《基于粒子群优化支持向量机的肌电信号步态识别方法.pdf》由会员分享，可在线阅读，更多相关《基于粒子群优化支持向量机的肌电信号步态识别方法.pdf（12页珍藏版）》请在专利查询网上搜索。
1、10申请公布号CN104107042A43申请公布日20141022CN104107042A21申请号201410326582222申请日20140710A61B5/0488200601A61B5/1120060171申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区2号大街72发明人高发荣王佳佳席旭刚佘青山罗志增74专利代理机构杭州求是专利事务所有限公司33200代理人杜军54发明名称基于粒子群优化支持向量机的肌电信号步态识别方法57摘要本发明涉及一种基于粒子群优化支持向量机的肌电信号步态识别方法。本发明利用粒子群优化算法，优化支持向量机的惩罚参数和核函数参数，从而优化支持向量机。
2、的性能，实现有效识别分类。首先对采集的下肢肌电信号进行小波模极大值去噪；其次对消噪后的肌电信号提取时域特征，得到特征样本；然后利用利用粒子群优化算法进行支持向量机的参数优化，得到误差最小的一组最优参数，构造分类器；最后将肌电信号特征样本集输入分类器随对步行状态进行分类识别。本发明方法兼顾分类的准确性和自适应性，计算过程简单、高效，在下肢运动状态识别领域具有广阔的应用前景。51INTCL权利要求书2页说明书6页附图3页19中华人民共和国国家知识产权局12发明专利申请权利要求书2页说明书6页附图3页10申请公布号CN104107042ACN104107042A1/2页21基于粒子群优化支持向量机的。
3、肌电信号步态识别方法，其特征在于该方法包括如下步骤步骤1，下肢肌电信号的样本获取；按肌肉群在行走时步态动作不同阶段的作用和贡献大小，以及对表面肌电信号采集设备的敏感程度，选择大腿上具代表性的四块肌肉，通过肌电采集仪拾取的下肢行走时肌肉的原始肌电信号；采用小波模极大值去噪方法，首先对肌电信号进行小波分解，然后根据小波系数的奇异性，利用信号与噪声模极大值在小波尺度上的不同变化特性，分离出信号与噪声，最后重构消噪后的肌电信号样本数据；实现对含有噪声的肌电信号进行消噪处理，即去除白噪声并保留奇异点信息；具体如下首先，对含噪信号进行离散小波变换；先对采集的原始肌电信号进行4层小波分解，基小波选用紧支集双。
4、正交小波SYM8，得到尺度S上位置X处的含噪信号F的离散小波变换WFS,X；其次，求取含噪信号的LIP指数；信号的奇异点就是信号中的突变点，LIP指数是表征信号局部奇异点特征的一种量度，定义如下设正整数N，NN1，如果存在正整数A0及N次多项式PNX，使得|FXPNXX0|A|XX0|1对于XX0,X0成立，则称FX在X0点是LIP的；越大，该点的光滑度越高；越小，该点的奇异性越大；再次，保留有用信号点；信号FX的LIP指数与小波模极大值小波模极大值需满足|WFS,X|WFS,X0，X0为小波变换在尺度S下的局部模极大值点需满足其中，T为时间，J为小波尺度，KRN；对一般信号0，小波变换的模极。
5、大值将随着尺度J的增大而增大；而对于白噪声0，其模极大值随着尺度J的增大而减小；因此利用不同尺度间小波变换模极大值变换的规律，去除幅度随尺度的增加而减小的点对应噪声的极值点，保留幅度随尺度增加而增大的点对应有用信号的极值点；最后，对WFS,X0进行小波重构，得到小波模极大值去噪后的肌电信号样本；步骤2，下肢肌电信号的特征提取；对于步骤1获取的肌电信号，通过提取其积分肌电值、绝对值方差时域特征，得到特征向量的样本集；具体如下积分肌电值的计算式为这里，XI,I0,1,2,N1为一长度N的肌电信号时间样本序列，I为每组采样点数；绝对值方差的定义如下其中II为肌电信号的积分肌电值；由此，得到四路肌电信。
6、号的八个特征参数，构成一组特征向量Z；权利要求书CN104107042A2/2页3步骤3，构造基于PSOSVM的分类器；用PSO对SVM进行参数优化选择，得到SVM误差最小的一组惩罚参数及核函数参数；具体如下一、在每一次迭代过程中，粒子通过个体极值和全局极值更新自身的速度和位置，更新公式如下5式中，W为惯性权重；D1,2,D为空间维数，I1,2,N为粒子数；K为当前迭代次数；表示在第I个粒子的飞行速度，表示第I个粒子的位置；和分别表示第I个粒子的个体最优解和全局最优解；这里第D维的位置变化范围为速度变化范围为在迭代中若XID超出边界值，则将其设为边界值XMAX或XMAX；C1和C2为学习因子或。
7、加速因子，分别代表将每个粒子推向个体极值和全局极值位置的统计加速项的权值，在0,4范围内中取值；R1和R2为分布于0,1之间的随机数；二、支持向量机SVM；SVM的基本思想是将向量映射到一个更高维的特征空间，在这个空间里建立一个使不同类型数据点间隔最大的面，即最大间隔超平面；通过设定适当的核函数KZI,Z进行非线性变换将输入空间变换到一个高维空间，然后在这个新空间中求取最优线性分类面；SVM的输出分类决策函数为AI为每个训练样本所对应的拉格朗日系数；KZI,Z为核函KZI,ZEXP|ZIZ|2/G2；C为惩罚参数，BR为偏置；三、基于PSO的SVM参数优化选择径向基核函数，PSO优化SVM就是。
8、优化支持向量机的惩罚参数C和核函数半径参数G，使优化后的SVM更好地进行识别分类；四、PSO优化SVM流程如下1给定参数空间内随机生成M个粒子的初始数值；生成的粒子即SVM参数，选用一定样本输入确定参数的SVM模型；2确定SVM的分类决策函数值；3对选定的参数即粒子进行适应度的计算评价；4若不满足终止条件，则采用PSO算法对粒子的位置、速度进行迭代更新，生成新一代的粒子，转向2；5若满足终止条件，则输出最优参数，重新训练SVM，作为最终的分类器进行识别分类；这样，经过以上PSO优化算法，就得到了SVM的惩罚参数C和核函数半径参数G的最优值，用于SVM的训练和分类预测；步骤4，下肢肌电信号的步态。
9、识别；将步骤2提取的肌电信号特征样本集，随机分成训练样本和测试样本两组；训练集用于训练PSO优化后的SVM建立模型；测试集用于输入SVM分类器进行识别，得到识别结果。权利要求书CN104107042A1/6页4基于粒子群优化支持向量机的肌电信号步态识别方法技术领域0001本发明属于模式识别领域，涉及一种肌电信号识别方法，特别涉及一种用于下肢行走中的肌电信号步态识别方法。背景技术0002人体步态是指人行走时所表现出的姿态。在两腿交替进行的正常行走状态下，步态具有周期性、协调性、均衡性的特点。在一个步态周期内，按照足底与地面的接触情况，可将步态分为支撑相足触地和摆动相足离地。两个相位又可再细分为支。
10、撑前期、支撑中期和支撑后期，以及摆动前期和摆动后期共5个阶段。步态是人自身生理结构、运动功能、健康状况、行为习惯等诸多因素在行走时的综合外在表现。0003步态运动主要依靠腿部肌肉协调驱动下肢肌肉骨骼系统来完成，而肌电信号EMG是由肌肉收缩时所产生的动作电位序列，它与肌肉的活动状态和运动的功能状态之间存在着一定程度的关联，不同肢体动作间的差异可通过肌电信号的特征来体现。对这些特征的分析，有可能用于区分下肢行走时的不同步态，这在运动医学和康复医学等领域尤为重要。0004下肢肌电信号步态运动识别研究始于上世纪90年代，现已得到广泛关注。已有的肌电信号模式识别算法包括基于神经网络的方法、基于隐马尔可夫。
11、模型的方法和基于贝叶斯的方法等。ABELEW等人使用了学习矢量量化网络、自组织特征映射神经网络，以及改进的BP神经网络对人体动作进行模式识别，RABINERLA等人研究表明隐马尔可夫模型方法对时间序列的变化提供了一个良好的概率描述，罗志增等人利用贝叶斯方法对上肢肌电信号识别分类。这些研究都取得了一定的成果，然而肌电信号作为一种非平稳的微弱信号，如何增强识别分类能力，提高在步态动作中的识别率，仍然是该研究面临的难题。0005随着支持向量机SVM的发展，人们开始使用支持向量机对肌电信号提取的特征进行分类，其识别效果优于传统方法。在国外，NAIKGR等人提取手部各类动作肌电信号的分形维特征，然后结合。
12、支持向量机识别手部各个动作，取得了较高的识别率。国内，杨鹏等人利用隐马尔可夫模型与支持向量机相结合的方法，有效识别了站立及行走的运动模式。支持向量机的优点在于，克服了传统神经网络易陷入局部极小和分类效果不理想的缺点。0006然而在实际问题中，支持向量机的性能好坏主要取决于核函数的构造及其参数的选择。通常参数选择方法的做法是，在一定参数范围内，对每个参数按照一定的间隔取值，进行各个参数不同的水平组合，构成多组备选的参数组合，选择使得期望风险上界最小的一组作为最优参数值。这种参数选择方法的缺点，一是受数据规模的限制，二是优化方法相当耗时，且很难精确找到最优参数。因此，本发明提出一种粒子群优化PSO。
13、算法，自适应粒子根据实际情况动态平衡其全局搜索与局部搜索能力，能快速准确地找到支持向量机的最优参数，有效进行步态识别。说明书CN104107042A2/6页5发明内容0007本发明的目的是针对现有支持向量机在肌电信号步态识别中参数选择的不足，采用PSO粒子群优化算法，优化支持向量机的惩罚参数和核函数参数，使用优化后的支持向量机对肌电信号提取的特征值进行识别分类，从而提高行走时步态的正确识别率。0008为了实现以上目的，本发明方法包括以下步骤0009步骤1，下肢肌电信号的样本获取。按肌肉群在行走时步态动作不同阶段的作用和贡献大小，以及对表面肌电信号采集设备的敏感程度，选择大腿上具代表性的四块肌肉。
14、，通过肌电采集仪拾取的下肢行走时肌肉的原始肌电信号。采用小波模极大值去噪方法，首先对肌电信号进行小波分解，然后根据小波系数的奇异性，利用信号与噪声模极大值在小波尺度上的不同变化特性，分离出信号与噪声，最后重构消噪后的肌电信号样本数据。实现对含有噪声的肌电信号进行消噪处理，即去除白噪声并保留奇异点信息。具体方法如下0010首先，对含噪信号进行离散小波变换。先对采集的原始肌电信号进行4层小波分解，基小波选用紧支集双正交小波SYM8，得到尺度S上位置X处的含噪信号F的离散小波变换WFS,X。0011其次，求取含噪信号的LIP指数。信号的奇异点就是信号中的突变点，LIP指数是表征信号局部奇异点特征的一。
15、种量度，定义如下0012设正整数N，NN1，如果存在正整数A0及N次多项式PNX，使得0013|FXPNXX0|A|XX0|10014对于XX0,X0成立，则称FX在X0点是LIP的。越大，该点的光滑度越高；越小，该点的奇异性越大。0015再次，保留有用信号点。信号FX的LIP指数与小波模极大值小波模极大值需满足|WFS,X|WFS,X0，X0为小波变换在尺度S下的局部模极大值点需满足00160017其中，T为时间，J为小波尺度，KRN。0018对一般信号0，小波变换的模极大值将随着尺度J的增大而增大；而对于白噪声0，其模极大值随着尺度J的增大而减小。因此利用不同尺度间小波变换模极大值变换的规。
16、律，去除幅度随尺度的增加而减小的点对应噪声的极值点，保留幅度随尺度增加而增大的点对应有用信号的极值点。0019最后，对WFS,X0进行小波重构，得到小波模极大值去噪后的肌电信号样本。0020步骤2，下肢肌电信号的特征提取。对于步骤1获取的肌电信号，通过提取其积分肌电值、绝对值方差时域特征，得到特征向量的样本集。具体方法如下0021积分肌电值的计算式为00220023这里，XI,I0,1,2,N1为一长度N的肌电信号时间样本序列，I为每组采样点数。0024绝对值方差的定义如下说明书CN104107042A3/6页600250026其中II为肌电信号的积分肌电值。0027由此，得到四路肌电信号的八。
17、个特征参数，构成一组特征向量Z。0028步骤3，构造基于PSOSVM的分类器。用PSO对SVM进行参数优化选择，得到SVM误差最小的一组惩罚参数及核函数参数。具体方法如下0029一、粒子群优化PSO算法。PSO是从生物种群行为特征中得到启发并用于求解优化问题的，算法中每个粒子都代表问题的一个潜在解，用位置、速度和适应度值三项指标表示粒子特征。每个粒子对应一个由适应度函数决定的适应度值。粒子的速度决定了粒子移动的方向和距离，速度随自身及其他粒子的移动经验进行动态调整，从而实现个体在可解空间中的寻优。0030在每一次迭代过程中，粒子通过个体极值和全局极值更新自身的速度和位置，更新公式如下00310。
18、032500330034式中，W为惯性权重，较大的W适于对解的范围进行大范围探查，较小的W适于对解范围进行较小探查；D1,2,D为空间维数，I1,2,N为粒子数；K为当前迭代次数；表示在第I个粒子的飞行速度，表示第I个粒子的位置；和分别表示第I个粒子的个体最优解和全局最优解。这里第D维的位置变化范围为速度变化范围为在迭代中若XID超出边界值，则将其设为边界值XMAX或XMAX。0035C1和C2为学习因子或加速因子，分别代表将每个粒子推向个体极值和全局极值位置的统计加速项的权值，可在0,4范围内中取值；R1和R2为分布于0,1之间的随机数；群体规模即种群数量大小的选择，一般采用经验法取2040。
19、，对较难的或特定类别的问题可以取到100200；最大迭代次数MAXGEN为寻优终止条件。0036二、支持向量机SVM。SVM的基本思想是将向量映射到一个更高维的特征空间，在这个空间里建立一个使不同类型数据点间隔最大的面，即最大间隔超平面。通过设定适当的核函数KZI,Z进行非线性变换将输入空间变换到一个高维空间，然后在这个新空间中求取最优线性分类面。SVM的输出分类决策函数为00370038AI为每个训练样本所对应的拉格朗日系数；KZI,Z为核函KZI,ZEXP|ZIZ|2/G2；C为惩罚参数，BR为偏置。00391误差惩罚参数C，对错分样本比例和算法复杂度折衷，即在确定的特征子空间中调节学习机。
20、器置信范围和经验风险比例，使泛化能力对数据的预测判断能力最好。其选取由具体的问题而定，并取决于数据中噪声的数量；00402核函数参数，不同核函数对分类性能有影响，相同核函数不同参数也有影响。说明书CN104107042A4/6页7对SVM而言，核参数的改变隐含地改变了映射函数从而改变了样本在数据子空间分布的复杂程度维数，给定一个核函数核函数类型和核函数参数被确定，它就对应一个具有确定维数的数据子空间，也就限定该子空间对应的最优SVM。0041三、基于PSO的SVM参数优化。本发明选择径向基核函数，PSO优化SVM就是优化支持向量机的惩罚参数C和核函数半径参数G，使优化后的SVM更好地进行识别分。
21、类。0042四、PSO优化SVM流程如下00431给定参数空间内随机生成M个粒子的初始数值；生成的粒子即SVM参数，选用一定样本输入确定参数的SVM模型；00442确定SVM的分类决策函数值；00453对选定的参数即粒子进行适应度的计算评价；00464若不满足终止条件，则采用PSO算法对粒子的位置、速度进行迭代更新，生成新一代的粒子，转向2；00475若满足终止条件，则输出最优参数，重新训练SVM，作为最终的分类器进行识别分类。0048这样，经过以上PSO优化算法，就得到了SVM的惩罚参数C和核函数半径参数G的最优值，用于SVM的训练和分类预测。0049步骤4，下肢肌电信号的步态识别。将步骤2。
22、提取的肌电信号特征样本集，随机分成训练样本和测试样本两组。训练集用于训练PSO优化后的SVM建立模型。测试集用于输入SVM分类器进行识别，得到识别结果。0050本发明与已有的步态识别方法相比，具有如下特点00511、避免过学习、局部极小。神经网络在肌电信号模式识别领域应用广泛，但它仍然存在局部最优空间、学习速度慢、推广性差及难以处理复杂模式信息等困难，使实际应用受到限制。支持向量机克服了神经网络中局部极小的缺点，在解决小样本、非线性及高维模式问题中具有优势。00522、参数寻优过程自适应性好、简单、高效。粒子群优化算法中粒子根据实际情况动态平衡其全局搜索与局部搜索能力，具有自适应性。利用粒子群。
23、优化算法，优化支持向量机的惩罚参数和核函数参数，提高了参数优化速度，兼顾步态识别的准确性和自适应性。附图说明0053图1为本发明的实施流程图；0054图2为肌电信号消噪前后对比图；0055图3为支持向量机结构图；0056图4为PSO优化SVM流程图；0057图5为PSO寻找最佳参数的适应度准确率曲线图。具体实施方式0058下面结合附图对本发明的实施例作详细说明本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。但本发明的保护范围不限于下述的实施例。说明书CN104107042A5/6页80059如图1，本发明方法的实施主要包括四个步骤0060步骤一，下肢肌电信号的。
24、样本获取。按肌肉群在行走时步态动作不同阶段的作用和贡献大小，以及对表面肌电信号采集设备的敏感程度，选择大腿上最具代表性的四块肌肉股内侧肌、半腱肌、长收肌、阔筋膜张肌。这4块肌肉分布在大腿的不同区域，在位置和信号区分度上都具有典型性。受试者以正常速度15M/S进行平地行走，工作人员利用MYOTRACE400肌电采集仪，在周期性步态运动中采集上述4路肌肉表面肌电信号数据。0061采用小波模极大值去噪方法，先对肌电信号进行小波分解，然后根据小波系数的奇异性，利用信号与噪声模极大值在小波尺度上的不同变化特性，分离出信号与噪声，最后重构消噪后的肌电信号样本数据。结果如图2所示，图2A、B分别为消噪前、后。
25、的肌电信号，横轴为采样点数，纵轴为电压UV。从对比图中可以看出，经过小波模极大值去噪后的肌电信号，有用信息被很好地保留下来，信噪比明显提高。实现了对含有噪声的肌电信号进行消噪处理，即去除白噪声并保留奇异点信息。0062步骤二，下肢肌电信号的特征提取。对步骤一消噪处理后的肌电信号，提取积分肌电值和绝对值方差时域特征，得到特征向量样本集。具体实现过程如下0063求取第I状态时4路表面肌电信号的积分肌电值IIJ、绝对值方差VIJ,I1,2,N为状态序列号；J1,2,3,4对应四块肌肉，构建时域特征向量ZIII1,VI1,II2,VI2,II3,VI3,II4,VI4，可以得到8个特征向量组合成的特征。
26、向量样本集。0064步骤三，构造PSOSVM分类器。用PSO对SVM进行参数优化选择，得到使SVM误差最小的一组惩罚参数C和核函数参数G，优化流程如图4。将步骤二提取的肌电信号特征样本集对优化后的SVM分类器进行训练、测试，进行识别分类。具体实施方式如下0065首先，设置PSO算法的初始参数。参考潘丰等人对PSO算法的研究，设惯性权重W08，满足W02,1范围，学习因子C115,C217，符合0,4的取值范围。粒子规模即种群数量设置为20，最大迭代次数MAXGEN初设为100，作为PSO算法的迭代终止条件。0066如图5，当PSO满足迭代终止条件，优化过程结束，PSO寻找最佳参数的适应度准确率。
27、达到997086，输出最优参数CBEST9690311，GBEST1，均满足C01,10000，G01,100范围。优化后得到了SVM误差最小的一组惩罚参数及核函数参数。0067步骤四，下肢肌电信号的步态识别。将步骤二提取的肌电信号特征样本集随机分成训练样本和测试样本两组，并用训练样本训练PSO优化后的SVM建立模型。用测试样本输入SVM分类器，得到识别结果，支持向量机结构如图3所示。0068测试目标按照每个步态周期进行，依次分为为支撑前期中期后期、摆动前期后期，共5个识别状态。按照步骤二获取的正常步态下肌电信号的特征样本一共2760组，任意选取2000组样本数据作为训练集，剩余760组特征数据作为测试集，送入SVM分类器进行识别。若识别结果与测试目标一致，说明测试的动作进行了正确归类，否则是错误归类。对比识别结果如下表1和表2所示，可以看出，采用PSOSVM参数优化后的结果，在识别准确率和泛化能力方面，均优于未经参数优化的SVM识别结果。0069表1SVM对步态的识别结果0070说明书CN104107042A6/6页90071表2PSO优化SVM对步态的识别结果00720073说明书CN104107042A1/3页10图1说明书附图CN104107042A102/3页11图2图3说明书附图CN104107042A113/3页12图4图5说明书附图CN104107042A12。