论文部分内容阅读
表面肌电信号(surfaceelectromyography,sEMG)是神经肌肉系统在进行随意性和非随意性生物电变化经表面电极引导、放大、显示和记录所获得的一维时间序列信号,其变化与参与活动的运动单位的数量、运动单位的活动模式和代谢状态等因素有关,能够实时准确地在非损伤状态下反应肌肉活动状态和功能状态。表面肌电信号是一种简单、无创、容易被受试者接受的肌电活动,在临床医学等方面具有重要的实用价值。目前,表面肌电信号应用最广泛的领域是假肢控制。由于与肢体运动是直接相关的,肢体的不同运动方式具有不同的肌肉收缩模式,这种模式差别反映在表面肌电信号特征的差异上,因此需要提取这些特征来区分肢体的不同动作模式,从而对假肢进行控制。而表面肌电假肢控制中,如何选择有效的特征是一个关键问题。只有选择有效的特征才能实现对不同动作的准确识别,进而加快表面肌电控制假肢的实用化进程。本文将着重从模式识别领域的特征选择上入手,对表面肌电特征选择方法进行理论上的新的探索。
首先,本文对国内外肌电假肢控制和表面肌电信号模式识别的研究现状进行了回顾,引入基于文化算法的表面肌电信号的特征选择法。随后对表面肌电信号的特征提取和模式分类的常用方法进行了研究。
本文利用基于文化算法(culturalalgorithm,CA)的特征选择方法,讨论了该方法在表面肌电信号模式分类中的可行性。首先,为了充分验证本章提出的特征选择方法,采用两种特征,即时域特征和小波特征。时域特征包括绝对值均值(MAV)、过零点数(ZC)、斜率符号变化数(SSC)、方差(VAR)以及Willson幅值(WAMP)。4阶AR模型系数特征与上述时域特征组合在一起组成新的特征集,记为TDAR。至于小波特征,采用Coiflet4母函数进行4级分解,并去每一级系数能量作为其特征,记为WT。并同时利用了两种分类器:线性分类器(lineardiscriminantanalysis,LDA)和BP神经网络(back-propagationneuralnetwork,BPNN),从多个角度对本文所用的特征选择方进行对比。由于遗传算法在特征选择领域应用非常广泛,而且理论非常成熟,并且文化算法与其有不少相似之处,有很强的可比性,因此本文利用标准遗传算法与文化算法进行对比,来讨论基于文化算法对表面肌电信号进行特征选择的可行性。
实验结果表明,在CA特征集中,不同受试者平均选择了12.7±1.2个TDAR特征,对八个动作的平均分类准确率为①LDA:88.20±0.79%②BPNN:86.13±2.84%;平均选择了9.70±2.68个WT特征,八个动作的平均分类准确率为①LDA:89.71±1.42%,②BPNN:88.79±2.14%。用GA进行降维时,不用受试者平均选择了14.8±1.73个TDAR特征,对八个动作的平均分类准确率为①LDA:84.21±3.51%②BPNN:83.17±3.24%;平均选择了9.90±3.65个WT特征,八个动作的平均分类准确率为①LDA:83.34±4.62%②BPNN:82.81±3.96%。可以看出,不管利用哪种分类器,用GA进行降维时,八个动作的分类准确率明显小于CA特征集,可以得出基于CA的特征选择方法不仅能明显降低特征维数,而且能提高识别准确率。