首页  |  期刊简介  |  稿件审稿流程  |  学术道德规范  |  编委会  |  征订启事  |  联系我们  |  English
中文核心期刊
中国科技论文统计源期刊
国际刊号:1004-9037
国内刊号:32-1367/TN
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中国科学技术协会
  • 主办:南京航空航天大学
  •           中国电子学会
  • 国际刊号:1004-9037
  • 国内刊号:32-1367/TN
  • 地址:南京市御道街29号
  • 电话:025-84892742
  • 传真:025-84892742
  • E-mail:sjcj@nuaa.edu.cn
  • 邮编:210016
赵谦,郭方锐,杨官玉.sEMG信号采集电路设计及其特征提取算法[J].数据采集与处理,2019,34(6):1039-1049
sEMG信号采集电路设计及其特征提取算法
Single Channel sEMG Signal Acquisition Circuit Design and Its Feature Extraction Algorithm
投稿时间:2018-09-03  修订日期:2018-12-17
DOI:10.16337/j.1004-9037.2019.06.010
中文关键词:  信号采集  sEMG信号  特征提取  小波变换  小波包变换  KPCA
英文关键词:signal acquisition  surface EMG(sEMG) signal  feature extraction  wavelet transform  wavelet packet transform  KPCA
基金项目:陕西省科技计划工业科技攻关(2017GY-073)资助项目 ; 西安市碑林区应用技术研发 GX1811┫资助项目 ; 西安市科技计划 GXYD13.5┫资助项目 陕西省科技计划工业科技攻关(2017GY-073)资助项目;西安市碑林区应用技术研发(GX1811)资助项目;西安市科技计划(GXYD13.5)资助项目。
作者单位邮编
赵谦 西安科技大学通信与信息工程学院西安, 710054 710054
郭方锐 西安科技大学通信与信息工程学院西安, 710054 710054
杨官玉 西安科技大学通信与信息工程学院西安, 710054 710054
摘要点击次数: 196
全文下载次数: 414
中文摘要:
      表面肌电(Surface electromyography,sEMG)信号直接、客观地反映了神经和肌肉的活动功能状态,已获得广泛应用。本文设计了一种sEMG信号采集电路并以单通道形式采集上肢5种动作的sEMG信号,经小波包变换提取6种特征(其中一种引自基于小波变换的特征提取方法)并分别结合PCA和KPCA进行处理;再分别用BP神经网络和SVM进行动作识别。此外,对比了小波变换的特征提取;讨论了KPCA与PCA在特征变换上的差异。所提取的基于小波包变换的6种特征有5种的识别率均超过95.7%,其中引入的高低频系数组合特征在BP神经网络下平均识别率超过99%。基于小波变换提取的5种特征经KPCA变换后也达到较高的识别率。实验结果表明,本文的sEMG信号采集方法及其特征提取方法均达到较好效果。
英文摘要:
      Surface electromyography(sEMG) signal directly and objectively reflects the functional status of nerve and muscle, which has been widely used. In this paper, a sEMG acquisition circuit is designed and used as single channel circuit to collect sEMG signals of five kinds of upper limb movements, then six kinds of features (one of which is quoted from the feature extraction method based on wavelet transform) are extracted by wavelet packet transform(WPT) combining with KPCA, and finally recognition is performed with BP neural network and SVM. Feature extraction based on wavelet transform is also performed for comparison and the difference between PCA and KPCA on feature transform is also studied. The results show that among the six kinds of features extracted by wavelet packet transform, five kinds of recognition rates exceed 95.7%, and the average recognition rate of the high-low frequency coefficients combination feature quoted is more than 99% with a BP neural network. Overall, the recognition rates are high. And the five kinds of features extracted by wavelet transform combining KPCA also achieve a decent recognition rate. The results prove that the sEMG signals collected and the feature extraction method used in this paper are both effective.
查看全文  HTML  查看/发表评论

Copyright @2010-2015《数据采集与处理》编辑部

地址:南京市御道街29号        邮编:210016

电话:025-84892742      传真:025-84892742       E-mail:sjcj@nuaa.edu.cn

您是本站第1856950位访问者 本站今日一共被访问88

技术支持:北京勤云科技发展有限公司