基于表面肌电信号的人体动作识别算法研究进展

表面肌电信号(Surface Electromyography,sEMG)是通过相应肌群表面的传感器记录下来的一维时间序列非平稳生物电信号,不但反映了神经肌肉系统活动,对于反映相应动作肢体活动信息同样重要。而模式识别是肌电应用领域的基础和关键。为了在应用基于表面肌电信号模式识别中选取合适算法,本文拟对基于表面肌电信号的人体动作识别算法进行回顾分析,主要包括模糊模式识别算法、线性判别分析算法、人工神经网络算法和支持向量机算法。模糊模式识别能自适应提取模糊规则,对初始化规则不敏感,适合处理s EMG这样具有严格不重复的生物电信号;线性判别分析对数据进行降维,计算简单,但不适合大数据;人工神经网络可以同时描述训练样本输入输出的线性关系和非线性映射关系,可以解决复杂的分类问题,学习能力强;支持向量机处理小样本、非线性的高维数据优势明显,计算速度快。比较各方法的优缺点,为今后处理此类问题模式识别算法选取提供了参考和依据。     

一种基于支持向量机技术的癫痫脑电棘尖波识别方法

支持向量机是一种基于统计学习理论的新型学习机。文章提出一种基于支持向量机的癫痫脑电特征提取与识别方法,充分发挥其泛化能力强的特点,在与神经网络方法的比较中,表现出较低的漏检率和较好的鲁棒性,有深入研究的价值和良好的应用前景。     

基于三轴加速度传感器的跌倒检测研究

本文基于MMA7260QT加速度传感器获取的人体运动加速度信号,采用人体加速度向量幅值(SVM)和人体加速度向量区域值(SMA)描述了老年人的运动状态,检测人体跌倒,具有良好的准确性和实时性。采用bior3.3小波分析,在轮廓的基础上,最大程度上保留了细节,有效的去除噪声对特征量的干扰。本文提出了人体跌倒检测算法,大大降低了误判率和漏判率。首先,检测人体SVM是否超过阈值进行第一级跌倒检测,区别出人体日常活动(ADL)和跌倒;其次在此基础上,检测第一级各个跌倒的SMA值,是否超过阈值,判断跌倒和疑似跌倒。当两次判断都检测到跌倒发生时,报警。     

表面肌电信号的肌肉疲劳判别研究进展

肌肉在周期的收缩或静态的拉伸过程中,会渐渐进入疲劳状态,肌肉疲劳特性的研究在康复医学、运动医学领域具有重要作用。表面肌电信号是从肌肉表面通过电极记录下来的反映神经肌肉系统活动的一维时间序列非平稳生物电信号,是评价局部肌肉疲劳的有效工具。本研究从时域和频域、时频域线性方法下的测量指标和非线性方法下的指标来综述表面肌电信号的疲劳研究进展,同时比较各种方法的优缺点,并对使用表面肌电信号来判别疲劳研究做了进一步的展望。     

表面肌电信号采集与降噪处理

目的：本文以设计的表面~g（sEMG）信号采集系统为基础,探讨sEMG信号中的降噪处理问题。方法：结合sEMG信号的噪声影响情况,首先利用带通滤波器消除肌电信号频带外噪声,再通过频谱插值法来抑制工频干扰分量,最后使用小波分析方法来削弱肌电信号频带内噪声。结果：通过对检测sEMG信号的降噪处理,信号噪声得到明显抑制。结论：所设计采集系统能够获得满意的sEMG信号检测效果,所采用降噪方法能够有效提高sEMG信号的质量。     

表面肌电信号采集与降噪处理

目的:本文以设计的表面肌电(sEMG)信号采集系统为基础,探讨sEMG信号中的降噪处理问题。方法:结合sEMG信号的噪声影响情况,首先利用带通滤波器消除肌电信号频带外噪声,再通过频谱插值法来抑制工频干扰分量,最后使用小波分析方法来削弱肌电信号频带内噪声。结果:通过对检测sEMG信号的降噪处理,信号噪声得到明显抑制。结论:所设计采集系统能够获得满意的sEMG信号检测效果,所采用降噪方法能够有效提高sEMG信号的质量。     

基于支持向量机(SVM)的剪接位点识别

剪接位点的识别作为基因识别中的一个重要环节, 一直受到研究人员的关注。考虑到剪接位点附近存在的序列保守性,已有一些基于统计特性的方法被用于剪接位点的识别中,但效果仍有待进一步改进。支持向量机（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ） 作为一种新的基于统计学习理论的学习机,近几年有了很大的发展,已被应用在模式识别的许多问题中。文中将其用于剪接位点的识别中,并针对满足ＧＴ－ ＡＧ 规则的序列样本中虚假剪接位点的样本数远大于真实位点这一特性, 提出了一种基于ＳＶＭ 的平衡取小法以获得更好的识别效果。实验结果表明,应用支持向量机进行剪接位点的识别能更好地提取位点附近保守序列的统计特征,对测试集具有更好的推广能力,并且使用上更加简单。这一结果为剪接位点的识别提供了一种新的方法,同时也为生物大分子研究中结构和位点的识别问题的解决提供了新的线索。     

基于支持向量机融合网络的蛋白质折叠子识别研究

在不依赖于序列相似性的条件下,蛋白质折叠子识别是一种分析蛋白质结构的重要方法.提出了一种三层支持向量机融合网络,从蛋白质的氨基酸序列出发,对27类折叠子进行识别.融合网络使用支持向量机作为成员分类器,采用“多对多”的多类分类策略,将折叠子的6种特征分为主要特征和次要特征,构建了多个差异的融合方案,然后对这些融合方案进行动态选择得到最终决策.当分类之前难以确定哪些参与组合的特征种类能够使分类结果最好时,提供了一种可靠的解决方案来自动选择特征信息互补最大的组合,保证了最佳分类结果.最后,识别系统对独立测试样本的总分类精度达到61.04%.结果和对比表明,此方法是一种有效的折叠子识别方法.     

局部肌肉疲劳的表面肌电信号复杂度和熵变化

目的 在于探讨静态和动态疲劳性运动过程中肱二头肌和腰部脊竖肌表面肌电(surface electromyography,sEMG)信号的Lempel-Ziv复杂度和Kolmogorov熵的变化规律。18名男性大学生志愿者被随机分为肱二头肌和腰部脊竖肌运动负荷组,分别完成静态和动态疲劳运动负荷试验。运动负荷期间连续记录sEMG信号,在对运动负荷时间和重复次数进行标准化处理后,截取相应时段的sEMG信号,计算Lempel-Ziv复杂度和Kolmogorov熵,观察它们随肌肉疲劳发展的变化规律。研究结果表明,无论是静态还是动态疲劳运动条件下,被检肌肉sEMG信号的复杂度和熵均随着运动负荷时间呈现明显的单调递减型变化。该变化可能与神经系统渐进性协调众多运动单位同步收缩的‘协同效应”有关。     

肌肉动态收缩期间表面肌电信号的时频分析

介绍了用于肌肉动态收缩期间非平稳表面肌电信号的时频分析方法。用短时傅里叶变换、Wigner-Ville分布及Choi-Williams分布计算了表面肌电信号的时频分布,用于信号频率内容随时间演化的可视化观察。通过计算瞬时频谱参数,对肌肉疲劳的电表现进行量化描述。分析了反复性的膝关节弯曲和伸展运动期间从股外侧肌所记录的表面肌电信号。发现和在静态收缩过程中观察到的平均频率线性下降不同,在动态收缩期间瞬时平均频率的变化过程是非线性的并且更为复杂,且与运动的生物力学条件有关。研究表明将时频分析技术应用于动态收缩期间的表面肌电信号可以增加用传统的频谱分析技术不能得到的信息。     

基于支持向量机的民航飞行人员人格选拔分类器的探讨

目的:探究将统计学习方法应用于心理测验所得的大量数据进行学习分析的可行性,并基于探究结果对飞行职业的人格特征进行进一步探索,为飞行人员的选拔及评估提供新的思路。方法:从某航空公司随机抽取1020名男性被试,其中飞行人员510名,非飞行人员510名,采用卡特尔16项人格测试对其进行测验,施测后对得到的16项因子分采用支持向量机就随机划分的训练组和测试组进行学习,分析学习结果。结果:挑选出4项因子作为分类的特征因子,基于线性支持向量机构建的分类器在交叉验证下的平均正确率为64%。结论:采用SVM构建的分类器具有一定的可靠性和有效性。     

支持向量机与神经网络的关系研究

支持向量机是一种基于统计学习理论的新颖的机器学习方法,由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点,该方法已经广泛用于解决分类和回归问题．本文将结构风险函数应用于径向基函数网络学习中,同时讨论了支持向量回归模型和径向基函数网络之间的关系．仿真实例表明所给算法提高了径向基函数网络的泛化性能．     

基于支持向量回归的酚类化合物QSAR建模

目的：采用定量构效关系（QSAR）方法探索酚类化合物的毒性与分子结构参数的关系。方法：基于支持向量回归（SVR）、依均方误差最小原则选择最优核函数,对酚类化合物及其衍生物进行了QSAR研究。结果：不同数据集选取的最优核函数有异,对小样本、非线性等问题,SVR具有较优的稳定性及预测能力,在酚类化合物及其衍生物的QSAR研究中得到了优于原文献方法的独立预测结果。结论：SVR模型具有较好的预测能力,在QSAR及相关研究中可得到更广泛应用。     

表面肌电图在腰痛患者ODI指数和JOA评分评估中的临床应用

摘要 目的：探讨表面肌电图在腰痛患者腰椎Oswestry功能障碍指数（ODI）和日本骨科协会评估治疗分数（JOA）评估中的临床应用。方法：选择2019年6月至2020年6月我院接诊的80例腰痛患者进行研究,通过将患者按照腰部VAS评分的不同划为对照组（VAS评分≤5分）和观察组（5分＜VAS评分＜10分）,每组各40例,两组患者均接受接受常规治疗和肌电仪检测。比较治疗前后两组患者运动传导速度(MCV)、股神经的感觉传导速度(SCV)、动作电位的潜伏期、长肌力（IMS）、腰背肌后伸活动度（ROM）、ODI指数和JOA评分的变化情况。结果：治疗后,观察组运动传导速度、股神经的感觉传导速度指标水平均低于对照组,动作电位的潜伏期长于对照组（P＜0.05）;观察组长肌力、腰背肌后伸活动度指标水平均低于对照组（P＜0.05）;观察组Oswestry功能障碍指数（ODI）高于对照组,日本骨科协会评估治疗分数（JOA）评分低于对照组（P＜0.05）。结论：腰痛患者中存在着明显的表面肌电图信号改变,且随着腰痛程度的加剧,改变程度越明显,有助于评估患者病情。     

基于小波特征分析的手指动作识别研究

目的:本文利用表面肌电(sEMG)信号来研究多种手指组合动作的识别问题。方法:在对采集的四个通道sEMG信号进行降噪预处理的基础上,采用移动加窗处理方法来提取关于手指运动状态的信号活动段,再分析各个信号活动段的小波系数统计特征,进而利用多类支持向量机(SVM)分类算法来实现手指组合动作的识别。结果:动作识别率最高达到100%。结论:所采用方法能够有效地识别多种手势动作,并为后续基于肌电信号的实时人机接口系统的研究奠定了理论基础。     

基于支持向量机的人类5’非翻译区剪接位点识别

基因非编码区域剪接位点的识别是基因识别中一个非常具有挑战性的问题,尤其是5’非翻译区中剪接位点的识别。与一般剪接位点不同,5’非翻译区剪接位点的两侧不存在由编码到非编码的状态转移,所以通常的剪接位点识别算法在非翻译区的性能不太理想。文章采用了基于支持向量机的方法对5’非翻译区中的剪接位点进行识别。为了提高识别精度,采用了基于矩阵相似性度量的核函数参数选取方法,它能够简单快速地确定合适的核函数参数,进而提高核函数的识别性能。通过实验验证,经过参数选择后的支持向量机能够较好地识别5＇非翻译区剪接位点。     

用支持向量机预测人类基因5′/3′选择性剪切位点

选择性剪切是调解基因表达的重要机制。识别选择性剪切位点是后基因组时代的一个重要工作。本文从最新的EBI人类基因选择性剪切数据库中,选取5′/3′选择性剪切位点作为正集,选取在剪切位点附近的假剪切位点作为负集,并把所有的选择性剪切位点和假剪切位点随机分成训练集和测试集。本文选用的预测选择性剪切位点的方法是基于位置权重矩阵和离散增量的支持向量机方法。此方法仅基于训练集,以不同位点的单碱基概率和序列片断的三联体频数作为信息参数,利用位置权重矩阵和离散增量算法结合支持向量机,得到了选择性供体位点和受体位点的分类器,并用此分类器对测试集中的选择性供体位点和受体位点进行预测。对独立测试集中的选择性供体位点和选择性受体位点的预测成功率分别为88．74%和90．86%,特异性分别为85．62%和81．19%。本文预测选择性剪切位点的方法成功率高于其它选择性剪切位点预测方法预测成功率,此预测方法进一步提高了对选择性剪切位点的理论预测能力。     

基于支持向量机分类的RNA共同二级结构预测

比较序列分析作为RNA二级结构预测的最可靠途径, 已经发展出许多算法。将基于此方法的结构预测视为一个二值分类问题: 根据序列比对给出的可用信息, 判断比对中任意两列能否构成碱基对。分类器采用支持向量机方法, 特征向量包括共变信息、热力学信息和碱基互补比例。考虑到共变信息对序列相似性的要求, 通过引入一个序列相似度影响因子, 来调整不同序列相似度情况下共变信息和热力学信息对预测过程的影响, 提高了预测精度。通过49组Rfam-seed比对的验证, 显示了该方法的有效性, 算法的预测精度优于多数同类算法, 并且可以预测简单的假节。