專利名稱：：人體表面肌電信號消噪、特征提取和模式識別方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于生物信號處理和模式識別領(lǐng)域，涉及到一種人體表面肌電信號消噪和特征提取方法。
背景技術(shù)：
：表面肌電信號(surfaceelectromyography(SEMG)signals)是一種生物電信號，由于其具有易采集，無損傷的優(yōu)點，被廣泛應(yīng)用于臨床醫(yī)學(xué)和運動醫(yī)學(xué)，特別是在人體動作識別領(lǐng)域，肌電信號是其主要的研究對象。而肌電信號的消噪和特征提取，是人體動作識別的關(guān)鍵問題。SEMG信號是從人體皮膚表面獲取的肌肉電活動，它來自于檢測肌肉的神經(jīng)纖維的電活動[1]。SEMG信號是一種微弱的電信號，峰峰值一般只有010mV，有用信號的頻率范圍為0500HZ[2]。肌電信號在獲取的過程中，伴隨著人體內(nèi)部組織的各種噪聲、電子設(shè)備中固有噪聲和環(huán)境噪聲等[3]。由于表面肌電信號的幅度小，信噪比低，易被淹沒在各種噪聲中，因此如何有效去除表面肌電信號的噪聲成為了研究的重點。表面肌電信號是非平穩(wěn)生物電信號，而小波分析作為一種多分辨率時-頻域分析方法是分析非平穩(wěn)信號的有力數(shù)學(xué)工具。由于小波包消噪方法不僅對信號的低頻部分進行分解，同時也對高頻部分進行分析，與小波消噪相比具有更高的時頻分辨率，因此得到了更廣泛的應(yīng)用。但是這些消噪方法大都采用全局閾值，即相同尺度采用相同的閾值，或者對高頻部分采用統(tǒng)一閾值消噪W]，或者對最優(yōu)小波包結(jié)點采用相同的閾值算法[5]。而肌電信號中混雜了各種各樣不同性質(zhì)的噪聲，表現(xiàn)在各個結(jié)點系數(shù)的性質(zhì)也不同，因此，對不同的結(jié)點采用相同的閾值很難達到理想的消噪效果。所以，尋求一種自適應(yīng)方式來對最優(yōu)小波包各個結(jié)點進行降噪是有十分必要的。模式識別的關(guān)鍵是特征值的選取，它直接影響識別的效果。目前，在以SEMG為研究對象的人體動作識別中，已經(jīng)探索出一系列有效的特征值選取方法，并得到了很好的應(yīng)用和驗證。例如時域特征自回歸模型(AR)W]，積分肌電值[7]；頻域特征功率譜，雙譜分析[8]；由于時域或頻域只能提取肌電信號單一域特征，會丟失一部分特征，因此引入了時-頻域特征，例如，短時傅立葉變換、Wigner-Ville變換及小波變換等，其中以小波系數(shù)作為特征值的研究最見成效。蔡立羽等[9]以各尺度最大的小波系數(shù)為特征值對人體上肢四個動作進行識別，正確率達到了80%以上；ZhaoJing-dong等[10]對小波細節(jié)分量進行奇異值分解并將其作為特征值，對基于假手的六個動作的平均識別率達到了90%；羅志增等人以小波包變換各頻段的能量來構(gòu)造特征值，對伸腕、屈腕、展拳和握拳等4種手部動作模式的識別率達到92.5%[11]。近年來，很多學(xué)者提出利用肌電信號的非線性動力學(xué)特征進行動作識別，劉南庚等[12]利用小波分解后的各級系數(shù)的最大李雅普諾夫指數(shù)對上肢四個動作進行識別，每個動作的識別率均在93%以上。但是，在康復(fù)醫(yī)學(xué)領(lǐng)域，要求更高的精確度，因此如何達到更高的識別率是每一個研究者追求的最終目標。反向傳播(BackPropagation,BP)神經(jīng)網(wǎng)絡(luò)是肌電信號模式識別中應(yīng)用最為廣泛的一種分類器，但是，隱含神經(jīng)元的個數(shù)選擇目前還沒有形成一個完整的理論指導(dǎo)。1990年，R.C.Eberhart和R.WDobbins在他們的著作"NeuralNetworkPCtools”中這樣闡述“隱含神經(jīng)元的選擇是一種藝術(shù)”。可見，神經(jīng)網(wǎng)絡(luò)的識別效果與隱含神經(jīng)元的個數(shù)密切相關(guān)。我們在研究中也發(fā)現(xiàn)，識別效果還和訓(xùn)練誤差有著緊密的聯(lián)系，選擇的參數(shù)不同，最后的識別效果會有很大的差別。因此，尋找最優(yōu)的神經(jīng)網(wǎng)絡(luò)參數(shù)也是肌電信號動作識別的關(guān)鍵。上述提到的參考文獻如下[1]ConstableRandR.J.Thornbill,"UsingtheDiscreteWaveletTransformforTime-FrequencyAnalysisoftheSurfaceEMGSignal,，，ISA,Vol.16,pp.121-127,1993.[2]KilbyJandH.GholamHosseini,"WaveletAnalysisofElectromyographySignal,”IEEE.vol.1，pp.384-387，2004[3]KaleS.NandS.V.Dudul，“IntelligentNoiseRemovalfromEMGSignalUsingFocusedTime-LaggedRecurrentNeuralNetwork,，，HindawiPublishingCorporationAppliedComputationalIntelligenceandSoftComputing.Volume2009,ArticleID129761,12pages[4]XinGuo,PengYang,YingLi,"ThesEMGanalysisforthelowerlimbprosthesisusingwavelettransformation,，，[C]Proceedingsofthe26thAnnualInternationalConferenceoftheIEEEEMBS,SanFrancisco,pp.341-344,2004.[5]SunChengkui,YeMin,Meipingao,"SEMGdenoisingbasedonbestwaveletpackageanalysis".MECHANICAL&ELECTRICALENGINERRINGMAGAZINE[J],Vol.25.No.8.Aug.2008[6]ChenXB(ChenXinben),YangGY(YangGuangying),"TheProcessingofElectromyographySignalBasedonWaveletNeuralNetwork，，·2009INTERNATIONALSYMPOSIUMONWEBINFORMATIONSYSTEMSANDAPPLICATIONS,PROCEEDINGS,pp.529-532，2009[7]KatsutoshiKuribayashi,"Adiscriminationsystemusingneuralnetworkforemgcontrolledprosthesesintegraltypeofemgsignalprocessing,，，Proceedingsofthe1993IEEE/RSJInternationalConferenceonIntelligentRobotsandSystemsYokohama,Japan,pp.26—30,July.1993.[8]楊軍，雷敏，“基于雙譜分析的表面肌電信號模式識別，”制造業(yè)自動化[J]，2009年03期。[9]CaiLiyu,WangZhizhong,ZhangHaihong,"SurfaceEMGSignalClassificationMethodBasedonWaveletTransform，"JournalofDataAcquisition&Processing[J],Vol.15No.2Jun.2000[10]JingdongZhao，ZongwuXie，LiJiang，HegaoCai."EMGControlforaFive-fingeredProstheticHandBasedonWaveletTransformandAutoregressiveModel,Proceedingsofthe2006IEEEInternationalConferenceonMechatronicsandAutomation.China，pp.25—28，June.2006.[11]梅品高，羅志增.“基于小波包分析和Elman網(wǎng)絡(luò)的肌電信號處理”.機電工程[J]，2008年1月.第25卷第1期。[12]LiuNangeng,LeiMin,"Characterizationofsurfaceelectromyographysignalbasedonwaveletanalysisandnon-1inearexponent,"JournalofClinicalRehabilitativeTissueEngineeringResearch[J],April.22.2008,Vol.12,No.17.
發(fā)明內(nèi)容本發(fā)明的目的是提供一種人體表面肌電信號消噪、特征提取和模式識別方法，能克服目前肌電信號的降噪、特征選取和模式識別中存在的問題和不足，能自適應(yīng)地對最優(yōu)小波包各個結(jié)點進行降噪，動作的識別率高、識別效果好。為了實現(xiàn)上述目的，本發(fā)明提供了一種人體表面肌電信號消噪、特征提取和模式識別方法，包括如下步驟(1)對待識別的動作對應(yīng)采集多組肌電信號后，在所述多組肌電信號中選擇訓(xùn)練數(shù)據(jù)肌電信號和測試數(shù)據(jù)肌電信號；(2)對每個訓(xùn)練數(shù)據(jù)肌電信號，對其最優(yōu)小波包樹的各個終結(jié)點分別采用與該終節(jié)點系數(shù)對應(yīng)的小波閥值進行消噪，根據(jù)消噪后的最優(yōu)小波包樹重構(gòu)訓(xùn)練數(shù)據(jù)肌電信號；(3)選取小波基函數(shù)和小波分解級數(shù)，對每個重構(gòu)的訓(xùn)練數(shù)據(jù)肌電信號進行小波分解；(4)提取每個小波分解后的訓(xùn)練數(shù)據(jù)肌電信號中的各級小波高頻系數(shù)，將各級小波高頻系數(shù)的最大絕對值作為訓(xùn)練數(shù)據(jù)肌電信號的特征值，所有訓(xùn)練數(shù)據(jù)肌電信號的特征值構(gòu)成訓(xùn)練數(shù)據(jù)肌電信號的特征值向量；(5)對每個測試數(shù)據(jù)肌電信號，將其與每個訓(xùn)練數(shù)據(jù)肌電信號相同處理方式進行消噪、重構(gòu)、小波分解和提取特征值，獲取測試數(shù)據(jù)肌電信號的特征值，所有測試數(shù)據(jù)肌電信號的特征值構(gòu)成測試數(shù)據(jù)肌電信號的特征值向量；(6)將訓(xùn)練數(shù)據(jù)肌電信號的特征值向量和測試數(shù)據(jù)肌電信號的特征值向量輸入反向傳播神經(jīng)網(wǎng)絡(luò)進行模式識別。在本發(fā)明的一個實施例中，所述步驟(2)具體為(21)對每個訓(xùn)練數(shù)據(jù)肌電信號進行小波包分解，得到小波包樹；(22)獲取對每個訓(xùn)練數(shù)據(jù)肌電信號的小波包樹的最優(yōu)小波包樹；(S23)獲取每個訓(xùn)練數(shù)據(jù)肌電信號的最優(yōu)小波包樹的各終結(jié)點的系數(shù)，將最優(yōu)小波包樹的非終結(jié)點的系數(shù)設(shè)為零；(24)對每個訓(xùn)練數(shù)據(jù)肌電信號的最優(yōu)小波包樹的所有終結(jié)點，獲取與該終節(jié)點的系數(shù)對應(yīng)的小波閥值和消噪方式，根據(jù)該小波閥值和消噪方式對該終節(jié)點進行消噪，得到新的消噪后的終結(jié)點系數(shù)；(25)對每個消噪后的肌電信號的最優(yōu)小波包樹，從最后一級第一個小波包結(jié)點開始處理，判斷此節(jié)點對應(yīng)的父結(jié)點系數(shù)是否為零，如果是，由該節(jié)點消噪后的結(jié)點系數(shù)與該父節(jié)點的另一子節(jié)點消噪后的節(jié)點系數(shù)重構(gòu)該父節(jié)點，獲取重構(gòu)的父節(jié)點系數(shù)；如果否，保留該父節(jié)點系數(shù)，每級節(jié)點處理完畢后再對上一級節(jié)點同樣處理，直至第一級第一個結(jié)點結(jié)束，得到重構(gòu)的訓(xùn)練數(shù)據(jù)肌電信號。在本發(fā)明的另一實施例中，所述步驟(6)具體為(61)將訓(xùn)練數(shù)據(jù)肌電信號的特征值向量進行轉(zhuǎn)換后，輸入BP神經(jīng)網(wǎng)絡(luò)；(62)設(shè)置隱含神經(jīng)元從1到H逐一增力Π，開始訓(xùn)練網(wǎng)絡(luò)，其中對于每個隱含神經(jīng)元的每次網(wǎng)絡(luò)訓(xùn)練，根據(jù)從KT1-KTg逐次減少10倍的訓(xùn)練誤差依次進行網(wǎng)絡(luò)訓(xùn)練，依次得到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)的輸出層輸出期望值，其中H、G均取任意正整數(shù)；(63)將測試數(shù)據(jù)肌電信號的特征值向量進行轉(zhuǎn)換后，輸入每個訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)；(64)根據(jù)BP神經(jīng)網(wǎng)絡(luò)的輸出值與BP神經(jīng)網(wǎng)絡(luò)的期望值統(tǒng)計測試數(shù)據(jù)肌電信號的正確識別個數(shù)，所有測試數(shù)據(jù)肌電信號的正確識別個數(shù)與測試數(shù)據(jù)肌電信號的樣本個數(shù)之比作為每次網(wǎng)絡(luò)訓(xùn)練的識別率，記錄該識別率對應(yīng)的訓(xùn)練誤差值和隱含神經(jīng)元個數(shù)。(65)將最高識別率作為所述待識別的動作的識別率，將最高識別率對應(yīng)的隱含神經(jīng)元個數(shù)和訓(xùn)練誤差的組合，作為BP神經(jīng)網(wǎng)絡(luò)的參數(shù)。在本發(fā)明的再一實施例中，所述步驟中的小波包分解級數(shù)選為3級。由于經(jīng)過多次實驗和測試，對人體表面肌電信號的消噪結(jié)果以及識別效果，選取3級小波包分解級數(shù)，達到的效果是最好的。需要說明的是，并非分解級數(shù)越多效果越好，且小波包分解級數(shù)選取太大會增加運算量。與現(xiàn)有技術(shù)相比，本發(fā)明人體表面肌電信號消噪、特征提取和模式識別方法具有如下優(yōu)點①在步驟⑵和步驟(5)中，對每個訓(xùn)練數(shù)據(jù)肌電信號和測試數(shù)據(jù)肌電信號的最優(yōu)小波包樹的各個結(jié)點分別采用與該節(jié)點對應(yīng)的小波閥值進行消噪，這種消噪方法從運算量來看，由于最優(yōu)小波包的原理是刪減不必要的小波包結(jié)點，因此比傳統(tǒng)小波包方法所需的計算數(shù)據(jù)量少(當分解級數(shù)選擇3級時，比現(xiàn)有大部分肌電信號的小波分解級數(shù)少，進一步減少了計算數(shù)據(jù)量)；從閾值選擇來看，對最優(yōu)小波包樹的各個結(jié)點分別采用與該節(jié)點系數(shù)對應(yīng)的小波閥值進行消噪，因此每一個最優(yōu)小波包的結(jié)點分別采用不同的閾值大小和閾值方式，這種消噪方式具有自適應(yīng)特性，消噪更加靈活、精確；②在步驟(4)和步驟(將各級小波高頻系數(shù)的最大絕對值作為訓(xùn)練數(shù)據(jù)肌電信號的特征值和測試數(shù)據(jù)肌電信號的特征值，與現(xiàn)有的各種特征值方法(AR參數(shù)、各級小波的最大系數(shù)、各級小波高頻系數(shù)的方差、各級小波高頻系數(shù)的奇異值分解、非線性動力學(xué)特征等等)比較，大大提高了人體動作的識別率，接近100%；③在步驟(6中引入最優(yōu)神經(jīng)元個數(shù)和最優(yōu)訓(xùn)練誤差的搜索，通過尋找最高識別率，確定BP神經(jīng)網(wǎng)絡(luò)的隱含神經(jīng)元個數(shù)和訓(xùn)練誤差，最終達到最高的識別率，識別效果好。通過以下的描述并結(jié)合附圖，本發(fā)明將變得更加清晰，這些附圖用于解釋本發(fā)明的實施例。圖1為本發(fā)明人體表面肌電信號消噪、特征提取和模式識別方法的流程圖。圖2為圖1所示人體表面肌電信號消噪、特征提取和模式識別方法中消噪的詳細流程圖。圖3為圖1所示人體表面肌電信號消噪、特征提取和模式識別方法中模式識別的流程圖。圖4(a)和圖4(b)分別為小波包樹圖和最優(yōu)小波包樹圖。圖5(a)、圖5(b)和圖5(c)分別為未消噪的最優(yōu)小波包各終結(jié)點系數(shù)、消噪后的最優(yōu)小波包各終結(jié)點系數(shù)、最優(yōu)小波包重構(gòu)結(jié)點系數(shù)。圖6(a)、圖6(b)、圖6(c)和圖6(d)分別為為原始肌電信號波形、小波消噪效果圖、小波包消噪效果圖、最優(yōu)小波包終結(jié)點消噪效果圖。具體實施例方式現(xiàn)在參考附圖描述本發(fā)明的實施例，附圖中類似的元件標號代表類似的元件。下面以從人體下肢小腿部位采集的兩個動作-繃腳和勾腳來說明本發(fā)明人體表面肌電信號消噪、特征提取和模式識別方法。需要注意的是，其他動作的識別及類似識別方法也是在本發(fā)明的權(quán)利范圍內(nèi)的。其中，對繃腳和勾腳兩個動作的肌電信號采集是采用一個通道進行的，每個動作采集40組肌電信號，每組肌電信號采集頻率為10MHZ，每個動作的采集點數(shù)為201個點參考圖1，下面說明本發(fā)明人體表面肌電信號消噪、特征提取和模式識別方法。該方法包括如下步驟步驟Sl，在繃腳動作采集的40組肌電信號和勾腳動作采集40組肌電信號中，各選擇20組作為訓(xùn)練數(shù)據(jù)肌電信號，剩下的20組作為測試數(shù)據(jù)肌電信號。將訓(xùn)練數(shù)據(jù)肌電信號和測試數(shù)據(jù)肌電信號分別寫入兩個四維矩陣A1=KXLXMXN和A2=KXLXMXN，其中K為每個動作的采集點數(shù)(肌電信號的長度)，本實施例中K=201，L為采集的通道數(shù)，本實施例中L=1，M為訓(xùn)練數(shù)據(jù)或測試數(shù)據(jù)對應(yīng)的動作采集的組數(shù)，本實施例中M=20(訓(xùn)練數(shù)據(jù)或測試數(shù)據(jù)均為20組)，N為待訓(xùn)練或識別的動作數(shù)，本實施例中N=2。因此Al=A2=201X1X20X2；步驟S2，在訓(xùn)練數(shù)據(jù)矩陣Al中選取一個未處理的訓(xùn)練數(shù)據(jù)肌電信號或者在測試數(shù)據(jù)矩陣A2中選取一個未處理的測試數(shù)據(jù)肌電信號；步驟S3，對選擇的訓(xùn)練數(shù)據(jù)肌電信號或測試數(shù)據(jù)肌電信號的最優(yōu)小波包樹的各個終結(jié)點分別采用與該終節(jié)點系數(shù)對應(yīng)的小波閥值進行消噪，根據(jù)消噪后的最優(yōu)小波包樹重構(gòu)訓(xùn)練數(shù)據(jù)肌電信號或者測試數(shù)據(jù)肌電信號；步驟S4，選取小波基函數(shù)‘sym3’和分解級數(shù)3級，對每個重構(gòu)的訓(xùn)練數(shù)據(jù)肌電信號或者測試數(shù)據(jù)肌電信號進行小波分解(小波分解的實質(zhì)是小波基函數(shù)在不同分解級數(shù)上與信號的卷積，因此要選定小波包基函數(shù)和分解級數(shù)才能對信號進行小波分解，不同的小波基函數(shù)與分解級數(shù)對小波消噪和識別的效果有很大的影響，大部分對肌電信號的研究采用‘Symlets’、‘Daubechies’、iCoiflets'小波基函數(shù)，效果最好，本實驗經(jīng)過多次測試，當小波基函數(shù)為‘sym3’和分解級數(shù)為3級時，小波包消噪和識別效果是較好的)；步驟S5，提取每個小波分解后的訓(xùn)練數(shù)據(jù)肌電信號或者測試數(shù)據(jù)肌電信號中的各級小波高頻系數(shù)CdiG=1,2,...lev)(本實施例中每個訓(xùn)練數(shù)據(jù)肌電信號或者測試數(shù)據(jù)肌電信號均有三個小波高頻系數(shù)Cd1,cd2,Cd3)，將每個訓(xùn)練數(shù)據(jù)肌電信號或者測試數(shù)據(jù)肌電信號的各級小波高頻系數(shù)通過取絕對值的最大值進行降維(公式λ^max(Bbs(Cdi))(i=1,2,...lev))，將各級小波高頻系數(shù)的最大絕對值作為訓(xùn)練數(shù)據(jù)肌電信號或者測試數(shù)據(jù)肌電信號的特征值(所選肌電信號(測試樣本中繃腳動作第13組數(shù)據(jù))的特征值為Cl=[λ3=22.8807，λ2=99.1590，λ:=146.5688]‘)，訓(xùn)練數(shù)據(jù)矩陣Al中所有訓(xùn)練數(shù)據(jù)肌電信號的特征值構(gòu)成訓(xùn)練數(shù)據(jù)肌電信號的特征值向量Dl=levXLXMXNdev行，L列，M組，N類)，本實施例中Dl=3X1X20X2(3行，1列，20組，2類)，測試數(shù)據(jù)矩陣A2中所有測試數(shù)據(jù)肌電信號的特征值構(gòu)成測試數(shù)據(jù)肌電信號的特征值向量D2=3X1X20X2(3行，1列，20組，2類)；步驟S6，判斷訓(xùn)練數(shù)據(jù)矩陣Al或測試數(shù)據(jù)矩陣A2中是否有未處理的肌電信號，如果是，轉(zhuǎn)步驟S2，如果否，繼續(xù)下一步，步驟S7，將訓(xùn)練數(shù)據(jù)肌電信號的特征值向量Dl和測試數(shù)據(jù)肌電信號的特征值向量D2輸入BP神經(jīng)網(wǎng)絡(luò)進行模式識別。參考圖2，所述步驟S3具體為步驟S31，對每個訓(xùn)練數(shù)據(jù)肌電信號或測試數(shù)據(jù)肌電信號，利用matlab中的函數(shù)“wpdec”進行小波包分解，得到小波包樹，對每個小波包樹，利用matlab中的“wpcoef”函數(shù)獲得小波包樹的各級小波包系數(shù)(如利用wpcoefU，〗1)得到小波包樹t的第一級系數(shù)，利用wpCOef(t，22)得到小波包樹t的第二級系數(shù))；步驟S32，對每個訓(xùn)練數(shù)據(jù)肌電信號或測試數(shù)據(jù)肌電信號的小波包樹，計算各級小波包系數(shù)的長度和小波包的結(jié)點總數(shù)對每個訓(xùn)練數(shù)據(jù)肌電信號，選擇小波包基函數(shù)waveneme為‘sym3’，‘sym3’小波濾波器的長度為6，結(jié)合步驟(1)中訓(xùn)練數(shù)據(jù)肌電信號的長度K=201，將訓(xùn)練數(shù)據(jù)肌電信號與小波濾波器進行卷積，卷積后長度為206，然后進行下抽樣，得到第一級小波包低頻和高頻分量，因此第一級小波包系數(shù)的長度P1為103，再將第一級小波包系數(shù)和小波濾波器進行卷積，卷積后長度為108，然后下抽樣，得到第二級小波包低頻和高頻分量，因此第二級小波包結(jié)點系數(shù)的長度P2為54，再將第二級小波包系數(shù)和小波濾波器卷積下抽樣，得到第三級小波包系數(shù)的長度P3為四；選擇小波包分解級數(shù)lev為3，小波包的結(jié)點總數(shù)為q=2lev+1-2=14；測試數(shù)據(jù)肌電信號的小波包樹中各級小波包系數(shù)的長度和小波包的結(jié)點總數(shù)的計算同上面的訓(xùn)練數(shù)據(jù)肌電信號的計算相同，這里訓(xùn)練數(shù)據(jù)矩陣Al=KXLXMXN和測試數(shù)據(jù)矩陣A2=KXLXMXN都包含LXMXN個肌電信號，每一個肌電信號其長度均為K，所以計算LXMXN個肌電信號的各級小波包系數(shù)的長度是對應(yīng)相等的，選擇同樣的小波包分解級數(shù)時小波包的結(jié)點總數(shù)也是相等的；；步驟S33，對每個訓(xùn)練數(shù)據(jù)肌電信號或測試數(shù)據(jù)肌電信號的小波包樹，利用matlab中的函數(shù)“besttree”計算其最優(yōu)小波包樹(最優(yōu)小波包樹的計算采用現(xiàn)有技術(shù)，肌電信號不同，計算所得到的最優(yōu)小波包樹也不同。附圖4(a)(b)分別為一個訓(xùn)練數(shù)據(jù)肌電信號(測試樣本中繃腳動作第13組數(shù)據(jù))的小波包樹圖和最優(yōu)小波包樹圖，注意每個肌電信號的最優(yōu)小波包樹圖是不同的，實例中只給出一個進行說明)；步驟S34，對每個訓(xùn)練數(shù)據(jù)肌電信號或測試數(shù)據(jù)肌電信號的最優(yōu)小波包樹的終結(jié)點(附圖4(b)中的最優(yōu)小波包樹的終結(jié)點為K4)，(5)，(7)，(8)，(13)，(14)})，利用matlab中的函數(shù)“wpcoef”直接獲取最優(yōu)小波包樹的各終結(jié)點系數(shù)，其余非終結(jié)點系數(shù)設(shè)為零；建立重構(gòu)系數(shù)矩陣Bl'=PXQ，其中重構(gòu)系數(shù)矩陣B'中的每一個元素B'υ表示未消噪時的最優(yōu)小波包樹的各終結(jié)點系數(shù)的抽樣值，i指抽樣點，j指結(jié)點位置，i的取值范圍是從1到步驟S32中得到的第一級小波包系數(shù)的長度103，j的取值范圍是1到小波包的結(jié)點總數(shù)14；將最優(yōu)小波包樹的各終結(jié)點系數(shù)存入重構(gòu)系數(shù)矩陣Bl'=PXQ的第14，13，8，7，5，4列，將非終結(jié)點系數(shù)存入重構(gòu)系數(shù)矩陣Bl'=PXQ的對應(yīng)列，其中每列的長度為步驟S32中計算出的對應(yīng)的各級小波包系數(shù)的長度(重構(gòu)系數(shù)Bl'=PXQ的每列保存未去噪的最優(yōu)小波包樹的對應(yīng)終結(jié)點系數(shù)，重構(gòu)系數(shù)矩陣Bl'=PXQ中每一列系數(shù)的長度對應(yīng)終結(jié)點的系數(shù)長度，系數(shù)的大小對應(yīng)終結(jié)點的系數(shù)的大小，非終結(jié)點系數(shù)均設(shè)為零，圖5(a)展示了重構(gòu)系數(shù)Bl'=PXQ中的數(shù)據(jù)，橫坐標表示結(jié)點位置(分別對應(yīng)Bl'=PXQ的列數(shù))，縱坐標表示系數(shù)的長度(分別對應(yīng)Bl'=PXQ每列的系數(shù)長度)，豎坐標表示系數(shù)的大小(對應(yīng)Bl'=PXQ中每列中的系數(shù)值的大小))；步驟S35，在每個訓(xùn)練數(shù)據(jù)肌電信號或測試數(shù)據(jù)肌電信號的最優(yōu)小波包樹中選取一個未處理的終結(jié)點，即從步驟S34中的重構(gòu)系數(shù)矩陣B'中選取一個終結(jié)點；步驟S36，獲取與該終節(jié)點的系數(shù)對應(yīng)的小波閥值和消噪方式，根據(jù)該小波閥值和消噪方式，利用matlab中的函數(shù)“wthresh”，對該終節(jié)點進行消噪(圖4(b)中的最優(yōu)小波包樹結(jié)點{(2,1),(2,2),(3,0),(3,1),(3,6),(3,7)}的默認小波閾值分別為{(38.2401),(28.5267)，(35.9210)，(98.8202)，(64.0582)，(21.3沈7)}，默認閾值消噪方式分別為{s，s，s,s,s,s}，對最優(yōu)小波包樹的所有終結(jié)點，取與該終結(jié)點的系數(shù)對應(yīng)的小波閾值和消噪方式進行消噪)，得到新的消噪后的終結(jié)點系數(shù)；建立消噪后的重構(gòu)系數(shù)矩陣B"=PXQ,消噪后的重構(gòu)系數(shù)矩陣B‘’中的每一個元素B‘’u表示消噪后的最優(yōu)小波包樹的各終結(jié)點系數(shù)的抽樣值，i指抽樣點，j指結(jié)點位置，i的取值范圍是從1步驟S32中得到的第一級小波包系數(shù)的長度103，j的取值范圍是從1小波包的結(jié)點總數(shù)14；將消噪后的終結(jié)點的系數(shù)存入消噪后的重構(gòu)系數(shù)矩陣B"=PXQ的對應(yīng)位置，非終結(jié)點系數(shù)設(shè)為零(各終結(jié)點消噪后的系數(shù)如圖5(b)所示)；步驟S37，判斷最優(yōu)小波包樹中是否有節(jié)點未處理，若是，轉(zhuǎn)步驟S35，若否，繼續(xù)下一步；步驟S38，對每個消噪后的肌電信號的最優(yōu)小波包樹，從最后一級第一個小波包結(jié)點開始處理，判斷此節(jié)點對應(yīng)的父結(jié)點系數(shù)是否為零，如果是，由該節(jié)點消噪后的結(jié)點系數(shù)(從消噪后的重構(gòu)系數(shù)矩陣B"=PXQ中獲得)與該父節(jié)點的另一子節(jié)點消噪后的節(jié)點系數(shù)(從消噪后的重構(gòu)系數(shù)矩陣B"=PXQ中獲得)重構(gòu)該父節(jié)點，獲取重構(gòu)的父節(jié)點系數(shù)；如果否，保留該父節(jié)點系數(shù)，每級節(jié)點處理完畢后再對上一級節(jié)點同樣處理，直至第一級第一個結(jié)點結(jié)束，得到重構(gòu)的訓(xùn)練數(shù)據(jù)肌電信號；參考圖3，其中，所述步驟S7具體為步驟S71，將訓(xùn)練數(shù)據(jù)肌電信號的特征值向量Dl轉(zhuǎn)換為2維訓(xùn)練特征矩陣El(IevXL行，MXN列)，作為BP神經(jīng)網(wǎng)絡(luò)的輸入層；步驟S72，將隱含神經(jīng)元num初始化為1，即num=1；步驟S73，將訓(xùn)練誤差goal初始化為goal,即num=10—1；步驟S74，進行網(wǎng)絡(luò)訓(xùn)練進入輸入層的2維訓(xùn)練特征矩陣El經(jīng)過隱含層的每一個隱含神經(jīng)元，到達輸出層，如果二維訓(xùn)練特征矩陣El的平均誤差小于訓(xùn)練誤差goal，則輸出層輸出期望值(該次網(wǎng)絡(luò)訓(xùn)練結(jié)束)，繼續(xù)步驟S75，否則計算輸出誤差(輸出誤差是實際輸出和期望值之差)，并將輸出誤差反饋給隱含層的各隱含神經(jīng)元(對神經(jīng)網(wǎng)絡(luò)權(quán)值進行修正)；步驟S75，將測試數(shù)據(jù)肌電信號的特征值向量D2轉(zhuǎn)換為2維測試特征矩陣E2(IevXL行，MXN列)，輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)；步驟S76，獲取識別率將2維測試特征矩陣E2作為訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)的輸入層0維測試特征矩陣E2的列向量的個數(shù)就是待識別的動作的個數(shù)，每一個特征列向量都被識別為一個動作)，對測試數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)的輸出，判斷輸出值與步驟S74得到的BP神經(jīng)網(wǎng)絡(luò)的期望值是否相同，若相同則識別正確，若不同則識別錯誤，由此可以統(tǒng)計出測試數(shù)據(jù)肌電信號的正確識別個數(shù)，所有測試數(shù)據(jù)肌電信號的正確識別個數(shù)與測試數(shù)據(jù)肌電信號的樣本個數(shù)(測試數(shù)據(jù)肌電信號的樣本個數(shù)由實驗決定，一般取與訓(xùn)練樣本相同的個數(shù)，取經(jīng)驗值幾十組即可)之比為此BP神經(jīng)網(wǎng)絡(luò)的識別率；將識別率存入矩陣F((N+1行，G列，H組))，其中N表示待識別的動作種類，由試驗?zāi)康臎Q定，N+1行中存入平均識別率和每個動作的識別率，共2類；G列對應(yīng)著不同的訓(xùn)練誤差；H組表示隱含神經(jīng)元的個數(shù)；步驟S77，將訓(xùn)練誤差goal減少10倍，即goal=goalX0.1；步驟S78，判斷訓(xùn)練誤差goal是否小于10_g(G=9)(其中G取任意正整數(shù)，經(jīng)過多次試驗，G取經(jīng)驗值9，因為實驗中隨著G的增大，識別率先增后減，當G>9后，識別率基本保持穩(wěn)定)，如果否，轉(zhuǎn)步驟S74，如果是，繼續(xù)下一步；步驟S79，將隱含神經(jīng)元num加1，即num=num+1；步驟S791，判斷隱含神經(jīng)元num是否大于H(H=20)(其中H取任意正整數(shù)，根據(jù)需要，可取想要觀察的范圍，本實驗為了找到最佳隱含神經(jīng)元個數(shù)，H取20)，如果否，轉(zhuǎn)步驟S73，如果是，繼續(xù)下一步；步驟S792，從矩陣F中，搜索最高識別率，將最高識別率作為所述待識別的動作的最終識別率，將最高識別率對應(yīng)的隱含神經(jīng)元個數(shù)和訓(xùn)練誤差的組合，作為BP神經(jīng)網(wǎng)絡(luò)的參數(shù)，結(jié)束。在步驟S74中，期望值根據(jù)要識別的動作類型確定，需要識別幾類動作，就將期望輸出的第幾類動作所處的元素設(shè)為1，其他位置的元素設(shè)為0；比如動作1，因此其期望輸出向量為[1，0]，動作2其期望輸出向量為w，l]。需要說明的是，圖6(a)(b)(c)(d)分別給出該肌電信號原始波形、小波消噪后的波形、小波包消噪后的波形、最優(yōu)小波包終結(jié)點消噪后的波形，這里利用已有技術(shù)對肌電信號進行小波消噪和小波包消噪，來對比說明本發(fā)明步驟S36最優(yōu)小波包終結(jié)點消噪的消噪效果。從圖6(b)中可以看到，小波消噪只保留了肌電信號的全局特征，細節(jié)部分基本被濾掉；圖6(c)，小波包消噪雖然保留了肌電信號的全局特征和細節(jié)部分，但包含了過多的細節(jié)成分，無法準確的表示肌電信號的實際特征；圖6(d)，最優(yōu)小波包終結(jié)點消噪既保留了全局特征，又保留了部分細節(jié)分量，與圖6(a)(b)(c)相比起到了比較好的消噪效果。下面對步驟S38進行具體說明。如圖4(a)三級小波包分解，其小波包結(jié)點總數(shù)為14，如圖4(b)最優(yōu)小波包樹的終結(jié)點為4,5,7,8,13，14，則消噪后的重構(gòu)矩陣B"=PXQ中對應(yīng)的第4,5,7,8,13，14列分別是這幾個終結(jié)點消噪后的系數(shù)，而其余非終結(jié)點對應(yīng)的列的系數(shù)為0，消噪后的重構(gòu)矩陣B"=PXQ中第N列保存第N個結(jié)點的系數(shù)，長度為步驟中計算的各級系數(shù)的長度。步驟S38重構(gòu)肌電信號的過程如下第三級從B"=PXQ第7列開始搜索，第7個結(jié)點的上一級父結(jié)點3，系數(shù)為零，則由第7個結(jié)點和第8個結(jié)點系數(shù)重構(gòu)上一級父結(jié)點3，將重構(gòu)結(jié)點系數(shù)保存在B“=PXQ第3列，覆蓋原來的零；再看B"=PXQ第9列，其上一級父結(jié)點4，系數(shù)不為零，說明4結(jié)點是小波包樹的終結(jié)點，保留4結(jié)點系數(shù)在B"=PXQ第4列，用于第二級小波包結(jié)點的搜索，這里不能用9和10結(jié)點重構(gòu)4結(jié)點，因為此時這兩個結(jié)點為零，若重構(gòu)會覆蓋終結(jié)點4的系數(shù)；再看B"=PXQ第11列，其上一級父結(jié)點5，系數(shù)不為零，保留5結(jié)點系數(shù)在Bl'=PXQH5列；再看B"=PXQH13列，其上一級父結(jié)點6，系數(shù)為零，則由第13和第14個結(jié)點系數(shù)重構(gòu)第6個結(jié)點系數(shù)，存入B"=PXQ第6列。至此，第三級小波包結(jié)點搜索完畢，通過第三級小波包結(jié)點的搜索，重構(gòu)了第二級的小波包結(jié)點系數(shù)；第二級從B"=PXQ的第3列搜索，其上一級父結(jié)點1，系數(shù)為零，則由第3和第4個結(jié)點系數(shù)重構(gòu)第1個結(jié)點系數(shù)，存入B"=PXQ第1列；再看B"=PXQ的第5列，其上一級父結(jié)點2系數(shù)為零，由第5和第6個結(jié)點重構(gòu)第2個結(jié)點系數(shù)，存入B"=PXQ的第2列，這里用到了保留的第4個結(jié)點的系數(shù)和第5個結(jié)點的系數(shù)；第一級搜索，用B"=PXQ中的第1列和第2列(即消噪后的重構(gòu)系數(shù)矩陣B"的第1列系數(shù)和第2列系數(shù))重構(gòu)原始肌電信號此時。重構(gòu)系數(shù)矩陣B"中保存著所有重構(gòu)結(jié)點系數(shù)，如圖5(c)所示。為了說明本發(fā)明技術(shù)中所提取的特征值方法的有效性，本實例分別提取最優(yōu)小波包消噪和小波消噪后的自回歸模型(AutoRegressive，AR)參數(shù)、最大李雅普諾夫指數(shù)、各級絕對值最大的小波系數(shù)、各級小波高頻系數(shù)的最大絕對值作為特征值，對人體下肢勾腳和繃腳兩個動作進行識別，其中，訓(xùn)練樣本20組，測試樣本20組。其對比實驗結(jié)果如表1和表2.其中標1為各種特征值的識別效果對比(經(jīng)最優(yōu)小波包結(jié)點消噪后)。圖2為各種特征值的識別效果對比(經(jīng)小波消噪后)權(quán)利要求1.一種人體表面肌電信號消噪、特征提取和模式識別方法，包括如下步驟(1)對待識別的動作對應(yīng)采集多組肌電信號后，在所述多組肌電信號中選擇訓(xùn)練數(shù)據(jù)肌電信號和測試數(shù)據(jù)肌電信號；(2)對每個訓(xùn)練數(shù)據(jù)肌電信號，對其最優(yōu)小波包樹的各個終結(jié)點分別采用與該終節(jié)點系數(shù)對應(yīng)的小波閥值進行消噪，根據(jù)消噪后的最優(yōu)小波包樹重構(gòu)訓(xùn)練數(shù)據(jù)肌電信號；(3)選取小波基函數(shù)和小波分解級數(shù)，對每個重構(gòu)的訓(xùn)練數(shù)據(jù)肌電信號進行小波分解；(4)提取每個小波分解后的訓(xùn)練數(shù)據(jù)肌電信號中的各級小波高頻系數(shù)，將各級小波高頻系數(shù)的最大絕對值作為訓(xùn)練數(shù)據(jù)肌電信號的特征值，所有訓(xùn)練數(shù)據(jù)肌電信號的特征值構(gòu)成訓(xùn)練數(shù)據(jù)肌電信號的特征值向量；(5)對每個測試數(shù)據(jù)肌電信號，將其與每個訓(xùn)練數(shù)據(jù)肌電信號相同處理方式進行消噪、重構(gòu)、小波分解和提取特征值，獲取測試數(shù)據(jù)肌電信號的特征值，所有測試數(shù)據(jù)肌電信號的特征值構(gòu)成測試數(shù)據(jù)肌電信號的特征值向量；(6)將訓(xùn)練數(shù)據(jù)肌電信號的特征值向量和測試數(shù)據(jù)肌電信號的特征值向量輸入反向傳播神經(jīng)網(wǎng)絡(luò)進行模式識別。2.如權(quán)利要求1所述的人體表面肌電信號消噪、特征提取和模式識別方法，其特征在于，所述步驟(2)具體為(21)對每個訓(xùn)練數(shù)據(jù)肌電信號進行小波包分解，得到小波包樹；(22)獲取對每個訓(xùn)練數(shù)據(jù)肌電信號的小波包樹的最優(yōu)小波包樹；(S23)獲取每個訓(xùn)練數(shù)據(jù)肌電信號的最優(yōu)小波包樹的各終結(jié)點的系數(shù)，將最優(yōu)小波包樹的非終結(jié)點的系數(shù)設(shè)為零；(24)對每個訓(xùn)練數(shù)據(jù)肌電信號的最優(yōu)小波包樹的所有終結(jié)點，獲取與該終節(jié)點的系數(shù)對應(yīng)的小波閥值和消噪方式，根據(jù)該小波閥值和消噪方式對該終節(jié)點進行消噪，得到新的消噪后的終結(jié)點系數(shù)；(25)對每個消噪后的肌電信號的最優(yōu)小波包樹，從最后一級第一個小波包結(jié)點開始處理，判斷此節(jié)點對應(yīng)的父結(jié)點系數(shù)是否為零，如果是，由該節(jié)點消噪后的結(jié)點系數(shù)與該父節(jié)點的另一子節(jié)點消噪后的節(jié)點系數(shù)重構(gòu)該父節(jié)點，獲取重構(gòu)的父節(jié)點系數(shù)；如果否，保留該父節(jié)點系數(shù)，每級節(jié)點處理完畢后再對上一級節(jié)點同樣處理，直至第一級第一個結(jié)點結(jié)束，得到重構(gòu)的訓(xùn)練數(shù)據(jù)肌電信號。3.如權(quán)利要求1所述的人體表面肌電信號消噪、特征提取和模式識別方法，其特征在于，所述步驟(6)具體為(61)將訓(xùn)練數(shù)據(jù)肌電信號的特征值向量進行轉(zhuǎn)換后，輸入BP神經(jīng)網(wǎng)絡(luò)；(62)設(shè)置隱含神經(jīng)元從1到H逐一增加，開始訓(xùn)練網(wǎng)絡(luò)，其中對于每個隱含神經(jīng)元的每次網(wǎng)絡(luò)訓(xùn)練，根據(jù)從KT1-KTg逐次減少10倍的訓(xùn)練誤差依次進行網(wǎng)絡(luò)訓(xùn)練，依次得到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)的輸出層輸出期望值，其中H、G均取任意正整數(shù)；(63)將測試數(shù)據(jù)肌電信號的特征值向量進行轉(zhuǎn)換后，輸入每個訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)；(64)根據(jù)BP神經(jīng)網(wǎng)絡(luò)的輸出值與BP神經(jīng)網(wǎng)絡(luò)的期望值統(tǒng)計測試數(shù)據(jù)肌電信號的正確識別個數(shù)，所有測試數(shù)據(jù)肌電信號的正確識別個數(shù)與測試數(shù)據(jù)肌電信號的樣本個數(shù)之比作為每次網(wǎng)絡(luò)訓(xùn)練的識別率，記錄該識別率對應(yīng)的訓(xùn)練誤差值和隱含神經(jīng)元個數(shù)。(65)將最高識別率作為所述待識別的動作的識別率，將最高識別率對應(yīng)的隱含神經(jīng)元個數(shù)和訓(xùn)練誤差的組合，作為BP神經(jīng)網(wǎng)絡(luò)的參數(shù)。4.如權(quán)利要求2所述的人體表面肌電信號消噪、特征提取和模式識別方法，其特征在于，所述步驟中的小波包分解級數(shù)選為3級。全文摘要本發(fā)明公開了一種人體表面肌電信號消噪、特征提取和模式識別方法，包括對人體表面肌電信號進行最優(yōu)小波包結(jié)點消噪；對消噪后的人體表面肌電信號進行小波分解，提取各級小波高頻系數(shù)的絕對值最大值作為特征向量；將提取出的特征向量輸入反向傳播網(wǎng)絡(luò)進行訓(xùn)練和模式識別。本發(fā)明提出的最優(yōu)小波包葉子結(jié)點消噪方法可以有效去除肌電信號中攜帶的噪聲，保留有用信息；小波高頻系數(shù)的最大絕對值能夠很好的反映人體表面肌電信號的特征，相比已有特征值方法具有明顯的優(yōu)勢，通過搜索反向傳播網(wǎng)絡(luò)的最優(yōu)隱含神經(jīng)元和訓(xùn)練誤差，得到相對較高的識別效果。文檔編號G06N3/08GK102073881SQ201110009548公開日2011年5月25日申請日期2011年1月17日優(yōu)先權(quán)日2011年1月17日發(fā)明者劉泉,艾青松,袁婷婷申請人:武漢理工大學(xué)