融合表面肌电和加速度信号的下肢运动模式识别研究

为了提高下肢运动模式识别率,本文设计了一种融合表面肌电和加速度信号的下肢运动模式识别方法.首先,用局部均值分解将表面肌电信号分解为多个乘积函数(Product Functions,PFs),再计算PF成分的多尺度排序熵.然后,通过拉普拉斯权重(Laplacian score,LS)特征选择算法选定每路肌电信号的一个尺度排序熵为特征,并把该特征和加速度信号的排序熵组成特征向量.最后,根据类内欧氏距离和类间样本分布,设计了改进的二叉树支持向量机,把特征向量输入该支持向量机进行下肢运动模式分类.实验结果表明所提方法对七个日常动作的平均识别率达到98.62%,相较于其他方法有较高的识别率.

基于多源信息和粒子群优化算法的下肢运动模式识别

为了提高人体下肢多运动模式识别的准确性,提出一种基于多源信息和粒子群优化算法-误差反向传播(PSO-BP)神经网络的识别方法.建立下肢多源信息采集系统,该系统由下肢表面肌电信号、髋关节角度、髋关节加速度组成.选择肌电信号偏度、峭度和功率谱比值为肌电信号特征,髋关节角度细分模式均值比为腿部角度信号特征,加速度标准差、能量峰值、两轴相关性系数为髋关节加速度特征.按照主成分分析(PCA)方法融合上述特征值,利用PSO-BP进行识别.实验结果表明:该方法识别率为95.75%,平均识别时间为1.234 8s.

基于多传感器数据融合的人体运动模式识别研究

针对单一传感器在人体运动姿态监测中误差较大的问题,提出了一种基于加速度传感器和陀螺仪数据融合的人体运动模式识别方法;该方法使用陀螺仪输出的人体运动信息对加速度传感器采集到的姿态角信息进行修正,采用卡尔曼滤波算法实现多传感器信息的融合,有效提高了姿态角度测量的准确度;根据人体日常的活动状态构建了基于人体姿态角度特征的隐马尔可夫模型实现人体运动模式的识别;实验表明,该方法比采用单一传感器方法识别的准确率高,可以有效区分不同的日常活动行为。

BP神经网络大腿截肢者运动模式识别

在假肢运动优化控制的研究中,针对动力型假肢控制方面存在的运动模式识别准确性差的问题,搭建人体下肢运动信息系统获取下肢髋关节角速度信号和加速度信号。建立基于BP神经网络的大腿截肢者运动识别模型。研究了建模过程中输入输出数据预处理、网络结构设计、训练模式选择等问题。改进模型能有效识别平地行走、上楼、下楼、上坡和下坡5种运动模式,正确识别率达到了90.4%,已具备一定的实用性。

多图嵌入表示在人体运动模式识别中的应用

新颖和恰当的算法是人体运动模式识别系统的关键。在获取加速度传感器信号的基础上,提出了一种人体运动模式识别算法,其中多图嵌入表示用于特征降维,最近邻用于模式分类。该算法通过特征分组对原始特征空间进行多个独立子集的划分,并生成图;通过多维尺度分析法在每个子图上生成新的嵌入坐标,并找到这些嵌入坐标的线性组合来表示原始特征空间;最后通过最近邻分类器进行模式分类。该算法新颖、简单,能在最小信息丢失的基础上挖掘原始特征空间的潜在结构,提高特征选择的稳定性。实验结果表明,同其他代表性算法相比,该算法准确度高,能更好地区分人体运动。

基于表面EMG功率谱和BP网络的多运动模式识别

结合功率谱比值法和BP神经网络提出一种基于表面肌电信号(EMG)的多运动模式识别算法.该算法首先根据表面肌电信号功率谱的特点,提出一种有效的特征提取算法——功率谱比值法;然后将功率谱比值特征作为BP神经网络的输入向量,实现对伸腕、屈腕、张开、合拢四种动作模式的识别,该识别结果可为肌电假手的多种运动模式提供仿生控制的信号源.实验结果表明,该方法对同一健康受试者四种运动模式的识别成功率平均达到95%,而对不同的健康受试者的识别成功率平均达到85%.

一种用于视频对象编码的运动模式识别算法

针对目前视频编码中广泛采用的块匹配运动估计补偿(ME+MC)算法的不足,提出一种基于自组织映射(SOM)的运动模式识别(MPR)算法,并将其应用于会议电视的视频对象编码中.为了改善SOM算法的性能,提出一种频率敏感的自组织映射算法(FSOM).实验表明,与ME+MC算法相比,FSOM-MPR算法具有更好的预测编码性能.对Claire视频测试序列,当压缩比为170∶1时,重建视频图像的平均峰值信噪比(PSNR)有2.7dB的改善.

基于CNN-Mogrifier LSTM的人体运动模式识别算法

随着传感器、微电子等技术的发展,通过可穿戴式传感器对人体的运动模式进行识别,具有广泛的应用价值,如何提高识别的准确率,具有重要研究意义。考虑到人体下肢运动的特点,提出了一种基于CNN和Mogrifier LSTM的人体运动模式识别算法,先利用CNN提取原始数据的局部相关特征,再使用Mogrifier LSTM代替全连接层,挖掘局部相关特征的前后依赖关系,对行走、跑步、上楼梯、下楼梯、上坡和下坡6种常见的运动模式进行识别。实验结果表明,相比于传统LSTM算法,Mogrifier LSTM的准确率提升了1.03%,将CNN和Mogrifier LSTM相结合后,准确率进一步提升了1.17%,达到了98.18%,证明了算法的优越性。

人群密集场景中运动模式识别

针对从人群密集场景中识别运动模式的问题,提出了距离依赖中餐馆连锁店过程混合模型。该模型是一种引入依赖关系的层次化非参贝叶斯模型,能够通过引进独立于数据观测值的距离依赖信息,准确建模自然分组的数据,从中挖掘共享的数据模式。给出了模型的建立过程,并通过吉布斯采样的方法对模型进行求解,同时展示了相关的实验结果。通过对纽约广场火车站监控场景数据集中47 866条片段轨迹的建模分析,证明了模型可以自动确定场景中运动模式的个数,从不完整的轨迹中以98%的正确度学习并表达运动模式,并且能够在不同的运动模式之间共享公共的子模式。

基于EMD-多尺度熵和ELM的运动想象脑电特征提取和模式识别

运动想象脑电特征是进行动作模式识别进而实现生物反馈技术的重要依据。在对侧躯体运动想象脑电识别方法的基础上,研究单侧躯体不同运动想象模式下的脑电特征提取问题,提出基于EMD-多尺度熵(MSE)的脑电信号瞬态特征提取及定量描述的方法,设计基于极限学习机(ELM)的动作模式识别模型。通过对10名正常受试者在左侧手臂屈、伸动作模式下的运动想象脑电的分析,提取其特征并进行动作识别,结果证实其识别率可以达到90%以上。实验表明:所提出基于EMD-MSE的运动想象EEG特征提取方法,能够定量刻画不同运动模式下脑电信号的多尺度局部瞬态特征;进一步运用基于ELM学习算法的前馈神经网络,可以实现对不同运动模式下脑电EMD-SME特征的有效分类。

基于多源信息和广义回归神经网络的下肢运动模式识别

针对目前下肢运动模式识别率低的问题,提出了一种基于多源信息和广义回归神经网络(GRNN)的下肢运动模式识别方法.通过足底压力信息将人体日常下肢动作分解为不同的动作片段以组成识别目标集.采用下肢表面肌电信号中的偏度、峭度、功率谱熵,以髋关节角度作为腿部特征值,利用主成分分析(PCA)方法对文中提取的特征值进行降维处理,以缩短模型训练时间,防止过拟合.最后,利用GRNN对目标集中平地行走、上楼、下楼3种动作进行识别.实验结果表明,该方法的正确识别率为90.16%.

基于时序分析的人体运动模式的识别及应用

为了满足对老年人活动能力的检测需求,提出一种基于人体动作状态序列时序分析的运动模式识别方法。利用加速度传感器采集人体腰部的运动信息,通过滑动窗口对加速度数据进行自动检测、去噪和特征提取,构造隐马尔科夫模型实现人体日常活动序列的训练和识别。实验结果证明该方法可以有效区分不同的日常活动行为,能在辅助医疗中发挥重要作用。

基于运动模式的点源目标识别算法的研究

目前常用的点源运动目标识别方法并未考虑运动目标自身运动规律,难以识别目标属性,降低了目标识别的准确性。本文提出三点Hermite插值轨迹匹配识别方法,用以识别点源目标运动模式。该方法首先根据已知目标自身运动规律,建立目标运动轨迹全方位投影曲线标准库;然后,采用三次Hermite插值曲率逼近的方法,获得点源目标实际运动轨迹;最后,利用Hansdorff距离匹配实际目标运动轨迹与曲线标准库轨迹,并根据匹配结果识别点源目标。

基于脑电和眼电的运动想象多尺度识别方法研究

基于脑电信号对同一肢体不同动作想象模式进行识别的正确率低,已成为基于脑机接口对肢体瘫痪患者进行运动想象训练监控的方法,获得临床应用前必须解决的瓶颈问题.针对该问题,本文提出一种利用运动想象时眼睛的活动状态与所想象肢体动作之间存在的耦合关系,进行运动想象多尺度识别的新方法.该方法首先在大尺度上,利用脑电信号对运动想象是否发生进行识别,再结合同一运动想象过程眼电信号协同变化模式的识别结果,基于决策融合在更精细的尺度上,对同一肢体不同动作的想象模式进行识别.实验结果表明,仅基于脑电进行右臂三种动作想象模式识别的平均正确率为63.0%,而应用所提出方法可以将其提高到91.4%.所提出方法可望有临床应用前景.

自适应跑步机多运动模式人机交互技术

自适应跑步机是虚拟现实(virtual reality,VR)环境中用于人机交互的重要设备,实现该设备在VR环境下的多运动模式交互是丰富其应用场景的关键。该文构建了一种基于自适应跑步机的多运动模式交互控制架构,该架构包括感知层和控制层,感知层基于足底压力鞋垫实现高泛化性能的人体运动模式识别;控制层依据人体稳定性条件对不同运动模式(站立、行走、倒退、奔跑和跳跃)下的控制策略进行切换。该架构自动将运动模式识别结果与跑步机运动控制相结合,实现了多运动模式人机交互控制。实验结果表明:分层控制方法能够实现稳定、平滑的多运动模式人机交互,保证用户在交互过程中步态自然、姿态稳定,满足自适应跑步机的人机交互需求。

一种调频广播信号辅助PDR的室内定位技术

针对室内定位系统中现有的行人航位推算(pedestrian dead reckoning,PDR)方法存在加速度计适用性较差,以及基于惯性和磁传感器的航向估计易受器件误差和磁场环境的影响,导致精度较低的问题,在不增加基础设施成本和现场勘察工作的前提下,提出一种调频(frequencymodulation,FM)广播信号辅助PDR的室内行人定位技术:在传播模型理论基础上探究FM信号接收信号强度指数(RSSI)与步长的关系,将其与加速度组合以提升步长估计的适用性;然后通过分析FM信号在直线/转弯运动模式下的变化,将其与角速度组合以提升模式识别准确率,并使用模式识别结果约束航向漂移误差;最后,综合步长与航向估计结果实现定位。实验结果表明,引入FM信号后定位误差均值可分别减小36.1%、78.9%。

基于扩展卡尔曼滤波的高程估计算法

在室内行人定位系统中,行人的高程定位精度关系到整个定位系统的可靠性。提出一种基于腰间传感器的室内行人高程估计算法。首先利用支持向量机识别行人上楼下楼动作,针对行人的运动状态采用自适应的高程估计算法。针对气压计测量值易受环境影响的问题,采用了基于EKF融合气压和加速度的高度估计算法,提高了高度估计算法的稳定性。经实验验证,当室内人员进行平地走、上楼等一连串动作后,基于差分气压测高法计算的高度误差为9.92%,基于加速度估计的行人高度误差为9.52%,EKF融合后定位误差下降到2.32%,提高了高程估计的精度。

分析预测理论以及在空间位置探测数据处理中的应用(Ⅲ)——分析预测理论和统计预测理论

介绍了分析预测理论的处理空间位置探测数据问题的原理和思路 ,比较了分析预测理论和当前流行的处理空间位置探测数据问题的统计理论在原理和思路之间的差异 ,介绍了分析预测理论解决统计预测理论不能处理或不太好处理问题的解决方案。这些问题有 ,目标空间运动模式的识别问题 ;目标空间运动模式改变的识别问题 ;单站一维探测数据和多维探测数据的融合问题 ;不同平台 ,不同探测精度探测器数据的融合问题。最后 。