-
公开(公告)号：CN107618018B
公开(公告)日：2020-08-25
申请号：CN201711019198.8
申请日：2017-10-26
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于肌电的机械手动作速度比例控制方法；首先，通过肌电采集仪采集尺侧腕伸肌和桡侧腕屈肌的表面肌电信号，通过能量阈值法确定动作的起始位置和终止位置作为动作肌电信号，提取信号的平滑窗平均功率；用小波分析法对原始表面肌电信号进行多尺度分解，提取信号多尺度模糊熵特征，并和平均功率组成特征向量输入扩展的K最近邻模型分类器，识别手部动作，同时通过正交多项式拟合操作者与机械手动作速度，最终控制机械手以相应的速度完成相应的动作。本发明提高了人机交互的自然性和主动性，从而提高了操作的准确性和便捷性，降低了机械手操作的危险等级，使机械手可以完成相对复杂、危险的任务。
-
公开(公告)号：CN107180435B
公开(公告)日：2020-05-26
申请号：CN201710322399.9
申请日：2017-05-09
Applicant: 杭州电子科技大学
IPC: G06T7/292
Abstract: 本发明提出了一种适用于深度图像的人体目标跟踪方法。本发明首先利用人体目标深度值，基于阈值判断设计一种目标模板更新方法。其次，通过计算Kalman滤波器的预测位置与当前跟踪框的质心位置距离，判断跟踪是否受障碍物干扰而使跟踪框跳变，设计一种障碍物屏蔽方法，消除障碍物区域对跟踪的干扰。然后通过人体目标检测的方法实现再跟踪。最后基于阈值判断，设计屏蔽障碍物解除的机制，使深度相机改变视角后，解除视角改变前的障碍物区域屏蔽。本发明使得深度图像中人体目标的跟踪成功率有明显的提高。
-
公开(公告)号：CN110598728A
公开(公告)日：2019-12-20
申请号：CN201910665201.6
申请日：2019-07-23
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于图平衡正则化的半监督超限学习机分类方法。本发明通过非负权值量来平衡基于标签一致性的邻接图和基于信息结构一致性的邻接图，以此来达到图平衡，可以获得最佳图的拉普拉斯正则项来约束模型，并且认为在信息一致性图不能很好的描述样本集的结构信息时，增大标签一致性图的权重，反之则要减小相应的比例。本发明首先通过样本的标签一致性来构造训练样本间的邻接有监督图，与基于样本信息一致性的半监督图组合在一起来约束模型的输出，通过合理的调整图的比重来改变描述数据分布的能力，获得最优的邻接图后得到最佳的输出权值向量。本发明在脑电信号处理、脑机接口系统中具有广阔的应用前景。
-
公开(公告)号：CN110464343A
公开(公告)日：2019-11-19
申请号：CN201910758670.2
申请日：2019-08-16
Applicant: 杭州电子科技大学
IPC: A61B5/0476 , A61B5/0488 , A61B5/00
Abstract: 本发明涉及一种基于自主手部动作的增强型脑肌相干方法。首先，在手部自主动作过程中同步采集对应上肢EMG信号和皮层EEG信号并去噪，然后基于EMG信号的突发脉冲点对同步的EEG信号进行采样，接着用窗函数对采样的EEG信号进行移动平均处理，并再次基于EMG突发脉冲点对EEG采样，再重新组装以得到能够更好地反映肌肉运动的EEG信号。最后，使用幅度平方相干来计算上述预处理过后EEG-EMG相干估计值，分析Beta和Gamma频段中同手部自主运动的相干性，以验证该方法的可靠性。该方法的相干分析的结果不仅可以正确反映皮层和肌肉之间的耦合关系，而且可以更清晰表明在不同的手部自主运动下的EEG-EMG相干特性。
-
公开(公告)号：CN109567799A
公开(公告)日：2019-04-05
申请号：CN201811603107.X
申请日：2018-12-26
Applicant: 杭州电子科技大学
IPC: A61B5/0488 , A61B5/00
Abstract: 本发明公开了一种基于平滑小波相干性的肌电信号特征提取方法，本发明通过肌电信号采集仪采集人体相关肌肉的肌电信号，并采用带通滤波方法进行预处理，对滤波处理后的肌电信号进行小波变换，然后计算两路肌电信号的交叉小波变换，并对交叉小波变换分别进行时间轴和尺度轴上的平滑操作。最后，计算两路肌电信号的平滑小波相干系数，并使用T检验来检验不同行为之间的相关性是否存在统计学差异，得到不同肌肉组合的32级平滑小波相干系数作为特征向量。本发明使用的平滑小波相干性在特征提取方法上具有很大创新，对于后续模式识别具有较高的识别率和可靠性，可以较好地满足多模式识别任务中的特征提取要求，具有广阔的应用前景。
-
Patent Agency Ranking
公开(公告)号：CN109558911A
公开(公告)日：2019-04-02
申请号：CN201811606327.8
申请日：2018-12-26
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明提出一种基于遗传算法广义典型相关分析的肌电信号特征融合方法。获取人体做日常行为动作时四路肌电信号的平均幅值，威尔逊振幅，模糊熵，小波能量系数，由4路肌电信号各4各特征组成16维特征向量。提取16维标准样本特征向量X、训练样本特征向量Y。分别计算X,Y的类内离散度矩阵和类间离散矩阵，最后求得使广义典型相关判别准则最大的广义正则投影向量。对GCPV择优选取，得到新的GCPV将原特征投影到新空间，成为结合遗传算法的GCCA(GA-GCCA)；将原特征通过新得到的GCPV投影到新平面上，获得最终融合的肌电信号特征向量S。本发明有效地减小了维数，并在改善单调性的同时动态地选择了最佳特征向量。
-
公开(公告)号：CN105550705B
公开(公告)日：2018-11-23
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：CN107832686A
公开(公告)日：2018-03-23
申请号：CN201711013730.5
申请日：2017-10-26
Applicant: 杭州电子科技大学
CPC classification number: G06K9/00335 , G06K9/00885 , G06K9/6269
Abstract: 本发明提出了融合表面肌电和加速度信号的下肢运动模式识别方法。首先，获取人体下肢表面肌电信号、加速度信号；表面肌电信号用局部均值分解算法分解为多个乘积函数，根据表征不同动作分离性的平均欧氏距离，确定局部均值分解算法分解之后第一个乘积函数的多尺度排列熵，提取第一个乘积函数的多尺度排列熵作为表面肌电信号特征。计算不同尺度熵的重要性，确定尺度熵组成4维特征向量，并和三轴加速度的排序熵组成7维特征向量；将7维特征向量输入根据类内平均欧氏距离和类间样本分布而改进的二叉树支持向量机进行下肢运动模式识别。本发明可实现人体下肢运动意图实时、准确识别，识别结果可用于外骨骼机器人交互控制等。
-
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：CN106503733A
公开(公告)日：2017-03-15
申请号：CN201610893229.1
申请日：2016-10-13
Applicant: 杭州电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6226 , G06K9/6277
Abstract: 本发明公开了一种基于NA-MEMD和GMM聚类的有用信号识别方法。目前经验模式分解方法将多变量信号分解出若干尺度上的内蕴模式函数分量之后，如何在各个尺度上准确地识别出包含有用信息的IMF分量仍然存在依赖于先验知识、识别率较低等问题。本发明首先采用NA-MEMD算法分解多变量信号以得到不同尺度上的IMF分量，其次采用谱回归降维算法将各个尺度上的IMF分量映射到一个低维子空间以抽取出对应的低维特征向量，然后在每个尺度上采用GMM聚类算法对低维特征向量进行聚类分析，最后根据聚类结果识别出包含有用信息的IMF分量。该方法在脑电信号处理、神经数据分析中具有广阔的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
143
records
(took 0.031 seconds)
