基于多尺度主元分析的表面肌电信号模式分类

用基于小波变换的多尺度主元分析提取表面肌电信号特征,然后用贝叶斯分类器进行模式分类。实验结果显示,当选用Harr小波和bior2.6小波对肌电信号进行5层小波分解时,该方法对前臂6种动作模式(内翻,外翻,握拳,展拳,上切和下切)的正确识别率可以达到99.44%。研究表明,该方法优于基于小波系数统计特征和主元分析降维相结合的特征提取方法,能成功识别出多种动作模式。

顾及共模误差的基线时间序列季节项重构

针对基线时间序列的共模误差影响季节项重构的问题,以美国OKAR-TXLI基线为例,首先采用一元线性回归拟合并去除时间序列的趋势项,以避免趋势项影响季节项重构;然后运用小波的多尺度分析法分解去除趋势项后的序列,结合分量频谱特点确定并重构季节项;之后用PCA法剔除时间序列的共模误差并重构滤波后的季节项;最后对比滤波前后季节项的功率谱及振幅变化分析共模误差对重构结果的影响,并分析共模误差的特性验证其影响的合理性。结果表明,剔除共模误差后,N、E和U方向上季节项功率谱与原始序列功率谱更接近,能保留更多原始序列信息;且滤波后季节项振幅在不同周期内变化不尽相同,但其均值呈现出变小的现象,振幅均值分别减小了11.1%、15.0%和16.0%。