肌电信号控制的智能小车实验平台设计

肌电信号是人体肌群在运动时产生的一种微弱信号,该信号蕴藏着与运动相关的控制信息源。提出了一种基于肌电信号的智能小车控制系统。该系统由肌电信号采集模块、无线传输模块、小车控制模块和显示模块等组成。整个系统分为主从两部分。主机采用STM32F103ZET6微处理器对肌电信号进行多通道采集,提取所采集信号的特征值。将特征值分为测试集和训练集,并对不同手势信号贴上对应的标签,使用K最近邻(KNN)算法对测试集进行准确度分析以实现对不同手势的识别。识别结果通过无线传输模块发送给从机小车,小车接收到主机发送的内容后进行相应的动作。测试结果表明,所提出的方法在不同时间段信号采集的平均准确率可达91.14%以上,系统具有很好的鲁棒性。

Classification of surface EMG signal with fractal dimension

Surface EMG (electromyography) signal is a complex nonlinear signal with low signal to noise ratio (SNR). This paper is aimed at identifying different patterns of surface EMG signals according to fractal dimension. Two patterns of surface EMG signals are respectively acquired from the right forearm flexor of 30 healthy volunteers during right forearm supination (FS) or forearm pronation (FP). After the high frequency noise is filtered from surface EMG signal by a low-pass filter, fractal di-mension is calculated from the filtered surface EMG signal. The results showed that the fractal dimensions of filtered FS surface EMG signals and those of filtered FP surface EMG signals distribute in two different regions, so the fractal dimensions can rep-resent different patterns of surface EMG signals.

人体下肢多关节连续运动的肌电预测方法

为了准确捕捉人体下肢关节在不同运动模式下的运动状态,提出一种利用肌电信号进行下肢多关节连续运动预测的方法。采集人体在蹲起运动、膝屈伸运动和上下阶梯运动时的肌电和运动数据进行处理分析,利用肌肉骨骼几何建模软件Opensim建立人体骨骼肌肉仿真模型,并进行逆运动学分析,提取人体下肢关节运动曲线。建立人体下肢在矢状面内的运动与肌电的映射关系,利用麻雀搜索算法优化Elman神经网络,实现对踝、膝和髋关节角度连续变化的预测,与传统的反向传播神经网络、支持向量机回归和Elman神经网络预测结果进行对比。结果表明:利用麻雀搜索算法优化的Elman神经网络在预测下肢关节角度变化中具有更高的精度,且该预测模型在不同运动模式下关节运动预测值与测量值均表现出一定的相关性,相关系数均大于0.89,证明利用肌电信号进行下肢多关节连续运动预测是可行的。

指数修正高斯拟合寻峰算法处理FBG传感信号

光纤布拉格光栅(FBG)传感系统因其检测精度高、重复性好和适应性强等优点而被广泛应用于不同领域。由于FBG传感器为波长调制型传感器,因此对于外界参量的检测即为FBG中心波长的检测,而FBG中心波长值对应于FBG反射光谱的峰值。因此,系统解调的核心即为FBG反射光谱的峰值检测,而高精度的寻峰算法是系统解调的关键技术。现有的寻峰算法对FBG反射谱进行峰值检测时,都是以FBG反射谱为标准高斯型为前提的。但由于实际制作工艺及环境的影响,FBG反射光谱并不是标准高斯型光谱,而是非对称的高斯型光谱,其非对称特性往往会对寻峰精度有一定的影响。针对现有算法这一缺陷,提出了一种指数修正高斯(EMG)拟合寻峰算法。利用三次判定定位实现粗定位,同时剔除假峰和无效峰值;在此基础上以粗定位点为中心进行光谱重构,再利用积分判定峰值偏向;然后根据不同的峰值偏向以给定的指数修正函数进行相应的峰值修正。实验仿真结果表明:定温条件下或变温条件下,与直接寻峰算法、高斯拟合算法和文献中的算法相比,EMG算法的峰值检测误差最小,寻峰精度提高。考虑了FBG反射光谱非对称特性对寻峰的影响,从光谱自身特性的角度,既克服了传统寻峰算法的局限性,又保证了高精度的寻峰效果。

基于ReliefF算法与遗传算法的肌电信号特征选择

针对肌电信号特征维数高、运算效率低等问题,提出了一种基于ReliefF算法与遗传算法(GA)相结合的肌电信号特征选择方法.分析了肌电信号的特征,运用小波分析对肌电信号进行特征提取,采用ReliefF算法评估所提取的高维特征信号的权值,以选出对分类效果影响显著(权值较大)的特征子集,采用GA进一步筛选出分类效果最佳的特征子集,并对比分析了基于ReliefFGA-Wrapper算法与全局搜索算法对肌电信号处理的时间和分类效果.结果表明,所提出的方法能够提高运算效率并具有很好的分类效果.

基于小波域隐马尔科夫模型的肌电信号滤波

为了消除肌电信号中的噪声并且保留信号的细节信息,本文提出了基于小波域隐马尔科夫模型的肌电信号消噪方法。该方法利用隐马尔科夫模型对表面肌电信号小波分解后的小波系数之间的相关性进行建模,运用训练模型算法(Expectation-Maximization algorithm,EM算法)估计出该模型的参数,以贝叶斯估计得到真实信号的小波系数,通过重构实现肌电信号的滤波。实验结果表明该方法能有效地去除肌电信号中的噪声,对进一步的特征提取和模式识别创造了良好的条件。

改进的BP算法在表面肌电信号识别中的应用

针对肌电信号的非平稳特性,采用小波变换方法对表面肌电信号进行分析,提取小波系数幅值的最大和最小值构造特征向量,输入BP神经网络可进行模式识别,网络经过学习能够成功地从表面肌电信号中识别展拳、握拳、前臂内旋、前臂外旋4种运动模式。比较了标准的BP算法和用贝叶斯正则化与Levenberg-Marquardt算法相结合的改进BP网络训练的结果。实验表明,改进的BP网络在训练速度和识别精度上都比标准的BP算法有了很大提高,这对于肌电假肢的控制具有良好的应用前景。

用LM算法改进的BP网络在表面肌电信号识别中的应用研究

提出用 Levenberg-Marquardt 算法改进 BP 神经网络识别表面肌电信号的方法。采用多尺度小波变换对肌电信号进行 分析，提取各尺度下小波系数幅值的最大和最小值构造特征矢量，输入 BP 神经网络可进行模式识别，经过训练能够成 功地从表面肌电信号中识别展拳、握拳、前臂内旋、前臂外旋四种运动模式。实验表明，LM 算法在响应时间和识别 精度上都比标准的 BP 算法有了很大提高。

基于遗传算法和神经网络的色谱重叠峰解析

提出了一个新的色谱重叠峰解析方法———基于遗传算法 (GA)和EMG模型的径向基函数神经网络(EMG RBFNN)的色谱重叠峰解析。为了使EMG RBFNN具有结构重组能力 ,用于色谱重叠峰解析的EMG RBFNN采用了遗传算法。遗传算法具有鲁棒性和全局优化能力 ,若种群过小 ,则陷于局部极值点的概率将增高 ,而EMG模型是一个低效模型 ,选用过大的种群 ,必然使解析过程加长。为了提高算法效率 ,文中提出先用高效色谱峰近似模型———标准高斯模型进行繁衍 ,而后再用EMG模型的快速算法。

基于改进MPSO-SVM算法的下肢连续运动预测模型

针对当前下肢连续运动预测精度低的问题,提出一种基于改进的MPSO-SVM算法对下肢连续运动进行精确预测。首先采集人体正常行走时下肢的表面肌电信号、加速度和髋关节角度信息,对消噪后的肌电信号提取均方根值、积分肌电值和加速度的信号幅度域作为特征样本,利用主成分分析方法进行特征值融合,然后通过引入正弦函数和指数函数对自适应粒子群优化(MPSO)算法进行改进,利用改进的MPSO算法优化支持向量机(SVM)的惩罚参数和核函数参数,最后,利用行走时下肢的肌电信号和加速度信号特征样本数据对基于改进的MPSO-SVM算法构造的髋关节角度预测模型进行训练、测试。结果表明:基于改进的MPSO-SVM算法对髋关节的关节角度预测均方根误差为2.67°、平均误差为1.40°、最大绝对误差为7.72°,远远优于SVM算法预测的21.27°、8.02°、58.38°和BP神经网络预测结果的23.60°、13.59°、63.69°。

基于Mallat算法的小波分解重构的心电信号处理

为了实现对微弱低信噪比的心电信号的有效提取,采用了Mallat算法的小波分解重构法去除心电信号的噪声。首先确定小波分解重构的小波基;其次确定分解的层数;然后直接提取有用信号所在的频带(有用信号占优的频带)进行重构;最后,Matlab仿真MIT-BIT标准数据库中的心电信号表明小波分解重构法可以有效的去除心电信号中的多种干扰;同时比起传统滤波器法来说,小波分解与重构去噪法应用起来更方便。

基于肌电控制的灵巧手及其控制系统设计

针对传统工业/农业机器人在末端执行器结构上的局限性,在结构设计过程中改变了传统的以刚性结构为核心的设计方案,将气动柔性驱动器(FPA)作为基础,并以人手部结构为原型结合其关节的运动特性,设计出了新型灵巧手;同时,针对传统机械手动作方式单一、欠缺灵活性的问题,将肌电信号(EMG信号)引入到灵巧手的控制策略中,提出了以肌电信号控制的方式,实现了对灵巧手的操作;在保证控制精度的基础上,通过模拟人手动作方式,增加了灵巧手的运动形式。实验结果表明,该仿生灵巧手控制系统的控制精度达到98%,该灵巧手控制方法的可行性由此得到了验证。

一种基于肌电信号的踝关节动作预测方法的研究

进行了使用肌电信号预测关节动作的研究,提出了一种基于肌电信号的预测踝关节动作的方法。首先,选取与踝关节动作相关的5块肌肉(胫骨前肌、腓肠内肌、腓肠外肌、腓骨长肌和比目鱼肌)以及踝关节角作为研究对象,采集这5块肌肉的肌电信号和踝关节角信号,并进行特征提取和归一化处理。然后,建立了一个四层前向神经网络模型,使用误差逆向传播(BP)算法进行训练。最后,神经网络预测输出值经过六层小波去噪处理。实验中,9名志愿者的踝关节在矢状面内做有规律的背屈和跖屈动作,采集踝关节角和上述5块肌肉表面肌电信号,然后用上述方法预测踝关节动作,用相关系数评价预测的效果。实验结果显示,所提出的方法可以准确预测踝关节动作。

改进的禁忌搜索算法在肌电信号情感识别中的应用

针对基于肌电(EMG)信号的情感识别问题,提出了一种新颖的特征选择方法。该方法用相关性分析对原始特征降维,再利用改进的禁忌搜索算法结合Fisher分类器,对高兴、厌恶、悲伤、惊奇、愤怒和恐惧6种肌电信号的情感进行特征选择。实验结果表明,该方法能以较少的特征获得较高的识别率。

基于物联网的上肢远程康复指导系统的研究

提出了一种上肢远程康复训练指导系统,为处于康复后期的患者提供远程康复训练平台。使用STM32作为终端控制模块处理器,控制康复过程中数据的采集、预处理及发送,使用WiFi模块和MQTT协议,实现采集设备与云服务器的通信。对肌电信号时频域分析求出肌力值和肌肉疲劳情况,对姿态传感器信号处理求出关节活动度,用于对康复训练做出初步的康复评价,并通过Tomcat服务器,完成浏览器与云服务器的交互,在网页显示康复数据,实现远程监测康复训练、上传和查看康复评价等功能。

基于肌电信号和加速度信号的动态手势识别方法

为了增强手势识别的多样性和简便性,提出了一种基于肌电信号(EMG)和加速度(ACC)信息融合的方法来识别动态手势。首先,利用MYO传感器采集EMG和ACC的手势动作信息;然后分别对ACC和EMG信号作特征降维和预处理;最后,为减少训练样本数,提出用协作稀疏表示分类器来识别基于ACC信号的姿态手势,用动态时间规整(DTW)算法和K-最邻近分类器(KNN)来分类EMG信号的手形手势。其中在利用协作稀疏表示分类器识别ACC姿态信号时,通过对创建字典最佳样本个数以及特征降维的维数进行研究来降低手势识别的复杂度。实验结果表明,手形手势的平均识别率达到了99.17%,对于向上向下、向左向右4种姿态手势平均识别率达到96.88%,而且计算速度快;对于总体的12个动态手势,其平均识别率达到96.11%。该方法对动态手势的识别率较高,计算速度快。

基于LLE和SVM的手部动作识别方法

为了提高人体手部动作的识别性能,针对高维特征数据给模式识别带来的问题,提出了一种基于局部线性嵌入(LLE)算法和支持向量机(SVM)的模式识别方法。该方法从肱桡肌和尺侧腕屈肌上采集两路表面肌电信号(s EMG),通过对样本信号的时域分析和小波分析,提取原始信号的特征,构造特征矢量。再利用LLE算法对原始特征数据进行降维,挖掘出具有内在规律的低维特征。将降维后的特征数据输入SVM分类器进行4种动作的模式识别。实验表明:此方法可以有效、准确地对人体手部动作进行分类。

基于DTW算法的肌电信号手势识别方法

为了提高肌电信号手势识别算法的准确度,增强实时性,提出了一种基于动态时间规整(DTW)算法的手势识别方法,该方法利用肌电信号(EMG)对个体间的手势进行识别。首先,采用滑动平均能量的方法对原始的EMG信号进行数据分割,探测有效动作;其次,对于分割的数据段使用平均绝对值(MAV)来提取信号特征;最后,用DTW算法将8维的EMG信号融合并计算测试样本和模版的相似度,其中采用了DTW算法寻找规整路径的方法进行了模板制作,实现了个体间的手势识别。实验结果表明,使用DTW算法对肌电信号进行手势识别,其动作识别的准确率达到96.09%,该方法计算速度快,实时性强。

采用优化神经网络的下肢肌电信号的识别

为了更好地识别下肢肌电信号的运动模式,采用遗传算法优化神经网络初始权值和阈值,构建了GA-Elman神经网络。选择Daubechies小波对肌电信号进行多尺度分解,提取各通道特征值组成特征编码,然后输入GA-Elman神经网络中进行训练、识别。仿真实验表明,采用遗传算法优化神经网络不仅能解决传统神经网络收敛速度慢且常受局部极小点的困扰,而且能提高运动模式分类识别率。

基于优化模糊加权核极限学习机的下肢运动识别方法

为了提高基于表面肌电信号下肢运动识别的准确性,提出了一种优化模糊加权核极限学习机(Kernel-based Fuzzy Weighted Extreme Learning Machine,KFWELM)的下肢运动识别方法。首先提取表面肌电信号的时域、频域、非线性特征,使用局部Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)和局部保持投影(Locality Preserving Projections,LPP)进行特征降维处理,以减少原特征的信息丢失;其次,采用改进高斯量子粒子群算法(Gaussian Quantum Particle Swarm Optimization,GQPSO)优化KFWELM的正则化系数和核参数;最后进行决策级自适应融合得到分类结果。利用UCI数据库中的数据集进行算法验证,健康人群和患病人群下肢运动分类的平均准确率分别为96.6%和92.8%。实验表明,所提出的方法提高了下肢运动分类的准确率和有效性。