基于KPCA-SVM的表面肌电信号疲劳分类研究

为了提高手臂疲劳模型识别的准确率,本研究在常用时域、频域特征的基础上,引入了时频域、非线性和参数模型特征,提取3通道的表面肌电信号,构成特征集合。特征降维一般分为特征提取以及特征选择,分别采用特征提取中的主成分分析(PCA),核主成分分析(KPCA)方法以及特征选择中的互信息(MI)度量方法进行特征降维,采用支持向量机(SVM)和K近邻(KNN)作为分类器,通过3种降维方法分与SVM和KNN的不同组合构成疲劳分类模型。结果表明,KPCA与SVM的组合模型对于疲劳的正确识别率最高达到99%,高于其他组合算法。

基于FFNN和1D-CNN的实时心律失常诊断系统与算法

为了解决心律失常实时诊断的问题,设计并实现了实时心律失常诊断系统,并提出了一种基于前向反馈神经网络(FFNN)和一维卷积神经网络(1D-CNN)的实时心律失常诊断算法。系统利用可穿戴的心电图(ECG)采集设备采集心电信号并实时无线传输到客户端软件进行心律失常诊断,然后将诊断结果自动上传至服务器。心律失常诊断算法以原始胸导联ECG并采用200 ms时间窗的片段作为输入,首先使用一个基于FFNN模型的分类器实时检测R波的位置,然后提取出每3个R波之间的心电序列并重采样为长度360点作为ECGRRR特征,最后使用一个基于1D-CNN模型的分类器进行实时心律失常分类。利用MIT-BIH心律失常数据库中MLII导联ECG数据训练算法模型并对系统进行测试。结果表明,提出的实时心律失常诊断系统与算法具有正确率高、实时性强且易部署的特点,对于跨病人的R波位置检测查全率为98.0%,查准率为99.5%以及整体正确率为97.6%,对于5分类的心律失常检测正确率为91.5%。

手臂疲劳时表面肌电信号特征

为了解表面肌电信号(surface electromyography,sEMG)特征的变化规律,找出更加有效的疲劳特征参数组合,通过回归分析和皮尔逊相关系数分析的方法研究了6名受试者负重状态下,手臂表面肌电信号的时域、频域和时频域特征参数与主观疲劳感量表(rating of perceived exertion,RPE)之间的关系。结果表明:随着负重时间的持续,sEMG的时域特征均方根值(root mean square,RMS)和积分肌电值(integrated electromyography,iEMG)有上升趋势,频域特征平均功率频率(mean power frequency,MPF)、中值频率(media frequency,MF)有下降趋势,而时频域特征瞬时平均频率(instantaneous mean power frequency,IMPF)、瞬时中值频率(instantaneous median frequency,IMF)出现先短暂上升然后下降趋势。对各特征参数进行非线性拟合,发现RMS和iEMG幂函数拟合优于指数函数拟合,而MPF、MF、IMPF和IMF指数函数拟合优于幂函数。对联合特征参数进行多元回归分析,发现RMS与MF组成的回归模型判定系数R2最大。可见RMS与MF相结合作为评估肌肉疲劳的联合参数更加合理有效。