基于在線SVM的sEMG自適應模式識別方法及其在智能輪椅上的應用的制作方法
【專利摘要】本發(fā)明涉及一種基于在線SVM的sEMG自適應模式識別方法及其在智能輪椅上的應用，屬于表面肌電信號識別控制【技術領域】。本發(fā)明采用增量學習算法對SVM模型進行在線訓練，同時在線學習過程中引入頭部信息作為校正信息共同構成sEMG的分類器，對不同肌肉狀態(tài)下的sEMG實現(xiàn)有效識別，降低肌肉疲勞對人機交互系統(tǒng)穩(wěn)定性的影響，最后將其成功應用于智能輪椅上。本發(fā)明所述的方法有效的提高了系統(tǒng)在長時間人機交互過程中的自適應能力，使得交互更加自然友好。
【專利說明】基于在線SVM的sEMG自適應模式識別方法及其在智能輪椅 上的應用

【技術領域】
[0001] 本發(fā)明屬于表面肌電信號識別控制【技術領域】，涉及一種基于在線SVM的sEMG自適 應模式識別方法及其在智能輪椅上的應用。

【背景技術】
[0002] 人機交互技術在世界各國都被列為信息產業(yè)重點研究的一項關鍵技術，并已成為 各國技術競爭的一個焦點。該技術在美國的國家關鍵技術中被稱"對計算機工業(yè)有著突出 的重要性，對其它工業(yè)也是很重要的"，同時被列為信息產業(yè)技術中與計算機和軟件并列的 六項關鍵技術之一。
[0003] 基于表面肌電信號（Surface Electromyography, sEMG)的人機交互系統(tǒng)的研究在 運動、康復醫(yī)療等領域產生了深遠的科學及社會意義。近年來，實現(xiàn)"以人為中心"自然友 好的人機交互成為眾多研究的熱點，因此，對基于sEMG的自適應人機交互系統(tǒng)的研究具有 重要的理論意義和實際應用價值。
[0004] 自適應能力是衡量人機交互系統(tǒng)性能的重要指標，然而當前眾多的SEMG人機交 互系統(tǒng)只能滿足短時間內的交互需求，在進行長時間人機交互時系統(tǒng)缺乏自適應能力，這 除了 sMEG自身微弱、時變的特點和客觀條件的影響外，主要的影響因素是肌肉疲勞，即肌 肉持續(xù)收縮后會逐漸進入疲勞狀態(tài)。肌肉疲勞的產生引起sEMG發(fā)生改變，從而導致系統(tǒng)對 控制動作的誤分類和誤識別，降低系統(tǒng)穩(wěn)定性。這嚴重影響了 sEMG人機交互技術在實際工 程中的廣泛應用。
[0005] 合理、有效的sEMG模式識別方法是解決上述問題、提高基于sEMG的人機交互系統(tǒng) 的自適應能力的關鍵技術。有效的sEMG模式識別方法能夠在不同肌肉狀態(tài)下對不同肌肉 動作產生的sEMG進行有效識別，從而降低肌肉疲勞等因素在長時間人機交互中對系統(tǒng)的 影響，顯著提高人機交互系統(tǒng)的自適應能力。


【發(fā)明內容】

[0006] 有鑒于此，本發(fā)明的目的在于提供一種基于在線SVM的SEMG自適應模式識別方法 及其在智能輪椅上的應用，該方法可以解決當前眾多的基于sEMG的人機交互系統(tǒng)在進行 長時間人機交互過程中缺乏自適應能力的問題。
[0007] 為達到上述目的，本發(fā)明提供如下技術方案：
[0008] -種基于在線SVM的sEMG自適應模式識別方法，在該方法中，采用增量學習算法 對SVM模型進行在線訓練，同時在線學習過程中引入頭部信息作為校正信息共同構成sEMG 的分類器，對不同肌肉狀態(tài)下的sEMG實現(xiàn)有效識別。
[0009] 進一步，在對SVM模型進行在線訓練的過程中，在線SVM的增量學習過程中樣本的 選擇與遺忘按照特定的條件進行，并且在線學習過程中引入校正信息，即通過Kinect獲取 頭左轉和右轉的深度圖像，經隨機森林識別后作為增量學習時初始樣本的更新策略，從而 達到在長時間人機交互過程中防止肌肉疲勞、瞬時信號及無意識動作所引起的系統(tǒng)性能降 低的問題。
[0010] 進一步，根據(jù)肌肉的生理特征對應的設計模式識別分類器，即采用增量式在線SVM 對不斷變化的sEMG進行學習，同時引入Kinect獲取的視覺信息作為校正，使得分類器始終 建立在有效信息區(qū)域，長時間內保持系統(tǒng)具備較好的自適應能力。
[0011] 本發(fā)明還提供了一種基于在線SVM的sEMG自適應模式識別方法在智能輪椅上的 應用，傳感器獲取并預處理咀嚼肌單擊和雙擊產生的sEMG，Kinect獲取頭部左轉和右轉的 深度圖像信息作為系統(tǒng)校正信息，然后在PC機上對sEMG進行基于在線SVM的自適應模式 識別，獲得與動作模式相對應的智能輪椅控制指令，調用相應的控制函數(shù)，驅動智能輪椅運 動。
[0012] 本發(fā)明的有益效果在于：本發(fā)明采用增量學習算法對SVM模型進行在線訓練，同 時在線學習過程中引入頭部信息作為校正信息共同構成sEMG的分類器，對不同肌肉狀態(tài) 下的sEMG實現(xiàn)有效識別，降低肌肉疲勞對人機交互系統(tǒng)穩(wěn)定性的影響，最后將其成功應用 于智能輪椅上，有效的提高了系統(tǒng)在長時間人機交互過程中的自適應能力，使得交互更加 自然友好。

【專利附圖】

【附圖說明】
[0013] 為了使本發(fā)明的目的、技術方案和有益效果更加清楚，本發(fā)明提供如下附圖進行 說明：
[0014] 圖1為基于在線SVM的sEMG自適應模式識別方法流程圖；
[0015] 圖2為樣本在線更新流程圖；
[0016] 圖3為基于在線SVM的sEMG自適應模式識別方法的智能輪椅人機交互系統(tǒng)總體 框架。

【具體實施方式】
[0017] 下面將結合附圖，對本發(fā)明的優(yōu)選實施例進行詳細的描述。
[0018] 本發(fā)明提供的技術方案為一種基于在線SVM的sEMG自適應模式識別方法并將其 應用于智能輪椅上。如圖1所示，該方法具體為：在實現(xiàn)了 AR模型對咀嚼肌單擊和雙擊產 生的sEMG特征提取的基礎上，通過對SVM基礎理論及其訓練方法的比較分析最終采用增量 學習方法來實現(xiàn)SVM的在線學習和訓練，然后按照一種新的樣本選擇與遺忘的方法進行樣 本的選擇，同時在樣本更新過程中引入Kinect獲取的頭部視覺信息作為系統(tǒng)的校正信息， 以防止肌肉疲勞、瞬時信號和無意識動作對系統(tǒng)的影響。
[0019] 該方法應用于智能輪椅上所實現(xiàn)的人機交互系統(tǒng)主要包括：Cyberlink傳感器、 Kinect傳感器、筆記本電腦、無線通信模塊、智能輪椅本體。Cyberlink傳感器用于肌電信 號的采集與預處理；Kinect作為視覺傳感器用于采集頭部的深度圖像信息；筆記本電腦作 為整個控制系統(tǒng)的上位機，用于肌電信號與深度圖像信息的特征提取、在線訓練及模式識 另IJ ;無線通信模塊用于上位機和下位機之間的通信；智能輪椅是整個控制系統(tǒng)的下位機， 完成相應的控制動作。
[0020] 下面對本發(fā)明的技術方案進行具體說明：
[0021] 隨著當前信息技術的發(fā)展，在實際應用的系統(tǒng)中要求機器學習具有自適應能力， 即系統(tǒng)能夠隨著環(huán)境的變化來調整自身參數(shù)以實驗外界條件，同時要求機器學習在遇到未 知信息時能夠學習新的知識。SVM是機器學習眾多算法中一種有效的數(shù)據(jù)分類、挖掘方法， 并且在經濟分析、生物識別技術、信號識別和檢測以及圖像識別等領域有了廣泛的應用?，F(xiàn) 有的SVM訓練算法主要分為3種：一種是分解算法，二是序貫最小優(yōu)化算法，還有一種是在 線訓練算法。前兩種均為離線式算法，這兩種算法要求訓練樣本集的大小是固定的，但是在 現(xiàn)實應用中很難滿足這一要求，并且在實時系統(tǒng)應用中由于缺少穩(wěn)定性和自適應能力，第 三種為在線訓練算法，它能夠實時的處理訓練樣本，并且不受訓練樣本個數(shù)的影響。增量訓 練算法是可以在線訓練SVM模型的一種有效方式。
[0022] 增量式在線SVM的主要思想如下：
[0023] 如果樣本X為線性可分數(shù)據(jù)集則可得到一個最優(yōu)線性判別函數(shù)：
[0024] ^(.v) = (w* ·χ) +/i =Yj α；.ν; ( a;; · .γ) + Ii (I) /-I
[0025] 當樣本為非線性可分數(shù)據(jù)集時，SVM通過核函數(shù)K(XpXj)將輸入空間映射到高維 的核函數(shù)空間，從而實現(xiàn)非線性數(shù)據(jù)的線性分類，得到的分類函數(shù)為： η
[0026] SrCv) - Yj a； r,- K (.Y,. ,x) + b* (2) /=1
[0027] 根據(jù)二次優(yōu)化理論，當KKT(Karush Kuhn Tucker)條件得到滿足，優(yōu)化問題得到唯 一解。訓練樣本被分為三個集合，所有的樣本必須屬于其中一個集合。對偶問題的最優(yōu)解 α = [ α α 2, . . .，a J滿足KKT條件后分為如下三種情況：

【權利要求】
1. 一種基于在線SVM的sEMG自適應模式識別方法，其特征在于；在該方法中，采用增 量學習算法對SVM模型進行在線訓練，同時在線學習過程中引入頭部信息作為校正信息共 同構成sEMG的分類器，對不同肌肉狀態(tài)下的sEMG實現(xiàn)有效識別。
2. 根據(jù)權利要求1所述的一種基于在線SVM的sEMG自適應模式識別方法，其特征在 于；在對SVM模型進行在線訓練的過程中，在線SVM的增量學習過程中樣本的選擇與遺忘按 照特定的條件進行，并且在線學習過程中引入校正信息，即通過Kinect獲取頭左轉和右轉 的深度圖像，經隨機森林識別后作為增量學習時初始樣本的更新策略，從而達到在長時間 人機交互過程中防止肌肉疲勞、瞬時信號及無意識動作所引起的系統(tǒng)性能降低的問題。
3. 根據(jù)權利要求1所述的一種基于在線SVM的sEMG自適應模式識別方法，其特征在 于；根據(jù)肌肉的生理特征對應的設計模式識別分類器，即采用增量式在線SVM對不斷變化 的sEMG進行學習，同時引入Kinect獲取的視覺信息作為校正，使得分類器始終建立在有效 信息區(qū)域，長時間內保持系統(tǒng)具備較好的自適應能力。
4. 一種基于在線SVM的sEMG自適應模式識別方法在智能輪椅上的應用，其特征在于： 傳感器獲取并預處理巧嚼肌單擊和雙擊產生的sEMG，Kinect獲取頭部左轉和右轉的深度 圖像信息作為系統(tǒng)校正信息，然后在PC機上對sEMG進行基于在線SVM的自適應模式識別， 獲得與動作模式相對應的智能輪椅控制指令，調用相應的控制函數(shù)，驅動智能輪椅運動。
【文檔編號】G06K9/66GK104463218SQ201410784107
【公開日】2015年3月25日 申請日期:2014年12月16日 優(yōu)先權日:2014年12月16日
【發(fā)明者】張毅, 羅元, 劉想德, 林海波, 徐曉東, 胡豁生 申請人:重慶郵電大學