基于卷积核补偿ECG检测分类算法

传统ECG检测分类算法通常分成检测、分类两个步骤,本文提出一种基于卷积核补偿ECG检测分类的新算法,可以将ECG的检测和识别合并成一步完成,文章对LTST数据库的ECG数据进行了该算法的验证,说明该算法完全可以实现ECG的检测和分类。

基于自组织映射神经网络和卷积核补偿的多通道表面肌电信号的盲源分离方法

本文基于已有的卷积核补偿(CKC)方法,提出了一种新的信号分解方法。该方法与自组织映射神经网络相结合,首先找出一个在某一时刻具有发放活动的脉冲序列,其次对这个脉冲序列的一些较大值所对应的时刻利用自组织映射神经网络进行分类,然后利用分类后的时刻所对应的测量信号的值求出最终的一个信号源的发放序列。通过随机混合矩阵合成产生的仿真信号进行测试,表明所提出的方法是有效的。

等长伸膝动作的运动单元放电特征分析

本研究基于表面肌电分解技术,分析伸膝动作中不同发力状态下大腿肌肉运动单元的解码准确性,并对比神经特征和肌电特征在肌肉激活程度估计中的效果. 12名大学生分别以2种发力速度和4种发力等级完成伸膝动作的等长收缩.实验同步采集受试者股内侧肌和股外侧肌处的高密度表面肌电信号和伸膝动作收缩力.基于卷积核补偿算法解码肌电信号得到运动单元动作电位,提取神经特征用于收缩力的互相关分析.结果发现,对于股内侧肌,2种任务及4种收缩力等级下平均解码得到(7±4)个运动单元,股外侧肌平均解码得到(9±5)个运动单元.它们的平均脉冲信噪比(pulse-to-noise ratio,PNR)为30.1 d B,对应解码准确率大于90%.股内侧肌的两种神经特征与力之间的平均相关性分别为(0.79±0.08)和(0.80±0.08),股外侧肌的两种神经特征与力之间的平均相关性分别为(0.85±0.05)和(0.85±0.06).综上可见,基于肌电分解技术可以准确识别不同发力状态下大腿肌肉的运动单元放电活动,并且运动单元放电频率与伸膝动作力高度相关,研究结果可用于运动康复、运动训练及人机接口等领域.