基于lda算法的表面肌電信號(hào)識(shí)別方法
【專利摘要】本發(fā)明公開了一種基于LDA算法的表面肌電信號(hào)識(shí)別方法，用以識(shí)別多達(dá)八類的抓握手勢(shì)。本發(fā)明百先僅利用兩枚肌電電極從受試者前臂相關(guān)肌肉處采集相應(yīng)手勢(shì)的表面肌電信號(hào)，然后以重疊加窗的方式分割原始肌電信號(hào)，從各個(gè)窗中提取絕對(duì)均值(MAV)、方差(VAR)和4階AR系數(shù)作為原始肌電特征;再利用LDA算法對(duì)原始肌電特征進(jìn)行降維，最大限度地去除冗余信息并保留有用信息，獲得降維后特征;然后對(duì)前后相鄰窗口的降維特征求平均值，再輸入LDA分類器，實(shí)現(xiàn)八類抓握手勢(shì)的有效識(shí)別。本發(fā)明針對(duì)多類手勢(shì)的肌電信號(hào)識(shí)別率高，且整個(gè)信號(hào)處理過(guò)程計(jì)算簡(jiǎn)單，耗時(shí)少，滿足肌電控制系統(tǒng)的實(shí)時(shí)性要求。
【專利說(shuō)明】基于LDA算法的表面肌電信號(hào)識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及模式識(shí)別領(lǐng)域，特別涉及在多類抓握手勢(shì)的情形中，對(duì)表面肌電信號(hào)的判斷識(shí)別，可應(yīng)用于控制肌電假手以及其他人機(jī)交互接口。
【背景技術(shù)】
[0002]表面肌電信號(hào)(surface electromyography, sEMG)是一種與神經(jīng)肌肉活動(dòng)相關(guān)的生物電信號(hào)。當(dāng)運(yùn)動(dòng)指令經(jīng)由神經(jīng)中樞系統(tǒng)傳導(dǎo)至相關(guān)肌纖維時(shí)，會(huì)引起肌纖維上電位變化并發(fā)生肌纖維的收縮，該電位變化在皮膚表面處發(fā)生時(shí)間和空間上的疊加而形成表面肌電信號(hào)，可通過(guò)表面肌電電極采集下來(lái)。表面肌電信號(hào)包含了肌肉收縮的模式以及收縮強(qiáng)度等信息，不同的肢體動(dòng)作對(duì)應(yīng)不同的肌電信號(hào)，通過(guò)分析表面肌電信號(hào)就可以判別出該信號(hào)所對(duì)應(yīng)的具體動(dòng)作模式。因此表面肌電信號(hào)被廣泛運(yùn)用于醫(yī)學(xué)診斷、運(yùn)動(dòng)康復(fù)等領(lǐng)域，尤其在仿人型肌電假手控制中，表面肌電信號(hào)作為控制源驅(qū)動(dòng)假手做出各種抓握手勢(shì)獲得了廣泛的研究和關(guān)注。例如Huang等采用方差、過(guò)零點(diǎn)數(shù)、AR模型系數(shù)和譜估計(jì)作為特征，利用BP網(wǎng)絡(luò)嘗試識(shí)別8類手勢(shì):三指捏取、側(cè)邊捏取、鉤取、強(qiáng)力抓取、圓柱抓取、中心抓取、手掌伸展和腕部彎曲，獲得離線測(cè)試平均85%的識(shí)別率和在線測(cè)試平均71%的識(shí)別率。楊大鵬僅使用波形長(zhǎng)度(W/L)作為肌電特征，利用SVM識(shí)別成功識(shí)別了圓柱抓取、球形抓取、側(cè)別捏取和三指捏取四類抓握手勢(shì)，獲得在線95%以上的識(shí)別率。Matixme等利用反問(wèn)PCA算法較好地識(shí)別了強(qiáng)力抓取、三指捏取和側(cè)邊捏取三類手勢(shì)，獲得平均94%的識(shí)別率。可見在手勢(shì)類別較少時(shí)，識(shí)別率較高；手勢(shì)類別較多時(shí)，識(shí)別率下降的較多。因此有必要探索一種能夠以較高識(shí)別率準(zhǔn)確識(shí)別多類抓握手勢(shì)的肌電識(shí)別算法。

【發(fā)明內(nèi)容】

[0003]針對(duì)上述技術(shù)問(wèn)題，本發(fā)明旨在至少在一定程度上解決上述技術(shù)問(wèn)題。
[0004]為了以較高的識(shí)別率準(zhǔn)確識(shí)別八類抓握手勢(shì)，包括圓柱抓取、鉤取、側(cè)邊捏取、指向、球形抓取、三指捏取、精確捏取和放松姿態(tài)，本發(fā)明提出了一種基于LDA算法的肌電信號(hào)判別方法。百先利用兩枚模塊式雙極差分電極從相應(yīng)的前臂肌肉上采集表面肌電信號(hào)；然后以重疊加窗的方式分割原始肌電信號(hào)，從各個(gè)窗中提取絕對(duì)均值(MAV)、方差(VAR)和4階AR系數(shù)作為原始肌電特征；再利用LDA算法對(duì)原始肌電特征進(jìn)行降維，最大限度地去除冗余信息并保留有用信息，獲得降維后特征；然后對(duì)前后相鄰窗口的降維特征求平均值，再輸入LDA分類器，實(shí)現(xiàn)八類抓握手勢(shì)的有效識(shí)別。
[0005]本發(fā)明采用如下技術(shù)方案:
[0006]基于LDA算法的表面肌電信號(hào)識(shí)別方法，該方法包括如下步驟:
[0007]步驟1，清潔皮膚，刮除所選肌肉處表皮的汗毛，用清水洗凈并用棉簽蘸取醫(yī)用酒精擦拭皮膚；
[0008]步驟2，采集受試者前臂表面肌電信號(hào)，受試者做出圓柱抓取、鉤取、側(cè)邊捏取、指向、球形抓取、三指捏取、精確捏取和放松姿態(tài)八類抓握手勢(shì)，使用兩枚肌電電極獲取各手勢(shì)的肌電數(shù)據(jù)并存儲(chǔ)。
[0009]步驟3對(duì)肌電信號(hào)進(jìn)行加窗分割，對(duì)各手勢(shì)原始肌電數(shù)據(jù)采用重疊加窗的方式進(jìn)行分割，得到窗口樣本。此處窗口長(zhǎng)度定義為250ms，窗口增量為50ms。
[0010]步驟4，計(jì)算窗口樣本的肌電特征，選擇絕對(duì)均值、方差和4階AR系數(shù)計(jì)算窗口樣本的肌電特征，所述絕對(duì)均值、方差和4階AR系數(shù)計(jì)算公式分別如下:
【權(quán)利要求】
1.基于LDA算法的表面肌電信號(hào)識(shí)別方法，其特征在于，該方法包括如下步驟:步驟1，清潔皮膚，刮除所選肌肉處表皮的汗毛，用清水洗凈并用棉簽蘸取醫(yī)用酒精擦拭皮膚；步驟2，采集受試者前臂表面肌電信號(hào)，受試者做出圓柱抓取、鉤取、側(cè)邊捏取、指向、球形抓取、三指捏取、精確捏取和放松姿態(tài)八類抓握手勢(shì)，使用兩枚肌電電極獲取各手勢(shì)的肌電數(shù)據(jù)并存儲(chǔ)。步驟3，對(duì)肌電信號(hào)進(jìn)行加窗分割，對(duì)各手勢(shì)原始肌電數(shù)據(jù)采用重疊加窗的方式進(jìn)行分割，得到窗口樣本。此處窗口長(zhǎng)度定義為250ms，窗口增量為50ms。步驟4，計(jì)算窗口樣本的肌電特征，選擇絕對(duì)均值、方差和4階AR系數(shù)計(jì)算窗口樣本的肌電特征，所述絕對(duì)均值、方差和4階AR系數(shù)計(jì)算公式分別如下:絕對(duì)均值:MAV方差:=4 階 AR 系數(shù):X1 = I|=: τ Wi其中N=250，為窗口內(nèi)數(shù)據(jù)點(diǎn)個(gè)數(shù)，ak(k=l，2，3，4)為AR系數(shù)，Wi為白噪聲殘差;步驟5，對(duì)肌電特征進(jìn)行降維處理，利用LDA算法對(duì)求得的肌電特征列向量進(jìn)行降維處理；步驟6，求取各手勢(shì)降維后的特征列向量的平均值，作為在降維后的向量空間中，表征該手勢(shì)的類別向量； 步驟7，計(jì)算來(lái)自測(cè)試數(shù)據(jù)的一個(gè)窗口樣本的肌電特征并進(jìn)行降維處理，輸入分類器中比較其與步驟6中各手勢(shì)類別向量的歐氏距離，來(lái)判斷該肌電特征屬于何種手勢(shì)。
2.根據(jù)權(quán)利要求1所述的基于LDA算法的表面肌電信號(hào)識(shí)別方法，其特征在于:所述降維處理基于尋找一個(gè)合適的投影矩陣W，使原始數(shù)據(jù)集M(PXq)經(jīng)過(guò)W變換后得到在新坐標(biāo)系空間下的表示，能有效減少原始數(shù)據(jù)集的維數(shù)，并較好地區(qū)分開原始數(shù)據(jù)集中的不同類數(shù)據(jù)，具體步驟為:步驟501，計(jì)算類間散列矩陣SwIl-Sw = If,； ILlinT - uJ (?；步驟502，計(jì)算類內(nèi)散列矩陣Sb = Efsrl MlCul-1iXu,- Uj1步驟503，計(jì)算投影矩陣Wdgf.W * W;喜.隱 'iiiii1- _?_irt 靜上述三式中,C表示數(shù)據(jù)的類別，Ni表示每一類別的樣本數(shù),IHj表示每一類中各個(gè)數(shù)據(jù)，是一個(gè)列向量，Ui表示各類別的平均值，u表示所有類別數(shù)據(jù)的總平均值。在求解投影矩陣W的過(guò)程中，首先求出S/SB的特征值，按降序排列后然后取前K個(gè)特征值對(duì)應(yīng)的特征向量組成W矩陣即可；步驟504，將原始數(shù)據(jù)集經(jīng)過(guò)矩陣W進(jìn)行投影變換V=WtM式中Y(RXS)為投影后得到的新矩陣，其各列數(shù)據(jù)的維數(shù)由P降至R(R≤p，R≤C-1)。
3.根據(jù)權(quán)利要求2所述的基于LDA算法的表面肌電信號(hào)識(shí)別方法，其特征在于:所述肌電特征降維維數(shù)為7維。
【文檔編號(hào)】G06K9/62GK103440498SQ201310365328
【公開日】2013年12月11日 申請(qǐng)日期:2013年8月20日 優(yōu)先權(quán)日:2013年8月20日
【發(fā)明者】王念峰, 陳雨龍, 張憲民 申請(qǐng)人:華南理工大學(xué)