CN102968641A - 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法 - Google Patents
基于球均值李雅普诺夫指数和关联维的肌电信号识别方法 Download PDFInfo
- Publication number
- CN102968641A CN102968641A CN2012104297287A CN201210429728A CN102968641A CN 102968641 A CN102968641 A CN 102968641A CN 2012104297287 A CN2012104297287 A CN 2012104297287A CN 201210429728 A CN201210429728 A CN 201210429728A CN 102968641 A CN102968641 A CN 102968641A
- Authority
- CN
- China
- Prior art keywords
- electromyographic signal
- point
- lyapunov exponent
- correlation dimension
- dimension
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明提出了一种基于球均值李雅普诺夫(Lyapunov)指数和关联维的肌电信号识别方法。本发明首先从相关肌肉组上采集相应的表面肌电信号,然后提取肌电信号的球均值Lyapunov指数和关联维作为特征向量,最后以球均值Lyapunov指数和关联维为特征向量输入由对支持向量机所构造的二叉树结构的分类器,实现肌电信号的上肢多运动模式识别。本发明以Lyapunov指数与关联维数作为支持向量机的输入,完成对手部动作运动模式的识别,组合特征的分类结果要好于单个特征的分类结果,多类分类器单元采用对支持向量机(TSVM)时具有比采用传统SVM时有更高的识别率。
Description
技术领域
本发明属于模式识别领域,涉及一种肌电信号模式识别方法,特别涉及一种应用于控制遥操作机器人,基于肌电信号的上肢多运动模式识别方法。
背景技术
表面肌电信号(surface electromyogram, sEMG)是在肌肉表面募集的与人体肌肉活动有关的大量动作单元所产生的电信号的迭加,是具有较好自相似性的非线性信号,因而,对表面肌电信号的研究采用非线性分析方法,如混沌、分形理论是一个值得重视的方向。
在遥操作机器人研究领域,肌电信号可以作为遥作的输入接口,利用从操作者肢体上的表面肌电信号获取的动作命令来控制远端的机械装置,这样的人机接口对操作者不会构成操作上的负担,操作者在作业过程中不受束缚,操作感好。肌电信号应用于遥操作系统人机接口的技术关键为肌电信号的模式识别。
国内外已有多个研究机构的学者,采用混沌、分形理论作为肌电信号模式识别研究的数学工具。澳大利亚皇家墨尔本理工大学的Naik G R. Kumar D K, Arjunan S P等提取手部各类动作的肌电信号分形特征,然后用支持向量机等分类方法进行运动模式的分类,取得了较高的识别率。泰国宋卡大学的phinyomark Angkoon等用分形的方法研究了上臂弱肌电信号的多模式分类问题,并把研究成果应用到人机接口技术中。国内,清华大学王人成,上海交通大学胡晓、王志中,邹晓阳、雷敏,上海大学的宋玲玲等在混沌、分形理论应用于肌电信号多运动模式识别方面也做了较多的工作,取得了一些业内有影响的成果。然而,由于非线性问题的复杂性、应用领域的广泛性,仍有许多课题有待研究。
发明内容
为实现遥操作机器人系统中操作者手腕运动模式的正确识别,本发明提出了一种基于球均值李雅普诺夫(Lyapunov)指数和关联维的肌电信号识别方法。首先从相关肌肉组上采集相应的表面肌电信号,然后提取肌电信号的球均值Lyapunov指数和关联维作为特征向量,最后以球均值Lyapunov指数和关联维为特征向量输入由对支持向量机所构造的二叉树结构的分类器,实现肌电信号的上肢多运动模式识别。
为了实现以上目的,本发明方法主要包括以下步骤:
步骤(1).获取人体上肢肌电信号样本数据,具体是:首先通过肌电信号采集仪拾取人体上肢肌电信号,再采用基于小波能谱熵的信号消噪方法对含有干扰噪声的肌电信号进行消噪。
步骤(2).将步骤(1)获取的肌电信号进行特征提取,求出该肌电信号的球均值李雅普诺夫指数和关联维。
所述球均值李雅普诺夫指数,具体算法如下:
本发明根据李雅普诺夫(Lyapunov)指数的定义,设计了一种基于轨道跟踪法的球均值Lyapunov指数法,用于肌电信号Lyapunov指数的求取。算法步聚如下:
4)分离指数计算方法为:
(2)
式中,为有效点对的序数。
所述关联维,具体算法如下:
关联维数能够定量描述对象内部结构的复杂程度。对混沌时间序列为的一维信号,构造其相空间后,任选维相空间集中的一点作为参考点,计算另外点与它的距离,则可统计出落于以点为中心,以小标量为半径的体积元中的点的个数,从而得到关联积分
(3)
步骤(3).以步骤(2)获取的球均值李雅普诺夫指数和关联维作为特征向量输入由对支持向量机所构造的二叉树结构的分类器,获得识别结果。
传统的支持向量机是建立在结构风险最小化与VC维基础上的,假定待分类的向量为,,并用表示向量所属类别,以表示分类超平面,这里是超平面方程的权值,是其中的常数项。分类问题成为了从相应数值空间寻找最优及的规划问题。
S.T.
式中,m为训练样本数,参数C是一个常数,称为惩罚因子。为所有样本的松驰因子之和,反映了整个训练样本集上的错分程度。显然,当两类向量训练个数不平衡时,规划问题中的松驰因子之和项主要由向量个数占优的集类贡献,因此,不能合理地确定超平面。2007年Jayadeva等人提出了对支持向量机(Twin support vector machine,TSVM)算法,该算法通过求解两个形如SVM的规划问题获得两个分界面,训练时间为传统SVM的1/4。
给定两类维的个训练点,分别用的矩阵A和的矩阵B表示+1和-1类,和分别为两类的训练样本数目,引入两超平面和, 和分别为两超平面的权值及常数项。要求1类的样本尽可能离越平面1近,-1类与另一超平面相近。如图1所示。
(超平面1)
(7)
(超平面2)
(8)
本发明与已有的诸多手部肌电信号动作识别方法相比,具有如下特点:
球均值Lyapunov指数计算方法具有较好的鲁棒性,能从信噪比相对较低的肌电信号中计算出稳定的特征数据,抗干扰能力强。以Lyapunov指数与关联维数作为支持向量机的输入,完成对手部动作运动模式的识别。组合特征的分类结果要好于单个特征的分类结果,多类分类器单元采用对支持向量机(TSVM)时具有比采用传统SVM时有更高的识别率。
附图说明
图1为本发明的实施流程图;
图2为本发明实施例肌电信号球均值Lyapunov指数分布图;
图3为本发明实施例肌电信号关联维数据分布图;
图4 对支持向量机二叉树分类图。
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,获取人体上肢肌电信号样本数据,具体是:首先通过肌电信号采集仪拾取人体上肢肌电信号,再采用基于小波能谱熵的信号消噪方法对含有干扰噪声的肌电信号进行消噪。
(1)采集人体上肢的肌电信号。受试者分别进行握拳、展拳、屈腕、伸腕4个动作各60组,选用上肢尺侧腕伸肌和尺侧腕屈肌作为表面肌电信号来源。实验时先用酒精分别在受试者的尺侧腕伸肌和尺侧腕屈肌上擦涂去污,以增强信号拾取能力,采用MyoTrace 400肌电信号采集仪来拾取尺侧腕伸肌和尺侧腕屈肌对应的表面肌电信号。
(2)采用基于小波能谱熵的信号消噪方法对含有干扰噪声的肌电信号进行消噪。
步骤二,将步骤一获取的肌电信号进行特征提取,求出该肌电信号的球均值李雅普诺夫指数和关联维。
把肌电信号转换到相空间,以求得肌电信号的球均值Lyapunov指数及关联维。相空间重构过程中需确定2个非常重要的参数,延迟时间和嵌入维数m。它们的选择直接关系到相空间重构质量。本实施例采用基于关联积分的C-C算法来同时估计延迟时间和嵌入维数。最后,所得结果为, 。计算球均值Lyapunov指数的另一重要参数为与最大扭角相关的值的设定,它与值的大小有关,越大,越大,这里设。
表1为从操作者尺侧腕伸肌与尺侧腕屈肌上50组肌电信号提取得到的球均值Lyapunov指数统计数据,表2为关联维数统计数据。
表1 表面肌电信号Lyapunov指数统计数据
表2 表面肌电信号关联维统计数据
图2为握拳与展拳两个动作对应的尺侧腕伸肌与尺侧腕屈肌组成的球均值Lyapunov指数分布图。图3为其关联维数据分布图。
步骤(3).以步骤(2)获取的球均值李雅普诺夫指数和关联维作为特征向量输入由对支持向量机所构造的二叉树结构的分类器,获得识别结果。
由对支持向量机所构造的二叉树结构的分类器,如图4所示,支持向量基核函数选用径向基(RBF)核函数。分类器的输入为尺侧腕伸肌及尺侧腕屈肌上肌号信号的球均值Lyapunov指数及分形维数。二叉树分类器中的TSVM1实现握拳动作与其它动作模式的区分,TSVM2则在余下的动作模式中实现展拳与腕内旋及外旋的区分,最后,TSVM3区分出腕内旋及外旋动作模式。
表3是本实施例,特征值单独采用球均值Lyapunov指数或关联维,及它们的组合,分类器单元分别采用SVM和TSVM的分类结果对照表。结果显示,基于球均值李雅普诺夫指数和关联维分类结果要好于单独特征,分类器单元采用对支持向量机TSVM比采用传统的支持向量机SVM有更好的分类结果。
表3 分类器识别率对照表
Claims (2)
1.基于球均值李雅普诺夫指数和关联维的肌电信号识别方法,其特征在于该方法包括如下步骤:
步骤(1).获取人体上肢肌电信号样本数据,具体是:首先通过肌电信号采集仪拾取人体上肢肌电信号,再采用基于小波能谱熵的信号消噪对含有干扰噪声的肌电信号进行消噪;
步骤(2).将步骤(1)获取的肌电信号样本数据进行特征提取,求出该肌电信号样本数据的球均值李雅普诺夫指数和关联维;
步骤(3).以步骤(2)获取的球均值李雅普诺夫指数和关联维作为特征向量输入由对支持向量机所构造的二叉树结构的分类器,获得识别结果。
2.根据权利要求1所述的基于球均值李雅普诺夫指数和关联维的肌电信号识别方法,其特征在于:所述球均值李雅普诺夫指数,其具体计算如下:
4)计算分离指数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012104297287A CN102968641A (zh) | 2012-10-31 | 2012-10-31 | 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012104297287A CN102968641A (zh) | 2012-10-31 | 2012-10-31 | 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102968641A true CN102968641A (zh) | 2013-03-13 |
Family
ID=47798772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012104297287A Pending CN102968641A (zh) | 2012-10-31 | 2012-10-31 | 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102968641A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258112A (zh) * | 2013-03-22 | 2013-08-21 | 辽宁工程技术大学 | 一种基于mde和分形优化svm的周期来压预测方法 |
CN104573630A (zh) * | 2014-12-05 | 2015-04-29 | 杭州电子科技大学 | 基于双支持向量机概率输出的多类脑电模式在线识别方法 |
CN105469049A (zh) * | 2015-11-24 | 2016-04-06 | 昆明理工大学 | 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法 |
CN106073776A (zh) * | 2016-08-29 | 2016-11-09 | 吉林大学 | Cacc驾驶员肢体等速多通道肌电信号特征提取方法 |
CN106644918A (zh) * | 2016-10-21 | 2017-05-10 | 天津大学 | 基于混沌相空间重构理论的电化学噪声数据解析方法 |
CN108926326A (zh) * | 2017-05-22 | 2018-12-04 | 北京大学 | 一种用于评价人体随运动平台的动态平衡控制能力的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101732110A (zh) * | 2009-11-19 | 2010-06-16 | 杭州电子科技大学 | 用于手部动作识别的脑电和肌电信号混沌特征融合方法 |
-
2012
- 2012-10-31 CN CN2012104297287A patent/CN102968641A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101732110A (zh) * | 2009-11-19 | 2010-06-16 | 杭州电子科技大学 | 用于手部动作识别的脑电和肌电信号混沌特征融合方法 |
Non-Patent Citations (1)
Title |
---|
杨绍清: "《一种最大李雅普诺夫指数估计的稳健算法》", 《物理学报》, vol. 49, no. 4, 12 April 2000 (2000-04-12), pages 637 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258112A (zh) * | 2013-03-22 | 2013-08-21 | 辽宁工程技术大学 | 一种基于mde和分形优化svm的周期来压预测方法 |
CN103258112B (zh) * | 2013-03-22 | 2016-02-24 | 辽宁工程技术大学 | 一种基于mde和分形优化svm的周期来压预测方法 |
CN104573630A (zh) * | 2014-12-05 | 2015-04-29 | 杭州电子科技大学 | 基于双支持向量机概率输出的多类脑电模式在线识别方法 |
CN104573630B (zh) * | 2014-12-05 | 2017-09-19 | 杭州电子科技大学 | 基于双支持向量机概率输出的多类脑电模式在线识别方法 |
CN105469049A (zh) * | 2015-11-24 | 2016-04-06 | 昆明理工大学 | 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法 |
CN106073776A (zh) * | 2016-08-29 | 2016-11-09 | 吉林大学 | Cacc驾驶员肢体等速多通道肌电信号特征提取方法 |
CN106073776B (zh) * | 2016-08-29 | 2019-06-25 | 吉林大学 | Cacc驾驶员肢体等速多通道肌电信号特征提取方法 |
CN106644918A (zh) * | 2016-10-21 | 2017-05-10 | 天津大学 | 基于混沌相空间重构理论的电化学噪声数据解析方法 |
CN108926326A (zh) * | 2017-05-22 | 2018-12-04 | 北京大学 | 一种用于评价人体随运动平台的动态平衡控制能力的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102968641A (zh) | 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法 | |
Tuncer et al. | Surface EMG signal classification using ternary pattern and discrete wavelet transform based feature extraction for hand movement recognition | |
CN102930284B (zh) | 基于经验模态分解和分形的表面肌电信号模式识别方法 | |
CN105426842B (zh) | 基于支持向量机和表面肌电信号的多类手部动作识别方法 | |
CN101840511B (zh) | 手指静脉特征提取与匹配识别方法 | |
CN106067178B (zh) | 一种基于肌肉协同激活模型的手部关节运动连续估计方法 | |
CN105740887A (zh) | 一种基于pso-svm的脑电信号特征分类方法 | |
CN103345641A (zh) | 基于小波包熵和支持向量机的手部肌电信号动作识别方法 | |
CN104537382A (zh) | 基于遗传算法优化支持向量机的肌电信号步态识别方法 | |
CN109657651A (zh) | 一种基于肌电信号的下肢膝关节连续运动估计方法 | |
CN103092971B (zh) | 一种用于脑机接口中的分类方法 | |
CN102073881A (zh) | 人体表面肌电信号消噪、特征提取和模式识别方法 | |
CN112732090B (zh) | 基于肌肉协同的用户无关实时手势识别方法 | |
CN101859377A (zh) | 基于多核支持向量机的肌电信号分类方法 | |
Bao et al. | Surface-EMG based wrist kinematics estimation using convolutional neural network | |
US20130338540A1 (en) | Systems and methods for hierarchical pattern recognition for simultaneous control of multiple-degree of freedom movements for prosthetics | |
CN113111831A (zh) | 一种基于多模态信息融合的手势识别技术 | |
Wang et al. | Recognition of semg hand actions based on cloud adaptive quantum chaos ions motion algorithm optimized svm | |
CN110363152A (zh) | 一种基于表面肌电信号的下肢假肢路况识别方法 | |
Guan et al. | Multiclass motor imagery recognition of single joint in upper limb based on NSGA-II OVO TWSVM | |
Wang et al. | Motor imagination eeg recognition algorithm based on dwt, CSP and extreme learning machine | |
Zhou et al. | Finger vein recognition based on stable and discriminative superpixels | |
Yang et al. | EEG classification for BCI based on CSP and SVM-GA | |
CN110151176A (zh) | 一种基于肌电信号的上肢肘关节连续运动估计方法 | |
CN110604578A (zh) | 基于semg的人手手内动作识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130313 |