一種用于人體下肢表面肌電信號(hào)的辨識(shí)方法
【專利摘要】本發(fā)明涉及一種用于人體下肢表面肌電信號(hào)的辨識(shí)方法。本發(fā)明主要步驟為：實(shí)時(shí)采集對(duì)應(yīng)肌肉塊在活動(dòng)動(dòng)作刺激下的表面EMG信號(hào)；對(duì)采集的EMG信號(hào)進(jìn)行預(yù)處理，獲得消除偽跡信號(hào)后的EMG信號(hào)；使用離散小波變換方法對(duì)獲得的EMG信號(hào)進(jìn)行分解，分解后獲得低頻系數(shù)向量和高頻系數(shù)列；采用時(shí)、頻域結(jié)合的濾波方法，將獲得的小波分量進(jìn)行奇異值分解，并將分解得到的奇異值構(gòu)成特征矩陣；采用支持向量機(jī)對(duì)特征樣本進(jìn)行訓(xùn)練，并生成支持向量機(jī)分類器用于對(duì)盲樣本進(jìn)行分類識(shí)別。本發(fā)明的有益效果為，相對(duì)于傳統(tǒng)技術(shù)，本發(fā)明提出了一種新的下肢EMG信號(hào)預(yù)處理方法。
【專利說(shuō)明】
一種用于人體下肢表面肌電信號(hào)的辨識(shí)方法
技術(shù)領(lǐng)域
[0001 ] 本發(fā)明設(shè)計(jì)用于人體下肢的生物電信號(hào)中的表面肌電信號(hào)(E1 e c tr omy ograph i c Signal，EMG)的偽跡消除、特征提取與辨識(shí)技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 據(jù)統(tǒng)計(jì)數(shù)據(jù)顯示，我國(guó)在21世紀(jì)初已正式邁入老齡化社會(huì)，且老齡化進(jìn)程超過(guò)其 他國(guó)家，預(yù)計(jì)2020年我國(guó)老年人口會(huì)達(dá)到2.48億，2050年將達(dá)到4億。老年人及肢體殘疾人 在人口結(jié)構(gòu)中正在迅速擴(kuò)大，上述人群的顯著特點(diǎn)是其日常行為活動(dòng)均需提供輔助幫助。 癱瘓是導(dǎo)致上述人群?jiǎn)适н\(yùn)動(dòng)能力的最常見(jiàn)原因之一，尤其是下身癱瘓，它涉及到肢體、軀 干的部分的或完全的功能喪失。目前臨床專家普遍認(rèn)為，肢體運(yùn)動(dòng)康復(fù)被認(rèn)為是一個(gè)有效 的解決方案，其要求受影響的下肢肢體主動(dòng)地參與積極鍛煉。然而，對(duì)于肢體功能存在障礙 的人群，通常難以順利完成例如站立、下蹲、行走等下肢肢體運(yùn)動(dòng)。因此，通過(guò)EMG信號(hào)的研 究能夠幫助探索運(yùn)動(dòng)神經(jīng)與肌肉組織的生物反饋機(jī)制，預(yù)測(cè)與感知肢體運(yùn)動(dòng)態(tài)勢(shì)，評(píng)估老 年人、殘疾人、以及亞健康人群的肌肉活動(dòng)能力，為發(fā)展適用于老齡人和肢體殘疾人士的康 復(fù)下肢運(yùn)動(dòng)輔助設(shè)備提供理論依據(jù)與應(yīng)用基礎(chǔ)。
[0003] 表面EMG信號(hào)是一種分析人體與日常生活活動(dòng)相關(guān)的下肢肢體運(yùn)動(dòng)動(dòng)作的生理信 息來(lái)源，該信號(hào)是通過(guò)電極引導(dǎo)、放大而從肌肉表面記錄下來(lái)的神經(jīng)肌肉系統(tǒng)活動(dòng)時(shí)的非 平穩(wěn)一維時(shí)間序列生物電信號(hào)，它能夠反映肌肉強(qiáng)度和人的運(yùn)動(dòng)特征。人的運(yùn)動(dòng)意圖通常 通過(guò)神經(jīng)興奮刺激肌肉細(xì)胞的收縮與舒張實(shí)現(xiàn)，由于不同的肢體運(yùn)動(dòng)中肌肉收縮的模式不 同，導(dǎo)致相應(yīng)的表面肌電信號(hào)的特征也具有差異，在人的意圖控制下產(chǎn)生的表面EMG信號(hào)能 較好地反映出肢體運(yùn)動(dòng)或動(dòng)作特征，評(píng)估人體運(yùn)動(dòng)意圖。人體運(yùn)動(dòng)意圖的實(shí)現(xiàn)主要通過(guò)肢 體完成，由于下肢EMG信號(hào)相對(duì)于上肢更為復(fù)雜，同時(shí)受到更大的噪聲干擾，因此對(duì)人體運(yùn) 動(dòng)的研究主要集中在上肢EMG信號(hào)，而對(duì)下肢EMG信號(hào)及其識(shí)別的研究需要進(jìn)一步完善。目 前在EMG信號(hào)的識(shí)別中，常用的方法都是基于傳統(tǒng)的分類或聚類算法，如支持向量機(jī)、神經(jīng) 網(wǎng)絡(luò)（Neural Network Algorithm，簡(jiǎn)稱 "NNA"）、線性鑒別分析（Linear Discriminant Analysis，簡(jiǎn)稱"LDA"）等。其中，LDA算法即可以識(shí)別單一的某種動(dòng)作，也可以將多個(gè)動(dòng)作加 上標(biāo)簽作為特殊的一類進(jìn)行識(shí)別。在下肢EMG信號(hào)的研究上，2016年，John A. Spanias等人 使用LDA算法，研究了只用EMG信號(hào)進(jìn)行分類、以及將EMG信號(hào)和器械傳感器返回的其他類型 的數(shù)據(jù)一起進(jìn)行分類的方法；2014年，AJ Young等人使用Sensor Time History的方法對(duì) EMG信號(hào)進(jìn)行分類，但該方法僅考慮了整個(gè)過(guò)程中信號(hào)的時(shí)間跨度。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的，就是針對(duì)上述問(wèn)題，提供一種用于人體下肢表面肌電信號(hào)的辨識(shí) 方法。
[0005] 通過(guò)實(shí)驗(yàn)分析，發(fā)現(xiàn)下肢EMG信號(hào)尺度通常非常微弱，同時(shí)由于硬件局限性和肢體 移動(dòng)等原因，也十分容易受到工頻、基線漂移和高斯白噪聲干擾，因此實(shí)驗(yàn)所采集到的下肢 EMG信號(hào)偽跡嚴(yán)重，基于原始數(shù)據(jù)直接進(jìn)行特征提取和分類識(shí)別是不現(xiàn)實(shí)的。傳統(tǒng)偽跡消除 方法是對(duì)原始信號(hào)進(jìn)行帶通濾波處理(下肢EMG信號(hào)的主要成分集中分布在20~500Hz頻段 上）。本發(fā)明中分別對(duì)工頻干擾、基線漂移進(jìn)行陷波濾波與低通濾波，根據(jù)本發(fā)明提出的工 頻干擾噪聲因子和基線漂移噪聲因子分別對(duì)下肢EMG信號(hào)進(jìn)行評(píng)估，當(dāng)噪聲的能量超出閾 值時(shí)，采用陷波和低通濾波，否則采用濾波前信號(hào)。而對(duì)于高斯白噪聲，首先計(jì)算下肢EMG信 號(hào)的過(guò)零點(diǎn)數(shù)，通過(guò)過(guò)零點(diǎn)數(shù)對(duì)下肢EMG時(shí)域信號(hào)進(jìn)行區(qū)間劃分，再通過(guò)高斯白噪聲因子逐 次對(duì)每一區(qū)間的噪聲進(jìn)行評(píng)估，當(dāng)噪聲的能量超出閾值時(shí)，采用濾波結(jié)果，否則采用濾波前 的信號(hào)。在表面EMG信號(hào)具有非平穩(wěn)性、非線性特點(diǎn)的前提下，本發(fā)明將離散小波變換 (Discrete Wavelet Transform，DWT)應(yīng)用到下肢EMG信號(hào)的特征提取中，它是將時(shí)域、頻域 分析相結(jié)合對(duì)表面EMG信號(hào)的時(shí)間和頻率所包含的信息進(jìn)行分析。而傳統(tǒng)的偽跡消除(如帶 通濾波器）、特征提取(如傅立葉變換、時(shí)域和頻域分析)方法僅僅獨(dú)立地在時(shí)域或者頻域中 分析數(shù)據(jù)，并將EMG信號(hào)視為平穩(wěn)或者短時(shí)平穩(wěn)信號(hào)進(jìn)行處理，因此傳統(tǒng)的方法并不能準(zhǔn)確 地獲取人體下肢肢體運(yùn)動(dòng)動(dòng)作的EMG生理反應(yīng)特征。奇異值分解（Singular Value DeC〇mp〇Siti〇n，SVD)是一種有效的代數(shù)特征提取方法，由于奇異值特征在描述信號(hào)數(shù)值上 比較穩(wěn)定，且具有轉(zhuǎn)置不變性、旋轉(zhuǎn)不變形、位移不變性等重要性質(zhì)，因此奇異值特征可以 作為信號(hào)的一種有效的代數(shù)特征描述。最后，本發(fā)明將離散小波變換(DWT)和奇異值分解 (SVD)相結(jié)合，基于新的下肢EMG信號(hào)預(yù)處理方法，進(jìn)一步提出時(shí)、頻域結(jié)合的濾波方法，根 據(jù)上述得到的特征矩陣，采用支持向量機(jī)(Support Vector Machine，SVM)的方法對(duì)信號(hào)進(jìn) 行分類識(shí)別。
[0006] 本發(fā)明的技術(shù)方案為:一種用于人體下肢表面肌電信號(hào)的辨識(shí)方法，其特征在于， 包括以下步驟：
[0007] a.將一次性肌電電極粘放至下肢肌肉組織表皮上，實(shí)時(shí)采集對(duì)應(yīng)肌肉塊在活動(dòng)動(dòng) 作刺激下的表面EMG信號(hào)；
[0008] b.對(duì)步驟a中采集的EMG信號(hào)進(jìn)行預(yù)處理，獲得消除偽跡信號(hào)后的EMG信號(hào);所述預(yù) 處理方法包括工頻干擾濾波、基線漂移濾波和高斯白噪聲濾波;本步驟中，工頻干擾濾波、 基線漂移濾波和高斯白噪聲濾波的順序可以進(jìn)行任意排列；
[0009] C.使用離散小波變換方法對(duì)步驟b獲得的EMG信號(hào)進(jìn)行分解，分解后獲得低頻系數(shù) 向量cAl和高頻系數(shù)向量cDl;使用離散小波變換的方法對(duì)低頻系數(shù)向量cAl進(jìn)行分解，獲得 低頻系數(shù)向量cA2和高頻系數(shù)cD2;繼續(xù)重復(fù)使用離散小波變換的方法對(duì)低頻系數(shù)向量進(jìn)行 分解，直至獲得低頻系數(shù)向量cA5和5個(gè)高頻系數(shù)列cDl，cD2，cD3，cD4，cD5為止；
[0010] d.采用時(shí)、頻域結(jié)合的濾波方法，將步驟c中獲得的小波分量進(jìn)行奇異值分解，并 將分解得到的奇異值構(gòu)成特征矩陣；
[0011] e.以步驟d中獲得的特征矩陣為樣本，采用支持向量機(jī)對(duì)特征樣本進(jìn)行訓(xùn)練，并生 成支持向量機(jī)分類器用于對(duì)盲樣本進(jìn)行分類識(shí)別。
[0012] 2、根據(jù)權(quán)利要求1所述的一種用于人體下肢表面肌電信號(hào)的辨識(shí)方法，其特征在 于，步驟b中所述預(yù)處理的具體方法包括：
[0013] bl.工頻干擾濾波;具體方法為:將步驟a中采集得到的EMG信號(hào)c(t)作為原始輸入 信號(hào)CPLI(t)進(jìn)行陷波濾波，得到濾波結(jié)果為a(t)，定義工頻干擾因子e PLI，則ePLI可通過(guò)如下 公式1計(jì)算：
[0014]
[0015] 其中，var是信號(hào)方差算子，用于計(jì)算時(shí)間序列的方差，通過(guò)工頻干擾因子ePLI對(duì)濾 波結(jié)果進(jìn)行修正如下公式2所示：
[0016]
[0017] 其中，sPLI(t)是濾除工頻干擾噪聲的最終結(jié)果，公式2表明如果工頻干擾噪聲的能 量占比超過(guò)原始信號(hào)能量的10%，則采用陷波濾波器的濾波結(jié)果；
[0018] b2.基線漂移濾波;具體方法為:將步驟bl獲得的信號(hào)SPLI(t)作為原始輸入信號(hào)CBW (t)進(jìn)行低通濾波，濾波結(jié)果為d(t)，定義基線漂移因子為εΒν，則εΒνΡΤ通過(guò)如下公式3計(jì)算：
[0019]
[0020]根據(jù)基線漂移因子對(duì)濾波得到的基線漂移噪聲d(t)進(jìn)行修正得到b(t)，其表達(dá) 式如公式4所示：
[0021]
[0022]最后，得到去除基線漂移噪聲后的信號(hào)SBw(t)如下公式5所示：
[0023] SBw(t) = CBw(t)-b(t) (公式 5);
[0024] b3.高斯白噪聲濾波;具體方法為:將步驟b2得到的信號(hào)sBW(t)作為原始輸入信號(hào) CWCN(t)進(jìn)行濾波;對(duì)時(shí)域信號(hào)CTCN(t)基于過(guò)零點(diǎn)進(jìn)行區(qū)間劃分，再通過(guò)閾值判斷方法對(duì)信 號(hào)CTCN(t)進(jìn)行高斯白噪聲濾波;具體為:假設(shè)信號(hào)內(nèi)包含j個(gè)過(guò)零點(diǎn) 21(1 = 1，2，...，」），則 對(duì)于區(qū)間Zi<tj<Zi+1內(nèi)的信號(hào)有：
[0025]
[0026] 其中，T為信號(hào)c (t)的閾值，t m為區(qū)間內(nèi)的極值點(diǎn)；閾值T由如下公式7和公式8確 定：
[0027]
[0028] o=median( | CwGN(t) | :t = l，2, · · ·，L)/0.6745 (公式8)
[0029 ]此處，σ為輸入信號(hào)ctcn (t)的噪聲水平;L為信號(hào)ctcn (t)的長(zhǎng)度，特別地對(duì)于離散信 號(hào)L即為離散點(diǎn)點(diǎn)數(shù);median為信號(hào)中位數(shù)算子，用于獲取時(shí)間序列的中位數(shù)。
[0030] 本發(fā)明的有益效果為，相對(duì)于傳統(tǒng)技術(shù)，本發(fā)明提出了一種新的下肢EMG信號(hào)預(yù)處 理方法，同時(shí)基于偽跡消除后的下肢EMG信號(hào)特點(diǎn)，首先提出結(jié)合DWT和SVD，對(duì)下肢典型運(yùn) 動(dòng)動(dòng)作的EMG信號(hào)如行走支撐、行走行走、下蹲和站立等進(jìn)行特征提取，最后通過(guò)SVM對(duì)所提 出的特征矩陣進(jìn)行分類辨識(shí)。
【附圖說(shuō)明】
[0031] 圖1為本發(fā)明的流程圖；
[0032]圖2為利用小波函數(shù)對(duì)信號(hào)進(jìn)行5層小波分解過(guò)程的邏輯框圖。
【具體實(shí)施方式】
[0033]下面結(jié)合附圖，詳細(xì)描述本發(fā)明的技術(shù)方案：
[0034]如圖1所示，本發(fā)明用于人體下肢表面肌電信號(hào)的辨識(shí)方法，主要包括以下步驟： [0035]步驟1)下肢動(dòng)作原始EMG信號(hào)獲?。?br>[0036] 將一次性肌電電極粘放至下肢肌肉組織表皮上，實(shí)時(shí)采集對(duì)應(yīng)肌肉塊在活動(dòng)動(dòng)作 刺激下的表面EMG信號(hào)c(t);
[0037] 步驟2)原始信號(hào)預(yù)處理(偽跡消除方法）：
[0038] 對(duì)采集得到的原始EMG信號(hào)進(jìn)行偽跡消除，其包括對(duì)工頻干擾噪聲、高斯白噪聲、 基線漂移噪聲的濾除。本步驟中的三種噪聲的濾波沒(méi)有固定的先后順序，這里按工頻干擾 噪聲的濾波、高斯白噪聲的濾波、基線漂移的濾波這一順序進(jìn)行描述;其次，在敘述上本文 中的"去噪"與"對(duì)噪聲的濾波"含義相同。
[0039] a)工頻干擾的去噪:將采集得到的表面EMG信號(hào)，c(t)，作為本次去噪過(guò)程的原始 輸入信號(hào)，cPLI(t)，進(jìn)行陷波濾波，得到濾波結(jié)果，a(t)，同時(shí)定義工頻干擾因子，e PLI，如公 式(1)所示：
[0040] (1)
[0041] 其中，var是信號(hào)方差算子，用于計(jì)算時(shí)間序列的方差。通過(guò)工頻干擾因子ePLI對(duì)濾 波結(jié)果進(jìn)行修正如下：
[0042] (2)
[0043] 其中，SPLI(t)是濾除工頻干擾噪聲的最終結(jié)果。公式(2)表明如果工頻干擾噪聲的 能量占比超過(guò)原始信號(hào)能量的10%，則采用陷波濾波器的濾波結(jié)果。
[0044] b)基線漂移的去噪:將進(jìn)行工頻干擾濾波后得到的信號(hào)，sPLI(t)，作為本次去噪過(guò) 程的原始輸入信號(hào)，CBW(t)，進(jìn)行低通濾波，濾波結(jié)果為d(t)。類似地，定義基線漂移因子， ￡bw，如公式（3)所不：
[0045] … (3)
[0046] 根據(jù)基線漂移因子，eBw，對(duì)濾波得到的基線漂移噪聲，d(t)，進(jìn)行修正得到，b(t)， 其表達(dá)式如公式(4)所示：
[0047] (4)
[0048] 最后，得到去除基線漂移噪聲后的信號(hào)SBw(t)如下：
[0049] SBw(t) = CBw(t)-b(t) (5)
[0050] C)高斯白噪聲的去噪:將進(jìn)行基線漂移噪聲濾波后得到的信號(hào)SBW(t)作為本次去 噪過(guò)程的原始輸入信號(hào)CTCN(t)進(jìn)行濾波。對(duì)時(shí)域信號(hào)CTCN(t)基于過(guò)零點(diǎn)進(jìn)行區(qū)間劃分，再 通過(guò)閾值判斷方法對(duì)信號(hào)C TCN(t)進(jìn)行高斯白噪聲濾波。假設(shè)，信號(hào)內(nèi)包含j個(gè)過(guò)零點(diǎn)21(1 =
[0051] 1，2,. . .，j)，則對(duì)于區(qū)間Zi<tj<Zi+1內(nèi)的信號(hào)有：
(6)[0052]其中，T為信號(hào)c (t)的閾值，t m為區(qū)間內(nèi)的極值點(diǎn)。閾值T由公式(7)和(8)確定：[0053]
(7)
[0054] o=median( | cwGN(t) | : t = 1，2，· · ·，L)/0·6745 (8)
[0055]此處，σ為輸入信號(hào)CWGN( t)的噪聲水平;L為信號(hào)cwgn( t)的長(zhǎng)度，特別地對(duì)于離散信 號(hào)L即為離散點(diǎn)點(diǎn)數(shù);median為信號(hào)中位數(shù)算子，用于獲取時(shí)間序列的中位數(shù)。
[0056] 步驟3)離散小波變換(DWT):
[0057] 小波變換是將時(shí)域分析和頻域分析相結(jié)合形成的一種新的分析方法，反映的是表 面肌電信號(hào)在時(shí)間和頻率兩個(gè)維度上所呈現(xiàn)的變化，因此該方法相對(duì)于以上兩種方法而言 理論上應(yīng)具有一定的優(yōu)勢(shì)，能夠充分利用表面肌電信號(hào)所包含的信息。小波分析是一種窗 口的大小固定、形狀可變的時(shí)頻局部化信號(hào)分析方法，即在低頻部分具有較高的頻率分辨 率和較低的時(shí)間分辨率，在高頻部分具有較高的時(shí)間分辨率和較低的頻率分辨率。
[0058]給定一個(gè)長(zhǎng)度為N的信號(hào)S，離散小波分解(DWT)最多可以把信號(hào)分解成log2N個(gè)頻 率級(jí)。第一步分解開(kāi)始于信號(hào)S，分解后分解系數(shù)由兩部分組成:低頻系數(shù)向量cAl和高頻系 數(shù)向量cDl，前者也被稱為近似(Approximation)成分，后者也被稱為細(xì)節(jié)(Detail)成分。向 量cAl是由信號(hào)S與低通分解濾波器經(jīng)過(guò)卷積運(yùn)算得到的，向量cDl是由信號(hào)S與高通分解濾 波器經(jīng)過(guò)卷積運(yùn)算得到的。在下一步分解中，用同樣的方法把低頻系數(shù)cAl分成兩部分，即 把上面的信號(hào)S用cAl代替，分解后返回尺度2的低頻系數(shù)cA2和高頻系數(shù)cD2,同時(shí)尺度1的 高頻系數(shù)cDl保持不變，依此類推繼續(xù)分解。最后得到一個(gè)低頻系數(shù)列cA5和五個(gè)高頻系數(shù) 列cDl，〇02,〇03,〇04,〇05，如圖2所不。
[0059]基于對(duì)下肢運(yùn)動(dòng)的EMG信號(hào)的分解得到的分量，我們?cè)趯?duì)其進(jìn)行帶通濾波處理，使 得。01，。02，。03，。04^5的頻帶范圍分別是256-512抱、128-256抱、64-128抱、32-64抱以及 16-32HZ。
[0060] 步驟4)奇異值分解(SVD):
[0061]根據(jù)步驟3中的方法，下肢運(yùn)動(dòng)的EMG信號(hào)可以通過(guò)DWT方法進(jìn)行分解，從步驟3中 得到的一個(gè)低頻系數(shù)列cA5和五個(gè)高頻系數(shù)列cDl，cD2，cD3，cD4，cD5中，選取5個(gè)數(shù)據(jù)來(lái)構(gòu) 成矩陣表達(dá)式，如選擇:cD2，cD3，cD4，cD5和cA5構(gòu)成矩陣，得到5 X I的矩陣表達(dá)如下，Mij = [d2i;d3i;d4i ;d5i;a5i]，i = l，2, · · ·，1，其中I為下肢運(yùn)動(dòng)動(dòng)作樣本數(shù)，d2i、d3i、d4i、d5i和 a5i對(duì)應(yīng)DWT分解獲得的系數(shù)，為了獲取能在SVM分類中能夠使用的特征值，這里將使用SVD 對(duì)Mij進(jìn)行分解獲取奇異值。
[0062] 對(duì)于M，NeCmXn，如果存在m階酉矩陣U和η階酉矩陣V使得等式UTMV=N成立，則認(rèn)為 矩陣Μ和N酉等價(jià)。如果ME >矽，則矩陣MTM的特征值應(yīng)滿足以下關(guān)系：
[0063] λχ λ2 ^： · · · ^： λΓ λΓ+ι = · · · = λη=〇 (9)
[0064] 于是可得，矩陣Μ的奇異值為
[0065] 老
則一定存在m階酉矩陣U和η階酉矩陣V，使得矩陣Μ，矩陣U和
[0066] 矩陣V滿足公式(10):
(10)
[0067] Σ =^38(0^02, · · .or)，其中〇i(i = l，2, · · ·，r是矩陣 Μ 的非零奇異值；公式（10) 等價(jià)于公式(11):
[0068] UU
[0069] 這里，
[0070] U=MMT (12)
[0071] V=MTM (13)
[0072] 其中，公式（11)也被稱為矩陣Μ的奇異值分解(SVD)。
[0073] 步驟5)SVM分類：
[0074]為了對(duì)下肢運(yùn)動(dòng)進(jìn)行分類，通過(guò)DWF分解得到的這些矩陣的奇異值，被用作下肢 EMG信號(hào)的時(shí)頻域特征矩陣。對(duì)于被選定的數(shù)據(jù)段，矩陣由以下公式確定：
[0075]
[0076] 其中，i是每次實(shí)驗(yàn)(Trial)的數(shù)據(jù)的奇異值個(gè)數(shù)，j是EMG樣本個(gè)數(shù)。
[0077] Vapnik等人創(chuàng)建了支持向量機(jī)(SVM)方法。SVM的基本思想是將數(shù)據(jù)映射到高維空 間中，并找出具有最大決策邊緣的超平面。SVM公式所表征的風(fēng)險(xiǎn)最小化原則已被證明優(yōu)于 其他傳統(tǒng)的經(jīng)驗(yàn)性的風(fēng)險(xiǎn)最小化原則。為了獲得一個(gè)魯棒性好的實(shí)時(shí)分類器，在本發(fā)明中， 用于SVM分類所需的特征值將從時(shí)域或頻域兩方面獲取，或使用時(shí)頻域相結(jié)合的分析方法。
[0078] 假設(shè)存在1個(gè)樣本的訓(xùn)練向量^和相對(duì)應(yīng)的分類標(biāo)簽7^(~71)，...，（~71)￡1^ X {-1，1}，則SVM本質(zhì)上是求解二次最優(yōu)化問(wèn)題：
[0079]
[0080] yi(w · Xi+b)^Ki，Gi>0(i = l，2, · · ·，1) (15)
[0081] 其中，C是常數(shù)是松弛變量，w是權(quán)重向量，b是偏差值。對(duì)于實(shí)例X，其判別函數(shù) 如下所5·
[_] (]6)
[0083]其中，Ns是支持向量的個(gè)數(shù)，cti是正的拉格朗日乘子，G(x，Xi)是核函數(shù)。SVM中最重 要的規(guī)則參數(shù)也由訓(xùn)練集的十倍交叉驗(yàn)證過(guò)程所決定。
[0084]本專利采用線性內(nèi)核函數(shù)K處理特征矩陣M^，支持向量機(jī)的分類函數(shù)f(x)可描述 為：
[_5] (17)
[0086] η是樣本個(gè)數(shù)，幻是第j個(gè)樣本，η是第j個(gè)樣本的SVM輸出，K是用于數(shù)據(jù)變換的線性 內(nèi)核函數(shù)，A是對(duì)偶優(yōu)化問(wèn)題的拉格朗日乘子。
[0087]樣本數(shù)據(jù)首先通過(guò)歸一化處理（零均值+單位標(biāo)準(zhǔn)偏差處理），然后通過(guò)十倍交叉 驗(yàn)證技術(shù)評(píng)估分類辨識(shí)效果。本發(fā)明能夠使人體下肢肢體運(yùn)動(dòng)動(dòng)作的識(shí)別準(zhǔn)確率得到有效 提1?。
【主權(quán)項(xiàng)】
1. 一種用于人體下肢表面肌電信號(hào)的辨識(shí)方法，其特征在于，包括以下步驟： a. 將一次性肌電電極粘放至下肢肌肉組織表皮上，實(shí)時(shí)采集對(duì)應(yīng)肌肉塊在活動(dòng)動(dòng)作刺 激下的表面EMG信號(hào)； b. 對(duì)步驟a中采集的EMG信號(hào)進(jìn)行預(yù)處理，獲得消除偽跡信號(hào)后的EMG信號(hào);所述預(yù)處理 方法包括工頻干擾濾波、基線漂移濾波和高斯白噪聲濾波； c. 使用離散小波變換方法對(duì)步驟b獲得的EMG信號(hào)進(jìn)行分解，分解后獲得低頻系數(shù)向量 cAl和高頻系數(shù)向量cDl;使用離散小波變換的方法對(duì)低頻系數(shù)向量cAl進(jìn)行分解，獲得低頻 系數(shù)向量cA2和高頻系數(shù)cD2;繼續(xù)重復(fù)使用離散小波變換的方法對(duì)低頻系數(shù)向量進(jìn)行分 解，直至獲得低頻系數(shù)向量cA5和5個(gè)高頻系數(shù)列cDl，cD2，cD3，cD4，cD5為止； d. 采用時(shí)、頻域結(jié)合的濾波方法，將步驟c中獲得的小波分量進(jìn)行奇異值分解，并將分 解得到的奇異值構(gòu)成特征矩陣； e. 以步驟d中獲得的特征矩陣為樣本，采用支持向量機(jī)對(duì)特征樣本進(jìn)行訓(xùn)練，并生成支 持向量機(jī)分類器用于對(duì)盲樣本進(jìn)行分類識(shí)別。2. 根據(jù)權(quán)利要求1所述的一種用于人體下肢表面肌電信號(hào)的辨識(shí)方法，其特征在于，步 驟b中所述預(yù)處理的具體方法包括： bl.工頻干擾濾波;具體方法為:將步驟a中采集得到的EMG信號(hào)c(t)作為原始輸入信號(hào) CPLI(t)進(jìn)行陷波濾波，得到濾波結(jié)果為a(t)，定義工頻干擾因子ePLI，則機(jī)河通過(guò)如下公式 1計(jì)算：其中，var是信號(hào)方差算子，用于計(jì)算時(shí)間序列的方差，通過(guò)工頻干擾因子ePLI對(duì)濾波結(jié) 果進(jìn)行修正如下公式2所示：其中，sPLI(t)是濾除工頻干擾噪聲的最終結(jié)果，公式2表明如果工頻干擾噪聲的能量占 比超過(guò)原始信號(hào)能量的10%，則采用陷波濾波器的濾波結(jié)果； b2.基線漂移濾波;具體方法為:將步驟bl獲得的信號(hào)sPu(t)作為原始輸入信號(hào)cBW(t) 進(jìn)行低通濾波，濾波結(jié)果為d(t)，定義基線漂移因子為εΒν，則εΒνΡΤ通過(guò)如下公式3計(jì)算：根據(jù)基線漂移因子ε?對(duì)濾波得到的基線漂移噪聲d(t)進(jìn)行修正得到b(t)，其表達(dá)式如 公式4所示：最后，得到去除基線漂移噪聲后的信號(hào)SBW(t)如下公式5所示： SBW(t) = CBW(t)-b(t)(公式5); b3.高斯白噪聲濾波；具體方法為:將步驟b2得到的信號(hào)SBW(t)作為原始輸入信號(hào)CTCN (t)進(jìn)行濾波;對(duì)時(shí)域信號(hào)CTCN(t)基于過(guò)零點(diǎn)進(jìn)行區(qū)間劃分，再通過(guò)閾值判斷方法對(duì)信號(hào) CWCN⑴進(jìn)行高斯白噪聲濾波;具體為:假設(shè)信號(hào)內(nèi)包含j個(gè)過(guò)零點(diǎn)21(1 = 1，2，...，」），則對(duì) 于區(qū)間Zi<tj<Zi+1內(nèi)的信號(hào)有：其中，T為信號(hào)C(t)的閾值，U為區(qū)間內(nèi)的極值點(diǎn)；閾值T由如下公式7和公式8確定：〇=mediarU I cwGN〈t川：t = U，· · ·，L)/0.6745(公式8) 此處，σ為輸入信號(hào)ctcn( t)的噪聲水平;L為信號(hào)ctcn( t)的長(zhǎng)度，特別地對(duì)于離散信號(hào)L 即為離散點(diǎn)點(diǎn)數(shù);median為信號(hào)中位數(shù)算子，用于獲取時(shí)間序列的中位數(shù)。
【文檔編號(hào)】A61B5/04GK105997064SQ201610326948
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年5月17日
【發(fā)明人】張羿, 溫悅欣, 張向剛, 秦開(kāi)宇
【申請(qǐng)人】成都奧特為科技有限公司