CN112205990A - 一种基于sEMG的不同负载下手腕角度预测方法及装置 - Google Patents
一种基于sEMG的不同负载下手腕角度预测方法及装置 Download PDFInfo
- Publication number
- CN112205990A CN112205990A CN202010931530.3A CN202010931530A CN112205990A CN 112205990 A CN112205990 A CN 112205990A CN 202010931530 A CN202010931530 A CN 202010931530A CN 112205990 A CN112205990 A CN 112205990A
- Authority
- CN
- China
- Prior art keywords
- signal
- wavelet
- filtering
- wrist
- angle
- 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.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于sEMG的不同负载下手腕角度预测方法及装置,本发明首先采集手腕表面肌电信号以及手腕角度;通过梳状滤波器以及小波滤波对信号进行预处理,得到最优的表面肌电信号以及角度信号;提取手腕表面肌电信号的时域特征以及频域特征,分析两种特征性质并对其进行特征组合,得到最优的特征组合方式;利用PCA降维技术对组合特征进行处理,去除冗余特征,并进行信号同步化定位,完成信号的归一化处理;最后将得到的特征输入到经过遗传算法优化的极限学习机网络中,得到手腕角度的预测结果。本发明充分考虑时域和频域特征来实现特征组合,可以在复杂的坏境下准确读取手腕信息,实现人机交互识别。
Description
技术领域
本发明涉及信号处理与人工智能交互领域,特别涉及一种基于sEMG的不同负载下手腕角度预测方法。
背景技术
在表面肌电信号(Surface Electromyography,sEMG)模式识别领域中,目前研究大部分聚焦在不同肢体的静态模式定性识别,针对肢体特定的任务动作。但是在实际应用过程中,除了需要知道肢体的动作外,还需要了解负载强度的变化以及关节角度运动位置信息,传统的静态定性模式识别无法调整运动幅度以及负载强度,从而无法对关节角度进行精准预测。
鉴于此需要一种手腕关节角度预测的有效方法,克服关节角度变化以及负载变化带来的影响,提高角度预测的准确性。
发明内容
本发明针对现有技术中存在的技术问题,提供一种基于sEMG的不同负载下手腕角度预测方法,充分利用不同特征之间的差异,综合考虑每一种特征的优缺点,完成最优的特征组合,可以实现复杂环境下的角度预测。
本发明解决上述技术问题的技术方案如下:
第一方面,本发明提供一种基于sEMG的不同负载下手腕角度预测方法,包括以下步骤:
S1,通过表面肌电采集仪采集原始手腕表面肌电信号,并通过角度传感器采集相应的角度信息;
S2,对表面肌电信号以及角度信号进行工频噪声滤波处理,在工频滤波的基础上,运用小波滤波算法对整个频段信号进行滤波处理;
S3,通过对时域以及频域特征进行过滤处理,构建具有最大相关性的肌电特征集;利用主成分分析算法对特征组合信号进行降维处理,去除冗余通道特征,并进行信号同步化定位和归一化处理,得到最佳肌电特征组合;
S4,将所述最佳肌电特征组合输入到遗传算法优化的极限学习机网络模型中,预测手腕角度变化。
第二方面,本发明提供一种基于sEMG的不同负载下手腕角度预测装置,包括:
信号采集模块,通过表面肌电采集仪采集原始手腕表面肌电信号,并通过角度传感器采集相应的角度信息;
滤波模块,对表面肌电信号以及角度信号进行工频噪声滤波处理,在工频滤波的基础上,运用小波滤波算法对整个频段信号进行滤波处理;
特征组合构建模块,通过对时域以及频域特征进行过滤处理,构建具有最大相关性的肌电特征集;利用主成分分析算法对特征组合信号进行降维处理,去除冗余通道特征,并进行信号同步化定位和归一化处理,得到最佳肌电特征组合;
预测模块,将所述最佳肌电特征组合输入到遗传算法优化的极限学习机网络模型中,预测手腕角度变化。
第三方面,本发明提供一种电子设备,包括:
存储器,用于存储计算机软件程序;
处理器,用于读取并执行所述存储器中存储的计算机软件程序,从而实现本发明第一方面所述的一种基于sEMG的不同负载下手腕角度预测方法。
第四方面,本发明提供一种非暂态计算机可读存储介质,该存储介质中存储有用于实现本发明第一方面所述的一种基于sEMG的不同负载下手腕角度预测方法的计算机软件程序。
本发明的有益效果是:通过梳状滤波器消除工频噪声,并建立信噪比系数评价模型,利用小波滤波算法对整个信号段数据进行信号降噪,然后根据时域和频域特征的优缺点,组合最优特征,充分考虑不同的特征提取方式,运用遗传算法对极限学习机网络进行优化,提高手腕角度预测准确率。
附图说明
图1为本发明一实施例中基于sEMG的不同负载下手腕角度预测方法的流程图;
图2为本发明一实施例中基于sEMG的不同负载下手腕角度预测方法的梳状滤波器幅值曲线响应图;
图3为本发明一实施例中基于sEMG的不同负载下手腕角度预测方法的梳状滤波器频域曲线响应图;
图4为本发明一实施例中基于sEMG的不同负载下手腕角度预测方法的小波滤波流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例1
本发明揭示了一种基于sEMG的不同负载下手腕角度预测方法,图1所示为本发明一实施例中基于sEMG的不同负载下手腕角度预测方法的流程图,在本发明中,所述方法包括:
步骤S1:通过表面肌电采集仪采集原始手腕表面肌电信号,并通过角度传感器采集相应的手腕角度信息。
本发明实施例中采用肌电采集仪和角度传感器采集数据信号,但是这些信号不能直接输入到网络训练模型中,必须先对信号进行处理以及特征提取。
步骤S2:设计一个梳状滤波器对表面肌电信号以及角度信号进行工频噪声滤波处理,消除50HZ及其整数倍频率出噪声;然后建立信噪比系数评价模型,利用小波滤波算法对整个信号段数据进行信号降噪,实现表面肌电信号的优化处理。
具体步骤如下:
步骤S21:由于表面肌电信号十分微弱,在信号采集过程会受到大量噪声干扰,其中工频噪声干扰最大,设计梳状滤波器对50HZ工频噪声及其整数倍的频率进行滤波。首先获取表面肌电信号采集仪的采集频率,然后根据采集频率设计多阶梳状滤波器对表面肌电信号以及角度信号进行工频噪声滤波处理,所述多阶梳状滤波器的阶数=表面肌电信号采集仪的采集频率/50Hz。
在本实施例中,原始采样频率即表面肌电信号采集仪的采集频率为1000HZ。由于工频噪声一般在50Hz及其倍频处,因此要全部消除这些干扰滤波器阶数必须等于1000/50=20,设计了一个20阶的梳状滤波器。同时应注意的是,如果采样频率发生改变,则多阶梳状滤波器的阶数也随之发生改变。
图2为本发明一实施例中基于sEMG的不同负载下手腕角度预测方法的梳状滤波器幅值曲线响应图。图3为本发明一实施例中基于sEMG的不同负载下手腕角度预测方法的梳状滤波器频域曲线响应图。
步骤S22:在步骤S21工频滤波的基础上,运用小波滤波算法对整个频率段信号进行处理,根据实际信号特征,分别挑选合适的小波基函数、阈值函数以及阈值。图4为本发明一实施例中基于sEMG的不同负载下手腕角度预测方法的小波滤波流程图。
小波基函数需要满足正交性、紧支性、对称性、正则性以及高阶消失矩,但是同时满足这五种情况的小波基函数并不存在,因此需要根据实际的信号特征来选取最为合适的小波基函数。目前最为常用的小波基函数主要有Haar小波、dbN小波、symN小波、coifN小波等。
对于一个给定的阈值λ,先求出其似然估计,然后把似然函数最小化,这样就可以得到新的阈值。
将小波滤波算法中分解得到的小波系数w的平方a按照由小到大的顺序排列,得到一个新的向量NV:NV=[a1,a2,...,an],a1≤a2≤...≤an;
对于向量NV的每个元素的下标k,1≤k≤n,按下式计算风险向量Risk(k):
求出风险向量Risk(k)的最小点所对应的下标k,然后根据下式计算阈值λ:
阈值函数主要关系到重构小波信号的连续性以及精度,是小波去噪过程中非常重要的一个环节。最为常用的阈值函数主要有硬阈值和软阈值,硬阈值主要是将小波系数的绝对值进行比较。
w为小波系数;wλ为针对阈值λ修正后的小波系数。当小波系数的绝对值大于等于给定阈值时,小波系数保持不变,如果其绝对值小于给定阈值,小波系数就变为0。
利用信噪比增益来对小波滤波效果进行评价,降噪效果与信噪比成正相关。信号的信噪比SNR越高,则证明滤波后的信号越接近于原始信号,降噪效果越好。
信噪比SNR计算方法如下:
式中,xi表示经过小波滤波后的信号,yi表示原始噪声信号。
步骤S3:通过对时域以及频域特征进行逐步过滤处理,构建具有最大相关性的肌电特征集。引入主成分分析算法对特征组合信号进行降维处理,去除冗余通道特征,并进行信号同步化定位和归一化处理,得到最佳肌电特征组合。
对信号进行时间域的统计运算得到一系列参量作为信号的时域特征,如均方根值、波形长度、绝对平均值、集成肌电值、信号能量。
均方根RMS是一种十分普遍的数学统计方式,在表面肌电信号特征中它可以用来表现信号的能量强弱,对肌肉力变化十分敏感,可以用来判断肌肉中力的大小,同时对手腕运动的时间进行判断。均方根值可在时间维度上反映肌电信号振幅的变化特征,它直接与肌电信号的电功率有关取决于肌肉负荷性因素和肌肉本身的生理、生化过程之间的联系。
式中,N代表样本数据个数,xi代表肌电信号值;
频域分析是从频率角度分析表面肌电信号特征,频域特征分析能够清晰的确定肌电信号不同频段信号的分布情况,通过傅里叶变换可以快速的将时域信号变换成频域中的功率谱或频谱,这一类特征可以在频率方面对表面肌电信号进行反应。傅里叶变换可以快速的将时域信号变换成频域中的功率谱或频谱,提取的频域特征主要包括:中值频率、均值频率、信号高低频比率、功率谱峰值功率、总功率。本发明主要是采用频域分析的方式即从频率角度分析表面肌电信号特征,频域特征分析能够清晰的确定肌电信号不同频段信号的分布情况,主要提取的频域特征是MDF(中值频率)。
式中,Pj表示频带处的肌电信号功率谱,M表示频带长度;
融合均方根和中值频率得到具有最大相关性的肌电特征集feature={RMS,MDF}。
利用两种不同的特征进行组合,综合时域和频域特征的优点,采用主成分分析对组合特征进行降维处理。主成分分析法Principal Component Analysis(PCA),一种数据降维算法,在不损失信号的质量情况下,能够从冗余特征中提取信号的主要特征,将数据从高维降低到低维,能够有效的加快模型的训练速度。
步骤S4:将组合的特征数据输入到遗传算法优化的极限学习机网络模型中,预测手腕角度的变化。
我们假设f(x,y)是随机变量x和y的联合概率密度函数,X是x的观测值,即为实际的手腕角度,y为关于X的回归,条件均值如下式所示:
综上所述,本发明提出的基于sEMG的不同负载下手腕角度预测方法,充分利用不同特征之间的差异,综合考虑每一种特征的优缺点,完成最优的特征组合,可以实现复杂环境下的角度预测,实现人机交互识别。
实施例2
本发明实施例提供一种基于sEMG的不同负载下手腕角度预测装置,包括:
信号采集模块,通过表面肌电采集仪采集原始手腕表面肌电信号,并通过角度传感器采集相应的角度信息;
滤波模块,对表面肌电信号以及角度信号进行工频噪声滤波处理,在工频滤波的基础上,运用小波滤波算法对整个频段信号进行滤波处理;
特征组合构建模块,通过对时域以及频域特征进行过滤处理,构建具有最大相关性的肌电特征集;利用主成分分析算法对特征组合信号进行降维处理,去除冗余通道特征,得到最佳肌电特征组合;
预测模块,将所述最佳肌电特征组合输入到遗传算法优化的极限学习机网络模型中,预测手腕角度变化。
需要说明的是,实施例一中所述的方法可以通过计算机软件程序实现,基于此,本发明实施例还提供一种电子设备,包括:
存储器,用于存储计算机软件程序;
处理器,用于读取并执行所述存储器中存储的计算机软件程序,从而实现本发明实施例1所述的一种基于sEMG的不同负载下手腕角度预测方法。
同时还需说明的是,计算机软件程序中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于sEMG的不同负载下手腕角度预测方法,其特征在于,包括以下步骤:
S1,通过表面肌电采集仪采集原始手腕表面肌电信号,并通过角度传感器采集相应的角度信息;
S2,对表面肌电信号以及角度信号进行工频噪声滤波处理,在工频滤波的基础上,运用小波滤波算法对整个频段信号进行滤波处理;
S3,通过对时域以及频域特征进行过滤处理,构建具有最大相关性的肌电特征集;利用主成分分析算法对特征组合信号进行降维处理,去除冗余通道特征,并进行信号同步化定位和归一化处理,得到最佳肌电特征组合;
S4,将所述最佳肌电特征组合输入到遗传算法优化的极限学习机网络模型中,预测手腕角度变化。
2.根据权利要求1所述的方法,其特征在于,所述的对表面肌电信号以及角度信号进行工频噪声滤波处理,包括:
获取表面肌电信号采集仪的采集频率;
设计多阶梳状滤波器对表面肌电信号以及角度信号进行工频噪声滤波处理,所述多阶梳状滤波器的阶数=表面肌电信号采集仪的采集频率/50Hz。
3.根据权利要求1或2所述的方法,其特征在于,所述的在工频滤波的基础上,运用小波滤波算法对整个频段信号进行滤波处理,包括:根据实际信号特征,分别选取合适的小波基函数、阈值函数以及阈值;其中,所述的小波基函数包括Haar小波、dbN小波、symN小波、coifN小波;
将小波滤波算法中分解得到的小波系数w的平方a按照由小到大的顺序排列,得到一个新的向量NV:NV=[a1,a2,...,an],a1≤a2≤...≤an;
对于向量NV的每个元素的下标k,1≤k≤n,按下式计算风险向量Risk(k):
求出风险向量Risk(k)的最小点所对应的下标k,然后根据下式计算阈值λ:
利用下式对小波系数进行修正:
w为小波系数;wλ为针对阈值λ修正后的小波系数。
7.一种基于sEMG的不同负载下手腕角度预测装置,其特征在于,包括:
信号采集模块,通过表面肌电采集仪采集原始手腕表面肌电信号,并通过角度传感器采集相应的角度信息;
滤波模块,对表面肌电信号以及角度信号进行工频噪声滤波处理,在工频滤波的基础上,运用小波滤波算法对整个频段信号进行滤波处理;
特征组合构建模块,通过对时域以及频域特征进行过滤处理,构建具有最大相关性的肌电特征集;利用主成分分析算法对特征组合信号进行降维处理,去除冗余通道特征,并进行信号同步化定位和归一化处理,得到最佳肌电特征组合;
预测模块,将所述最佳肌电特征组合输入到遗传算法优化的极限学习机网络模型中,预测手腕角度变化。
8.根据权利要求6所述的装置,其特征在于,所述滤波模块包括一多阶梳状滤波器,所述多阶梳状滤波器的阶数=表面肌电信号采集仪的采集频率/50Hz
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机软件程序;
处理器,用于读取并执行所述存储器中存储的计算机软件程序,从而实现权利要求1-6任一项所述的一种基于sEMG的不同负载下手腕角度预测方法。
10.一种非暂态计算机可读存储介质,其特征在于,该存储介质中存储有用于实现权利要求1-6任一项所述的一种基于sEMG的不同负载下手腕角度预测方法的计算机软件程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010931530.3A CN112205990B (zh) | 2020-09-07 | 2020-09-07 | 一种基于sEMG的不同负载下手腕角度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010931530.3A CN112205990B (zh) | 2020-09-07 | 2020-09-07 | 一种基于sEMG的不同负载下手腕角度预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112205990A true CN112205990A (zh) | 2021-01-12 |
CN112205990B CN112205990B (zh) | 2023-07-14 |
Family
ID=74048839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010931530.3A Active CN112205990B (zh) | 2020-09-07 | 2020-09-07 | 一种基于sEMG的不同负载下手腕角度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112205990B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113997288A (zh) * | 2021-11-01 | 2022-02-01 | 武汉科技大学 | 一种求解非球腕6r工业机器人逆运动学的数值算法 |
CN116206117A (zh) * | 2023-03-03 | 2023-06-02 | 朱桂湘 | 基于编号遍历的信号处理优化系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010125287A (ja) * | 2008-12-01 | 2010-06-10 | Gifu Univ | 指関節角度推定装置 |
CN108453736A (zh) * | 2018-03-22 | 2018-08-28 | 哈尔滨工业大学 | 一种基于深度学习的多自由度同步肌电控制方法 |
US20190228533A1 (en) * | 2018-01-25 | 2019-07-25 | Ctrl-Labs Corporation | Real-time smoothing of handstate representation model estimates |
CN110639169A (zh) * | 2019-09-25 | 2020-01-03 | 燕山大学 | 基于游戏和肌电信号的cpm下肢康复训练方法及系统 |
CN110827987A (zh) * | 2019-11-06 | 2020-02-21 | 西安交通大学 | 一种多抓取模式下腕关节力矩的肌电连续预测方法及系统 |
-
2020
- 2020-09-07 CN CN202010931530.3A patent/CN112205990B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010125287A (ja) * | 2008-12-01 | 2010-06-10 | Gifu Univ | 指関節角度推定装置 |
US20190228533A1 (en) * | 2018-01-25 | 2019-07-25 | Ctrl-Labs Corporation | Real-time smoothing of handstate representation model estimates |
CN108453736A (zh) * | 2018-03-22 | 2018-08-28 | 哈尔滨工业大学 | 一种基于深度学习的多自由度同步肌电控制方法 |
CN110639169A (zh) * | 2019-09-25 | 2020-01-03 | 燕山大学 | 基于游戏和肌电信号的cpm下肢康复训练方法及系统 |
CN110827987A (zh) * | 2019-11-06 | 2020-02-21 | 西安交通大学 | 一种多抓取模式下腕关节力矩的肌电连续预测方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113997288A (zh) * | 2021-11-01 | 2022-02-01 | 武汉科技大学 | 一种求解非球腕6r工业机器人逆运动学的数值算法 |
CN113997288B (zh) * | 2021-11-01 | 2023-11-21 | 武汉科技大学 | 一种求解非球腕6r工业机器人逆运动学的数值算法 |
CN116206117A (zh) * | 2023-03-03 | 2023-06-02 | 朱桂湘 | 基于编号遍历的信号处理优化系统及方法 |
CN116206117B (zh) * | 2023-03-03 | 2023-12-01 | 北京全网智数科技有限公司 | 基于编号遍历的信号处理优化系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112205990B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Phinyomark et al. | Feature reduction and selection for EMG signal classification | |
CN109598222B (zh) | 基于eemd数据增强的小波神经网络运动想象脑电分类方法 | |
CN113191225B (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
Boashash et al. | A review of time–frequency matched filter design with application to seizure detection in multichannel newborn EEG | |
Bhagwat et al. | Electromyogram (EMG) based fingers movement recognition using sparse filtering of wavelet packet coefficients | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN112205990B (zh) | 一种基于sEMG的不同负载下手腕角度预测方法及装置 | |
CN110543831A (zh) | 一种基于卷积神经网络的脑纹识别方法 | |
Ren et al. | MUAP extraction and classification based on wavelet transform and ICA for EMG decomposition | |
Aly et al. | Bio-signal based motion control system using deep learning models: a deep learning approach for motion classification using EEG and EMG signal fusion | |
Phinyomark et al. | EMG feature extraction for tolerance of white Gaussian noise | |
Sharathappriyaa et al. | Auto-encoder based automated epilepsy diagnosis | |
CN115414051A (zh) | 一种脑电信号自适应窗口的情绪分类识别方法 | |
Tigga et al. | Efficacy of novel attention-based gated recurrent units transformer for depression detection using electroencephalogram signals | |
Jose et al. | DWT-based electromyogram signal classification using maximum likelihood-estimated features for neurodiagnostic applications | |
Wang et al. | A novel rolling bearing fault diagnosis method based on adaptive denoising convolutional neural network under noise background | |
Ison et al. | Beyond user-specificity for emg decoding using multiresolution muscle synergy analysis | |
CN113749658A (zh) | 基于集成学习的心肺耦合抑郁状态识别方法及系统 | |
CN116898455B (zh) | 一种基于深度学习模型的睡眠脑电信号检测方法及系统 | |
CN113128384A (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
Azami et al. | Automatic signal segmentation using the fractal dimension and weighted moving average filter | |
CN111887811A (zh) | 基于脑电信号特征的大脑异常放电检测方法及系统 | |
CN116350233A (zh) | 一种基于自编码器的心电信号质量评估方法 | |
CN113925495B (zh) | 结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 | |
Wang et al. | A novel approach for the pattern recognition of hand movements based on EMG and VPMCD |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |