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