亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

基于遺傳算法優(yōu)化支持向量機(jī)的肌電信號(hào)步態(tài)識(shí)別方法

文檔序號(hào):8223901閱讀:378來(lái)源:國(guó)知局
基于遺傳算法優(yōu)化支持向量機(jī)的肌電信號(hào)步態(tài)識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于模式識(shí)別技術(shù)領(lǐng)域,設(shè)及一種肌電信號(hào)的識(shí)別方法,特別設(shè)及一種基 于遺傳算法優(yōu)化支持向量機(jī)的肌電信號(hào)步態(tài)識(shí)別方法。
【背景技術(shù)】
[0002] 下肢步態(tài)是人體在行走過(guò)程中,雙腿所表現(xiàn)出的姿勢(shì)和狀態(tài),具有周期性、連續(xù)性 和重復(fù)性等特點(diǎn)。人體運(yùn)動(dòng)過(guò)程中,從一側(cè)腳跟著地到該側(cè)腳跟再次著地的時(shí)間為一個(gè)完 整的步態(tài)周期,并且可W根據(jù)腳是否觸地分為兩個(gè)時(shí)期;腳觸地為支撐期,腳離地為擺動(dòng) 期。對(duì)人體步態(tài)進(jìn)行識(shí)別研究,主要通過(guò)采集下肢運(yùn)動(dòng)有關(guān)信息,并對(duì)信息進(jìn)行解碼分析, 準(zhǔn)確地還原下肢運(yùn)動(dòng)所處的步態(tài)階段,從而完成步態(tài)的實(shí)時(shí)識(shí)別。運(yùn)動(dòng)信息主要包括壓力 信息、關(guān)節(jié)角度信息W及肌電信息巧lectromyograpy,EMG)等。
[0003] 利用EMG信號(hào)對(duì)肢體動(dòng)作進(jìn)行識(shí)別研究,已有20多年的歷史,隨著模式識(shí)別技術(shù) 的進(jìn)步,已經(jīng)取得多項(xiàng)進(jìn)展。如Wang等人使用離散小波包變換對(duì)EMG信號(hào)在時(shí)域內(nèi)進(jìn)行分 解并提取特征,利用遺傳算法(Genetic Algorithm, GA)選擇特征,最后應(yīng)用BP神經(jīng)網(wǎng)絡(luò) 炬P Neural Network,BPNN)對(duì)4類(lèi)手部動(dòng)作進(jìn)行識(shí)別,取得了較高的準(zhǔn)確率。Song等人采 用模糊小-大神經(jīng)網(wǎng)絡(luò)(puzzy Min-Max Neural Network, FMMNN),依據(jù)肌肉收縮時(shí)間的變 化,調(diào)節(jié)識(shí)別模型的參數(shù)取值范圍,很好地克服了肌肉疲勞對(duì)識(shí)別效果造成的影響。然而, 神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)是經(jīng)典統(tǒng)計(jì)學(xué),依賴(lài)于樣本數(shù)量趨于無(wú)窮大時(shí)的漸進(jìn)值,但是實(shí)際問(wèn) 題中樣本數(shù)量往往有限,在應(yīng)用中往往不能滿(mǎn)足實(shí)際需求。
[0004] 支持向量機(jī)(Suppcxrt Vector Machine, SVM)是目前用于EMG分類(lèi)識(shí)別的較好方 法。如李林偉等人在sEMG動(dòng)作模式的識(shí)別中,構(gòu)造SVM分類(lèi)器,成功地對(duì)sEMG信號(hào)做出了 辨識(shí),并與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basis F^mction Neural Network, RBFNN)相比 較,體現(xiàn)了優(yōu)越性。Castllini等人在前臂EMG信號(hào)的分類(lèi)過(guò)程中,采用了高斯核支持向量 機(jī)、神經(jīng)網(wǎng)絡(luò)W及局部加權(quán)投影回歸法,并對(duì)實(shí)際分類(lèi)效果進(jìn)行對(duì)比分析。結(jié)果表明,SVM分 類(lèi)器取得的識(shí)別效果明顯優(yōu)于其余兩種方法。然而,SVM分類(lèi)器性能的好壞,與其參數(shù)(主 要與懲罰參數(shù)C、核函數(shù)參數(shù)g)密切相關(guān)。如何快速有效地進(jìn)行參數(shù)組合選擇,是提高SVM 識(shí)別效果的關(guān)鍵。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明針對(duì)目前支持向量機(jī)在肌電信號(hào)步態(tài)識(shí)別中不易確定最優(yōu)參數(shù)組合的問(wèn) 題,提出一種基于遺傳算法優(yōu)化支持向量機(jī)的肌電信號(hào)步態(tài)識(shí)別方法,快速找出最優(yōu)懲罰 參數(shù)C和核函數(shù)參數(shù)g,優(yōu)化支持向量機(jī)分類(lèi)器,提高其在下肢運(yùn)動(dòng)步態(tài)識(shí)別中的效率和準(zhǔn) 確率。
[0006] 為了實(shí)現(xiàn)W上目的,本發(fā)明方法包括W下步驟:
[0007] 步驟(1),下肢運(yùn)動(dòng)肌電信息獲取。
[000引選擇與下肢運(yùn)動(dòng)關(guān)系緊密的肌肉群作為EMG信息獲取源,采集運(yùn)動(dòng)過(guò)程中產(chǎn)生的 多路EMG信號(hào),再對(duì)采集到的原始EMG信號(hào)進(jìn)行消噪處理。所述的消噪處理采用小波模極 大值去噪方法,首先對(duì)肌電信號(hào)進(jìn)行小波分解,然后根據(jù)小波系數(shù)的奇異性,利用信號(hào)與噪 聲模極大值在小波尺度上的不同變化特性,分離出信號(hào)與噪聲,最后重構(gòu)消噪后的肌電信 號(hào)樣本數(shù)據(jù),獲得下肢運(yùn)動(dòng)肌電信息。
[0009] 步驟(2),提取消噪后肌電信號(hào)的特征向量樣本集。
[0010] 先分別計(jì)算出消噪后肌電信號(hào)的絕對(duì)值均值和方差作為特征值,再將各組特征值 組合成為特征向量樣本集。絕對(duì)值均值A(chǔ)和方差V的求解公式為,
【主權(quán)項(xiàng)】
1. 基于遺傳算法優(yōu)化支持向量機(jī)的肌電信號(hào)步態(tài)識(shí)別方法,其特征在于,該方法具體 包括以下步驟: 步驟(1),下肢運(yùn)動(dòng)肌電信息獲取; 步驟(2),提取消噪后肌電信號(hào)特征向量樣本集; 步驟(3),通過(guò)GA對(duì)SVM進(jìn)行參數(shù)優(yōu)化,得到最優(yōu)SVM分類(lèi)器,實(shí)現(xiàn)下肢肌電信號(hào)的步 態(tài)分類(lèi)與識(shí)別。
2. 根據(jù)權(quán)利要求1所述的基于遺傳算法優(yōu)化支持向量機(jī)的肌電信號(hào)步態(tài)識(shí)別方法,其 特征在于:所述的下肢運(yùn)動(dòng)肌電信息獲取方法為: 選擇與下肢運(yùn)動(dòng)關(guān)系緊密的肌肉群作為EMG信息獲取源,采集運(yùn)動(dòng)過(guò)程中產(chǎn)生的多路 EMG信號(hào),再對(duì)采集到的原始EMG信號(hào)進(jìn)行消噪處理;所述的消噪處理采用小波模極大值去 噪方法,首先對(duì)肌電信號(hào)進(jìn)行小波分解,然后根據(jù)小波系數(shù)的奇異性,利用信號(hào)與噪聲模極 大值在小波尺度上的不同變化特性,分離出信號(hào)與噪聲,最后重構(gòu)消噪后的肌電信號(hào)樣本 數(shù)據(jù),獲得下肢運(yùn)動(dòng)肌電信息。
3. 根據(jù)權(quán)利要求1所述的基于遺傳算法優(yōu)化支持向量機(jī)的肌電信號(hào)步態(tài)識(shí)別方法,其 特征在于:提取消噪后肌電信號(hào)特征向量樣本集的方法為: 先分別計(jì)算出消噪后肌電信號(hào)的絕對(duì)值均值和方差作為特征值,再將各組特征值組合 成為特征向量樣本集;絕對(duì)值均值A(chǔ)和方差V的求解公式為,
其中,Xi表示消噪后的EMG,i = 0, 1,2,…,N-I為一長(zhǎng)度為N的肌電信號(hào)時(shí)間序列。
4. 根據(jù)權(quán)利要求1所述的基于遺傳算法優(yōu)化支持向量機(jī)的肌電信號(hào)步態(tài)識(shí)別方法,其 特征在于:通過(guò)GA對(duì)SVM進(jìn)行參數(shù)優(yōu)化,得到最優(yōu)SVM分類(lèi)器,實(shí)現(xiàn)下肢肌電信號(hào)的步態(tài)分 類(lèi)與識(shí)別的方法具體包括以下步驟: 一、遺傳算法(GA)的設(shè)計(jì);遺傳算法是一種新型并行搜索和優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法,采 用構(gòu)造初始種群的方式覆蓋問(wèn)題的所有可能解,通過(guò)遺傳操作尋找最優(yōu)解;在SVM分類(lèi)器 的優(yōu)化問(wèn)題中主要包括以下內(nèi)容:懲罰參數(shù)和核函數(shù)參數(shù)的所有可能解構(gòu)成初始種群,將 每一可能解作為遺傳算子并按二進(jìn)制法進(jìn)行編碼,適應(yīng)度定標(biāo),對(duì)遺傳算子進(jìn)行選擇、交叉 和變異遺傳操作,設(shè)置最大遺傳代數(shù)為終止條件;本發(fā)明選取SVM對(duì)訓(xùn)練集在5折交叉驗(yàn)證 (CV)意義下的識(shí)別率作為適應(yīng)度值,識(shí)別率越高,適應(yīng)度值越大,并通過(guò)選擇操作保留適 應(yīng)度值高的個(gè)體;采用交叉操作使兩個(gè)父染色體相互交換部分基因,從而形成更好的個(gè)體; 設(shè)交叉概率為P。,則第i個(gè)染色體A和第j個(gè)染色體q在h位的交叉操作如下:
上式中,P。是[〇, 1]區(qū)間的隨機(jī)數(shù);變異操作可以完善種群多樣性,避免陷入局部最優(yōu) 解的困境,且改善局部搜索能力;對(duì)種群按照變異概率Pm隨機(jī)確定變異個(gè)體,并采用變異操 作形成新的個(gè)體;設(shè)對(duì)第j個(gè)個(gè)體的第d位基因進(jìn)行變異,則具體變異操作如下:
其中,rmax是基因 rjd的上界,rmin為基因 rjd的下界;f(g) =Pm(l-g/Gmax)2為具體變異 操作,其中,g表示當(dāng)前迭代次數(shù),Gmax是最大進(jìn)化代數(shù),PmS [0,1]間隨機(jī)數(shù); 二、 支持向量機(jī)(SVM)分類(lèi)器的構(gòu)造;支持向量機(jī)利用核函數(shù)變換將低維空間不可分 的樣本投影到高維空間,在高維空間中建立使不同類(lèi)別樣本間隔最大的面,即分類(lèi)超平面, 實(shí)現(xiàn)分類(lèi),并使用懲罰參數(shù)對(duì)錯(cuò)分樣本進(jìn)行懲罰,修正分類(lèi)模型;SVM的決策函數(shù)為:
(5) 其中,X為輸入向量,即待分類(lèi)樣本,Zi為支持向量;K(X,Zi)為核函數(shù),本發(fā)明采用徑向 基核函數(shù),K (X,Zi) = exp [_g · (X-Zi)2],g是核函數(shù)參數(shù);a i稱(chēng)為訓(xùn)練樣本對(duì)應(yīng)的Lagrange 乘子,且O < a c,c是懲罰參數(shù),b e R為偏置;f (X)為決策曲線(xiàn),根據(jù)其值的不同,對(duì) 輸入的待分類(lèi)樣本進(jìn)行分類(lèi); 三、 GA對(duì)SVM參數(shù)的優(yōu)化方法;本發(fā)明采用GA尋找使SVM分類(lèi)器性能最佳的懲罰參數(shù) c和核函數(shù)參數(shù)g組合,以此最優(yōu)參數(shù)組合重新訓(xùn)練SVM模型,即可得到最優(yōu)分類(lèi)器;GA優(yōu) 化SVM的具體流程如下: (1) 設(shè)置懲罰參數(shù)c和核函數(shù)參數(shù)g范圍,構(gòu)成初始種群; (2) 以c和g參數(shù)組合下的SVM識(shí)別率作為適應(yīng)度值; (3) 進(jìn)行遺傳操作,并計(jì)算每組c、g下的識(shí)別率;若該組c、g下識(shí)別率最高,則以此時(shí) c、g參數(shù)更新cbest、gbest;若此時(shí)識(shí)別率不是最尚,則保留以肖U c best、gbest; (4) 終止條件設(shè)為最大迭代次數(shù);若不滿(mǎn)足終止條件,則返回第(3)步繼續(xù)進(jìn)行遺傳操 作;當(dāng)滿(mǎn)足終止條件,即迭代次數(shù)達(dá)到最大,選取此時(shí)的c best、gbest為最優(yōu)參數(shù)組合,并依據(jù) 此懲罰參數(shù)和核函數(shù)參數(shù)重新訓(xùn)練支持向量機(jī),作為最終分類(lèi)器; 四、 將特征向量樣本集,隨機(jī)分為兩組,分別作為訓(xùn)練樣本和測(cè)試樣本;利用訓(xùn)練樣本 得到GA優(yōu)化后的SVM分類(lèi)器,并應(yīng)用優(yōu)化后分類(lèi)器對(duì)測(cè)試樣本進(jìn)行識(shí)別,得到識(shí)別結(jié)果。
【專(zhuān)利摘要】本發(fā)明涉及一種基于遺傳算法優(yōu)化支持向量機(jī)的下肢肌電信號(hào)步態(tài)識(shí)別方法。本發(fā)明通過(guò)遺傳算法,對(duì)支持向量機(jī)的懲罰參數(shù)和核函數(shù)參數(shù)進(jìn)行優(yōu)化,從而優(yōu)化支持向量機(jī)性能,提高支持向量機(jī)對(duì)基于肌電信號(hào)的下肢運(yùn)動(dòng)步態(tài)識(shí)別效率和準(zhǔn)確率。首先,采用小波模極大值去噪方法對(duì)采集的下肢肌電信號(hào)進(jìn)行消噪處理;其次,提取消噪后肌電信號(hào)的時(shí)域特征,形成特征樣本;再次,利用遺傳算法優(yōu)化支持向量機(jī)參數(shù),得到誤差最小的一組最優(yōu)參數(shù),并利用此參數(shù)構(gòu)造分類(lèi)器;最后,把特征樣本集輸入優(yōu)化后的分類(lèi)器進(jìn)行步態(tài)識(shí)別。本發(fā)明操作簡(jiǎn)單,計(jì)算快速,識(shí)別率高,在人體下肢運(yùn)動(dòng)步態(tài)識(shí)別領(lǐng)域具有應(yīng)用價(jià)值和廣闊前景。
【IPC分類(lèi)】G06K9-62
【公開(kāi)號(hào)】CN104537382
【申請(qǐng)?zhí)枴緾N201510014792
【發(fā)明人】高發(fā)榮, 鄭瀟, 許敏華, 甘海濤, 羅志增
【申請(qǐng)人】杭州電子科技大學(xué)
【公開(kāi)日】2015年4月22日
【申請(qǐng)日】2015年1月12日
網(wǎng)友詢(xún)問(wèn)留言 已有0條留言
  • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1