-
公开(公告)号：CN114384999A
公开(公告)日：2022-04-22
申请号：CN202111376022.4
申请日：2021-11-19
Applicant: 福州大学
Abstract: 本发明涉及一种基于自适应学习的用户无关肌电手势识别系统，包括依次连接的数据获取单元、聚类单元、自适应KNN近邻分类器和风险评估器；所述数据获取单元，获取现有用户数据，并进行数据处理；所述聚类单元，将数据处理后的信号数据，采用K‑Means聚类找到不同动作的聚类中心，提取各个用户每种动作与聚类中心距离最短的N个样本充当训练集，用于训练自适应KNN近邻分类器；所述自适应KNN近邻分类器，用于根据新用户数据得到对应的标签；所述风险评估器对新用户数据进行评估，合格的样本则用来替换训练集的偏远样本和更新训练集样本的权值。本发明解决了因肌电信号的个体差异性而导致的模型不通用问题，无需用户再训练步骤，极大的提高了用户的使用体验，且识别正确率会动态提升。
-
公开(公告)号：CN112890834A
公开(公告)日：2021-06-04
申请号：CN202110226571.7
申请日：2021-03-01
Applicant: 福州大学
Abstract: 本发明提出一种面向注意力识别的基于机器学习的眼电信号分类器，其构建方法包括以下步骤：步骤S1：选取用于构造训练集和验证集的眼电信号，对选取的原始眼电信号进行预处理；步骤S2：对每个预处理后的眼电信号段进行初级特征提取，包括时域特征、频域特征和时‑频域特征；步骤S3：利用遗传算法进行特征选择，得出d个特征组成的最优特征集；步骤S4：训练分类器：生成可用于输入分类器的输入样本集后，通过眼动仪人工判断确定样本标签，并输入分类器进行训练；步骤S5：将验证集送入到训练好的眼电分类器进行分类验证，并根据操作者选择的评价指标投票选出最优分类器。其能够实现实时判别采集到的眼电信号是否处于注意力集中状态的目的。
-
公开(公告)号：CN112732090B
公开(公告)日：2022-08-09
申请号：CN202110072896.4
申请日：2021-01-20
Applicant: 福州大学
Abstract: 本发明涉及一种基于肌肉协同的用户无关实时手势识别方法，包括以下步骤:步骤S1:获取现有用户表面肌电信号数据和新用户预实验表面肌电信号数据,并进行数据预处理；步骤S2:利用非负矩阵分解分别提取所有动作的肌肉协同；步骤S3:利用最小二乘法得到现有用户协同向着预实验数据相同动作肌肉协同靠近的转换矩阵，利用转换矩阵形成的空间对现有用户协同进行伸缩变换，得到新的肌肉协同；步骤S4:根据新的肌肉协同，分别训练支持向量机、误差反向传播网络和K近邻算法三个分类器；步骤S5:将待分类的数据进行数据处理后，分别通过三个训练好的分类器进行手势识别，并将三个分类模型投票的结果作为最终的识别结果。本发明能够有效的进行用户无关手势识别，确保了实时性和高识别正确率。
-
Patent Agency Ranking
公开(公告)号：CN113576463B
公开(公告)日：2022-05-10
申请号：CN202110877393.4
申请日：2021-07-31
Applicant: 福州大学
Abstract: 本发明涉及一种肌电信号驱动的膝关节肌骨模型接触力估计方法及系统，该方法包括：建立接触力估计模型，包括信号处理模型、OpenSim个体模型、肌肉激活度模型、肌肉收缩力学模型以及外部内收力矩模型，信号处理模型对输入数据进行预处理，OpenSim个体模型将通用模型缩放至个体生理参数，肌肉激活度模型用于获取肌肉激活度，肌肉收缩力学模型用于获取肌肉力矩，外部内收力矩模型用于获取外部内收力矩；对接触力估计模型进行参数优化；获取肌电信号数据、关节角度信号数据和足底压力信号数据，将其作为输入信号输入到参数优化后的接触力估计模型中，计算得到膝关节接触力。该方法及系统使用方便，且有利于提高接触力估计的准确性。
-
公开(公告)号：CN114384999B
公开(公告)日：2023-07-21
申请号：CN202111376022.4
申请日：2021-11-19
Applicant: 福州大学
IPC: G06F3/01 , G06F18/213 , G06F18/24 , G06F18/23213 , G06F18/2413
Abstract: 本发明涉及一种基于自适应学习的用户无关肌电手势识别系统，包括依次连接的数据获取单元、聚类单元、自适应KNN近邻分类器和风险评估器；所述数据获取单元，获取现有用户数据，并进行数据处理；所述聚类单元，将数据处理后的信号数据，采用K‑Means聚类找到不同动作的聚类中心，提取各个用户每种动作与聚类中心距离最短的N个样本充当训练集，用于训练自适应KNN近邻分类器；所述自适应KNN近邻分类器，用于根据新用户数据得到对应的标签；所述风险评估器对新用户数据进行评估，合格的样本则用来替换训练集的偏远样本和更新训练集样本的权值。本发明解决了因肌电信号的个体差异性而导致的模型不通用问题，无需用户再训练步骤，极大的提高了用户的使用体验，且识别正确率会动态提升。
-
公开(公告)号：CN113576463A
公开(公告)日：2021-11-02
申请号：CN202110877393.4
申请日：2021-07-31
Applicant: 福州大学
Abstract: 本发明涉及一种肌电信号驱动的膝关节肌骨模型接触力估计方法及系统，该方法包括：建立接触力估计模型，包括信号处理模型、OpenSim个体模型、肌肉激活度模型、肌肉收缩力学模型以及外部内收力矩模型，信号处理模型对输入数据进行预处理，OpenSim个体模型将通用模型缩放至个体生理参数，肌肉激活度模型用于获取肌肉激活度，肌肉收缩力学模型用于获取肌肉力矩，外部内收力矩模型用于获取外部内收力矩；对接触力估计模型进行参数优化；获取肌电信号数据、关节角度信号数据和足底压力信号数据，将其作为输入信号输入到参数优化后的接触力估计模型中，计算得到膝关节接触力。该方法及系统使用方便，且有利于提高接触力估计的准确性。
-
公开(公告)号：CN112732090A
公开(公告)日：2021-04-30
申请号：CN202110072896.4
申请日：2021-01-20
Applicant: 福州大学
Abstract: 本发明涉及一种基于肌肉协同的用户无关实时手势识别方法，包括以下步骤:步骤S1:获取现有用户表面肌电信号数据和新用户预实验表面肌电信号数据,并进行数据预处理；步骤S2:利用非负矩阵分解分别提取所有动作的肌肉协同；步骤S3:利用最小二乘法得到现有用户协同向着预实验数据相同动作肌肉协同靠近的转换矩阵，利用转换矩阵形成的空间对现有用户协同进行伸缩变换，得到新的肌肉协同；步骤S4:根据新的肌肉协同，分别训练支持向量机、误差反向传播网络和K近邻算法三个分类器；步骤S5:将待分类的数据进行数据处理后，分别通过三个训练好的分类器进行手势识别，并将三个分类模型投票的结果作为最终的识别结果。本发明能够有效的进行用户无关手势识别，确保了实时性和高识别正确率。
-
公开(公告)号：CN215227751U
公开(公告)日：2021-12-21
申请号：CN202120340472.7
申请日：2021-02-07
Applicant: 福州大学
IPC: A61B5/398
Abstract: 本实用新型涉及一种自带滤波的实时眼电信号采集装置，包括电源模块、系统控制模块和眼电信号采集模块；所述电源模块与系统控制模块和眼电信号采集模块分别连接；所述眼电信号采集模块通过电极片采集眼电信号，并对眼电信号进行放大和模数转换后，传输至系统控制模块；所述系统控制模块将两路眼电信号进行信号滤波后，通过串口输送至上位机。本实用新型提高用户使用体验的同时，有效的、高信噪比的采集眼电信号数据，并实时滤除信号中的噪声，将有效眼电信号发送给上位机。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
