-
公开(公告)号：CN107622260A
公开(公告)日：2018-01-23
申请号：CN201711013763.X
申请日：2017-10-26
Applicant: 杭州电子科技大学
Abstract: 本发明提出了一种基于多源生物信号的下肢步态相识别方法。本发明首先获取人体下肢表面肌电信号、足底压力特征值和膝关节角度特征值。其次，将sEMG信号进行小波包分解提取多尺度能量和多尺度模糊熵特征；然后，对提取的sEMG信号特征值采用主成分分析(PCA)方法降维处理后与足底压力特征值和膝关节能量特征值构成一组特征向量。最后，将特征向量输入粒子群优化最小二乘支持向量机(PSO-LSSVM)实现对人体下肢步态相识别。本发明合可实现人体下肢步态相高识别率，识别算法可用于设计各种辅助康复设备，智能假肢，行走辅助装置等。
-
公开(公告)号：CN104573630B
公开(公告)日：2017-09-19
申请号：CN201410738486.9
申请日：2014-12-05
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种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。EEG信号具有高度非平稳性、时变性和个体差异性，容易随时间产生不同程度的波动，而现有的多数脑电信号分类方法自适应能力较差。本发明建立了双支持向量机概率输出模型，在此基础上引入增量学习方法，实现了多类脑电模式的在线识别。先建立双支持向量机初始分类模型，通过Sigmoid概率输出建模方法求得EEG信号属于各个类别的概率，并将该信号归为概率最大的类别，然后引用增量学习方法将满足一定条件的EEG信号加入到训练集中来更新分类模型，以最新的分类模型对信号进行识别。本发明方法不仅减少训练时间，提高分类速度，而且具有较好的自适应能力。
-
公开(公告)号：CN103610461B
公开(公告)日：2016-03-02
申请号：CN201310492498.3
申请日：2013-10-17
Applicant: 杭州电子科技大学
IPC: A61B5/0476
Abstract: 本发明涉及一种基于双密度小波邻域相关阈值处理的脑电信号消噪方法。当前大都采用经典离散小波变换结合传统阈值法对脑电信号进行消噪，而已有的基于经典小波变换结合传统阈值法的消噪方法都存在不足之处。本发明首先从大脑皮层上采集脑电信号，然后用双密度小波正变换对脑电信号进行分解，得到多层的信号高频系数，根据小波系数的局部统计依赖性，运用邻域相关阈值处理算法进行收缩，最后将收缩后的小波系数进行重构得到消噪后的信号。本发明根据脑电信号特性和干扰噪声特点，以信噪比为目标函数，采用网格寻优法对邻域相关阈值处理算法中的三个可调参数进行寻优，进而有效地平滑噪声并保留EEG的细节特征。
-
公开(公告)号：CN104107042A
公开(公告)日：2014-10-22
申请号：CN201410326582.2
申请日：2014-07-10
Applicant: 杭州电子科技大学
IPC: A61B5/0488 , A61B5/11
Abstract: 本发明涉及一种基于粒子群优化-支持向量机的肌电信号步态识别方法。本发明利用粒子群优化算法，优化支持向量机的惩罚参数和核函数参数，从而优化支持向量机的性能，实现有效识别分类。首先对采集的下肢肌电信号进行小波模极大值去噪；其次对消噪后的肌电信号提取时域特征，得到特征样本；然后利用利用粒子群优化算法进行支持向量机的参数优化，得到误差最小的一组最优参数，构造分类器；最后将肌电信号特征样本集输入分类器随对步行状态进行分类识别。本发明方法兼顾分类的准确性和自适应性，计算过程简单、高效，在下肢运动状态识别领域具有广阔的应用前景。
-
公开(公告)号：CN103778414A
公开(公告)日：2014-05-07
申请号：CN201410023333.6
申请日：2014-01-17
Applicant: 杭州电子科技大学
IPC: G06K9/00
Abstract: 本发明提出了一种基于深度神经网络和邻近元分析的实时人脸识别方法。本发明首先利用多样性较好的大规模人脸库训练出一种多层神经网络，其中除最后一层外的每层为非线性层，尾层为线性层；然后利用有监督的邻近元分析的方法在混合人脸库的基础上继续训练得到的网络，使得网络对于人脸图像的理解加深，达到缩短同一个体间人脸图像距离、增大不同个体间人脸图像距离的目的，最后在实际的人脸识别阶段，本发明提出了一种“搜索半径”的概念，在确保识别率的前提下，缩短了识别所需时间，实现了实时的人脸识别。本发明的识别正确率较高，同时，本发明的识别速度较快，适合应用于实时人脸识别任务中。
-
Patent Agency Ranking
公开(公告)号：CN103610461A
公开(公告)日：2014-03-05
申请号：CN201310492498.3
申请日：2013-10-17
Applicant: 杭州电子科技大学
IPC: A61B5/0476
Abstract: 本发明涉及一种基于双密度小波邻域相关阈值处理的脑电信号消噪方法。当前大都采用经典离散小波变换结合传统阈值法对脑电信号进行消噪，而已有的基于经典小波变换结合传统阈值法的消噪方法都存在不足之处。本发明首先从大脑皮层上采集脑电信号，然后用双密度小波正变换对脑电信号进行分解，得到多层的信号高频系数，根据小波系数的局部统计依赖性，运用邻域相关阈值处理算法进行收缩，最后将收缩后的小波系数进行重构得到消噪后的信号。本发明根据脑电信号特性和干扰噪声特点，以信噪比为目标函数，采用网格寻优法对邻域相关阈值处理算法中的三个可调参数进行寻优，进而有效地平滑噪声并保留EEG的细节特征。
-
公开(公告)号：CN103349595A
公开(公告)日：2013-10-16
申请号：CN201310301467.5
申请日：2013-07-16
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种多模式分层控制的脑机接口智能轮椅，包括脑电信号采集模块、脑电信号处理模块、运动控制模块和电动轮椅。本发明从多模式分层控制的角度，采集表达控制意图的运动想象思维活动所引发的EEG信号，使体现人体运动控制意愿的想象左右手和反映选择控制行为的睁闭眼相结合，提高了控制系统的信息传输率和控制信息的可靠性。把经过放大滤波的脑电信号输入到信号处理模块进行消噪、特征提取、分类，将操纵者的运动意愿通过指令发送到控制模块，实现电动轮椅的前进、左转、右转、后退、停止、加速、减速的运动。本发明能够满足实际轮椅控制运行的需要，能够实现速度的控制，在医疗康复训练、残障人服务等方面有价值。
-
公开(公告)号：CN102930284A
公开(公告)日：2013-02-13
申请号：CN201210337353.1
申请日：2012-09-13
Applicant: 杭州电子科技大学
IPC: G06K9/62 , A61B5/0488
Abstract: 本发明涉及一种基于经验模态分解和分形的表面肌电信号模式识别方法。现有的方法大都采用单分形理论，对肌电信号仅做整体的奇异性评价，而没有研究信号的局部奇异性特征。本发明首先从相关肌肉组上采集相应的表面肌电信号，然后用经验模态分解的方法提取肌电信号的多层内在模态函数，利用多重分形分析的方法提取各层内在模态函数上的广义维数谱。最后，以各层模态函数上的广义维数谱作为模式识别的特征向量，以支持向量机为分类器实现多运动模式的分类与识别。本发明提出利用多重分形分析的方法提取各层内在模态函数上的广义维数谱作为表面肌电信号的特征，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。
-
公开(公告)号：CN101497196B
公开(公告)日：2010-06-23
申请号：CN200910096414.8
申请日：2009-03-02
Applicant: 杭州电子科技大学
IPC: B25J7/00
Abstract: 本发明涉及平动匀速夹紧机械手爪。现有技术外形尺寸大、控制复杂度高。本发明包括步进电机、固定套筒、十字连杆和四个手指。十字连杆设置在固定套筒内，四个端部伸出导向槽设置，步进电机通过丝杆螺母运动副与十字连杆连接。四个手指分别与十字连杆的四个端部连接。手指包括指尖、限位连杆、移动连杆、斜撑架。移动连杆中的第二移动杆具有延伸部分，延伸部分为弧形，开有弧形滑槽，斜撑架上的固定销与弧形滑槽位置配合，弧形延伸部分利用弧形滑槽沿固定销移动。本发明采用单电机驱动，手爪的四个手指沿中心轴对称，当驱动电机匀速转动时，手爪指尖的夹紧或张开速度是均匀平动，有利于指尖与目标物体的接触与手爪对目标物体的整体抓握。
-
公开(公告)号：CN101036601A
公开(公告)日：2007-09-19
申请号：CN200710068219.5
申请日：2007-04-24
Applicant: 杭州电子科技大学
Abstract: 本发明涉及到一种将肌电信息控制人工假手的技术。现有的多自由度假手采用顺序控制方式或开关切换方式实现控制，缺乏实时性、仿生性能差。本发明包括三个肌电拾电传感器，肌电拾电传感器与后级放大滤波电路、A/D转换电路、单片机和二自由度肌电假手的两个电机顺序信号连接。具体控制方法：三个肌电拾电传感器分别采集来自人体的尺侧腕伸肌、尺侧腕屈肌和指伸肌对应的表面肌电信号，经过放大、滤波、A/D转换处理后输入单片机中；单片机对表面肌电信号强弱进行判断，并输出四路控制信号，经驱动电路带动假手的电机，完成假手的四个动作。本发明的手部多运动模式识别正确率达到100％，实现了高可靠识别率下二自由度假手四个动作的实时控制。
-
-
-
-
-
-
-
-
-
Search Results
204
records
(took 0.049 seconds)
