摘要：为了提高下肢运动模式识别率,本文设计了一种融合表面肌电和加速度信号的下肢运动模式识别方法.首先,用局部均值分解将表面肌电信号分解为多个乘积函数(Product Functions,PFs),再计算PF成分的多尺度排序熵.然后,通过拉普拉斯权重(Laplacian score,LS)特征选择算法选定每路肌电信号的一个尺度排序熵为特征,并把该特征和加速度信号的排序熵组成特征向量.最后,根据类内欧氏距离和类间样本分布,设计了改进的二叉树支持向量机,把特征向量输入该支持向量机进行下肢运动模式分类.实验结果表明所提方法对七个日常动作的平均识别率达到98.62%,相较于其他方法有较高的识别率.

摘要：临床上基于个人电脑的脑电监护系统不适用于便携和家庭的监测,并且癫痫患者长期住院检测会增加医疗负担。为此本文设计了一种基于Android智能手机的16导便携式、网络化监控系统。整个系统采用了主动电极技术、WiFi无线传输技术、多尺度排序熵算法、反向传播(BP)神经网络优化算法等,并基于Android手机应用软件实现对脑电数据的处理、分析、显示、报警等功能。系统在多台Android 2.3以上系统的手机上测试后运行稳定、可靠,为医护人员和患者提供了一种便携、可靠、实用的癫痫发作监控解决方案。