-
公开(公告)号：CN115985508A
公开(公告)日：2023-04-18
申请号：CN202211540841.2
申请日：2022-12-02
Applicant: 中国地质大学(武汉)
IPC: G16H50/70 , G06F18/2413 , G06F18/211 , G06F18/214 , G06N3/0464 , A61B5/0205 , A61B5/389 , A61B5/11 , A61B5/22
Abstract: 本发明公开了一种适用于不同个体的下肢康复方案设计方法、装置及设备，采集受试者的多源信息并进行预处理，基于对称双线性模型提取多源信息中的运动相关因子，并提取个体无关特征；基于戴维森堡丁指数和散射分布指数进行特征评估，选择目标特征；将目标特征输入到卷积神经网络中进行训练，得到下肢康复方案设计模型，基于下肢康复方案设计模型获取不同受试者的下肢康复方案。本发明利用信息分解和特征评估获取与个体无关的鲁棒特征，提高了下肢康复方案设计模型的通用性；将多源信息分解为个体相关因子和运动相关因子，运动相关因子只与实际的康复训练有关，提高了模型的通用性；通过特征评估和特征选择，舍去冗余信息，提高模型的速度和效率。
-
公开(公告)号：CN115470814A
公开(公告)日：2022-12-13
申请号：CN202210943600.6
申请日：2022-08-08
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供一种基于自适应滤波的震颤患者主动运动提取方法及电子设备，旨在改善滤波器对震颤信号的滤除能力以及减少对主动运动信号的滞后。包括：提出一种截止频率可调的一阶滤波器结构；把原始测量信号和滤波后信号作差后输入至汉明窗中，通过快速傅里叶变换获取误差信号的主频频率；针对主动运动信号和震颤信号在频率上的差异，使用误差信号的主频频率设置自适应律实时调整滤波器截止频率。本发明针对手腕震颤患者主动运动信号难以提取的问题，提出了一种基于自适应滤波的震颤患者主动运动提取方法，实现了从测量信号中对主动运动信号的高质量提取，为解决实际外骨骼系统的控制以及人机交互问题提供了技术指导，具有重要的理论和应用价值。
-
公开(公告)号：CN115281690A
公开(公告)日：2022-11-04
申请号：CN202210815664.8
申请日：2022-07-12
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供了一种下肢运动状态下脑电运动伪迹去除方法、设备及存储设备，根据下肢的运动速度和速度变化估计出相应的肌电参考噪声；通过自适应噪声抵消对肌电参考噪声进行初步消除运动伪迹；对自适应噪声抵消处理过后的信号进行变分模态分解，得到各阶变量的本征模态函数；对各阶本征模态函数做独立成分分析，得到独立分量；计算得到独立分量的时域特征、频谱特征和序间相似度，然后通过层次聚类识别和剔除伪迹处理，把剩余分量进行重构得到处理后的独立分量，即重构得到脑电信号。本发明的有益效果是：能够快速应对下肢速度变化时肌电噪声带来的干扰。
-
公开(公告)号：CN113902086A
公开(公告)日：2022-01-07
申请号：CN202111122575.7
申请日：2021-09-24
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供了一种融合复合混沌映射与果蝇优化的最优变分模态分解方法，该最优变分模态分解方法以VMD为基础，将融合标准FOA与3维logistic‑sine映射的改进型混沌FOA算法应用于传统VMD的算法，优化了3个关键参数的寻优过程，使信号能够根据本身的特点被自适应地分解。本发明的有益效果是：本发明的算法有更佳的寻优性能，并且将FOA的搜索空间从2维拓展为3维；使用此改进型混沌FOA算法提高了算法的高维空间搜索能力，可以快速、准确地搜索3维空间内的三个关键参数的最佳组合解。因此，本发明专利提出方法能自适应地分解非平稳信号，且所得到的IMF分量间没有模态混叠现象。该方法也为sEMG的去噪提供了一种新的方法，具有广阔的应用前景。
-
公开(公告)号：CN110333527B
公开(公告)日：2020-09-04
申请号：CN201910436125.1
申请日：2019-05-23
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了一种基于混沌‑RBF神经网络预测ENPEMF信号包络趋势的方法及系统，针对地质灾害前的地球天然脉冲电磁场(ENPEMF)信号，利用基于混沌理论及RBF神经网络的方法及系统来预测该ENPEMF信号强度趋势。本发明中提出的方法及系统实现了ENPEMF信号的嵌入维数m及时间延迟τ的准确计算，可以有效的跟踪ENPEMF信号的强度趋势，并对其进行预测，适用于对ENPEMF信号的进行预测及分析研究。实验结果也表明了混沌‑RBF神经网络方法在分析ENPEMF信号内部混沌特性的同时，得到了较好的短期ENPEMF信号预测结果。
-
Patent Agency Ranking
公开(公告)号：CN107037486B
公开(公告)日：2019-01-08
申请号：CN201710206470.7
申请日：2017-03-31
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供的地球天然脉冲电磁场数据处理的时频谱分析方法及系统，在于针对地质灾害前的地球天然脉冲电磁场(ENPEMF)信号进行时频分析，利用改进后的基于非线性匹配算法(NMP)重构ENPEMF信号，达到降噪的特点，再结合同步压缩小波变换(SST)，得到地ENPEMF数据的时频特性，根据时频谱分析地球天然脉冲电磁场数据的变化特点对于预测地震的影响。本发明采用NMP‑SST时频分析方法研究数据，从方法上解决了地球天然脉冲电磁场信号数据的分析问题，为从算法分析角度出发研究地震前兆信息提供了必备的理论基础；该算法也可应用于其他非平稳信号领域的多项研究，有较好的市场应用前景。
-
公开(公告)号：CN108537840A
公开(公告)日：2018-09-14
申请号：CN201810401387.X
申请日：2018-04-28
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了基于摄像头的可见光室内定位装置，包括发射装置和接收装置，其中，发射装置包括微处理器、PWM驱动模块和LED，接收装置包括第二微处理器、摄像头和LCD显示屏；第一微处理器与PWM驱动模块连接，PWM驱动模块连接LED，第二微处理器与摄像头和LCD摄像头分别连接；LED放置在待测房间房顶，且在同一水平面上呈十字状分布，其中四个位于十字的四个顶点，一个位于十字的交叉处；所述第一微处理器产生PWM波给所述PWM驱动模块驱动LED发光，所述摄像头接收LED发出的光，采集光照图像，再经所述第二微处理器对所述光照图像处理得到摄像头的具体位置信息，并将所述具体位置信息在LCD显示屏中显示。
-
公开(公告)号：CN108426580A
公开(公告)日：2018-08-21
申请号：CN201810059695.9
申请日：2018-01-22
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供一种基于图像识别的无人机与智能车协同导航方法，包括如下步骤：S1目标灯随机亮起，摄像头以预设频率采集智能车车灯与目标灯图像；S2微控制器根据智能车车灯和目标灯闪烁频率判断出所述图像中的智能车和目标灯，并建立坐标系分别确定智能车与目标灯的坐标，无线通信模块传输坐标至智能车；S3智能车根据所述坐标计算出智能车与目标灯之间角度，并通过角度传感器获得实时运动角度，根据智能车与目标灯之间角度和实时运动角度的差值调整智能车运动方向；S4智能车到达目标灯预设距离时目标灯熄灭，重复步骤S1、S2和S3直至所有目标灯熄灭。本发明的有益效果：对智能车运动地形无特殊要求，障碍物形状无限制，提高了环境适应能力。
-
公开(公告)号：CN107831549A
公开(公告)日：2018-03-23
申请号：CN201710862204.X
申请日：2017-11-20
Applicant: 中国地质大学(武汉)
Abstract: 本发明提供了一种ENPEMF信号的NMP倒谱SST时频方法，所述方法包括步骤：通过NMP算法对ENPEMF信号进行稀疏分解，得到ENPEMF信号的IMF分量；将IMF分量相加得到ENPEMF信号的稀疏表达式；通过倒谱SST算法对所述ENPEMF信号的稀疏表达式进行计算得到时间-频率-能量分布图。本发明的有益效果是：本发明提供了一种ENPEMF信号的NMP倒谱SST时频方法，通过将倒谱SST算法与NMP算法相结合，降低了处理ENPEMF信号时的噪声干扰，增强了处理ENPEMF信号时的鲁棒性，解决了ENPEMF信号数据处理中受噪声影响大、时频分布不准确的问题。
-
公开(公告)号：CN107144874A
公开(公告)日：2017-09-08
申请号：CN201710567246.0
申请日：2017-07-12
Applicant: 中国地质大学(武汉)
Abstract: 本发明公开了一种基于对ENPEMF信号进行BSWT‑DDTFA时频分析的方法及系统，用于对地震进行预测，分别采用BSWT‑DDTFA时频分析方法对实时的地球天然脉冲电磁场数据与地震发生前地球天然脉冲电磁场数据进行分析，分别得到时频分布，将时频分布进行比较后，判断地震发生的几率。本发明的得到时频分布时，能够有效抑制背景噪声和其他高斯白噪声源，得到的时频分布时频聚集特性优异，对地震发生几率的判断准确性高。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.072 seconds)
