取的两类特征实现双臂协同动作的识别。在自主设计的双臂实验中,将ND-CNN与其余3种先进的神经网络对比。实验结果表明,本文所提的ND-CNN模型在识别精度和可靠性上优于其他网络模型,能够对双臂肌电动作有效识别。

基于肌电信号与肌肉形变信号的手语识别

针对手语手势识别问题,提出一种基于肌电信号与肌肉形变信号的手语识别架构。首先,设计信号采集系统;然后,采集肌电信号与肌肉形变信号,利用滤波及小波降噪等方法对原始数据进行降噪处理。采用基于能熵比的双门限端点检测法提取信号有效活动段;分别提取肌电信号以及肌肉形变信号特征,将所提取的信号特征融合组成特征向量;最后,采用基于网格搜索的支持向量机识别模型对所采集手语动作进行识别。信号融合后手语识别正确率达到97.2%,相对于仅采用肌电信号的手语识别方法,融入肌肉形变信号后识别率提高9.3%。结果表明,基于肌电信号和肌肉形变信号的手语识别框架对动态手语手势具有良好的识别效果。

基于肌肉激活度的关节运动角度分层预测

针对表面肌电信号控制假肢手臂大范围关节角度预测精度低的问题,本文提出一种基于肌肉激活度的大范围关节运动角度分层预测。第一层使用误差反向传播网络(BPNN)搭建三分类器,对关节角度进行低、中、高3个级别的初步划分;第二层使用粒子群(PSO)算法对支持向量回归机(SVR)算法自动寻参,并采用3个PSO-SVR模型对不同级别的关节角度进行精确预测。实验结果表明,该种策略下关节角度的预测值与真实值有较高的一致性,角度预测误差不超过7°,有助于提高仿生假肢手臂关节活动的灵活性。

U型动力救生装置的仿真优化分析

针对落水者的安全快速营救问题,提出了对U型动力救生装置优化设计方案。该方案从减阻外形、动力优化、安全性优化分析三个角度出发,采用基于UGNX11.0软件创建U型动力救生装置的三维模型,获得符合人体工学的结构设计;基于Solidworks flow simulation进行计算流体力学(CFD)仿真分析,获得优化的减阻外形和动力模块设计,最后在UGNX11.0和ANSYS Workbench 2019 R3软件的协助下,实现对U型动力救生装置的静力学与碰撞的有限元分析(FEA),以检验优化其结构强度、刚度和抗冲击性。综上,仿真实验结果分析可知,所得装置能够安全、快速、可靠地营救落水者。可为水上救援及公共安全领域的设备研发提供一定的参考。