基于粒子群优化-支持向量机的肌电信号步态识别方法
【专利摘要】本发明涉及一种基于粒子群优化-支持向量机的肌电信号步态识别方法。本发明利用粒子群优化算法，优化支持向量机的惩罚参数和核函数参数，从而优化支持向量机的性能，实现有效识别分类。首先对采集的下肢肌电信号进行小波模极大值去噪；其次对消噪后的肌电信号提取时域特征，得到特征样本；然后利用利用粒子群优化算法进行支持向量机的参数优化，得到误差最小的一组最优参数，构造分类器；最后将肌电信号特征样本集输入分类器随对步行状态进行分类识别。本发明方法兼顾分类的准确性和自适应性，计算过程简单、高效，在下肢运动状态识别领域具有广阔的应用前景。
【专利说明】基于粒子群优化-支持向量机的肌电信号步态识别方法 【技术领域】
[〇〇〇1] 本发明属于模式识别领域，涉及一种肌电信号识别方法，特别涉及一种用于下肢 行走中的肌电信号步态识别方法。 【背景技术】
[0002] 人体步态是指人行走时所表现出的姿态。在两腿交替进行的正常行走状态下，步 态具有周期性、协调性、均衡性的特点。在一个步态周期内，按照足底与地面的接触情况，可 将步态分为支撑相（足触地）和摆动相（足离地）。两个相位又可再细分为支撑前期、支 撑中期和支撑后期，以及摆动前期和摆动后期共5个阶段。步态是人自身生理结构、运动功 能、健康状况、行为习惯等诸多因素在行走时的综合外在表现。
[0003] 步态运动主要依靠腿部肌肉协调驱动下肢肌肉-骨骼系统来完成，而肌电信号 (EMG)是由肌肉收缩时所产生的动作电位序列，它与肌肉的活动状态和运动的功能状态之 间存在着一定程度的关联，不同肢体动作间的差异可通过肌电信号的特征来体现。对这些 特征的分析，有可能用于区分下肢行走时的不同步态，这在运动医学和康复医学等领域尤 为重要。
[0004] 下肢肌电信号步态运动识别研究始于上世纪90年代，现已得到广泛关注。已有的 肌电信号模式识别算法包括基于神经网络的方法、基于隐马尔可夫模型的方法和基于贝叶 斯的方法等。Abel E.W.等人使用了学习矢量量化网络、自组织特征映射神经网络，以及改 进的BP神经网络对人体动作进行模式识别，Rabiner L.A.等人研究表明隐马尔可夫模型 方法对时间序列的变化提供了一个良好的概率描述，罗志增等人利用贝叶斯方法对上肢肌 电信号识别分类。这些研究都取得了一定的成果，然而肌电信号作为一种非平稳的微弱信 号，如何增强识别分类能力，提高在步态动作中的识别率，仍然是该研究面临的难题。
[0005] 随着支持向量机（SVM)的发展，人们开始使用支持向量机对肌电信号提取的特征 进行分类，其识别效果优于传统方法。在国外，Naik G.R.等人提取手部各类动作肌电信 号的分形维特征，然后结合支持向量机识别手部各个动作，取得了较高的识别率。国内，杨 鹏等人利用隐马尔可夫模型与支持向量机相结合的方法，有效识别了站立及行走的运动模 式。支持向量机的优点在于，克服了传统神经网络易陷入局部极小和分类效果不理想的缺 点。
[〇〇〇6] 然而在实际问题中，支持向量机的性能好坏主要取决于核函数的构造及其参数的 选择。通常参数选择方法的做法是，在一定参数范围内，对每个参数按照一定的间隔取值， 进行各个参数不同的水平组合，构成多组备选的参数组合，选择使得期望风险上界最小的 一组作为最优参数值。这种参数选择方法的缺点，一是受数据规模的限制，二是优化方法相 当耗时，且很难精确找到最优参数。因此，本发明提出一种粒子群优化（PS0)算法，自适应 粒子根据实际情况动态平衡其全局搜索与局部搜索能力，能快速准确地找到支持向量机的 最优参数，有效进行步态识别。
【发明内容】
[0007] 本发明的目的是针对现有支持向量机在肌电信号步态识别中参数选择的不足，采 用PS0粒子群优化算法，优化支持向量机的惩罚参数和核函数参数，使用优化后的支持向 量机对肌电信号提取的特征值进行识别分类，从而提高行走时步态的正确识别率。
[0008] 为了实现以上目的，本发明方法包括以下步骤：
[0009] 步骤（1)，下肢肌电信号的样本获取。按肌肉群在行走时步态动作不同阶段的作用 和贡献大小，以及对表面肌电信号采集设备的敏感程度，选择大腿上具代表性的四块肌肉， 通过肌电采集仪拾取的下肢行走时肌肉的原始肌电信号。采用小波模极大值去噪方法，首 先对肌电信号进行小波分解，然后根据小波系数的奇异性，利用信号与噪声模极大值在小 波尺度上的不同变化特性，分离出信号与噪声，最后重构消噪后的肌电信号样本数据。实现 对含有噪声的肌电信号进行消噪处理，即去除白噪声并保留奇异点信息。具体方法如下： [〇〇1〇] 首先，对含噪信号进行离散小波变换。先对采集的原始肌电信号进行4层小波分 解，基小波选用紧支集双正交小波sym8,得到尺度s上位置X处的含噪信号f的离散小波变 换 Wf (s, X)。
[〇〇11] 其次，求取含噪信号的Lip指数。信号的奇异点就是信号中的突变点，Lip指数是 表征信号局部奇异点特征的一种量度，定义如下：
[0012] 设正整数n，n彡α彡η+l，如果存在正整数A>0及η次多项式？"〇〇,使得
[0013] f (x) -pn (x-x〇) I ^ A I x-x〇 | α ⑴
[0014] 对于x e (xQ- δ，X(l+ δ )成立，则称f (χ)在xQ点是Lip α的。α越大，该点的光 滑度越高；α越小，该点的奇异性越大。
[0015] 再次，保留有用信号点。信号f(X)的Lip指数与小波模极大值（小波模极大值需 满足|Wf (s，X) I < |Wf (s，X(l)，X(l为小波变换在尺度s下的局部模极大值点）需满足
[0016] \o^2\W2J{t)\< \og2k + ja (2)
[0017] 其中，t为时间，j为小波尺度，k e Rn。
[0018] 对一般信号α > 〇,小波变换的模极大值将随着尺度j的增大而增大；而对于白 噪声α <〇,其模极大值随着尺度j的增大而减小。因此利用不同尺度间小波变换模极大 值变换的规律，去除幅度随尺度的增加而减小的点（对应噪声的极值点），保留幅度随尺度 增加而增大的点（对应有用信号的极值点）。
[0019] 最后，对Wf(s，X(l)进行小波重构，得到小波模极大值去噪后的肌电信号样本。 [〇〇2〇] 步骤（2)，下肢肌电信号的特征提取。对于步骤（1)获取的肌电信号，通过提取其 积分肌电值、绝对值方差时域特征，得到特征向量的样本集。具体方法如下：
[0021] 积分肌电值的计算式为
[0022]
【权利要求】
1.基于粒子群优化-支持向量机的肌电信号步态识别方法，其特征在于该方法包括如 下步骤： 步骤（1)，下肢肌电信号的样本获取；按肌肉群在行走时步态动作不同阶段的作用和 贡献大小，以及对表面肌电信号采集设备的敏感程度，选择大腿上具代表性的四块肌肉，通 过肌电采集仪拾取的下肢行走时肌肉的原始肌电信号；采用小波模极大值去噪方法，首先 对肌电信号进行小波分解，然后根据小波系数的奇异性，利用信号与噪声模极大值在小波 尺度上的不同变化特性，分离出信号与噪声，最后重构消噪后的肌电信号样本数据；实现对 含有噪声的肌电信号进行消噪处理，即去除白噪声并保留奇异点信息；具体如下： 首先，对含噪信号进行离散小波变换；先对采集的原始肌电信号进行4层小波分解，基 小波选用紧支集双正交小波sym8,得到尺度s上位置X处的含噪信号f的离散小波变换 Wf (s, x)； 其次，求取含噪信号的Lip指数；信号的奇异点就是信号中的突变点，Lip指数是表征 信号局部奇异点特征的一种量度，定义如下： 设正整数η，η彡α彡η+l，如果存在正整数A > 0及η次多项式pn(x)，使得 f (x) -pn (x-x〇) I 5? AI x-x〇 I α (1) 对于x e (X(|- δ，X(l+ δ )成立，则称f (X)在X(l点是Lip α的；α越大，该点的光滑度越 高；a越小，该点的奇异性越大； 再次，保留有用信号点；信号f(x)的Lip指数与小波模极大值（小波模极大值需满足 |Wf(s，X) | < |Wf (s，X(l)，X(l为小波变换在尺度s下的局部模极大值点）需满足 〇g2 \ wrj\t)\^ \〇g2k + ja (2) 其中，t为时间，j为小波尺度，k e Rn; 对一般信号a >〇,小波变换的模极大值将随着尺度j的增大而增大；而对于白噪声 a <0,其模极大值随着尺度j的增大而减小；因此利用不同尺度间小波变换模极大值变换 的规律，去除幅度随尺度的增加而减小的点（对应噪声的极值点），保留幅度随尺度增加而 增大的点（对应有用信号的极值点）； 最后，对Wf(s，X(l)进行小波重构，得到小波模极大值去噪后的肌电信号样本； 步骤（2)，下肢肌电信号的特征提取；对于步骤（1)获取的肌电信号，通过提取其积分 肌电值、绝对值方差时域特征，得到特征向量的样本集；具体如下： 积分肌电值的计算式为 1 Λ『-ι =^Σχ(〇 (3) 这里，X a)，i = 〇, 1，2,…，Ν-l为一长度Ν的肌电信号时间样本序列，i为每组采样点 数； 绝对值方差的定义如下： (4) 其中Ii为肌电信号的积分肌电值； 由此，得到四路肌电信号的八个特征参数，构成一组特征向量Z; 步骤（3)，构造基于PSO-SVM的分类器；用PSO对SVM进行参数优化选择，得到SVM误 差最小的一组惩罚参数及核函数参数；具体如下： 一、 在每一次迭代过程中，粒子通过个体极值和全局极值更新自身的速度和位置，更新 公式如下：
(5)
式中，w为惯性权重；d = 1，2,. . .，D为空间维数，i = 1，2,. . .，η为粒子数；k为当前 迭代次数；C+1表示在第i个粒子的飞行速度，表示第i个粒子的位置和^,分别表 示第i个粒子的个体最优解和全局最优解；这里第d维的位置变化范围为[-]、速 度变化范围为[-4^，4^];在迭代中若Xid超出边界值，则将其设为边界值-xmax或x max ;Cl 和c2为学习因子（或加速因子），分别代表将每个粒子推向个体极值和全局极值位置的统 计加速项的权值，在[〇, 4]范围内中取值；ri和r2为分布于[0, 1]之间的随机数； 二、 支持向量机SVM ;SVM的基本思想是将向量映射到一个更高维的特征空间，在这个 空间里建立一个使不同类型数据点间隔最大的面，即最大间隔超平面；通过设定适当的核 函数K( Zi，z)进行非线性变换将输入空间变换到一个高维空间，然后在这个新空间中求取 最优线性分类面；SVM的输出分类决策函数为：
(6) %为每个训练样本所对应的拉格朗日系数；K(Zi，z)为核函（K(Zi，z)= θχρ(_|ζ「ζΓ2/ν2)) ;C为惩罚参数，b e R为偏置； 三、 基于PSO的SVM参数优化：选择径向基核函数，PSO优化SVM就是优化支持向量机 的惩罚参数C和核函数半径参数g，使优化后的SVM更好地进行识别分类； 四、 PS0优化SVM流程如下： ⑴给定参数空间内随机生成m个粒子的初始数值；生成的粒子即SVM参数，选用一定 样本输入确定参数的SVM模型； (2) 确定SVM的分类决策函数值； (3) 对选定的参数即粒子进行适应度的计算评价； (4) 若不满足终止条件，则采用PS0算法对粒子的位置、速度进行迭代更新，生成新一 代的粒子，转向（2); (5) 若满足终止条件，则输出最优参数，重新训练SVM，作为最终的分类器进行识别分 类； 这样，经过以上PS0优化算法，就得到了 SVM的惩罚参数C和核函数半径参数g的最优 值，用于SVM的训练和分类预测； 步骤（4)，下肢肌电信号的步态识别；将步骤（2)提取的肌电信号特征样本集，随机分 成训练样本和测试样本两组；训练集用于训练PS0优化后的SVM建立模型；测试集用于输 入SVM分类器进行识别，得到识别结果。
【文档编号】A61B5/11GK104107042SQ201410326582
【公开日】2014年10月22日 申请日期:2014年7月10日 优先权日:2014年7月10日
【发明者】高发荣, 王佳佳, 席旭刚, 佘青山, 罗志增 申请人:杭州电子科技大学