CN102968641A - 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法 - Google Patents

基于球均值李雅普诺夫指数和关联维的肌电信号识别方法 Download PDF

Info

Publication number
CN102968641A
CN102968641A CN2012104297287A CN201210429728A CN102968641A CN 102968641 A CN102968641 A CN 102968641A CN 2012104297287 A CN2012104297287 A CN 2012104297287A CN 201210429728 A CN201210429728 A CN 201210429728A CN 102968641 A CN102968641 A CN 102968641A
Authority
CN
China
Prior art keywords
electromyographic signal
point
lyapunov exponent
correlation dimension
dimension
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2012104297287A
Other languages
English (en)
Inventor
张启忠
席旭刚
朱海港
左静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN2012104297287A priority Critical patent/CN102968641A/zh
Publication of CN102968641A publication Critical patent/CN102968641A/zh
Pending legal-status Critical Current

Links

Images

Abstract

本发明提出了一种基于球均值李雅普诺夫（Lyapunov）指数和关联维的肌电信号识别方法。本发明首先从相关肌肉组上采集相应的表面肌电信号，然后提取肌电信号的球均值Lyapunov指数和关联维作为特征向量，最后以球均值Lyapunov指数和关联维为特征向量输入由对支持向量机所构造的二叉树结构的分类器，实现肌电信号的上肢多运动模式识别。本发明以Lyapunov指数与关联维数作为支持向量机的输入，完成对手部动作运动模式的识别，组合特征的分类结果要好于单个特征的分类结果，多类分类器单元采用对支持向量机（TSVM）时具有比采用传统SVM时有更高的识别率。

Description

基于球均值李雅普诺夫指数和关联维的肌电信号识别方法
技术领域
本发明属于模式识别领域，涉及一种肌电信号模式识别方法，特别涉及一种应用于控制遥操作机器人，基于肌电信号的上肢多运动模式识别方法。
背景技术
表面肌电信号（surface electromyogram, sEMG)是在肌肉表面募集的与人体肌肉活动有关的大量动作单元所产生的电信号的迭加，是具有较好自相似性的非线性信号，因而，对表面肌电信号的研究采用非线性分析方法，如混沌、分形理论是一个值得重视的方向。
在遥操作机器人研究领域，肌电信号可以作为遥作的输入接口，利用从操作者肢体上的表面肌电信号获取的动作命令来控制远端的机械装置，这样的人机接口对操作者不会构成操作上的负担，操作者在作业过程中不受束缚，操作感好。肌电信号应用于遥操作系统人机接口的技术关键为肌电信号的模式识别。
国内外已有多个研究机构的学者，采用混沌、分形理论作为肌电信号模式识别研究的数学工具。澳大利亚皇家墨尔本理工大学的Naik G  R.  Kumar  D K, Arjunan S P等提取手部各类动作的肌电信号分形特征，然后用支持向量机等分类方法进行运动模式的分类，取得了较高的识别率。泰国宋卡大学的phinyomark Angkoon等用分形的方法研究了上臂弱肌电信号的多模式分类问题，并把研究成果应用到人机接口技术中。国内，清华大学王人成，上海交通大学胡晓、王志中，邹晓阳、雷敏，上海大学的宋玲玲等在混沌、分形理论应用于肌电信号多运动模式识别方面也做了较多的工作，取得了一些业内有影响的成果。然而，由于非线性问题的复杂性、应用领域的广泛性，仍有许多课题有待研究。
发明内容
为实现遥操作机器人系统中操作者手腕运动模式的正确识别，本发明提出了一种基于球均值李雅普诺夫（Lyapunov）指数和关联维的肌电信号识别方法。首先从相关肌肉组上采集相应的表面肌电信号，然后提取肌电信号的球均值Lyapunov指数和关联维作为特征向量，最后以球均值Lyapunov指数和关联维为特征向量输入由对支持向量机所构造的二叉树结构的分类器，实现肌电信号的上肢多运动模式识别。
为了实现以上目的，本发明方法主要包括以下步骤：
步骤(1).获取人体上肢肌电信号样本数据，具体是：首先通过肌电信号采集仪拾取人体上肢肌电信号，再采用基于小波能谱熵的信号消噪方法对含有干扰噪声的肌电信号进行消噪。
步骤(2).将步骤(1)获取的肌电信号进行特征提取，求出该肌电信号的球均值李雅普诺夫指数和关联维。
所述球均值李雅普诺夫指数，具体算法如下：
本发明根据李雅普诺夫（Lyapunov）指数的定义，设计了一种基于轨道跟踪法的球均值Lyapunov指数法，用于肌电信号Lyapunov指数的求取。算法步聚如下：
1)相空间重构。设混沌时间序列为                                               
Figure 2012104297287100002DEST_PATH_IMAGE002
,嵌入维数
Figure 2012104297287100002DEST_PATH_IMAGE004
，时间延迟为
Figure DEST_PATH_IMAGE006
，则可用Takens嵌入定理重构维相空间：
Figure DEST_PATH_IMAGE008
                               （1）
式中，
Figure DEST_PATH_IMAGE010
为相空间中的第个相点，
Figure 442711DEST_PATH_IMAGE012
为序数，相空间中的点数为。
2)求取相点的中心及中心到边缘的最大伸展距离
Figure DEST_PATH_IMAGE016
。设定一数值
Figure DEST_PATH_IMAGE018
，对以中心点为圆心，半径为
Figure DEST_PATH_IMAGE020
超球内的所有点，寻找其最近邻点，建立点对
Figure DEST_PATH_IMAGE022
,这里
Figure DEST_PATH_IMAGE024
，且
Figure DEST_PATH_IMAGE026
，为时间序列的平均峰值时间，以保证相点
Figure DEST_PATH_IMAGE030
与
Figure DEST_PATH_IMAGE032
在两条不同的轨道上。
3)计算点对
Figure 738561DEST_PATH_IMAGE030
与
Figure 569988DEST_PATH_IMAGE032
后各点之间的距离，及
Figure DEST_PATH_IMAGE036
与
Figure 322044DEST_PATH_IMAGE034
的扭角
Figure DEST_PATH_IMAGE038
。
Figure DEST_PATH_IMAGE040
Figure DEST_PATH_IMAGE042
这里
Figure DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE046
可取小于的常数。
求取
Figure DEST_PATH_IMAGE050
,若其值不大于某一角度如
Figure DEST_PATH_IMAGE052
,也即两轨道的扭曲不超过某一角度，称所对应的点对为有效点对，可按4)所描述方法计算轨道分离指数，如扭角过大，则为无效点对，放弃用此点对计算分离指数。
4)分离指数计算方法为：
设轨道分离指数为，则
Figure 269140DEST_PATH_IMAGE036
与
Figure 536173DEST_PATH_IMAGE034
满足关系
Figure DEST_PATH_IMAGE056
（
Figure DEST_PATH_IMAGE058
为采样间隔），对两边取自然对数得到
Figure DEST_PATH_IMAGE060
。
令
Figure DEST_PATH_IMAGE062
，则曲线近似为一直线，用最小二乘估计法计算其斜率
Figure 990201DEST_PATH_IMAGE054
，即可得点对所对应的轨道分离指数
Figure 659079DEST_PATH_IMAGE054
。
5)统计有效点对的数目
Figure DEST_PATH_IMAGE066
，对所有轨道分离指数求平均，即得球均值Lyapunov指数
Figure DEST_PATH_IMAGE068
。
                                           (2)
式中，为有效点对的序数。
所述关联维，具体算法如下：
关联维数能够定量描述对象内部结构的复杂程度。对混沌时间序列为
Figure DEST_PATH_IMAGE074
的一维信号，构造其相空间后，任选
Figure 150978DEST_PATH_IMAGE004
维相空间集
Figure DEST_PATH_IMAGE076
中的一点
Figure DEST_PATH_IMAGE078
作为参考点，计算另外点与它的距离，则可统计出落于以点
Figure DEST_PATH_IMAGE082
为中心，以小标量
Figure 834202DEST_PATH_IMAGE020
为半径的体积元中的点的个数，从而得到关联积分
Figure DEST_PATH_IMAGE084
                                 (3)
其中
Figure DEST_PATH_IMAGE088
为Heaviside阶跃函数，关联积分
Figure 7432DEST_PATH_IMAGE084
反映了吸引子中的点距的分布概率，若令
Figure 468500DEST_PATH_IMAGE016
为吸引子在
Figure 278105DEST_PATH_IMAGE004
维空间中的最大伸展距离，则可定义：
Figure DEST_PATH_IMAGE090
                                    (4)
其中，
Figure DEST_PATH_IMAGE092
的值与及
Figure DEST_PATH_IMAGE094
有关，符合分形几何中分维数的概念。进一步分析可得：
Figure DEST_PATH_IMAGE096
                                     (5)
即
Figure 542657DEST_PATH_IMAGE092
是的曲线的斜率，在不同的尺度下算得不同的
Figure 663506DEST_PATH_IMAGE084
，用最小二乘法做一元线性回归分析；拟合数据所得直线的斜率就是关联维。
步骤(3).以步骤(2)获取的球均值李雅普诺夫指数和关联维作为特征向量输入由对支持向量机所构造的二叉树结构的分类器，获得识别结果。
传统的支持向量机是建立在结构风险最小化与VC维基础上的，假定待分类的向量为
Figure DEST_PATH_IMAGE102
，,并用
Figure DEST_PATH_IMAGE106
表示向量
Figure DEST_PATH_IMAGE108
所属类别，以
Figure DEST_PATH_IMAGE110
表示分类超平面,这里
Figure DEST_PATH_IMAGE112
是超平面方程的权值，是其中的常数项。分类问题成为了从相应数值空间寻找最优
Figure DEST_PATH_IMAGE116
及
Figure 536489DEST_PATH_IMAGE114
的规划问题。
Figure DEST_PATH_IMAGE118
                                        (6)
S.T.
Figure DEST_PATH_IMAGE120
式中，m为训练样本数，参数C是一个常数，称为惩罚因子。
Figure DEST_PATH_IMAGE122
为所有样本的松驰因子之和，反映了整个训练样本集上的错分程度。显然，当两类向量训练个数不平衡时，规划问题中的松驰因子之和项主要由向量个数占优的集类贡献，因此，不能合理地确定超平面。2007年Jayadeva等人提出了对支持向量机(Twin support vector machine，TSVM)算法，该算法通过求解两个形如SVM的规划问题获得两个分界面，训练时间为传统SVM的1/4。
给定两类
Figure 346051DEST_PATH_IMAGE072
维的
Figure 55381DEST_PATH_IMAGE004
个训练点，分别用
Figure DEST_PATH_IMAGE124
的矩阵A和
Figure DEST_PATH_IMAGE126
的矩阵B表示+1和-1类，和
Figure DEST_PATH_IMAGE130
分别为两类的训练样本数目
Figure DEST_PATH_IMAGE132
，引入两超平面
Figure DEST_PATH_IMAGE134
和
Figure DEST_PATH_IMAGE136
, 
Figure DEST_PATH_IMAGE138
和
Figure DEST_PATH_IMAGE140
分别为两超平面的权值及常数项。要求1类的样本尽可能离越平面1近，-1类与另一超平面相近。如图1所示。
超平面方程的求解问题成为了在相应数值空间中寻找最优和
Figure 324743DEST_PATH_IMAGE140
的规划问题：
(超平面1)    
                             (7)
S.T.                         
Figure DEST_PATH_IMAGE144
(超平面2)     
                       (8)
S.T.                          
Figure DEST_PATH_IMAGE148
式中，
Figure DEST_PATH_IMAGE150
和
Figure DEST_PATH_IMAGE152
是两个全为1组成的向量。
Figure 294536DEST_PATH_IMAGE128
和
Figure 174768DEST_PATH_IMAGE130
为A及B类的训练样本数， 、
Figure DEST_PATH_IMAGE156
为惩罚因子，
Figure DEST_PATH_IMAGE158
，
Figure DEST_PATH_IMAGE160
为松弛因子之和，前者反映了B类样本错分为A类的程度，后者则相反。
本发明与已有的诸多手部肌电信号动作识别方法相比，具有如下特点：
球均值Lyapunov指数计算方法具有较好的鲁棒性，能从信噪比相对较低的肌电信号中计算出稳定的特征数据，抗干扰能力强。以Lyapunov指数与关联维数作为支持向量机的输入，完成对手部动作运动模式的识别。组合特征的分类结果要好于单个特征的分类结果，多类分类器单元采用对支持向量机（TSVM）时具有比采用传统SVM时有更高的识别率。
附图说明
图1为本发明的实施流程图；
图2为本发明实施例肌电信号球均值Lyapunov指数分布图；
图3为本发明实施例肌电信号关联维数据分布图；
图4 对支持向量机二叉树分类图。
具体实施方式
下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。
如图1所示，本实施例包括如下步骤：
步骤一，获取人体上肢肌电信号样本数据，具体是：首先通过肌电信号采集仪拾取人体上肢肌电信号，再采用基于小波能谱熵的信号消噪方法对含有干扰噪声的肌电信号进行消噪。
（1）采集人体上肢的肌电信号。受试者分别进行握拳、展拳、屈腕、伸腕4个动作各60组，选用上肢尺侧腕伸肌和尺侧腕屈肌作为表面肌电信号来源。实验时先用酒精分别在受试者的尺侧腕伸肌和尺侧腕屈肌上擦涂去污，以增强信号拾取能力，采用MyoTrace 400肌电信号采集仪来拾取尺侧腕伸肌和尺侧腕屈肌对应的表面肌电信号。
（2）采用基于小波能谱熵的信号消噪方法对含有干扰噪声的肌电信号进行消噪。
步骤二，将步骤一获取的肌电信号进行特征提取，求出该肌电信号的球均值李雅普诺夫指数和关联维。
把肌电信号转换到相空间，以求得肌电信号的球均值Lyapunov指数及关联维。相空间重构过程中需确定2个非常重要的参数，延迟时间
Figure 861970DEST_PATH_IMAGE006
和嵌入维数m。它们的选择直接关系到相空间重构质量。本实施例采用基于关联积分的C-C算法来同时估计延迟时间和嵌入维数。最后，所得结果为
Figure DEST_PATH_IMAGE162
, 
Figure DEST_PATH_IMAGE164
。计算球均值Lyapunov指数的另一重要参数为与最大扭角
Figure DEST_PATH_IMAGE166
相关的
Figure 531854DEST_PATH_IMAGE114
值的设定，它与
Figure 942107DEST_PATH_IMAGE004
值的大小有关，
Figure 55557DEST_PATH_IMAGE004
越大，越大，这里设
Figure DEST_PATH_IMAGE168
。
表1为从操作者尺侧腕伸肌与尺侧腕屈肌上50组肌电信号提取得到的球均值Lyapunov指数统计数据，表2为关联维数统计数据。
表1  表面肌电信号Lyapunov指数统计数据
Figure DEST_PATH_IMAGE170
表2 表面肌电信号关联维统计数据
Figure DEST_PATH_IMAGE172
图2为握拳与展拳两个动作对应的尺侧腕伸肌与尺侧腕屈肌组成的球均值Lyapunov指数分布图。图3为其关联维数据分布图。
步骤(3).以步骤(2)获取的球均值李雅普诺夫指数和关联维作为特征向量输入由对支持向量机所构造的二叉树结构的分类器，获得识别结果。
由对支持向量机所构造的二叉树结构的分类器，如图4所示，支持向量基核函数选用径向基（RBF）核函数。分类器的输入为尺侧腕伸肌及尺侧腕屈肌上肌号信号的球均值Lyapunov指数及分形维数。二叉树分类器中的TSVM1实现握拳动作与其它动作模式的区分，TSVM2则在余下的动作模式中实现展拳与腕内旋及外旋的区分，最后，TSVM3区分出腕内旋及外旋动作模式。
表3是本实施例，特征值单独采用球均值Lyapunov指数或关联维，及它们的组合，分类器单元分别采用SVM和TSVM的分类结果对照表。结果显示，基于球均值李雅普诺夫指数和关联维分类结果要好于单独特征，分类器单元采用对支持向量机TSVM比采用传统的支持向量机SVM有更好的分类结果。
表3     分类器识别率对照表
Figure DEST_PATH_IMAGE174

Claims (2)

1.基于球均值李雅普诺夫指数和关联维的肌电信号识别方法，其特征在于该方法包括如下步骤：
步骤(1).获取人体上肢肌电信号样本数据，具体是：首先通过肌电信号采集仪拾取人体上肢肌电信号，再采用基于小波能谱熵的信号消噪对含有干扰噪声的肌电信号进行消噪；
步骤(2).将步骤(1)获取的肌电信号样本数据进行特征提取，求出该肌电信号样本数据的球均值李雅普诺夫指数和关联维；
步骤(3).以步骤(2)获取的球均值李雅普诺夫指数和关联维作为特征向量输入由对支持向量机所构造的二叉树结构的分类器，获得识别结果。
2.根据权利要求1所述的基于球均值李雅普诺夫指数和关联维的肌电信号识别方法，其特征在于：所述球均值李雅普诺夫指数，其具体计算如下：
1)相空间重构：设混沌时间序列为                                                
Figure 991174DEST_PATH_IMAGE001
,嵌入维数
Figure 324066DEST_PATH_IMAGE002
，时间延迟为
Figure 872859DEST_PATH_IMAGE003
，则可用Takens嵌入定理重构
Figure 898584DEST_PATH_IMAGE002
维相空间：
Figure 165618DEST_PATH_IMAGE004
                               
式中，
Figure 302201DEST_PATH_IMAGE005
为相空间中的第
Figure 141719DEST_PATH_IMAGE006
个相点，
Figure 400662DEST_PATH_IMAGE006
为序数，相空间中的点数为
Figure 92674DEST_PATH_IMAGE007
；
2)求取相点的中心及中心到边缘的最大伸展距离：设定一数值
Figure 228437DEST_PATH_IMAGE009
，对以中心点为圆心，半径为
Figure 100359DEST_PATH_IMAGE010
超球内的所有点，寻找其最近邻点，建立点对
Figure 14089DEST_PATH_IMAGE011
,这里，且
Figure 135945DEST_PATH_IMAGE013
，
Figure 408795DEST_PATH_IMAGE014
为时间序列的平均峰值时间，以保证相点
Figure 573935DEST_PATH_IMAGE015
与
Figure 590432DEST_PATH_IMAGE016
在两条不同的轨道上；
3)计算点对
Figure 26093DEST_PATH_IMAGE015
与
Figure 469844DEST_PATH_IMAGE016
后各点之间的距离
Figure 122280DEST_PATH_IMAGE017
，及
Figure 942468DEST_PATH_IMAGE018
与
Figure 294952DEST_PATH_IMAGE017
的扭角
Figure 175183DEST_PATH_IMAGE019
；
Figure 987019DEST_PATH_IMAGE020
Figure 345320DEST_PATH_IMAGE021
这里
Figure 755572DEST_PATH_IMAGE022
，
Figure 541126DEST_PATH_IMAGE023
可取小于
Figure 896715DEST_PATH_IMAGE024
的常数；
求取
Figure 58706DEST_PATH_IMAGE025
,若其值不大于某一角度,也即两轨道的扭曲不超过某一角度，称所对应的点对为有效点对，可按4)所描述方法计算轨道分离指数，如扭角过大，则为无效点对，放弃用此点对计算分离指数；
4)计算分离指数：
设轨道分离指数为
Figure 323466DEST_PATH_IMAGE026
，则
Figure 545499DEST_PATH_IMAGE018
与
Figure 394244DEST_PATH_IMAGE017
满足关系
Figure 156664DEST_PATH_IMAGE027
，
Figure 275930DEST_PATH_IMAGE028
为采样间隔，对两边取自然对数得到
Figure 668865DEST_PATH_IMAGE029
；
令，则
Figure 508700DEST_PATH_IMAGE031
曲线近似为一直线，用最小二乘估计法计算其斜率，即可得点对所对应的轨道分离指数
Figure 108626DEST_PATH_IMAGE026
；
5)统计有效点对的数目
Figure 433428DEST_PATH_IMAGE032
，对所有轨道分离指数求平均，即得球均值Lyapunov指数
Figure 911551DEST_PATH_IMAGE033
，
Figure 5409DEST_PATH_IMAGE034
式中，
Figure 740147DEST_PATH_IMAGE035
为有效点对的序数。
CN2012104297287A 2012-10-31 2012-10-31 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法 Pending CN102968641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012104297287A CN102968641A (zh) 2012-10-31 2012-10-31 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012104297287A CN102968641A (zh) 2012-10-31 2012-10-31 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法

Publications (1)

Publication Number Publication Date
CN102968641A true CN102968641A (zh) 2013-03-13

Family

ID=47798772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012104297287A Pending CN102968641A (zh) 2012-10-31 2012-10-31 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法

Country Status (1)

Country Link
CN (1) CN102968641A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258112A (zh) * 2013-03-22 2013-08-21 辽宁工程技术大学 一种基于mde和分形优化svm的周期来压预测方法
CN104573630A (zh) * 2014-12-05 2015-04-29 杭州电子科技大学 基于双支持向量机概率输出的多类脑电模式在线识别方法
CN105469049A (zh) * 2015-11-24 2016-04-06 昆明理工大学 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法
CN106073776A (zh) * 2016-08-29 2016-11-09 吉林大学 Cacc驾驶员肢体等速多通道肌电信号特征提取方法
CN106644918A (zh) * 2016-10-21 2017-05-10 天津大学 基于混沌相空间重构理论的电化学噪声数据解析方法
CN108926326A (zh) * 2017-05-22 2018-12-04 北京大学 一种用于评价人体随运动平台的动态平衡控制能力的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101732110A (zh) * 2009-11-19 2010-06-16 杭州电子科技大学 用于手部动作识别的脑电和肌电信号混沌特征融合方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101732110A (zh) * 2009-11-19 2010-06-16 杭州电子科技大学 用于手部动作识别的脑电和肌电信号混沌特征融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨绍清: "《一种最大李雅普诺夫指数估计的稳健算法》", 《物理学报》, vol. 49, no. 4, 12 April 2000 (2000-04-12), pages 637 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258112A (zh) * 2013-03-22 2013-08-21 辽宁工程技术大学 一种基于mde和分形优化svm的周期来压预测方法
CN103258112B (zh) * 2013-03-22 2016-02-24 辽宁工程技术大学 一种基于mde和分形优化svm的周期来压预测方法
CN104573630A (zh) * 2014-12-05 2015-04-29 杭州电子科技大学 基于双支持向量机概率输出的多类脑电模式在线识别方法
CN104573630B (zh) * 2014-12-05 2017-09-19 杭州电子科技大学 基于双支持向量机概率输出的多类脑电模式在线识别方法
CN105469049A (zh) * 2015-11-24 2016-04-06 昆明理工大学 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法
CN106073776A (zh) * 2016-08-29 2016-11-09 吉林大学 Cacc驾驶员肢体等速多通道肌电信号特征提取方法
CN106073776B (zh) * 2016-08-29 2019-06-25 吉林大学 Cacc驾驶员肢体等速多通道肌电信号特征提取方法
CN106644918A (zh) * 2016-10-21 2017-05-10 天津大学 基于混沌相空间重构理论的电化学噪声数据解析方法
CN108926326A (zh) * 2017-05-22 2018-12-04 北京大学 一种用于评价人体随运动平台的动态平衡控制能力的方法

Similar Documents

Publication Publication Date Title
CN102968641A (zh) 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法
Tuncer et al. Surface EMG signal classification using ternary pattern and discrete wavelet transform based feature extraction for hand movement recognition
CN102930284B (zh) 基于经验模态分解和分形的表面肌电信号模式识别方法
CN105426842B (zh) 基于支持向量机和表面肌电信号的多类手部动作识别方法
CN101840511B (zh) 手指静脉特征提取与匹配识别方法
CN106067178B (zh) 一种基于肌肉协同激活模型的手部关节运动连续估计方法
CN105740887A (zh) 一种基于pso-svm的脑电信号特征分类方法
CN103345641A (zh) 基于小波包熵和支持向量机的手部肌电信号动作识别方法
CN104537382A (zh) 基于遗传算法优化支持向量机的肌电信号步态识别方法
CN109657651A (zh) 一种基于肌电信号的下肢膝关节连续运动估计方法
CN103092971B (zh) 一种用于脑机接口中的分类方法
CN102073881A (zh) 人体表面肌电信号消噪、特征提取和模式识别方法
CN112732090B (zh) 基于肌肉协同的用户无关实时手势识别方法
CN101859377A (zh) 基于多核支持向量机的肌电信号分类方法
Bao et al. Surface-EMG based wrist kinematics estimation using convolutional neural network
US20130338540A1 (en) Systems and methods for hierarchical pattern recognition for simultaneous control of multiple-degree of freedom movements for prosthetics
CN113111831A (zh) 一种基于多模态信息融合的手势识别技术
Wang et al. Recognition of semg hand actions based on cloud adaptive quantum chaos ions motion algorithm optimized svm
CN110363152A (zh) 一种基于表面肌电信号的下肢假肢路况识别方法
Guan et al. Multiclass motor imagery recognition of single joint in upper limb based on NSGA-II OVO TWSVM
Wang et al. Motor imagination eeg recognition algorithm based on dwt, CSP and extreme learning machine
Zhou et al. Finger vein recognition based on stable and discriminative superpixels
Yang et al. EEG classification for BCI based on CSP and SVM-GA
CN110151176A (zh) 一种基于肌电信号的上肢肘关节连续运动估计方法
CN110604578A (zh) 基于semg的人手手内动作识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130313