本發(fā)明涉及一種肌電信號特征提取領(lǐng)域，特別涉及一種融合小波包和雙譜分析的肌電信號特征提取方法。
背景技術(shù)：
表面肌電(surface electromyography,sEMG)信號是肌肉收縮時所產(chǎn)生的電波動，既與肌肉本身的組織生理特性有關(guān)，也與神經(jīng)控制系統(tǒng)有關(guān)，它反映了神經(jīng)肌肉的活動和功能狀態(tài)。因此，肌電信號已廣泛應(yīng)用于生理醫(yī)學(xué)、康復(fù)醫(yī)學(xué)及運動醫(yī)學(xué)等領(lǐng)域的研究，并且成為驅(qū)動機(jī)器人、控制假肢運動以及功能性電刺激的理想控制信號。
sEMG具有非平穩(wěn)特性，同時，在采集sEMG信號時易受環(huán)境影響而引入高斯噪聲。單采用小波變換、AR模型或小波包變換等傳統(tǒng)方法進(jìn)行特征提取時，其正確識別率依然不高，導(dǎo)致指令控制智能硬件時出現(xiàn)誤動作。鑒于此，本文結(jié)合小波包的時頻分析能力和雙譜對高斯噪聲不敏感的優(yōu)勢，利用小波包對sEMG的各頻帶進(jìn)行分解，得到sEMG在不同頻帶內(nèi)的能量分布，然后通過對小波包重構(gòu)的時域信號分析，提取出雙譜特征，最后結(jié)合這兩種方法提取出特征向量。不僅能得到sEMG信號的特征信息，還能抑制噪聲，對sEMG信號識別具有很重要的意義。
技術(shù)實現(xiàn)要素：
本發(fā)明旨在解決以上現(xiàn)有技術(shù)的問題。提出了一種提高sEMG信號的識別率的融合小波包和雙譜分析的肌電信號特征提取方法。本發(fā)明的技術(shù)方案如下：
一種融合小波包和雙譜分析的肌電信號特征提取方法，其特征在于，包括以下步驟：
S1、輸入表面肌電sEMG信號，采用小波包對sEMG信號進(jìn)行j層分解；S2、選取n‘個有效頻帶，求出每個頻帶的能量；S3、將步驟S2求出的頻帶能量進(jìn)行歸一化處理，作為表面肌電sEMG信號的特征向量；S4、小波包重構(gòu)sEMG信號的時域信號；S5、對表面肌電sEMG的時域信號進(jìn)行雙譜分析，提取出雙譜特征；S6、融合小波包和雙譜分析的肌電信號特征向量。
步驟S1中采用小波包對表面肌電sEMG信號進(jìn)行j層分解，小波包對sEMG進(jìn)行分解的算法為：
式中為上層小波包分解結(jié)果，和為下一級分解結(jié)果，j是尺度指標(biāo)，l為位置指標(biāo)，n為頻率指標(biāo)，k為變量，h0和h1為分解使用的多分辨率濾波器系數(shù)。
進(jìn)一步的，所述步驟S2：選取n個有效頻帶，求出每個頻帶的能量具體包括步驟：假設(shè)信號的采樣頻率為2f，如果對信號進(jìn)行j層小波包分解，就可以形成2j個等寬頻帶，每個區(qū)間頻寬為f/(2j)，小波包分解之后，得到j(luò)層小波包系數(shù)Cj,m,k，k＝0,1,…,2j-1,m為小波包空間位置標(biāo)識；
由Parseval能量積分等式，sEMG信號x(t)在時域上的能量為：
根據(jù)該能量積分等式關(guān)聯(lián)起來可知，式子與x(t)的小波包變換系數(shù)Cj,k具有能量量綱，因此原始信號的能量分布用小波包能量譜來表示是可行的。
進(jìn)一步的，將步驟S2求出的頻帶能量進(jìn)行歸一化處理的公式為：
Tj,k表示頻帶能量；T′j,k表示歸一化處理的頻帶能量。
并將其當(dāng)作sEMG信號的特征向量，即：
T＝[T′1,T′2,…,T′n]。
T＝[T′1,T′2,…,T′n]。
進(jìn)一步的，步驟S4采用小波包重構(gòu)表面肌電sEMG的時域信號，其中小波包重構(gòu)算法為：
式中為上層小波包分解結(jié)果，和為下一級分解結(jié)果，j是尺度指標(biāo)，l為位置指標(biāo)，n為頻率指標(biāo)，k為變量，h0和h1為分解使用的多分辨率濾波器系數(shù)。
進(jìn)一步的，S5、對表面肌電sEMG的時域信號進(jìn)行雙譜分析，提取出雙譜特征，具體包括步驟：
設(shè)一離散、平穩(wěn)時間序列{x(i)}，t＝1,2,…,N，根據(jù)信號的離散傅里葉變換，雙譜定義為：
Bx(f1,f2)＝E[X(f1)X(f2)X*(f1+f2)]，
式中fi為頻率變量；X(fi)為信號的離散傅里葉變換；i＝1,2；E[]為數(shù)學(xué)期望，雙譜估計采用雙譜估計間接法，首先估計實驗數(shù)據(jù){x(i)}的三階累積量，然后對該累積量進(jìn)行二維DFT變換，這樣就得到隨機(jī)序列的雙譜估計。
進(jìn)一步的，所述雙譜估計間接法算法的具體描述如下：
a、將長度為N的實驗數(shù)據(jù){x(i)}分成K段，每段有M個數(shù)據(jù)，即N＝KM；
b、進(jìn)行去均值操作，去除每段數(shù)據(jù)的均值，使將分析數(shù)據(jù)的均值為0；
c、假設(shè){xj(i)}(i＝1,2,…,M；j＝1,2,…,K)為第j段的數(shù)據(jù)，估計每段數(shù)據(jù)的三階累積量：
表示第j段數(shù)據(jù)的三階積累量，
k1＝max{1,-m,-n}，k1表示1、-m、-n中最大值；
k2＝min{M,M-m,M-n}；k2表示M、M-m、M-n中最小值；
d、對進(jìn)行統(tǒng)計平均，得到K組數(shù)據(jù)的累積量估計，即：
e、對三階累積量估計進(jìn)行二維DFT變換，即得雙譜估計。
進(jìn)一步的，所述融合小波包和雙譜分析的肌電信號特征向量，其具體步驟為：
每個樣本的雙譜值為Bj(f1,f2)，j＝1,2,…,n，n為樣本數(shù)，對每個樣本分別進(jìn)行雙譜計算，取平均可得樣本雙譜為：
接下來再對每個樣本求極大值Max(Bj(f1,f2))所對應(yīng)的即為特征向量，
然后與所述能量特征組合作為新的特征向量：
本發(fā)明的優(yōu)點及有益效果如下：
本發(fā)明針對表面肌電信號(sEMG)的非平穩(wěn)特性導(dǎo)致信號的正確識別率低的問題，提出一種融合小波包和雙譜分析相結(jié)合的特征提取方法。首先，采用小波包對sEMG的各頻帶進(jìn)行分解，得到sEMG在不同頻帶內(nèi)的能量分布；其次，通過對小波包重構(gòu)的時域信號進(jìn)行雙譜分析，提取出雙譜特征；最后，融合這兩種方法提取出特征向量。這種融合小波包和雙譜分析的肌電信號特征提取方法不僅能提取到高時頻分辨率的sEMG信號特征信息，還能抑制噪聲，從而提高sEMG信號的識別率。
附圖說明
圖1是本發(fā)明提供優(yōu)選實施例融合小波包和雙譜分析的肌電信號特征提取方法流程圖。
具體實施方式
下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、詳細(xì)地描述。所描述的實施例僅僅是本發(fā)明的一部分實施例。
本發(fā)明解決上述技術(shù)問題的技術(shù)方案是，
圖1所示，本發(fā)明提供了一種融合小波包和雙譜分析的肌電信號特征提取方法，其包括以下步驟：
第一步，采用小波包對sEMG進(jìn)行j層分解。小波包對sEMG進(jìn)行分解算法為：
式中為上層小波包分解結(jié)果，和為下一級分解結(jié)果，j是尺度指標(biāo)，l為位置指標(biāo)，n為頻率指標(biāo)，k為變量，h0和h1為分解使用的多分辨率濾波器系數(shù)。
第二步，選取n個有效頻帶，求出每個頻帶的能量。假設(shè)信號的采樣頻率為2f，如果對信號進(jìn)行j層小波包分解，就可以形成2j個等寬頻帶，每個區(qū)間頻寬為f/(2j)。小波包分解之后，得到j(luò)層小波包系數(shù)Cj,m,k，k＝0,1,…,2j-1,m為小波包空間位置標(biāo)識。
由Parseval能量積分等式，sEMG信號x(t)在時域上的能量為：
根據(jù)該能量積分等式關(guān)聯(lián)起來可知，式子與x(t)的小波包變換系數(shù)Cj,k具有能量量綱，因此原始信號的能量分布用小波包能量譜來表示是可行的。
第三步，將上述的頻帶能量進(jìn)行歸一化處理：
并將其當(dāng)作sEMG信號的特征向量，即：
T＝[T′1,T′2,…,T′n]。
T＝[T′1,T′2,…,T′n]。
第四步，小波包重構(gòu)sEMG的時域信號。小波包重構(gòu)算法為：
式中為上層小波包分解結(jié)果，和為下一級分解結(jié)果，j是尺度指標(biāo)，l為位置指標(biāo)，n為頻率指標(biāo)，k為變量，h0和h1為分解使用的多分辨率濾波器系數(shù)。
第五步，對重構(gòu)的sEMG的時域信號進(jìn)行雙譜分析，提取出雙譜特征。具體算法和步驟為：
設(shè)一離散、平穩(wěn)時間序列{x(i)}，t＝1,2,…,N，根據(jù)信號的離散傅里葉變換，雙譜定義為：
Bx(f1,f2)＝E[X(f1)X(f2)X*(f1+f2)]，
式中fi為頻率變量；X(fi)為信號的離散傅里葉變換；i＝1,2；E[]為數(shù)學(xué)期望。雙譜估計有直接法和間接法，本文采用雙譜估計間接法，其核心思想是首先估計實驗數(shù)據(jù){x(i)}的三階累積量，然后對該累積量進(jìn)行二維DFT變換，這樣就得到隨機(jī)序列的雙譜估計。該算法的具體描述如下：
a、將長度為N的實驗數(shù)據(jù){x(i)}分成K段，每段有M個數(shù)據(jù)，即N＝KM；
b、進(jìn)行去均值操作，去除每段數(shù)據(jù)的均值，使將分析數(shù)據(jù)的均值為0；
c、假設(shè){xj(i)}(i＝1,2,…,M；j＝1,2,…,K)為第j段的數(shù)據(jù)，估計每段數(shù)據(jù)的三階累積量：
k1＝max{1,-m,-n}，
k2＝min{M,M-m,M-n}；
d、對進(jìn)行統(tǒng)計平均，得到K組數(shù)據(jù)的累積量估計，即：
e、對三階累積量估計進(jìn)行二維DFT變換，即得雙譜估計。
第六步，融合小波包和雙譜分析的肌電信號特征向量。其具體步驟為：
每個樣本的雙譜值為Bj(f1,f2)，j＝1,2,…,n，n為樣本數(shù)，對每個樣本分別進(jìn)行雙譜計算，取平均可得樣本雙譜為：
接下來再對每個樣本求極大值Max(Bj(f1,f2))所對應(yīng)的即為特征向量。
然后與步驟4中的能量特征組合作為新的特征向量：
以上這些實施例應(yīng)理解為僅用于說明本發(fā)明而不用于限制本發(fā)明的保護(hù)范圍。在閱讀了本發(fā)明的記載的內(nèi)容之后，技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等效變化和修飾同樣落入本發(fā)明權(quán)利要求所限定的范圍。