融合表面肌电和加速度信号的下肢运动模式识别方法与流程

本发明属于模式识别领域，涉及一种融合表面肌电信号(semg)、加速度信号的人体下肢运动模式识别方法，实例对走、上楼、下楼、站到坐、坐到站、站到蹲和蹲到站这七个日常行为动作进行识别，取得较好的识别效果。

背景技术：

随着社会的快速发展，受先天环境和后天疾病影响引发下肢单侧肢体运动功能损伤的患者日益增多。提高这类患者的生活质量并逐渐使其恢复运动能力已经成为社会关注的热点和医疗康复领域的主题。但由于医疗机构、技师和设备短缺及昂贵的费用大大限制了康复治疗的发展，并且传统的康复手段医师工作强度大，患者参与性低，训练效果及评价受医师主观意识影响，治疗效果十分有限。随着机器人技术的飞速发展，产生了结合外骨骼康复机器人等先进的康复手段，实时提取人体与外骨骼机器人之间交互信息，建立外骨骼机器人系统的主动柔性控制策略，可以实现根据人体运动意图的主动康复训练。而人体下肢运动意图实时、准确识别是实现外骨骼机器人交互控制的关键，因此本文对下肢运动模式意图的准确识别进行了深入研究。

表面肌电信号(surfaceelectromyography,semg)广泛应用于运动意图识别领域，但由于肌电信号内在的不平稳性产生的噪声以及人体生物电信号噪声的影响，在对semg进一步处理之前必须进行消噪处理。经验模态分解(empiricalmodedecomposition，emd)它能使复杂信号分解为有限个本征模态函数(intrinsicmodefunction，imf)，所分解出来的各imf分量包含了原始信号的不同时间尺度的样本特征，由于分解是基于信号序列时间尺度的局部特性，因此具有自适应性，在处理非平稳及非线性信号上相对于短时傅里叶变换、小波变换等时频域分析方法有非常明显的优势，一经提出就在不同的工程领域得到广泛的应用，但由于emd存在边界效应和模态混叠，一种新的自适应时频分析方法局部均值分解(localmeandecomposition，lmd)能将一个复杂的非平稳多分量幅频调制信号分解若干个具有物理意义的pf(productfunctions，pf)分量。

在lmd分解之后，主要的问题是如何从获得的pf成分提取动作特征信息。常见的时域特征(如绝对均值、均方根、波形长度、过零点数)、频域特征(如自回归模型系数、平均频率、中值频率)、非线性分析方法(如希尔伯特黄变换)、李雅普诺夫指数、样本熵、近似熵等已广泛应用于semg的体征提取领域，但上述方法存在抗噪能力弱、数据预处理过程复杂等局限，导致semg本身的细节特征难以有效提取。排序熵(permutationentropy，pe)作为一种基于复杂性度量的非线性动力学参数，具有计算速度快、抗噪能力强等优点，已逐渐应用于心电、脑电等复杂生物电信号的分析中。但以上时域和时频域分析方法局限于单一时间尺度，而多尺度分析方法将时域信号通过多尺度粗粒化处理分解为不同时间尺度，多尺度分析包含原始信号不同时间尺度上更多的细节信息，更能反应肌电信号在不同运动模式下复杂的内部特性。

加速度信号不仅可以反映日常行为动作随时间推移产生的速度信息和在空间中的运动轨迹信息，还可以提供日常行为动作相对于重力加速度方向的角度倾斜信息，因此广泛应用于日常行为动作检测及跌倒检测中，常提取加速度信号的时域特征如简单阈值、峭度、信号幅度向量、信号幅度域(signalmagnitudearea，sma)及加速度瞬时变化值等，irenes等采用加速度对坐、站、行走进行识别，获得了99％的识别正确率。但利用加速度信号简单的时域特征不能有效的反映出下肢不同运动模式之间的区别，而排序熵能够准备的反映不同运动模式加速度信号的复杂度，有利区分不同的动作模式。

技术实现要素：

为了实现下肢多运动模式识别，本发明提出了一种融合表面肌电和加速度信号的下肢运动模式识别方法。首先，用局部均值分解将表面肌电信号分解为多个乘积函数(pf)，再计算pf成分的多尺度排序熵。然后，通过拉普拉斯权重(ls)特征选择算法选定每路肌电信号的一个尺度排序熵为特征，并把该特征和加速度信号的排序熵组成特征向量。最后，根据类内欧氏距离和类间样本分布，提出了改进的二叉树支持向量机(isvm-bt)，把特征向量输入该支持向量机实现下肢运动模式分类。

为了实现以上目的，本发明方法主要包括以下步骤：

融合表面肌电和加速度信号的下肢运动模式识别方法，其特征在于：该方法包括如下步骤：

步骤1.获取人体下肢表面肌电信号、加速度信号；具体过程如下：

选定胫骨前肌、腓肠肌、股直肌、半腱肌四块肌肉作为信号源，通过肌电采集系统获取肌电信号；将一个三轴加速度传感器结点固定在测试者腰部，捕获并记录x、y、z三轴的原始加速度运动数据。

步骤2.将步骤1获取的表面肌电信号用局部均值分解算法分解为多个乘积函数；

步骤3.根据表征不同动作分离性的平均欧氏距离，确定局部均值分解算法分解之后第一个乘积函数的多尺度排列熵,提取第一个乘积函数的多尺度排列熵作为表面肌电信号特征；

步骤4.应用拉普拉斯权重特征选择算法计算不同尺度熵的权重，将拉普拉斯权重值最高的四个尺度熵组成四维特征向量；

将步骤5.将步骤4所获得的四维特征向量和三轴加速度的排序熵组成七维特征向量；

步骤6.将七维特征向量输入根据类内平均欧氏距离和类间样本分布而改进的二叉树支持向量机进行下肢运动模式识别；用径向基函数作为支持向量机的核函数；，通过遗传算法获得每个子分类支持向量机模型的全局最优惩罚参数c和核参数γ。；

所述的二叉树支持向量机算法过程如下：

(1)由训练数据得到类内平均欧氏距离av和类间平均欧氏距离avi，权值系数kn＝2ⁿ,-4＜＜n＜＜4，n为整数；

(2)对于给定的kn计算分离性测度ii,j，分离性测度可以由类内平均欧式距离avi、avj和平均类间欧式距离avii,j和权值系数k得到即ii,j＝avii,j+k(avi+avj)，i,j＝1,2,···,n,i≠j，由分离性测度构造对称矩阵si如下

(3)二叉树的分层结构按照矩阵si每行的和值排序；

(4)改变权值kn并且重复步骤6-(2)和步骤6-(3)生成一系列二叉树分层结构；

(5)选择一个二叉树分层结构和权值kn，建立svm子分类器；对于k类问题需要产生k-1个子分类器，对测试数据进行分类，计算分类器的分类精度；

(6)令n＝n+1重复步骤6-(5)直到n＝4为止；

(7)根据所有的权值kn对应的分类精度来决定最优的二叉树分层结构。

本发明与已有的下肢运动模式识别相比，具有如下特点：

由于人体姿态信息的复杂性，仅依靠单一信号如加速度或表面肌电信号的多模式运动识别存在较高的误判率，特别是表面肌电信号的模糊性极强，仅通过表面肌电信号进行人体运动意图的识别受到很大的争议，因此通过多源信号的融合进行人体运动意图的识别是一个有效的途径。本发明设计了一种融合表面肌电信号和加速度信号的下肢运动模式识别方法，相比单纯依靠加速度或者肌电信号的识别方法，大大的提高了分类准确率。

以semg和加速度信号为信息源实现人机交互，核心技术在于人体运动意图的实时准确识别，而由于人体动作的复杂性、肌电信号非线性非平稳性和现实场景的复杂性，使得建立稳定、实用的人机交互系统有较大的难度。本发明在提取了表面肌电信号和加速度信号特征之后，将所提取的特征送入支持向量机分类器进行下肢运动模式识别。由于四路表面肌电信号提取多尺度排序熵所组成的特征向量维数较高信息冗余使得模式识别准确率下降，计算复杂度增加，因此我们降低特征空间维数选取几个重要的尺度因子组成特征向量，本发明引入拉普拉斯权重算法对多尺度排序熵按照重要性进行排序，实现降维处理。基于二叉树的支持向量机分类器分类性能主要取决于二叉树的构造上，本发明结合类内欧氏距离和类间样本分布，改进了二叉树支持向量机分类算法。

附图说明

图1为本发明的实施流程图；

图2为行走时胫骨前肌肌电信号及lmd分解结果；

图3为胫骨前肌肌电信号pf1的尺度排列熵分布；

图4为胫骨前肌肌电信号pf2的尺度排列熵分布；

图5为isvm-bt算法流程图；

图6为isvm-bt最佳分层结构。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。

如图1所示，本实施例包括如下步骤：

步骤一，获取人体下肢表面肌电信号、加速度信号。具体过程如下：

采用四通道肌电采集仪采集肌电信号。通过对腿部肌群测试比较最终选定胫骨前肌、腓肠肌、股直肌、半腱肌作为信号源，在进行数据采集前先用酒精擦拭上述四块肌肉，去除皮肤表面的毛屑降低干扰，同时要求测试者在24h内不要做剧烈运动。将一个i4motion三轴加速度传感器结点固定在测试者腰部，捕获并记录x、y、z三轴的原始运动数据。由于肌电信号的有用能量主要分布在10hz～500hz之间，为了不失真采样，因此设定肌电信号的采样频率为1000hz。根据人体活动产生的加速度信号都在20hz以下，本实施例设定加速度信号的采样频率为50hz，数据采集设备通过蓝牙将数据传输到上位机软件中，上位机记录并保存原始运动数据。本实施例主要研究了走、上楼、下楼、站到坐、坐到站、站到蹲和蹲到站这七个日常行为动作。实验对象为两名身体健康男性(24±2岁，65±5kg，170±5cm)和一名女性(23岁，48kg，162cm)。每组动作重复40次，每个样本由四路肌电信号和x、y、z三个轴向的加速度信号组成，根据康复患者的活动频率，取每路肌电信号后续的2000个采样点数据和加速度信号后续的100个采样点数据作为研究对象进行下一步处理。

步骤二.将步骤(1)获取的表面肌电信号用局部均值分解算法(lmd)分解为多个乘积函数(pf)。

应用局部均值分解(lmd)算法对肌电信号进行分解。行走时胫骨前肌的肌电信号及分解结果如图2所示。由于肌电信号的动作信息主要集中在前面的pf成分中因此图中只显示了前3个pf成分。

步骤三.根据表征不同动作分离性的平均欧氏距离，确定局部均值分解算法(lmd)分解之后第一个乘积函数(pf1)的多尺度排列熵具有较高的平均欧氏距离，提取第一个乘积函数(pf1)的多尺度排列熵作为表面肌电信号特征。

在lmd分解之后应用多尺度排列熵提取肌电信号特征，其中嵌入维数m＝5，尺度因子τ＝20。图3和图4分别表述了胫骨前肌肌电信号pf1和pf2的尺度排列熵分布。

从图3和图4可以看出pf1的尺度排列熵比pf2的具有更好的分离性，为了进一步说明引入表征不同动作分离性的平均欧氏距离其中tj(τ)为归一化的排列熵值，n＝7是动作数量，m＝21是七个动作构成的欧氏距离的数量)作为评价指标。pf1和pf2多尺度排列熵对应的四路肌电信号平均欧氏距离分别为1.3169、1.2833、1.0483、1.1579和0.9607、0.8268、0.7981、0.5050。pf1成分有较高的平均欧氏距离这表明pf1成分蕴涵更多的动作特征信息并且具有更高的可分离性。因此将pf1成分作为肌电信号的主要成分进行进一步的研究。

步骤四.应用拉普拉斯权重特征选择算法计算不同尺度熵的权重值，确定(τ＝1,5,4,16)尺度熵组成4维特征向量。

如果直接将每路肌电信号计算得到的20个尺度排列熵组成1×80维的特征向量进行计算，将会增加计算复杂度和运行时间，因此我们应用拉普拉斯权重(laplacianscore，ls)特征选择算法计算不同尺度熵的重要性。其中胫骨前肌肌电信号20个尺度排序熵按重要性排序如下，其余三路肌电信号与此分布类似。ls1＜ls7＜ls2＜ls3＜ls4＜ls8＜ls5＜ls6＜ls9＜ls19＜ls12＜ls10＜ls13＜ls14＜ls11＜ls15＜ls16＜ls17＜ls20＜ls18

步骤五.将步骤(4)所获得的4维特征向量和三轴加速度的排序熵组成7维特征向量。

通过实验分析并基于计算复杂度和识别精度两方面考虑最终选择每路肌电信号最重要的那个尺度(τ＝1,5,4,16)熵和x、y、z三轴加速度的排序熵组成1×7维特征向量。

步骤六.将7维特征向量输入根据类内平均欧氏距离和类间样本分布而改进的二叉树支持向量机(isvm-bt)进行下肢运动模式识别。用径向基函数作为支持向量机的核函数。通过遗传算法(geneticalgorithm,ga)获得每个子分类支持向量机模型的全局最优惩罚参数c和核参数γ。改进的二叉树支持向量机算法流程图5所示。

随机选取一部分特征向量用于训练isvm-bt得到最佳的bt分层结构，并用剩余的特征向量验证isvm-bt的分类性能。以样本1的数据为例，从每组数据集中随机选取20个样本作为训练集，剩余的20个样本作为测试集，得到最佳的分层结构如下图6所示

然后按照ga对svm惩罚参数c和核函数γ寻求全局最优解，设定c(0.1,1000)和γ(0.001,10)并通过10倍交叉验证方法获得全局最优解，分类结果如表1所示。

表1分类结果

从表1中可以看出对于这三个样本集这七个动作均实现了较高的识别率，其中上楼和下楼这两个动作的识别率达到了100％，平均识别率达98.62％，这说明本发明在下肢运动模式识别中具有较高的识别率和可靠性。

为了验证融合肌电和加速度识别方案与单纯依靠肌电的优劣，按照上述数据处理方法，表面肌电信号对七个动作的分类效果如表2所示。从表中可以看出，单一依靠表面肌电信号对上楼、下楼和走这三个动作的识别率较高，而对蹲站、站蹲、坐站和站坐这四个比较相似动作识别率比较低，比较表1和表2可以看出引入加速度后这七个动作的识别率明显提高，其中对蹲站、站蹲、坐站和站坐这四个相似动作识别率提高的最为明显。

表2单一表面肌电信号的分类结果