基于AR参数模型与聚类分析的肌电信号模式识别方法

肌电信号是与神经肌肉活动有关的生物电的体现,肌电信号的模式识别是肌电应用的基础。利用现代功率谱估计中的参数模型法,对从掌长肌、肱桡肌、尺侧腕屈肌和肱二头肌采集的4路表面肌电信号建立AR参数模型,并提取其AR模型参数作为信号的特征,构造特征矢量,提供给基于距离测度的Mahalanobis距离分类器进行模式分类,能够成功地识别出握拳、展拳、腕内旋、腕外旋、屈腕、伸腕、前臂内旋、前臂外旋8种动作模式。实验表明,该方法识别率高、鲁棒性好,为肌电等非平稳生物电信号的模式识别提供了一种新方法。

表面肌电信号的AR参数模型分析方法

根据实际肌电信号的随机性特征 ,对其建立AR(Autoregressive)模型 ,得到其AR模型的各项参数 ,分析此系数和对应肌肉活动所确定的肢体动作之间的关系 ,从而得到基于动作模式的表面肌电信号 (EMG)

表面肌电信号的时变AR模型参数评估肌疲劳程度的研究

目的本研究针对表面肌电信号的非平稳特性,采用时变参数AR模型的方法对表面肌电信号进行分析,实现对短时表面肌电信号的肌肉疲劳快速评估。方法应用时变参数模型对10名受试者疲劳前、后的肌电信号进行特征提取,建立时变参数AR模型,并采用递推最小二乘算法求解模型的时变参数,将线性非平稳问题转化为线性时不变问题。结果以时变参数AR模型的第一个时变参数的均值作为肌肉疲劳的快速指针。实验证明时变参数比传统的中值频率对疲劳反应的灵敏度高(提高范围为37.80%到324.46%)。结论该方法可以实现对短时表面肌电信号的肌肉疲劳快速评估,为腰肌劳损的诊断和康复治疗,以及人体工效学的研究提供一个可靠的工具。

一种新的时变参数AR模型分析方法

提出了一种新的非平稳信号的时变参数 AR模型分析方法——局域波分解及其时变参数 AR模型 .该方法先用局域波分解方法把待处理信号分解成有限个基本模式分量 ,再对分解得到的基本模式分量建立时变参数 AR模型 ,从而得出时频平面上的时变参数 AR模型谱 .它扩大了传统的时变参数模型法的应用范围 。

基于AR模型参数双谱估计的雷达目标识别

本文利用双谱分析方法,提出用非高斯AR模型对雷达目标回波信号进行参数化双谱估计。通过对实测飞机目标回波数据的分析,合理地选择目标特征构成特征矢量,取得了较好的识别结果。

时间序列AR模型参数的积分求解法

基于对时间序列实质的分析，提出了旨在减少序列的随机误差影响以及提高拟合精度的ＡＲ模型参数的积分求解法．重点讨论了ＡＲ（１）模型及ＡＲ（ｐ）模型参数的积分求解法，并与最小二乘法在计算机上进行了仿真比较．结果表明，采用积分求解法所得的ＡＲ模型参数的估计精度比最小二乘法的高．

针刺手法实时信号处理及AR参数模型的模式识别研究

基于嵌入式ARM技术对针刺手法实时信号处理,并采用AR参数模型的模式识别方法,提取提插捻转等针刺手法信号模型的若干系数表征,构造特征矢量识别各种针刺手法模式,为针刺手法的量化和数字化研究提供新的手段。

表面肌电信号的时变AR模型参数估计及其在下腰痛评估中的应用研究

本文针对表面肌电信号的非平稳特性,采用时变参数AR模型对表面肌电信号进行分析,将线性非平稳问题转化为线性时不变问题,并采用递推最小二乘算法求解模型的时变参数。在此基础上,提出了结合奇异值分解进行参数优化,进而进行模式分类的方法。能够成功地区分下腰痛患者治疗前后的状态,为下腰痛的诊断、治疗与康复判定奠定了一定的基础。

后向线性预测器与AR模型的统一性

基于一平稳随机信号的后向线性预测器及其AR参数模型,研究它们的统一性。理论研究结果表明:对于一平稳随机信号的m阶后向线性预测器的最小均方误差Jmin等于m阶AR模型激励白嗓声的能量。

基于自回归模型参数超声无损评价20钢的时效组织

基于时序分析理论,提取并优化选择表征20钢不同时效组织形态超声回波信号的自回归(AR)模型参数,用于超声无损评价。结果表明:利用AR模型参数无损评价20钢的时效组织形态是可行的,对五种组织的识别率可达84％;此外,对Cr5Mo钢高温时效组织形态和30Mn2SiV结构钢的热处理组织形态的识别率分别达到80％和88％。

自回归模型参数的最佳辨识矢量及效果分析

目的 研究用于模式识别的最佳特征矢量提取方法 .方法 基于 AR模型参数 ,利用改进的Fisher判别准则进行提取 .结果 经实测的车辆噪声数据检验表明 ,利用该方法提取的特征矢量具有很好的稳定性 ,且对车辆类别具有较强的识别能力 .

自适应预测参数分析

通过试验对影响算法收敛性的参数进行研究,合理选取参数提高自适应预测器的精度。试验对语音信号进行LPC分析得到的AR(2)信号为预测器输入,MATLAB仿真构造自适应线性预测器,采用LMS算法进行训练。试验表明,输入信号特征值的分散度越大,其收敛性越差。自适应预测试验验证了自适应预测过程参数分析选取的有效性。

参数化双谱估计在中医脉象信号识别中的应用

采用AR模型参数化双谱估计法对15例吸毒者和15例正常人的脉象信号进行了参数化双谱估计,在得到每一例脉搏波的归一化双谱幅值对角切片后,应用K-L变换得到30个样本特征矢量,利用这些特征矢量和BP神经网络对两类脉象数据进行分类,得到平均的正确识别率高达96.7%,研究结果表明应用双谱对角切片作为脉象信号特征矢量,利用BP神经网络对海洛因吸毒者和正常人的脉象信号进行分类,具有很高的识别率。

应用半参数AR模型的电离层TEC建模与预测

本文基于时间序列分析的DDS(Dynamic Data System)建模法,对季节性的电离层总电子含量(TEC)时间序列观测值平稳化后建立自回归AR模型,提出以半参数AR模型对普通AR模型精化,并利用半参数AR模型对电离层TEC预报。实例分析表明:利用半参数AR模型对电离层TEC进行预报,在短期内半参数模型预报效果优于普通AR模型,但随着预报时间变长,则半参数模型预报精度明显下降,其预报效果则不如普通的AR模型。

总体最小二乘求取AR(1)模型参数

针对最小二乘方法求取AR模型参数,引进总体最小二乘方法,通过AR模型的实例计算,结果表明,总体最小二乘可以得到更高精度的模型参数,具有更小的中误差。

半参数AR模型在隧道拱顶沉降分析中的应用

隧道拱顶沉降的监测数据会含有一定的系统误差,依据模型定阶准则建立的AR（auto regressive）模型难免会与实际情况存在偏差。以模型误差或观测值系统误差作为未知的非参数分量对AR模型进行补偿,同时为了使预报模型更符合实际情况,对系统误差也进行拟合外推,建立半参数AR模型。通过对某隧道拱顶沉降预报的应用,证明了该模型获得的预报值更加接近实测值,比传统方法更具优势。

外骨骼式上肢康复机器人及其控制方法研究

提出了一种融合单、多关节及日常生活功能行动作训练的5自由度外骨骼式偏瘫上肢康复机器人系统.根据偏瘫患者上肢单侧受损的特点,提取偏瘫患者的健侧肢体运动的表面肌电信号用于驱动康复机器人辅助患者患侧肢体实现康复训练动作.采用肌电绝对值积分和自回归参数模型法对上肢运动中参与动作的4块肌肉产生的sEMG信号分别进行特征提取,并分别作为基于Levenberg-Marquardt算法的反向传播神经网络的输入,6个上肢运动作为输出建立表面肌电信号与上肢康复动作之间的关系.试验结果表明该方法利用sEMG准确地完成了对上肢康复动作的识别.该方法有利于提高中枢神经系统紧张度,促进血液循环,在康复的同时防止并发症的产生,更有利于提高患者运动积极性,保持患者正确运动的感觉.

一种有效的声信号特征提取算法及应用

针对复杂模式识别中的特征提取与选择问题,结合时间序列的参数模型和Fisher判别准则,提出了利用AR模型来拟合模式样本的时间序列,将模型参数作为原始特征矢量,然后在Fish-er鉴别准则函数取极大值的条件下,求得一组最佳鉴别矢量,最后再将高维原始特征矢量投影到这组矢量空间上来构成低维特征矢量的有效特征提取方法.对6类战场声目标的实测样本数据进行了实际的特征提取,分析了所提取特征的统计分布特性,并采用BP网络对用该算法所提取特征的有效性进行了检验,取得了令人满意的识别效果.

基于Bayes决策理论的表面肌电信号模式分类的研究

通过对采集的四通道表面肌电信号进行分析,对其建立AR(Autoregressive)参数模型,提取AR模型参数构建特征矢量。根据实际表面肌电(SEMG)信号的随机性特征,提出了一种采用Bayes决策理论对肌电信号的AR模型参数特征进行分类的新方法,并运用最小错误率Bayes分类器,很好地实现了对前臂八种动作表面肌电信号的模式分类。平均识别率为99.125%。此外,还提出采用动态聚类中心的方法对其进行了改进,使其平均识别率提高到99.5%。研究表明,采用Bayes分类器对肌电信号的AR模型参数特征进行分类,是一种有效的处理手段,并可直接应用到其它具有随机性特征的生理电信号的模式分类中。

输入空间自优化神经网络的研究及其在声信号车型分类中的应用

提出了神经网络结构自优化的新理念,并主要介绍输入空间自优化的概念,即其基本思想和基本算法。用Matlab7.0编写了输入空间自优化神经网络的程序,并将输入空间自优化神经网络应用于高速公路的汽车车型的分类中,提高了参数优化的速度,同时也降低了神经网络的运算量,解决了实际问题。