CN108319368A - 一种可穿戴的ai动作学习系统 - Google Patents
一种可穿戴的ai动作学习系统 Download PDFInfo
- Publication number
- CN108319368A CN108319368A CN201810102931.0A CN201810102931A CN108319368A CN 108319368 A CN108319368 A CN 108319368A CN 201810102931 A CN201810102931 A CN 201810102931A CN 108319368 A CN108319368 A CN 108319368A
- Authority
- CN
- China
- Prior art keywords
- wearable
- value
- module
- signal
- learning systems
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/14—Classification; Matching by matching peak patterns
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Dermatology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种可穿戴的AI动作学习系统,包括多个基于可穿戴的运动神经元检测子系统,特别是提出了有效的基于可穿戴的运动神经元脑电信号采集的噪音去除、特征提取和分类识别算法,可以在提高信号处理算法效率的情况下,降低计算复杂度,同时也能保证分类识别的准确率,进而辅助远程仿真机器人的控制和动作。
Description
技术领域
本发明属于仿生学技术领域,具体涉及一种可穿戴的AI动作学习系统。
背景技术
随着医学研究与技术的发展,越来越多的医学难关得以突破。特别是现在的可穿戴设备,例如头部可穿戴设备,可以使大脑直接和外部环境进行信息交互,通过对人脑信号进行处理与分析,可以实现对人类关键的健康状况的监控,以及检测某些神经系统疾病,甚至可以用脑信号实现外界的控制。随着临床上的不断应用,越来越多的头部可穿戴设备也逐渐被用在日常生活中监控人体活动水平,比如注意力集中水平检测,疲劳程度检测等,还可以通过观测分析脑电信号研究睡眠等相关数据。
可穿戴设备获取信息的基本原理是根据分析解读由外界刺激或思维活动引起的大脑活动变化,将其转化为相应的命令传递给外部设备,具体的信号采集原理是将人的头皮、大脑表面或者大脑内神经元活动等特定区域的脑神经细胞产生的信号进行采集,然后将模拟信号经过一系列变换之后变成易于计算机识别和处理的数字信号输入计算机系统中,作为系统的输入信号,其产生方式有诱发式和自发式,诱发式的脑电洗好起源于感官刺激,自发式的脑电信号不依赖于外部的刺激,例如感知运动区的EEG节律。通过系统的分析所采集的信号,就可以实现上面所述的健康监控、健康检测等功能。
上述采集中最为关键也是最核心的就是所采集到的脑电信号的处理。然而,由于脑电信号记录存在很多不稳定性因素,并且用户自身状态对采集信号的影响也很大,信号处理算法也较复杂,需要考虑算法复杂度对系统性能的影像,噪音抑制,以及如何从单一域、结合域以及非线性动力学领域中提取更有效的特征,以及如何提高分类的准确率,同时降低算法的复杂度。这均是摆在该领域的难题。
目前,针对人工智能以及仿人机器人的研究,尤其是对于使仿人机器人具有人类感知的研究,尤其需要借鉴人脑的上述脑电信号研究和进一步解决上述问题。
发明内容
鉴于以上分析,本发明的主要目的在于提供一种基于可穿戴的运动神经元检测子系统,特别是提出了有效的基于可穿戴的运动神经元脑电信号采集的噪音去除、特征提取和分类识别算法,可以在提高信号处理算法效率的情况下,降低计算复杂度,同时也能保证分类识别的准确率,进而辅助远程仿真机器人的控制和动作。
本发明的目的是通过以下技术方案实现的。
一种可穿戴的AI动作学习系统,包括多个基于可穿戴的运动神经元检测子系统以及仿生信息输出子系统。
进一步地,所述基于可穿戴的运动神经元检测子系统包括依次相连的可穿戴式信号采集模块、预处理模块、特征提取模块、分类识别模块、以及检测子系统;所述仿生信息输出子系统包括仿生信息传输模块、位置检测模块以及位置信息传输模块,所述位置检测模块用于实时检测可穿戴式信号采集模块的位置信息。
进一步地,其中该可穿戴式信号采集设备将电极置于测试者皮肤表面,将测试者产生的离子电流转化为测量设备能够检测到的电子电流。
进一步地,所述预处理模块用于消除噪音,其将采集到的信号进行小波变换,得到小波系数,然后在小波变换域上利用信号与噪音的不同性质,对高频系数进行限值化处理,再对去噪效果进行衡量利,用重构算法重构信号。
进一步地,所述限值化处理包括将信号的绝对值与限值进行比较,小于或等于限值的点变为0,大于该值的点变为该点值与限值的差值。
进一步地,所述特征提取包括如下步骤:
1、对两个通道各自提取至少10个特征值,组成相对应的特征矩阵,用伯格算法估计采集值的4阶AR模型,将得到的模型参数作为特征;
2、计算功率谱的四个特征,包括功率谱的峰值、功率谱的峰值对应的频率、每个采集值信号段10-12Hz的信号能量值E以及功率谱的一阶谱矩,其中信号能量值E计算如下:
3、估计脑电信号的双谱,计算与其相关的4个特征即双谱的峰值、双谱的峰值所在的频率横坐标、双谱的峰值所在的频率纵坐标、双谱的对角切片的一阶谱矩。
进一步地,所述分类识别模块包括采用梯度进行分类,具体包括给定一个训练集,训练集中包括数据点和相应的标识,定义对数递归模型中的伯努利对数似然函数,建立对数递归模型,不断地最大化对数递归模型,得到弱分类器的权值,对多个弱分类器进行迭代获得一个强分类器,由此得到一个新的对数递归值,再计算迭代最优值,从而得到分类结果。
进一步地,所述分类识别模块包括如下分类步骤:
1、获得具有特征信息的采样信息;
2、选定一个感知函数,函数结果能够体现分类器的性能,并且感知函数的极值解对应的分类器是最佳分类器;
3、通过最优化处理,求出相应极值解,
利用相应极值解构建线性判定函数,通过线性判定函数就可以对采样信息处理得到其所属的类别。
附图说明
图1示出了本发明的可穿戴的AI动作学习系统。
图2示出了本发明的基于可穿戴的运动神经元检测子系统的结构框图。
具体实施方式
实施例一
如图1所示,本实施例的一种可穿戴的AI动作学习系统,包括多个基于可穿戴的运动神经元检测子系统以及仿生信息输出子系统。
如图2所示,所述基于可穿戴的运动神经元检测子系统包括依次相连的可穿戴式信号采集模块、预处理模块、特征提取模块、分类识别模块、以及检测子系统;所述仿生信息输出子系统包括仿生信息传输模块、位置检测模块以及位置信息传输模块,所述位置检测模块(例如位移传感器)用于实时检测可穿戴式信号采集模块的位置信息。根据优选实施方式,以采集模块所处位置发生位移的位移和方向数据作为位置信息。
其中该可穿戴式信号采集设备将电极置于测试者皮肤表面,将测试者产生的离子电流转化为测量设备能够检测到的电子电流。
所述预处理模块用于消除噪音,其将采集到的信号进行小波变换,得到小波系数,然后在小波变换域上利用信号与噪音的不同性质,对高频系数进行限值化处理,再对去噪效果进行衡量利,用重构算法重构信号。
所述限值化处理包括将信号的绝对值与限值进行比较,小于或等于限值的点变为0,大于该值的点变为该点值与限值的差值。
所述特征提取包括如下步骤:
1、对两个通道各自提取至少10个特征值,组成相对应的特征矩阵,用伯格算法估计采集值的4阶AR模型,将得到的模型参数作为特征;
2、计算功率谱的四个特征,包括功率谱的峰值、功率谱的峰值对应的频率、每个采集值信号段10-12Hz的信号能量值E以及功率谱的一阶谱矩,其中信号能量值E计算如下:
3、估计脑电信号的双谱,计算与其相关的4个特征即双谱的峰值、双谱的峰值所在的频率横坐标、双谱的峰值所在的频率纵坐标、双谱的对角切片的一阶谱矩。
所述分类识别模块包括采用梯度进行分类,具体包括给定一个训练集,训练集中包括数据点和相应的标识,定义对数递归模型中的伯努利对数似然函数,建立对数递归模型,不断地最大化对数递归模型,得到弱分类器的权值,对多个弱分类器进行迭代获得一个强分类器,由此得到一个新的对数递归值,再计算迭代最优值,从而得到分类结果。
仿生信息输出子系统将上述分类结果通过仿生信息传输模块发送到远端AI机器人(即具有人工智能控制系统的机器人)。机器人也具有多个位置检测模块且其位置与检测人的可穿戴AI动作学习系统中设置的采集模块的检测位置一一对应,从而当人使用本发明可穿戴AI动作学习系统时,远端机器人将根据位置检测模块驱动相应机械部件,并基于上述接收到的仿生信息在其人造皮肤和表情上产生变化。
实施例二
与所述实施例一其余结构均相同,实施例二的分类识别模块包括如下分类步骤:
1、获得具有特征信息的采样信息;
2、选定一个感知函数,函数结果能够体现分类器的性能,并且感知函数的极值解对应的分类器是最佳分类器;
3、通过最优化处理,求出相应极值解,
利用相应极值解构建线性判定函数,通过线性判定函数就可以对采样信息处理得到其所属的类别。
Claims (8)
1.一种可穿戴的AI动作学习系统,其特征在于,包括多个基于可穿戴的运动神经元检测子系统以及仿生信息输出子系统。
2.根据权利要求1所述的可穿戴的AI动作学习系统,其特征在于,所述基于可穿戴的运动神经元检测子系统包括依次相连的可穿戴式信号采集模块、预处理模块、特征提取模块、分类识别模块、以及检测子系统;所述仿生信息输出子系统包括仿生信息传输模块、位置检测模块以及位置信息传输模块,所述位置检测模块用于实时检测可穿戴式信号采集模块的位置信息。
3.如权利要求2所述的可穿戴的AI动作学习系统,其特征在于,其中该可穿戴式信号采集模块将电极置于测试者皮肤表面,将测试者产生的离子电流转化为测量设备能够检测到的电子电流。
4.如权利要求2所述的可穿戴的AI动作学习系统,其特征在于,所述预处理模块用于消除噪音,其将采集到的信号进行小波变换,得到小波系数,然后在小波变换域上利用信号与噪音的不同性质,对高频系数进行限值化处理,再对去噪效果进行衡量利,用重构算法重构信号。
5.如权利要求4所述的可穿戴的AI动作学习系统,其特征在于,所述限值化处理包括将信号的绝对值与限值进行比较,小于或等于限值的点变为0,大于该值的点变为该点值与限值的差值。
6.如权利要求5所述的可穿戴的AI动作学习系统,其特征在于,所述特征提取模块包括如下步骤:
对两个通道各自提取至少10个特征值,组成相对应的特征矩阵,用伯格算法估计采集值的4阶AR模型,将得到的模型参数作为特征;
计算功率谱的四个特征,包括功率谱的峰值、功率谱的峰值对应的频率、每个采集值信号段10-12Hz的信号能量值E以及功率谱的一阶谱矩,其中信号能量值E计算如下:
估计脑电信号的双谱,计算与其相关的4个特征即双谱的峰值、双谱的峰值所在的频率横坐标、双谱的峰值所在的频率纵坐标、双谱的对角切片的一阶谱矩。
7.如权利要求6所述的可穿戴的AI动作学习系统,其特征在于,所述分类识别模块包括采用梯度进行分类,具体包括给定一个训练集,训练集中包括数据点和相应的标识,定义对数递归模型中的伯努利对数似然函数,建立对数递归模型,不断地最大化对数递归模型,得到弱分类器的权值,对多个弱分类器进行迭代获得一个强分类器,由此得到一个新的对数递归值,再计算迭代最优值,从而得到分类结果。
8.如权利要求7所述的可穿戴的AI动作学习系统,其特征在于,所述分类识别模块包括如下分类步骤:
获得具有特征信息的采样信息;
选定一个感知函数,函数结果能够体现分类器的性能,并且感知函数的极值解对应的分类器是最佳分类器;
通过最优化处理,求出相应极值解,
利用相应极值解构建线性判定函数,通过线性判定函数就可以对采样信息处理得到其所属的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810102931.0A CN108319368A (zh) | 2018-02-01 | 2018-02-01 | 一种可穿戴的ai动作学习系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810102931.0A CN108319368A (zh) | 2018-02-01 | 2018-02-01 | 一种可穿戴的ai动作学习系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108319368A true CN108319368A (zh) | 2018-07-24 |
Family
ID=62891148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810102931.0A Pending CN108319368A (zh) | 2018-02-01 | 2018-02-01 | 一种可穿戴的ai动作学习系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108319368A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109613869A (zh) * | 2018-12-18 | 2019-04-12 | 合肥昊康电器有限公司 | 一种用于仿生仪器的驱动控制电路 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103358311A (zh) * | 2012-04-01 | 2013-10-23 | 中国科学院深圳先进技术研究院 | 基于生物电信号解码的机器人操控方法及系统 |
CN105181998A (zh) * | 2015-08-03 | 2015-12-23 | 厦门市简极科技有限公司 | 一种检测投篮时手臂的semg与动作轨迹的方法 |
CN106420124A (zh) * | 2016-10-10 | 2017-02-22 | 上海电机学院 | 一种肌电控制虚拟机器人假手仿真系统的方法 |
-
2018
- 2018-02-01 CN CN201810102931.0A patent/CN108319368A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103358311A (zh) * | 2012-04-01 | 2013-10-23 | 中国科学院深圳先进技术研究院 | 基于生物电信号解码的机器人操控方法及系统 |
CN105181998A (zh) * | 2015-08-03 | 2015-12-23 | 厦门市简极科技有限公司 | 一种检测投篮时手臂的semg与动作轨迹的方法 |
CN106420124A (zh) * | 2016-10-10 | 2017-02-22 | 上海电机学院 | 一种肌电控制虚拟机器人假手仿真系统的方法 |
Non-Patent Citations (3)
Title |
---|
刘静宇: "多因素融合的绝缘子污秽度测定方法的研究与实现", 《中国优秀硕士学位论文全文数据库 工程科技‖辑》 * |
邓大新 等: "基于小波变换的信号去噪方法", 《图像 仿真 信息技术——第二届联合学术会议论文集》 * |
陈旭宁: "Visual Studio 2010与Matlab混合编程的研究及其在BCI系统中的应用", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109613869A (zh) * | 2018-12-18 | 2019-04-12 | 合肥昊康电器有限公司 | 一种用于仿生仪器的驱动控制电路 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105997064B (zh) | 一种用于人体下肢表面肌电信号的辨识方法 | |
Ai et al. | Classification of parkinsonian and essential tremor using empirical mode decomposition and support vector machine | |
CN106919956A (zh) | 基于随机森林的脑电波年龄预测系统 | |
CN107007257B (zh) | 面部不自然度的自动评级方法和装置 | |
CN105956624B (zh) | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 | |
CN104757968A (zh) | 儿童失神性癫痫发作情况的中间数据统计评价方法 | |
CN108577831B (zh) | 单导心贴数据长程监控诊断系统及其处理方法 | |
CN106725376B (zh) | 体征信号检测方法及装置 | |
CN102614061A (zh) | 基于肌音信号的人体上肢功能康复训练实现方法 | |
CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
CN110151203A (zh) | 基于多级雪崩式卷积递归网络eeg分析的疲劳驾驶识别方法 | |
CN106446762A (zh) | 一种基于稀疏表征分类算法的运动想象脑电分类处理方法 | |
CN114052744B (zh) | 基于脉冲神经网络的心电信号分类方法 | |
CN108268844A (zh) | 基于表面肌电信号的动作模式识别方法及装置 | |
Mustafa et al. | The analysis of eeg spectrogram image for brainwave balancing application using ann | |
CN107822629A (zh) | 四肢表面肌电轴的检测方法 | |
CN113951903B (zh) | 基于脑电数据测定的高速铁路调度员超负荷状态识别方法 | |
CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
CN113288168A (zh) | 一种智能可穿戴疲劳监测及预警系统 | |
CN114305452B (zh) | 一种基于脑电和领域适配的跨任务认知负荷识别方法 | |
CN113796873B (zh) | 穿戴式动态心电信号分类方法及系统 | |
CN110363177A (zh) | 一种人体生物电信号混沌特征的提取方法 | |
CN107045624A (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
CN108319368A (zh) | 一种可穿戴的ai动作学习系统 | |
CN108309240A (zh) | 一种基于可穿戴的脑部疲劳预警系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180724 |
|
RJ01 | Rejection of invention patent application after publication |