XiaoMi-AI文件搜索系统
World File Search System自回归
研究论文基于经验模态分解和自回归模型的脑电图视觉意象识别
脑机接口 (BCI) 的传统想象任务包括运动想象 (MI)，即指示受试者想象移动身体的某些部位。这种想象任务对受试者来说很难。在本研究中，我们使用了一种研究较少但更容易执行的心理想象类型——视觉想象 (VI)，即指示受试者在大脑中可视化一幅图片以实现 BCI。在本研究中，招募了 18 名受试者并指示他们观察两张视觉提示图片中的一张（一张是静态的，另一张是移动的），然后在每次试验中想象提示的图片。同时，收集脑电图 (EEG) 信号。希尔伯特-黄变换 (HHT)、自回归 (AR) 模型以及经验模态分解 (EMD) 与 AR 的组合分别用于提取特征。支持向量机 (SVM) 用于对两类 VI 任务进行分类。 HHT 的平均、最高和最低分类准确率分别为 68.14 ± 3.06%、78.33% 和 53.3%。AR 模型的 Te 值分别为 56.29 ± 2.73%、71.67% 和 30%。EMD 和 AR 模型组合获得的 Te 值分别为 78.40 ± 2.07%、87% 和 48.33%。结果表明，基于 EEG 可分离多个 VI 任务，并且用于 VI 特征提取的 EMD 和 AR 模型的组合优于单独的 HHT 或 AR 模型。我们的工作可以为构建新的在线 VI-BCI 提供思路。
采用非线性自回归外生模型的可穿戴 sEMG 传感器多自由度假手指关节控制器
摘要：手臂、手和指尖的活动功能和感觉信息的丧失妨碍了患者的日常生活活动 (ADL)。现代仿生假手可以弥补失去的功能并实现多自由度 (DoF) 运动。然而，由于传感器有限和缺乏稳定的分类算法，市售的假手通常具有有限的自由度。本研究旨在提出一种通过表面肌电图 (sEMG) 估计手指关节角度的控制器。用于训练的 sEMG 数据是使用商用 EMG 传感器 Myo 臂带收集的。提取时域中的两个特征并将其输入到具有外生输入的非线性自回归模型 (NARX) 中。使用 Levenberg-Marquardt 算法对 NARX 模型进行预选参数训练。与目标相比，模型输出的回归相关系数 (R) 在所有测试对象中均大于 0.982，信号范围为 [0, 255] 的任意单位时均方误差小于 10.02。研究还表明，所提出的模型可用于日常生活运动，具有良好的准确性和泛化能力。