-
公开(公告)号：CN103961091B
公开(公告)日：2017-01-11
申请号：CN201410150878.3
申请日：2014-04-15
Applicant: 杭州电子科技大学
IPC: A61B5/0476
Abstract: 本发明提出了一种基于双树复小波样本熵的运动想象脑电信号特征提取方法。首先，利用双树复小波变换将脑电信号分解在不同的频段，依据运动想象脑电信号中ERD/ERS现象，抽取有用信号的频段进行重构；然后，利用样本熵提取出脑电信号特定频段的非线性特征。本方法可以作为脑电数据信号分析中一种有效的特征处理方法，具有一定的可行性，可以获得比较高的识别率，它为BCI的特征提取提供了新的思路。
-
公开(公告)号：CN106067178A
公开(公告)日：2016-11-02
申请号：CN201610367322.9
申请日：2016-05-30
Applicant: 杭州电子科技大学
IPC: G06T7/20
Abstract: 本发明提出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。本发明首先根据肌电信号量化肌肉协同理论模型，利用非负矩阵分解算法对肌电信号进行解耦，提取独立动作的协同元；其次根据非负最小二乘算法计算相应协同元激活系数。最后，通过支持向量回归构建了映射激活系数到关节角度的激活模型，利用建立的激活模型从采集的表面肌电信号得到关节运动的连续估计。对四个关节独立和组合运动的估计实验表明，该模型能获得较高的估计精度。
-
公开(公告)号：CN105550705A
公开(公告)日：2016-05-04
申请号：CN201510922194.5
申请日：2015-12-11
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开一种改进自训练半监督学习的脑电信号识别方法。首先对采集到的EEG信号进行预处理，利用半监督extreme energy ratio算法提取标记和未标记样本的特征向量，然后利用标记样本训练支持向量机(SVM)，并对未标记样本进行预测，再选择具有高置信度的未标记样本及其对应的预测标签，加入标记样本集中，并相应地从未标记样本集中删除，依次循环迭代，最后完成对所有未标记样本的标注。本发明不仅大大减少了用户在使用BCI系统之前的训练时间，而且有效地提高了识别精度和鲁棒性。
-
公开(公告)号：CN102930284B
公开(公告)日：2015-06-17
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：CN104537382A
公开(公告)日：2015-04-22
申请号：CN201510014792.2
申请日：2015-01-12
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于遗传算法优化支持向量机的下肢肌电信号步态识别方法。本发明通过遗传算法，对支持向量机的惩罚参数和核函数参数进行优化，从而优化支持向量机性能，提高支持向量机对基于肌电信号的下肢运动步态识别效率和准确率。首先，采用小波模极大值去噪方法对采集的下肢肌电信号进行消噪处理；其次，提取消噪后肌电信号的时域特征，形成特征样本；再次，利用遗传算法优化支持向量机参数，得到误差最小的一组最优参数，并利用此参数构造分类器；最后，把特征样本集输入优化后的分类器进行步态识别。本发明操作简单，计算快速，识别率高，在人体下肢运动步态识别领域具有应用价值和广阔前景。
-
Patent Agency Ranking
公开(公告)号：CN102521505B
公开(公告)日：2014-11-26
申请号：CN201110405697.7
申请日：2011-12-08
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种用于控制意图识别的脑电和眼电信号决策融合方法。本发明方法首先提取预处理后EEG的相对小波包能量作为其运动想象特征；其次提取预处理后EOG的典型变量作为其运动想象特征；然后基于EEG的运动想象特征，应用所构建的状态分类器，获取状态分类结果；基于EOG的运动想象特征，应用所构建的运动想象多类分类器，获得运动想象分类结果；最后利用基于EEG信号获得的状态分类结果，及基于EOG获得的运动想象分类结果进行决策融合，获得运动想象所表征控制意图的识别结果。本发明能有效解决与控制意图无关的眼动对控制意图识别结果造成的干扰，可提高运动想象识别的准确率和控制意图信息的可靠性。
-
公开(公告)号：CN103054585B
公开(公告)日：2014-11-05
申请号：CN201310022821.0
申请日：2013-01-21
Applicant: 杭州电子科技大学
IPC: A61B5/11 , A61B5/0488
Abstract: 本发明提出了一种基于生物运动信息的上肢肩肘腕关节运动功能评价方法。本发明首先选择加速度信号和肌电信号作为上肢运动的生物运动信息。然后对加速度信号和肌电信号进行特征提取。在此基础上，从两方面对特征值进行筛选：针对不同类型的动作和针对执行动作能力的不同，根据信号特征的典型性和可区分性对特征进行筛选。最后利用两类信号的不同优势，将两类信号的特征值进行组合。以简式Fugl-Meyer评分值为标准，构建线性回归模型，进行多元信号特征的优化组合，以此作为上肢肩肘腕关节运动功能评价指标。本发明不仅可以进行在线的实时信息提取和评分检测，还能取代传统的上肢运动功能评价方法，更细致地对上肢运动功能进行量化评分。
-
公开(公告)号：CN103610466A
公开(公告)日：2014-03-05
申请号：CN201310492522.3
申请日：2013-10-17
Applicant: 杭州电子科技大学
IPC: A61B5/11 , A61B5/0488
Abstract: 本发明提出了一种基于EMD排列组合熵的肌电信号跌倒识别方法。本发明首先从相关肌肉组上采集相应的表面肌电信号，然后运用能量阈值确定sEMG的动作信号进行经验模态分解，依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的内蕴模式函数分量进行迭加作为肌电信号，求取排列组合熵作为特征向量输入主轴核聚类分类器，完成对跌倒模式的识别，为跌倒的识别开辟了一个新思路。本发明运用频率有效度的方法选取经验模态分解的若干IMF分量作为肌电信号要好于原肌电信号，EMD排列组合熵的方法要好于直接排列组合熵方法、EMD近似熵方法和近似熵方法。根据特征分布的特点，采用主轴核聚类分类器的效果也更为理想。
-
公开(公告)号：CN103258215A
公开(公告)日：2013-08-21
申请号：CN201310172234.X
申请日：2013-05-10
Applicant: 杭州电子科技大学
IPC: G06K9/66 , A61B5/0476
Abstract: 本发明涉及一种多导联间相关性分析的脑电特征提取方法。在多类运动想象任务识别中，有效提取被特定运动想象任务激活脑区的脑电信号特征，是提高识别率的关键问题之一。本发明首先采集多导联运动想象脑电信号，其次对各导联脑电信号两两之间的相关系数以获得相关系数矩阵，然后计算相关系数矩阵的行方差与所有行的方差和之间的比值及其自然对数，将所得结果作为脑电信号的特征向量，最后将特征向量输入分类器完成多类运动想象任务的分类识别。本发明提出的方法不但可以完整提取被特定运动想象任务同时激活的多个脑区上的脑电信号特征，很大程度上降低脑电信号的个体差异性对特征参数的影响，而且可以克服电极选取不足的问题。
-
公开(公告)号：CN101732110B
公开(公告)日：2012-11-07
申请号：CN200910154611.0
申请日：2009-11-19
Applicant: 杭州电子科技大学
IPC: A61F2/72
Abstract: 本发明涉及用于手部动作识别的脑电和肌电信号混沌特征融合方法。现有的方法识别率不高。本发明方法从混沌动力学系统角度提取脑电与肌电对应相应手部动作时混沌特征的两个参数：最大Lyapunov指数和关联维数，融合归一化后输入SVM分类器实现对手部动作的识别，具体包括三个步骤：(1)提取消噪后脑电和肌电信号混沌特征的最大Lyapunov指数和关联维数；(2)脑电和肌电信号特征参数融合和归一化处理；(3)采用支持向量机方法，得到手部动作分类识别的结果。本发明方法从混沌动力学系统角度对脑电和肌电信号进行了分析，提取了描述了对应手部动作混沌特征的特征参数，实现了对手部动作的识别，提高了识别率，为实际的应用提供了途径。
-
-
-
-
-
-
-
-
-
Search Results
143
records
(took 0.037 seconds)
