首页 > 文献资料
-
基于能量特征的脑电信号上肢运动意图智能识别
传统的对运动员上肢运动意图识别方法,没有对采集获得的大量脑电信号进行平滑滤波,存在较多毛刺干扰,导致识别准确率和识别率不高.我们提出一种基于能量特征的脑电信号上肢运动意图智能识别方法,采用快速傅里叶变换方法对采集获得的运动障碍患者脑电信号进行频率分析,获得患者脑电信号中的μ波和β波频率分布规律,找到脑电信号噪声所在频段;并采用Daubechies小波将患者脑电信号进行3阶分解,将患者脑电信号中低频部分的小波系数进行归零处理后,再进行脑电信号重构,即可消除低频脑电信号中的噪声干扰;在此基础上,采用小波包系数分析患者脑电能量,实现患者脑电信号能量特征提取;基于脑电信号能量特征,采用马氏距离判别方法对上肢运动意图进行智能识别.实验结果显示,所提方法能够去除原始脑电信号中的"毛刺"干扰,平均识别率结果为88.6%,识别准确率和识别率较高.
-
基于虚拟现实的肌电-计算机接口技术
表面肌电信号(surface EMG, sEMG)是人体产生的一种生物电信号,它蕴含信息丰富并且与肌肉活动和运动状态之间存在着很大的关联,可以用来识别运动意图和利用肌电反馈评估肌肉功能状态.目前,随着虚拟现实技术的发展,研究人员也逐渐将sEMG的应用与虚拟现实相结合.本研究总结了肌电-计算机接口的发展现状及其在虚拟现实中的应用.后,探讨了基于虚拟现实的肌电-计算机接口目前存在的技术难点,并对其未来发展进行了展望.
-
运动意图的偏小二乘解码研究
由于大脑信息编码的稀疏特性,微电极阵列记录的神经元集群信号中包含大量的噪声和冗余信息,这降低了运动意图解码的稳定性和精确度.针对这一问题,本文将偏小二乘(PLS)特征提取应用于神经元集群解码中,首先采用PLS提取神经元集群锋电位发放特征,然后用支持向量机(SVM)对提取的特征进行分类,解码得到运动意图.采集三组鸽子十字迷宫转向实验中的大脑神经元集群信号进行解码,结果表明,PLS结合分类模型的解码方法克服了PLS回归易受噪声累积影响的缺点,稳定性和解码正确率均更高,相比传统的降维方法,PLS提取特征个数更少,包含有用信息更多,三组实测数据的解码正确率分别为93.59％、84.00％和83.59％.
