表面肌电信号的带通滤波器

用不同方法对肌电图进行肌肉疲劳分析的比较

用于进行肌电信号的手部动作分类

该例程获取循环的信噪比没有先验知识的肌电图 (EMG) 信号信号。 此例程的输出可能会进一步用作输入用于确定接通和偏移的双阈值检测器的参数肌肉活动。 可以找到此代码中执行的过程并基于以下科学文章： Agostini, V., & Knaflitz, M. (2012)。 估计的算法期间产生的表面肌电信号的信噪比循环运动。 IEEE 生物医学工程汇刊，59(1)， 219–225。 doi:10.1109/TBME.2011.2170687

使用delsys trigno实现肌电信号的在线采集/显示以及根据matlab的BP神经网络模型实现手势识别

表面肌电信号常见时域频域MATLAB程序

生理信号中的肌电信号数字滤波，效果很好，值得推荐

matlab肌电信号处理代码 睡眠分期和RBD检测 纸上使用的代码：通过自动多导睡眠图分析检测REM睡眠行为障碍（） 使用此代码时，请引用[1]： Navin Cooray，Fernando Andreotti，Christine Lo，Mkael Symmonds，Michele TM Hu和Maarten De Vos（评论中）。 通过自动多导睡眠图分析检测REM睡眠行为障碍。 临床神经生理学。 该存储库包含用于在30秒内从单个EEG，EOG和EMG信号中提取156个特征的工具。 提供了一个随机森林分类器来实现自动睡眠分期，该分类器使用了53个与年龄匹配的健康对照和RBD参与者（但只有50棵树，而使用了500棵树）进行了训练。 还可以使用此存储库训练分类器。 分类器应输出以下睡眠阶段之一： 班级 描述 0 唤醒 1个 N1 2个 氮2 3 N3 5 快速眼动 提供了附加的特征提取工具来分析单个EMG通道以进行RBD检测。 特征是针对每个主题派生的，包括已建立的RBD指标以及其他指标。 这些功能可以使用手动注释或自动分类的睡眠阶段来推导。 提供了一个额外的随机森林分类器，以使用RBD

表面肌电信号处理的matlab程序，包括带通滤波、50Hz陷波滤波程序，以及计算时域、频域的指标iMEG、RMS ， MF、MPF

本文提出了一种使用OPENBCI收集两个手势数据并解码信号以区分手势的实验。 用受试者前臂上的三个电极提取信号，并在一个通道中传输。 利用巴特沃斯带通滤波器后，我们选择了一种新颖的方法来检测手势动作段。 代替使用基于能量计算的移动平均算法，我们开发了一种基于Hilbert变换的算法来找到动态阈值并识别动作段。 从每个活动部分提取了四个特征，生成了用于分类的特征向量。 在分类过程中，我们基于相对较少的样本对K最近邻（KNN）和支持向量机（SVM）进行了比较。 最常见的实验是基于大量数据来追求高度拟合的模型。 但是在某些情况下，我们无法获得足够的训练数据，因此必须探索在小样本数据下进行最佳分类的最佳方法。 尽管KNN以其简单性和实用性而闻名，但它是一种相对耗时的方法。 另一方面，由于支持向量机应用了不同的风险最小化原则，因此在时间要求和识别准确性方面具有更好的性能。 实验结果表明，SVM算法的平均识别率比KNN高1.25％，而SVM比KNN短2.031 s。