一种暗通道先验去雾后图像参数的调节方法

针对在暗通道先验去雾方法中图像亮度随着去雾深度加深而降低的情况,分析了导致图像亮度降低的原因,并结合户外自动白平衡的有雾图像,提出了一种采用图像能量回补来调节图像参数的方法,以此来提高图像亮度和对比度。实验结果表明,通过对去雾后图像损失的能量进行回补,对于不同的去雾深度,图像的亮度和对比度都能得到较好的调节。

基于自制实验设备的模拟电子技术实验课程改革

随着课时数的变更和学生人数的增加,模拟电子电路实验课程开设过程中出现了学生动手能力差别较大、对实验课程内容缺乏总体认识等一些问题,影响了教学效果。文章通过自制模拟电子电路实验课程的实验系统,配合实验教学模式和实验教学内容的改革,在一定程度上增强了学生的动手能力,提高了学生的实验积极性,取得了较好的教学效果。

随机共振数值仿真的快速算法

根据信噪比曲线可以判断一个非线性系统是否发生随机共振,同时也可以得到非线性系统对噪声的输出性能。然而,由于要进行系综平均,即使要得到最简单的双稳态系统的信噪比曲线也需要很长时间的运算。经过对双稳态系统产生随机共振过程的仔细分析,以龙格—库塔法为基础,利用适当的数值计算方法,可以快速地求解双稳态系统的输出。

以实验教学创新全面推进国家级实验教学示范中心建设

基于高等学校质量工程项目建设的内涵要求,围绕能力培养核心,以电子信息类工程应用型人才培养为目标,对我校的国家级电子电路实验教学示范中心建设进行了全方位的改革创新,不断完善实验教学体系,推进实验教学内容创新,改进实验教学方法,促进了国家级实验教学示范中心的建设。

基于概率神经网络的粮食早期霉变识别研究

提出了一种基于概率神经网络的粮食早期霉变识别方法。实验中电子鼻系统采集了4种粮食作物及霉变数据共8类,对这些数据样本进行特征提取,得到了64组训练数据和48组测试数据。利用概率神经网络对特征数据进行分类识别,识别率为93.75%。实验结果表明,该方法对粮食作物种类及其早期霉变的识别是行之有效的。

基于FPGA的雾霾视频图像实时复原系统研究

针对雾、霾等恶劣气象条件下,视频监控等户外视频设备对视频图像实时复原的需要,提出一种快速图像复原算法的FPGA实现方法,通过适当降低算法复杂度达到了降低时间开销和硬件实现复杂度的目的。通过将一帧视频分解成3×3小窗口进行运算,以窗口中心像素的流水计算替代一帧视频像素计算,使每个像素在3个时钟周期内完成全部运算,确保了系统能够实时复原,降低了复原模块对硬件的开销。实验证明:FPGA处理结果和MATLAB处理的结果相符,可以在保证除雾效果的前提下,实时处理分辨率为640×480视频并以29帧/s速度流畅显示。

基于FPGA人机交互系统设计

结合基于FPGA图像计算机控制终端的设计,重点探讨了图像特征点识别、SOPC系统构架、USB鼠标键盘通信协议等关键技术和FPGA片上功能模块实现。该终端以友晶公司的"DE2"开发板为主硬件平台,还包括有摄像头、液晶屏、USB通信板及PS/2鼠标等。主要通过图像处理技术实时追踪特征点的运动轨迹以识别出操作者的肢体动作,相关位移信息通过USB通信板向PC机发出预设的控制信号,从而以对应的鼠标、键盘控制信号以实现对PC的控制。

基于肌电与肌动同步解析的肌肉痉挛评测方法

肌肉痉挛是常见的运动功能障碍疾病,通过肌电与肌动双模信息同步解析进行肌肉痉挛定量评估具有重要意义。本文针对同步获取高信噪比肌电与肌动信号的难点,提出一种抗工频干扰、轻量加速度计信号校正的肌电与肌动双模信息同步解析方法,设计了无线多通道肌电和肌动信号同步采集系统。与常见科学仪器Delsys系统对比,所提系统肌电信噪性能与Delsys相似(均20 d B左右),肌动信号有效频带(0~20 Hz)能量显著高于Delsys;对所提系统进行临床测试,健康志愿者主动屈肘时屈肌肌电信噪比约20 d B;3名改良Ashworth评分(MAS)分别为1级,1+级与2级患者归一化肌电指标分别为0. 54±0. 05,0. 59±0. 04和0. 62±0. 01,屈肌肌动信号均方根值分别为2. 69±1. 04 m·s-2,3. 19±1. 13 m·s-2,4. 89±1. 19 m·s-2,肌电与肌动信息均可有效区分患者痉挛等级。因此所提方法可用于肌肉痉挛评测及肢体运动功能监测。

下肢截肢者行走意图识别方法研究进展

直立行走是人类独立生活和正常参与社会活动的基本功能之一.人因遭受工伤、交通事故、战争、自然灾害(地震等)、疾病(糖尿病、癌症等)、先天出生缺陷等意外和不幸造成下肢截肢,从而部分或全部丧失行走能力,严重影响正常生活和参与社会活动.下肢假肢是下肢截肢者恢复行走功能的唯一手段,其技术发展吸引了众多研究者的关注.为使下肢假肢使用者能像正常腿一样或接近的步态行走,关键是实现截肢者行走意图的自动精确识别.本文首先探索了行走意图识别的内涵;然后从信号源的角度分析了不同截肢者行走意图识别方法的特点,尤其是神经功能重建作为补充的肌电信号(Electromyography,EMG)源的方法,并简述其研究进展,提出了一种融合生物力学信号和生物电信号的截肢者行走意图识别方法;最后对下肢截肢者行走意图识别方法发展趋势进行了总结和展望.

基于表面肌电和组织阻抗信息融合的手势识别研究

手势识别中的一种常见方式是通过表面肌电信号来实现。为提高手势识别的稳定性和精度,通常需要采集多个通道的肌电信号,但这会增加电极传感器的数量以及识别系统的复杂度。因此,如何利用较少量的通道采集信号并确保手势识别的性能一直是肌电信号应用到意图识别的研究方向之一。该研究设计了一款便携式四通道肌电和阻抗双模信号采集器,在不增加额外传感器和通道数的情况下,能同时采集肌电信号和差分电极对之间的组织阻抗信号。初步实验结果表明,通过该系统采集的四通道融合信息可以提升手势识别的准确率和稳定性。与仅采集肌电信息相比,该研究采用的肌电与阻抗信息融合方法可以将手势识别性能提升3%以上,达到96.2%的识别率。

基于不同训练模式的纳米金柔性传感器的手势动作识别

假肢控制技术研究中,研究者们通常利用解码表面肌电信号(Surface Electromyography,sEMG)来获得截肢者的运动意图。传统的sEMG采集中,为降低皮肤与电极之间的阻抗,通常需要涂导电膏后与皮肤直接接触,因此会导致部分患者皮肤过敏和身体不适,且sEMG容易受肌肉疲劳影响,不利于长期监测。针对以上问题,该研究采用一种纳米金柔性传感器,解码其因肌肉收缩拉伸后产生的形变信号,并探究两种不同训练模式在此方法下的分类性能。其中,训练模式包括:重复训练模式,即每组重复做同一个动作;随机训练模式,即动作顺序随机化,每组每个动作只做一次。结果表明,所有受试者使用纳米金柔性传感器的平均手势识别率均在90%以上,且两种训练模式间无显著性差异(重复训练模式为95.46%、随机训练模式为94.18%,P值为0.227 5)。这表明纳米金柔性传感器与湿电极一样,可以实现可靠的手势识别。

实现下肢假肢智能仿生控制的神经功能重建及行走意图识别方法

智能仿生下肢假肢是集电子信息、控制、材料、机械和生物医学为一体的新一代假肢,能较好地代偿截肢患者丧失的运动功能,提高患者的行动能力。在国家自然科学基金—联合基金项目(U1613222)支持下,针对当前智能仿生下肢假肢行走意图识别精度低、步态控制稳定性差等关键问题,研究了利用神经功能重建获取更多肌电信息源、利用生理电信号结合生物力学信号进行行走意图精确识别,以及利用柔性控制方法结合环境识别实现假肢仿生控制等基础理论技术。此外,项目团队设计了三种动力型下肢假肢,进行了系统集成与验证,实现了在五种地形下较为自然的行走。项目成果将能推进智能下肢假肢的产业化进程,对提高患者生活质量、减轻家庭和社会负担具有重要意义。