CN101317794A - 多指多自由度假手用肌电控制能力检测训练方法 - Google Patents

Abstract

一种为安装基于模式识别的肌电控制多指多自由度假手用肌电控制能力检测训练方法。技术方案是：包括下列步骤：用信号采集模块采集残肢表面肌电信号数据；利用信号分析模块对采集的数据进行初步分析，以确定采集的残肢表面肌电信号具有可分性和具有最优可分性的特征值；利用离线识别模块对采集的的残肢表面肌电信号数据进行训练网络和识别待识别数据，以确定最优分类器和最优特征值选项及其各具体参数的选择；根据确定的最优分类器和特征值选项的组合，利用在线识别模块和控制训练模块让患者进行控制训练和在线训练。

Description

多指多自由度假手用肌电控制能力检测训练方法

技术领域

本发明属于假手用肌电控制能力检测方法领域，尤其是一种在安装多自由度肌电假手前，用于截肢者肌电控制能力检测和训练提高肌电控制能力的多指多自由度假手用肌电控制能力检测训练方法。

背景技术

假手是为恢复人手的形态和功能，以补偿截肢造成的缺损而制作和装配的人工手。假手是一种重要的上肢假肢，不仅前臂截肢患者需要安装假手来代偿缺失的人手功能，即使上臂或者肩离断的截肢者安装的上肢假肢，也需要有假手作为末端操作器。据2006年抽样统计，中国有2412万肢体残疾人，按截肢者占8％推算，截肢者有200万，其中上肢截肢者约占29％，有58万人，可见假手有很大的市场需求。假手的种类很多，通过提取残肢表面肌电信号(surfaceElectromyography，sEMG)控制的肌电假手，因仿生性能好，而得到广泛应用。

肌电假手的控制方式可分为三类：阈值控制、比例控制和模式识别控制。阈值控制肌电假手是当肌电幅值超过设定阈值时控制假手运动，这种方法因简单、可靠而广被采用，目前市场上应用的肌电假手大多数都采用这种方法。比例控制肌电假手是可以根据肌电强弱来选择假手相应的速度和握力等级，这个方法在假手握取到物体之前，实行比例速度调节。阈值和比例控制方法的理论依据是肌电信号(Electromyography，EMG)可近似成一种具有可控方差的零均值高斯过程，其方差与肌肉收缩强度成正比。阈值和比例控制利用的是EMG功率信息，比较适合控制单自由度假手。目前市场上手部有一个自由度的多自由度上肢假肢(其它为腕或肘等关节的自由度)都是通过切换开关来控制不同关节运动的。对于多指多自由度假手，因手指间组合方式多而不能采用固定模式的顺序控制，因对组合动作时不同手指运动实时性要求高，所以更不可能采用时间上有明显滞后的串行切换开关控制，只能采用基于模式识别的肌电控制方法。我们在已经公开的发明专利CN101036601A和授权的发明实用新型专利CN2746890Y中发明的基于模式识别的二自由度肌电假手控制方法就是为了提高二自由度肌电假手控制的实时性，利用AR模型提取两个通道sEMG特征，然后将AR模型系数作为BP神经网络分类器输入，识别张开/合拢、腕上/下翻、腕左/右旋和停止7个动作。

基于模式识别的肌电控制方法的优点是可以从较少通道的sEMG中，得到控制多于sEMG通道数的信号，而且不同动作之间没有时间上的延迟，实时性高。但是基于模式识别的肌电控制方法个体差异性比较大，通过对sEMG进行模式识别，识别出运动模式的正确率不仅与截肢位置、截断肌肉保留情况及其缝合方式等多种因素有关，而且与电极安放的位置、肌肉的强壮程度、采用的sEMG特征及分类器的算法等因素有关。

即使是基于阈值控制和比例控制的单自由度肌电假手对截肢者自身的截肢位置、sEMG强度及控制肌肉收缩的能力都是有一定要求，譬如要求截肢者sEMG的幅度要大于100毫伏才能安装，对于sEMG没有达到标准或者控制能力较差的，则利用肌电检测仪进行反馈训练，如果训练仍然达不到标准的，则不能安装肌电假手。基于模式识别的肌电控制上肢假肢，利用的不仅仅是肌电幅值的信号，因此安装前，对截肢者要进行更多的测试与分析，选择识别成功率最高的sEMG特征提取方法和分类器，并且进行增强sEMG幅度、提高sEMG识别成功率和识别成功率稳定性的sEMG反馈训练，使更多的截肢者能够成功安装基于模式识别的肌电控制多自由度上肢假肢。目前，市场上只有为安装基于阈值控制和比例控制的肌电上肢假手配套的肌电反馈训练装置，但是没有为安装基于模式识别的肌电控制多指多自由度假手配套的肌电控制能力检测训练方法及装置。

发明内容

本发明的目的是提供一种为安装基于模式识别的肌电控制多指多自由度假手用肌电控制能力检测训练方法，本发明不局限于肌电控制多指多自由度假手，同样也适于肌电控制多自由度上肢假肢。

本发明的技术方案是：多指多自由度假手用肌电控制能力检测训练方法，其特征是包括下列步骤：

---用信号采集模块采集残肢表面肌电信号数据，当数据的噪声均匀，信号幅值大于噪声幅值的5倍以上，且信号持续时间大于0.5秒时，此时的数据可以作为合适的信号数据；

---利用信号分析模块对采集的数据进行滤波处理、时域、频域和时频域的分析，分析结果在界面上以图形方式显示；

---利用离线识别模块对采集的的残肢表面肌电信号数据进行训练网络和识别待识别数据，首先，依次用各种分类器和特征值选项的组合进行训练和识别，分类器和特征值的各参数取默认值；然后，取识别效果最好的分类器和特征值选项，对其各参数微调，当识别率达到92％或以上时，此时的分类器和特征值选项及其具体参数便是最优分类器和最优特征值选项组合；

---根据确定的最优分类器和特征值选项的组合，利用在线识别模块和控制训练模块让患者进行控制训练和在线训练。

所述的信号采集模块设置有采样频率、放大倍数和采样时间参数。

所述的信号分析模块包括时域分析、频域分析和时频域分析。

所述的离线识别模块包括单分类器、混合分类器和特征提取选项。

所述的在线识别模块包括单分类器、混合分类器和特征提取选项。

所述的控制训练模块包括在线训练模块、假手控制模块和下载模块。

所述的时域分析方法包括：全波整流、短时平均能量、绝对值积分、平均绝对值、短时上升过零间隔、过零点数、斜率变化率、均值、方差、均方根、移动平均值、自相关分析；频域分析包括AR模型估计功率谱、功率谱密度；时频域分析包括短时傅立叶变换和小波变换。

所述的单分类器包括BP神经网络、径向基神经网络、隐马尔可夫模型、概率神经网络、学习矢量量化网络、支持向量机、模糊神经网络；所述特征提取选项包括有时域特征、小波变换特征、AR模型系数特征、倒谱系数特征、小波包变换特征、短时傅立叶变换特征；所述混合分类器包括Bagged-BP混合分类器、AB-RBF混合分类器、HMM-RBF混合分类器和HMM-SVM混合分类器。

通过有源肌电电极进行信号采集。

本发明的效果是：提供一种为安装基于模式识别的肌电控制多指多自由度假手用肌电控制能力检测训练方法及装置，本发明不局限于肌电控制多指多自由度假手，同样也适于肌电控制多自由度上肢假肢。

下面结合附图和实施例对本发明做进一步的说明。

附图说明

图1是本发明硬件框图；

图2是图1中有源电极电路原理框图；

图3是本发明的软件系统各模块组成的主框图；

图4是图3中的信号分析模块包含的分析方法的框图；

图5是图3中的离线识别模块包含的分类器与特征提取选项框图；

图6是本发明HMM分类器识别系统框图；

图7是SVM分类器识别系统框图；

图8是本发明Bagged-BP混合分类器的实现步骤图；

图9是AB算法的第一阶段示意图；

图10是AB算法的第二阶段示意图；

图11是基于HMM-RBFN的混合sEMG辨识系统的原理图；

图12是基于HMM-SVM的混合sEMG辨识系统的原理图。

具体实施方式

本发明的基于模式识别的肌电控制多指多自由度假手配套的肌电控制能力检测训练方法及装置包括硬件和软件两大部分。

图1中，硬件主要有四个由源肌电电极、一个A/D数据采集卡和一个PC机组成。有源肌电电极的作用是提取肌肉收缩传导到皮表的EMG，并且对其进行放大滤波，然后通过A/D数据采集卡转成数字信号传送到PC机。4个有源肌电电极用护腕分别固定于拇短伸肌、指伸肌、指浅屈肌和尺侧腕屈肌4块肌肉肌腹上方。需要注意的是，对于残端较短的截肢者，根据残留肌肉的情况，也可以选择只用2个或者3个表面电极分别固定在能够检测出EMG的肌肉肌腹上方。

图2中，有源肌电电极包括电极片、三运放前置差动放大器、50Hz工频带阻滤波器、低通滤波器、高通滤波器和主放大器。

图3中，软件由(1)信号采集模块、(2)信号分析模块、(3)离线识别模块、(4)在线识别模块和(5)控制训练模块五个部分组成。本发明主要目的是用于残疾人假手的控制训练和实时控制：一般流程为用信号采集模块采集sEMG数据；然后，对采集的数据进行初步分析，以确定信号具有可分性和具有最优可分性的特征值；再次，利用离线识别系统对采集的的sEMG数据进行训练网络和识别待识别数据，以确定最优分类器和最优特征值选项及其各具体参数的选择；然后可以用确定的最优分类器和特征值选项的组合让患者进行控制训练和在线训练。

信号采集模块主要用于sEMG采集、显示和存储，在数据采集前可以对采样频率、采样时间和放大倍数等参数进行设置，并且还可以对基线飘移、工频信号干扰和高低通滤波等进行预处理来去除sEMG中的干扰信号。信号采集模块采用巴特沃滋(Butterworth)软件滤波器，去除500Hz以上和2Hz以下的噪声信号，并且采用双向滤波方法以消除由于滤波引起的移相，其传递函数为：

$H_1\left(Z\right)=\frac{0.245+0.245Z^{-1}+0.7349Z^{-2}+0.7349Z^{-3}}{(1-0.9752Z^{-1}+2.95Z^{-2}-2.9749Z^{-3})*{10}^6}---\left(1\right)$

$H_2\left(Z\right)=\frac{0.1667+0.1667Z^{-1}+0.5Z^{-2}+0.5Z^{-3}}{1+{0.3333Z}^{-2}}---\left(2\right)$

图4中，信号分析模块主要用于对信号采集模块采集到的sEMG进行时域、频域和时频域分析。信号分析模块包含的时域分析方法有：全波整流(FWR)、短时平均能量(STAE)、绝对值积分(IAV)、平均绝对值(MAV)、短时上升过零间隔(ZCT)、过零点数(ZC)、斜率变化率(SSC)、均值(MV)、方差(VAR)、均方根(RMS)、移动平均值(MOV)和自相关分析；信号分析模块包含的频域分析方法有：AR模型估计功率谱、功率谱密度(PSD)；信号分析模块包含的时频域分析方法有：短时傅立叶变换(STFT)、小波变换(WT)。

图5中，离线识别模块主要用于识别方法的对比研究。离线识别模块主要包括sEMG特征提取选项(31)和分类器(32)，而且特征提取选项和分类器的参数可以根据需要进行设置(默认情况下，训练网络和识别时，对各参数无需另外设置，若用于做各算法的对比研究时在可选择的范围内修改各参数)。

离线识别模块包含的特征提取选项(31)有：时域特征(TD)(311)、小波变换特征(WT)(312)、自回归模型系数特征(AR)(313)、倒谱系数特征(CEP)(314)、小波包变换特征(WPT)(315)、短时傅立叶变换特征(STFT)(316)。

时域特征(TD)(311)又包含绝对平均值(MAV)、过零点数(ZC)、斜率变化数(SSC)和波形长度(WL)4个参数，这4个参数组合为时域特征向量。以sEMG为4个通道时为例，时域特征向量形式如下：

$x_{\mathrm{TD}}=[x_{\mathrm{mav}}^1,x_{\mathrm{zc}}^1,x_{\mathrm{ssc}}^1,x_{\mathrm{wl}}^1,...{,x}_{\mathrm{mav}}^4,x_{\mathrm{zc}}^4,x_{\mathrm{ssc}}^4,x_{\mathrm{wl}}^4]---\left(3\right)$

这四个参数的定义如下：

(1)绝对平均值(Mean Absolute Value，MAV)

$x_{\mathrm{MAV}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|x_i\right|---\left(4\right)$

其中，x_i为第i点的sEMG值，N为分析样本长度。

(2)过零点数(Zero Crossings，ZC)

$x_{\mathrm{ZC}}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}[\mathrm{sgn}(-x_i\×x_{i+1})\∩|x_i-x_{i+1}|>\mathrm{\δ}]---\left(5\right)$

其中

其中x_i、x_i+1为第i点及i+1点的sEMG值，N为分析样本长度。

(3)斜率变化数(Slope Sign Changes，SSC)

$x_{\mathrm{SSC}}=\underset{i=2}{\overset{N}{\mathrm{\Σ}}}\mathrm{sgn}[(x_i-x_{i-1})\×(x_i-x_{i+1})]---\left(7\right)$

其中，x_i、x_i-1、x_i+1分别为i点及其前后相邻点的sEMG值，N为分析样本长度。sgn函数的定义同过零点数。

(4)波形长度(Waveform Length，WL)

$x_{\mathrm{WL}}=\underset{i=1}{\overset{N-1}{\mathrm{\Σ}}}|x_{i+1}-x_i|---\left(8\right)$

其中x_i、x_i+1为第i点及i+1点的sEMG值，N为分析样本长度。自回归模型系数(Autoregressive，AR)(313)

$x_i=-\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{a}_k{x}_{i-k}+e_i---\left(9\right)$

其中x_i是第i点的EMG值，p是AR模型的阶数。a_k是AR模型的系数。e_i是第i点的残差白噪声。采用的4阶AR模型，取模型的AR系数a_k，k＝1，…，4作为特征值：

$x_{\mathrm{AR}}=[a_1^1,a_2^1,a_3^1,a_4^1,...,a_1^4,a_2^4,a_3^4,a_4^4]---\left(10\right)$

倒频谱系数(Cepstrum，CEP)(314)简称为倒谱，定义为信号x(i)的Z变换的幅度的对数的反Z变换，即：

c(i)＝Z^-1[log|Z[x(i)]|]＝Z^-1[log|X(z)|](11)

当z仅在单位圆上取值时，前p阶倒谱系数可由p阶AR模型系数通过迭代得到，即：

$\left\{\begin{array}{cc}{c}_k=-a_k& k=1\\ c_k=-a_k-\underset{j=1}{\overset{k-1}{\mathrm{\&Sigma;}}}(1-\frac{j}{k})a_j{c}_{k-j}& 1<k\&le;p\end{array}\right.---\left(12\right)$

式中，p为AR模型阶数，a_k，k＝1，…，p为AR模型系数。c_k，k＝1，…，p为前p阶倒谱系数。

首先求得信号前p阶倒谱系数，然后将各通道倒谱系数组合为倒谱特征向量。当p＝4时，得到倒谱特征向量形式如下：

$x_{\mathrm{CEP}}\text{=[}{c}_1^1,c_2^1,c_3^1,c_4^1,...,c_1^4,c_2^4,c_3^4,c_4^4]---\left(13\right)$

短时傅里叶变换(316)为：

$S_k\left(\mathrm{\&omega;}\right)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}x\left(i\right)h(k-i)e^{-\mathrm{jwi}}---\left(14\right)$

本发明采用64点Hamming窗对每通道信号作短时傅立叶变换，窗口重合长度为32点。然后求短时傅立叶变换系数矩阵的奇异值，设奇异值长度为m，则单个样本的短时傅立叶变换特征可如下表示：

$x_{\mathrm{STFT}}={[x}_1^1,x_2^1,...,x_m^1,...,x_1^4,x_2^4,...,x_m^4]---\left(15\right)$

小波变换(312)是时频域分析方法，它将时域的一维信号变换至时间-频率尺度的二维空间，是傅立叶变换的新发展。传统傅氏级数的系数不能反映信号的局部特性，而小波变换在高频时使用短窗口，在低频时使用宽窗口，因此小波变换系数具有更为丰富的信号信息。

小波变换变为：

$W_x(a,b)=\frac{1}{\sqrt{\left|a\right|}}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\&Integral;}_i^{i+1}x\left(i\right)\mathrm{\&psi;}\left(\frac{t-b}{a}\right)\mathrm{dt}$

$=\frac{1}{\sqrt{\left|a\right|}}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}x\left(i\right)({\&Integral;}_{-\&infin;}^i\mathrm{\&psi;}\left(\frac{t-b}{a}\right)\mathrm{dt}-{\&Integral;}_{-\&infin;}^{i+1}\mathrm{\&psi;}\left(\frac{t-b}{a}\right)\mathrm{dt})$ (16)

本发明首先分别求出N点sEMG在尺度a＝1，…，5时的连续小波变换系数，得到大小为N×5的系数矩阵，然后计算系数矩阵的奇异值，最后将各通道系数矩阵的奇异值组合为该N点sEMG的小波变换特征向量。

本发明采用4阶Coiflet母小波进行小波分解，最后得到样本的小波分解特征向量为：

$x_{\mathrm{WT}}=[x_{\mathrm{wt}1}^1,x_{\mathrm{wt}2}^1,x_{\mathrm{wt}3}^1,x_{\mathrm{wt}4}^1,x_{\mathrm{wt}5}^1,...,x_{\mathrm{wt}1}^4,x_{\mathrm{wt}2}^4,x_{\mathrm{wt}3}^4,x_{\mathrm{wt}4}^4,x_{\mathrm{wt}5}^4]---\left(17\right)$

小波包变换的最大特点在于信号按一定的时频分辨率分解到不同的频段，并将信号的时频成分相应投影到所有代表不同频段的正交小波包空间；小波包空间的完整性和正交性确保信号经过小波包变换之后，信息量完整无缺，并随着分解层次的增加，正交小波包空间的个数呈指数增加，正交小波包变换将对信号的时频特性描述得愈加精细。

本发明先用5阶Symmlet母小波进行L层小波包分解，然后分别计算2^L个叶节点的能量构成一个2^L维向量，最后将各通道的能量向量组合成小波包分解特征向量。实验中取L＝2，则单个样本的小波包变换特征向量(WPT)(315)为：

$x_{\mathrm{WPT}}=[x_{\mathrm{le}1}^1,x_{\mathrm{le}2}^1,x_{\mathrm{le}3}^1,x_{\mathrm{le}4}^1,...,x_{\mathrm{le}1}^4,x_{\mathrm{le}2}^4,x_{\mathrm{le}3}^4,x_{\mathrm{le}4}^4]---\left(18\right)$

分类器(32)包括：多层感知器神经网络(BP)(321)、径向基神经网络(RBF)(322)、隐马尔可夫模型(HMM)(323)、概率神经网络(PNN)(324)、学习矢量量化网络(LVQ)(325)、支持向量机(SVM)(326)、模糊神经网络(FNN)(327)。

多层感知器神经网络(321)一般选用误差反向传播(error BackPropagation，BP)算法的三层前馈神经网络，所以又称为BP神经网络。输入层节点数等于特征向量的维数，输出层节点数等于训练样本类别总数，其他的分类器的输入层与输出层定义未特殊说明皆与此相同。隐层节点数(隐层节点数nh/学习速率lr/动量常数m)采用k-fold交叉验证的方法来确定，首先采用k-fold(k＝10)交叉验证方法初选，然后手动细调。经过比较，分类器的参数默认设定为：nh＝30/lr＝0.3/m＝0.9。中间层传递函数为对数Sigmoid函数(Logsig)，输出层传递函数为线性传递函数(Pureline)。网络采用自适应学习速率动量梯度下降反向传播算法进行训练，训练的最大迭代次数为300。网络采用均方误差作为性能指标，其值取为0.0001。中间层传递函数如下所示：

f＝(1+e^-x)^-1    (19)

径向基神经网络(Radial Basis Function Neural Networks，RBF-NN)(322)是以函数逼近理论为基础而构造的前向网络。RBF网络也有三层：输入层不执行任何变换，仅用于接受输入样本；隐层采用径向基函数，实现输入空间向更高维空间的非线性映射；输出层在该新的空间中对隐层输出进行线性加权。RBF网络采用了指数递减的局部非线性函数(如高斯函数)。RBF网络隐层采用高斯径向基传递函数，其表达式为：

$f=\exp [-\frac{{(x-c)}^2}{{\mathrm{\&sigma;}}^2}]---\left(20\right)$

式中，c是高斯函数的中心，σ是高斯函数的宽度。

RBF网络的输出层采用线性传递函数。RBF网络的扩展常数(基函数的宽度)和隐层最大节点数均采用k-fold(k＝10)交叉验证方法进行优选。训练过程中，开始时网络隐层的神经元个数为零，然后每迭代一次，隐层就添加一个神经元，直至达到设定的最大节点数(100)或网络的均方误差小于目标值(0.01)。实际训练中，我们默认选取隐层节点数(高斯函数中心个数)为60，扩展常数(基函数的宽度)为13。

隐马尔可夫模型(Hidden Markov Model，HMM)(323)是在Markov链基础上发展起来的一种用参数表示的用于描述随机过程统计特性的概率模型。它是一个双重随机过程。因为sEMG是连续信号，为充分利用信号的信息特征，本发明选用连续HMM模型(按照观测值概率矩阵B的统计特性，可将HMM分为离散HMM和连续HMM)，又由于sEMG是时变信号，所以选用了左-右型HMM模型(根据状态转移矩阵A的形式，HMM可分为各态遍历模型和左-右模型)。

在连续HMM模型中，观测值为高斯型概率密度函数，则该连续HMM模型可表示为λ＝(p，A，B)。其中p：为初始概率矢量；A：为状态转移矩阵；B：观测值概率矩阵，B＝[b₁(o)，…，b_N(o)]，其中：

$b_j\left(o\right)=\underset{l=1}{\overset{M}{\mathrm{\&Sigma;}}}{c}_{\mathrm{jl}}G(o,{\mathrm{\&mu;}}_{\mathrm{jl}},U_{\mathrm{jl}})---\left(21\right)$

其中，o：观测向量(D×T)，D为维数，T为观测序列长度；M：每个状态包含的混合高斯元个数；c_jl：第j个状态的第l个混合高斯元的权值(混合系数)；G：表示正态高斯概率密度函数；μ_jl：第j个状态的第l个混合高斯元的均值矢量；U；_jl第j个状态的第l个混合高斯元的均值矢量。

对于左-右型HMM，初始概率分布矢量默认为：

$p_i=\left\{\begin{array}{cc}1& i=1\\ 0& 2\&le;i\&le;N\end{array}\right.---\left(22\right)$

在迭代过程中，初始概率分布矢量中为0的元素始终为0，不作任何调整。

可选参数及其默认值分别为：混合数取3；状态数取4；迭代次数取3。

图6中，对单个连续HMM的训练步骤如下：(1)首先输入模型的状态数K(实际训练中默认取4)，初始概率分布p，初始状态转移概率矩阵A，迭代误差e，迭代最大步数S(实际训练中默认取3)和观察矢量序列O(多观测样本)；(2)由K均值算法估计初始高斯混合密度参数c_jl，μ_jl，U_jl，获得连续HMM的初始模型λ₀；(3)用多观测样本重估公式计算模型各参数A，c_jl ,μ_jl，U_jl，经过i次迭代，获得结果模型λ。

支持向量机(Support Vector Machine，SVM)(326)方法建立在统计学习理论的VC维理论和结构风险最小原理基础上。支持向量机核函数采用满足Mercer条件的径向基核函数(Radial Basis FunctionKernels)

K(x，y)＝exp[-γ‖x-y‖²]，γ＞0           (23)

其中，γ为核函数参数。实际训练中，核函数选用径向基核函数，核函数参数(γ)取0.6，惩罚因子(C)取0.5。

图7是SVM分类器识别系统框图，SVM考虑的是二值分类情况，在解决sEMG运动辨识等多值分类问题时，须将两分类器扩展为多值分类器，较常用的方法有：一对一、一对多、有向无环图等。其中“一对一”更适合工程实际，且单个SVM训练规模小、训练数据均衡，易于扩展。因此，本实施例中选用“一对一”方法，对k类动作两两构造SVM分类器，获得k(k-1)/2个支持向量机。在识别时，SVM对输入样本进行“多数投票表决”。SVM训练采用SMO算法。

概率神经网络(Probability Neural Network，PNN)(324)属于前馈神经网络，有2个隐层，主要用于模式分类。它用高斯核的Parzen窗函数计算给定样本的分类后验概率，实现Bayes分类。

各模式单元具有相同的输入，一般模式单元的个数等于训练样本的个数，求和单元的个数等于类别数。每个模式单元先求输入向量与权向量ω的距离，用高斯核函数实现非线性映射：

$p_j^k\left(x\right)=\exp (-{\left|\right|x-\mathrm{\&omega;}\left|\right|}^2/2{\mathrm{\&sigma;}}^2),k=\mathrm{1,2},...,c---\left(24\right)$

其中c为分类类别数，j为训练样本个数。

选择不同的方差可以得到不同的分类器。例如：σ＝∞时接近线性分类器；σ＝0时趋近近邻分类器。实际训练中默认取σ＝0.55。

求和单元根据多元正态核函数的混合估计出类条件概率密度：

$o_k=\underset{j=1}{\overset{m_k}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_j^k{p}_j^k,k=\mathrm{1,2},...,c---\left(25\right)$

其中，m_k为输入向量大小，π_j ^k为混合百分比。

$\underset{j=1}{\overset{m_k}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_j^k=1,k=\mathrm{1,2},...,c---\left(26\right)$

输出单元代表了属于某类的最大概率，从而实现Bayes基于最小风险估计的特点：

${\mathrm{\&rho;}}_k=\underset{l=1}{\overset{C}{\mathrm{\&Sigma;}}}{v}_l^k{a}_l{o}_l,k=\mathrm{1,2},...,c---\left(27\right)$

其中，a_l是每类的先验概率，v_l ^k为错分时的损失函数。

当基于最小风险决策时，选择的类别l应使：l＝argmin1≤k≤c{ρ_k}。

学习矢量量化网络(Learning Vector Quantization，LVQ)(325)是一种自适应数据分类方法，它是通过有监督的学习来提高网络对输入矢量分类的正确率。

LVQ算法的完整描述为：

Step 1：采用K均值聚类初始化聚类中心；

Step 2：采用表决方法标注每一聚类。所谓表决方法是指在一个聚类中，当属于类别k的数据点占多数时，则该聚类即被标注成类别k；

Step 3：随机选择一个待训练的输入矢量x，并找出使‖x-w_k‖＝min的k值；

Step 4：若x和w_k属于同一类，则按下式更新w_k：

Δw_k＝η(x-w_k)        (28)

否则，按下式更新w_k：

Δw_k＝-η(x-w_k)       (29)

其中，学习速率η(默认取0.5)为小的正常数，并随每次迭代按η/k(k＝1，2，…)递减。

Step 5：当迭代次数大于100，则学习结束；否则，返回Step 3。

实际训练中，网络的隐层节点数默认选择为20，学习速率为0.5。

模糊神经网络(Fuzzy Neural Network，FNN)(327)是人工神经网络(Artifical Neural Network，ANN)与模糊推理系统(FuzzyInference System，FIS)的结合。本发明采用Sugeno模糊模型，它是一种非线性模型，宜于表达系统的动态特征，也是最常用的模糊推理模型。可选算法有简单减法聚类法和优化算法，算法的公共参数有Radii(可选范围为0～1，默认为0.5)和类别数(即待训练识别的动作种类)，对于优化算法还要设置参数训练步数(默认取5)和初始步长(默认取0.5)。

另外，根据实际的训练识别效果，又结合具体信号特征构造了四个混合分类器：Bagged-BP混合分类器(328)、AB-RBF混合分类器(329)、HMM-RBF混合分类器(3210)和HMM-SVM混合分类器(3211)。

Bagged-BP混合分类器：Bagging算法名字来源于BootstrapAggregation(自举)，是一种将弱分类器(本发明选择BP网络)组合成强分类器的方法。在这里取小波分解系数(WT)特征训练子BP分类器。各个子BP网络的参数(隐层节点数nh/学习速率lr/动量常数m)均相同，首先采用k-fold(k＝10)交叉验证方法初选，然后手动细调确定。中间层传递函数为对数Sigmoid函数(Logsig)，输出层传递函数为线性传递函数(Pureline)。网络采用自适应学习速率动量梯度下降反向传播算法进行训练，训练的最大迭代次数为100。网络采用均方误差作为性能指标，其值取为0.001。

Bagged-BP初始训练集包括180个样本。训练时，从原始训练样本集中共有放回地抽取30轮，每轮随机抽取120个样本，共训练得到30个子预测函数(BP网络)。识别结果由30个子预测函数通过投票产生。本发明采用相对多数投票法，不管票数是否超过半数，得票数最多就确定结果。

图8是Bagged-BP混合分类器的实现步骤：(1)给定训练样本x_i及相应的类别标签y_i，训练样本数m，抽取样本轮数T，令初始轮数t＝0；(2)从初始训练集中随机抽取n(取n＝2m/3)个样本组成第t轮子训练集；(3)在子训练集上训练子分类器(BP网络)；(4)得到第T轮的子分类器预测函数h_t；(5)如果t＜T，t＝t+1，转(2)，否则，转(6)；(6)按相对多数投票规则将各预测函数h₁，h₂，...，h_T组合生成最终的预测函数h^*。

AB-RBF混合分类器：AB(Attribute-Bagging)算法与Bagging算法在概念上具有相似性，它通过对样本特征进行随机扰动来集成分类器。AB算法的基本思想是：给定一个由N维特征向量组成、样本个数为M的原始数据集S，随机投影出由n′(n′＜n)维特征向量子集组成的训练数据S_n ¹；将此过程独立地重复T次，得到T个独立的n′维特征矢量子集数据集 $S_n=\{S_n^1,S_n^2,...,S_n^T\}.$ 用这些特征矢量数子集数据分别独立训练子分类器(本发明选择RBF网络)，并根据这些分类器(子RBF网络)在训练数据上的分类精度对T个子分类器(子RBF网络)进行排序，取精度最高的一部分(设为L，L＜＜T)参加投票。在进行识别时，用这L个精度最高的子分类器(子RBF网络)分别对样本进行识别，然后按照多数投票规则综合L个子分类器的结果，做出最终判决。

图9是AB算法的第一阶段示意图。AB算法实现分两步：第一阶段：通过测试不同维数n下的特征向量子集训练得的分类器的精度来确定最优的维数n^*。由于受原始特征向量本身冗余度和相关性的影响，问题不同，n^*也会不同。第二阶段：优选出基于 $S_{n^{*}}=\{S_{n^{*}}^1,S_{n^{*}}^2,...,S_{n^{*}}^T\}$ 的T个子分类器中精度最高的L个参与判决时的投票，舍弃其余识别精度不高的子分类器。

第一阶段：确定最优维数n^*

(1)给定训练样本x_i及相应的类别标签y_i，测试样本集d_j及相应的类别标签O_j，训练样本数M，单个特征矢量维数N，抽取样本轮数T′，设初始轮数t＝0，设特征子集初始维数为1；(2)从初始训练集中随机抽取n维组成第t轮特征子训练集S_n ^t；(3)在子训练集上训练子分类器；(4)得到第t轮的子分类器预测函数h_n ^t(5)如果t＜T′，t＝t+1，转(2)；否则，转(6)；(6)按相对多数投票规则将各预测函数h_n ^t(t＝1，2，...，T′)组合生成最后的预测函数h_n ^*。在测试样本集{d_j}上测试h_n ^*的精度，T′个子分类器均参与投票。为获得好的精度曲线，取K次重复测试结果的均值作为该预测函数的精度r_n；(7)如果n＜N，n＝n+1，转(2)；否则，转(8)；(8)取 $\{n^{*}=q|r_q=\underset{p=1,...,N}{\max }\left(r_p\right)\}.$

图10是是AB算法的第二阶段示意图。

第二阶段：优选分类器

(1)给定训练样本x_i及相应的类别标签y_i，训练样本数M，单个特征矢量维数N，抽取样本轮数T，设初始轮数t＝0，特征子集维数n^*；(2)从初始训练集中随机抽取n^*维组成第t轮的特征子训练集

；(3)在子训练集上训练子分类器；(4)得到第t轮的子分类器预测函数

；(5)在训练样本集上测试

的精度，取K次重复测试结果的均值作为该预测函数的精度

；(6)如果t＜T，t＝t+1，转(2)；否则，转(6)；(7)对精度

从大到小排序，取精度最大的L个预测函数组成最终预测序列

c_i∈[1，…，T]，参与识别阶段的投票；其余(T-L)个预测函数被舍弃。

HMM-RBF混合分类器：在构造HMM-RBF混合分类器时，提取样本数据的时域特征用于HMM的训练，提取样本数据的小波变换特征用于RBF网络的训练。

对于RBF网络，直接提取在动作开始后的256点信号作5级连续小波分解。对于HMM模型，截取动作开始后的4帧信号，每帧信号长度为64点。提取每帧信号时域特征并归一化，然后将4帧信号特征向量作为一个观察值，形成4个观察值序列。

在sEMG识别中，选用左-右型、连续HMM模型。模型状态数为4，每状态观察值概率矩阵由5个高斯概率密度函数联合决定。

对于左-右型HMM，初始概率分布向量p取为p＝[1，0，0，0]，实际计算中，不对参数p进行估计。状态转移概率矩阵A初值随意选取。而每状态观察值概率矩阵B(即高斯概率密度函数参数)初值由分段K均值方法确定。HMM的训练采用多个观测值序列的Baum-Welch重估算法。对于6类手指动作，每类手指动作训练一个HMM模型，得到由6个HMM模型组成的HMM模型库。

对于RBF网络，通过k-fold(k＝10)交叉验证的方法，最后确定不同实验对象RBF网络的扩展常数和隐层最大节点数。默认扩展常数取13，隐层最大节点数取60。

图11是基于HMM-RBFN的混合sEMG辨识系统的原理图：首先将4通道sEMG进行预处理后提取时域特征训练HMM模型库，提取小波变换特征训练RBF网络。在识别时，对未知信号作预处理和特征提取后，分别输入训练好的HMM模型库。对于HMM模型，计算各动作对应的HMM模型与未知信号的匹配程度，排除概率小的类后，得到候选类别集C。对于RBF网络，则直接得到唯一的类别判别结果d_m。然后将RBFN的判别结果与HMM的候选类别集进行比较，如果d_m在候选类别集C中，则将d_m作为最终判别结果；否则，取候选集C中概率最大的类别c₁作为最终判别结果。

HMM-SVM混合分类器：在构造HMM-SVM混合分类器时，提取样本数据的时域特征用于HMM的训练，提取样本数据的小波变换特征用于SVM的训练。对于SVM直接提取在动作开始后的256点信号作5级连续小波分解。对于HMM模型，截取动作开始后的4帧信号，每帧信号长度为64点。提取每帧信号时域特征并归一化，然后将4帧信号特征向量作为一个观察值，形成4个观察值序列。

图12是基于HMM-SVM的混合sEMG辨识系统的原理图。HMM-SVM混合分类器中SVM模型采用“一对一”方法进行构造，系统的整体流程与HMM-RBFN略有不同，具体如下：首先将4通道sEMG进行预处理后提取时域特征训练HMM模型库、提取小波变换系数特征训练SVM模型，对于6类问题，得到15个子SVM分类器。在识别时，对未知信号作预处理和提取时域特征后，输入训练好的HMM模型库，计算各动作对应的HMM模型与未知信号的匹配程度，排除概率小的类后，得到候选类别集C(含概率较高的3类动作)。然后提取样本的小波变换系数特征，用候选类别集对应的3个SVM模型对其进行辨识，通过多数投票即得最后的判决结果。在识别阶段，由于只要对候选类别集对应的3个SVM进行判决，而不是所有的15个SVM模型，大大提高了识别的效率。

HMM模型的设置及训练方法与HMM-RBF混合模型相同。SVM采用“一对一”策略进行构造，对k类动作(假设k取6)两两构造SVM分类器，获得15个支持向量机。在识别时，候选类别对应的3个SVM对输入样本进行“多数投票表决”。SVM选用径向基核函数，训练采用SMO算法。其中径向基核函数参数γ和惩罚因子C采用k-fold交叉验证方法确定。

在线识别模块(4)可以对sEMG进行动态采集与在线识别，主要用于假手的实时控制。在线识别模块的主界面及其包含的sEMG特征提取方法和分类器与离线识别模块相同，具体参看离线识别模块部分。

控制训练模块(5)：控制训练模块包括：在线训练模块(51)、假手控制模块(52)和下载模块(53)三个部分组成。

在线训练模块(51)可以将在线识别模块从sEMG中识别出来的动作以计算机虚拟手的形式在显示屏中显示出来，通过视觉反馈即将安装多指多自由度假手的截肢者，提高其进行sEMG识别率训练的积极性和主动性。虚拟手为仿人手，有一个手掌和五个手指，分别对应人的大拇指、食指、中指、无名指和小指。拇指有两个指节，其它四指各有三个指节。结合实际生活中人手的实际功能，虚拟手的拇指和食指可以独立运动，另外三指则一起运动。此虚拟手可以完成人手的各种基本动作。

假手控制模块(52)控制的对象是假手，在线训练模块可以将在线识别模块从sEMG中识别出来的动作以计算机虚拟手的形式在植到假手的DSP控制芯片上，而且直接用计算机控制假手的动作通过USB接口把A/D采集卡与PC机连接，RS232串口把PC机和假手机械本体(HIT灵巧手)连接实现患者实时控制假手的目的，可通过PC机显示屏和假手本体的实际动作实现视觉反馈，来帮助患者进行手部动作的训练。

下载模块(53)则可以把训练好的sEMG特征提取和分类器通过RS232串口下载到假手控制芯片内，使假手可以脱离计算机，利用集成在假手上的DSP控制系统直接提取与识别sEMG对应的截肢者想要做的动作，然后控制多指多自由度假手进行相应动作，实现假手的功能。需要注意的是，为每个截肢者提供动作识别率最高和最稳定的个性化的sEMG特征提取选项和分类器及其参数(当各动作的平均识别率达到92％，而且连续50次动作的识别率都可以稳定在这个标准以上时，则此时的识别率最高和最稳定。)，是本发明的意义和目的。而这么多可能组合的算法和选择的过程，即使最新的DSP处理器也无法完成，因此本发明利用计算机来完成最佳特征提取方法和分类器选择及其参数设置这些复杂烦琐的工作，当适合该截肢者最佳特征提取方法和分类器选择及其参数设置完毕后，只将这部分算法移植到DSP控制系统中，不仅可以减低控制系统的复杂度，也可以提高控制的系统的运行速度。

Claims (9)

1、多指多自由度假手用肌电控制能力检测训练方法，其特征是包括下列步骤：

---用信号采集模块采集残肢表面肌电信号数据，当数据的噪声均匀，信号幅值大于噪声幅值的5倍以上，且信号持续时间大于0.5秒时，此时的数据可以作为合适的信号数据；

---利用信号分析模块对采集的数据进行滤波处理、时域、频域和时频域的分析，分析结果在界面上以图形方式显示；

---利用离线识别模块对采集的的残肢表面肌电信号数据进行训练网络和识别待识别数据，首先，依次用各种分类器和特征值选项的组合进行训练和识别，分类器和特征值的各参数取默认值；然后，取识别效果最好的分类器和特征值选项，对其各参数微调，当识别率达到92％或以上时，此时的分类器和特征值选项及其具体参数便是最优分类器和最优特征值选项组合；

---根据确定的最优分类器和特征值选项的组合，利用在线识别模块和控制训练模块让患者进行控制训练和在线训练。

2、根据权利要求1所述的多指多自由度假手用肌电控制能力检测训练方法，其特征是所述的信号采集模块设置有采样频率、放大倍数和采样时间参数。

3、根据权利要求1所述的多指多自由度假手用肌电控制能力检测训练方法，其特征是所述的信号分析模块包括时域分析、频域分析和时频域分析。

4、根据权利要求1所述的多指多自由度假手用肌电控制能力检测训练方法，其特征是所述的离线识别模块包括单分类器、混合分类器和特征提取选项。

5、根据权利要求1所述的多指多自由度假手用肌电控制能力检测训练方法，其特征是所述的在线识别模块包括单分类器、混合分类器和特征提取选项。

6、根据权利要求1所述的多指多自由度假手用肌电控制能力检测训练方法，其特征是所述的控制训练模块包括在线训练模块、假手控制模块和下载模块。

7、根据权利要求1或3所述的根据权利要求1所述的多指多自由度假手用肌电控制能力检测训练方法，其特征是所述的时域分析方法包括：全波整流、短时平均能量、绝对值积分、平均绝对值、短时上升过零间隔、过零点数、斜率变化率、均值、方差、均方根、移动平均值、自相关分析；频域分析包括AR模型估计功率谱、功率谱密度；时频域分析包括短时傅立叶和小波变换。

8、根据权利要求1或4或5所述的多指多自由度假手用肌电控制能力检测训练方法，其特征是所述的单分类器包括BP神经网络、径向基神经网络、隐马尔可夫模型、概率神经网络、学习矢量量化网络、支持向量机、模糊神经网络；所述特征提取选项包括有时域特征、小波变换特征、AR模型系数特征、倒谱系数特征、小波包变换特征、短时傅立叶变换特征；所述混合分类器包括Bagged-BP混合分类器、AB-RBF混合分类器、HMM-RBF混合分类器和HMM-SVM混合分类器。

9、根据权利要求1所述的多指多自由度假手用肌电控制能力检测训练方法，其特征是通过有源肌电电极进行信号采集。

Images