CN103610466A - 基于emd排列组合熵的肌电信号跌倒识别方法 - Google Patents

Abstract

本发明提出了一种基于EMD排列组合熵的肌电信号跌倒识别方法。本发明首先从相关肌肉组上采集相应的表面肌电信号，然后运用能量阈值确定sEMG的动作信号进行经验模态分解，依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的内蕴模式函数分量进行迭加作为肌电信号，求取排列组合熵作为特征向量输入主轴核聚类分类器，完成对跌倒模式的识别，为跌倒的识别开辟了一个新思路。本发明运用频率有效度的方法选取经验模态分解的若干IMF分量作为肌电信号要好于原肌电信号，EMD排列组合熵的方法要好于直接排列组合熵方法、EMD近似熵方法和近似熵方法。根据特征分布的特点，采用主轴核聚类分类器的效果也更为理想。

Description

基于EMD排列组合熵的肌电信号跌倒识别方法

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跌倒检测装置，基于肌电信号的跌倒识别方法。

背景技术

跌倒(Fall)是指突发、不自主的、非故意的体位改变——倒在地上或更低的平面上。老年人由于其身体机能开始衰退，应变能力降低，急性损伤增多，从而引发的意外跌倒事故也越来越多。据估计，在65岁以上的老年人群中，每年有超过1/3的人都会经历跌倒，而且比例随着年龄增长而增加，跌倒是导致老年人伤残甚至死亡的重要因素，严重影响了老年人的身体健康和独立生活能力，给老年人带来压力和恐惧，增加家庭和社会负担，因而进行跌倒防护和预警的研究具有重要意义，成为了国内外研究的热点。目前关于跌倒的识别多运用视觉及加速度传感器、陀螺仪等多种传感器，观察形态、加速度、速度、位移以及角度等的变化来辨识人体跌倒姿态，例如Leone A等采用3D摄像机结合惯性传感器与手动控制的方法，取得了较好的辨识效果。Bourke A K等使用三轴加速度仪放置于受测者的腰部，以速度、冲击和姿态为分类特征，成功的识别了跌倒。然而运用包含肢体运动信息的表面肌电信号来识别跌倒的研究还比较少。

表面肌电信号(Surface electromyography，sEMG)是一种典型的生物电现象，是一种非线性、非平稳信号，其中蕴涵着很多与肢体运动相关联的信息，不同的肢体动作具有不同的肌肉收缩模式，肌电信号特征也将有所差异，通过对这些特征的分析就可以区分肢体的不同动作模式，因此，它被广泛运用于临床诊断、运动医学等领域，因此近年来运用下肢肌电信号进行步态分析的研究也成为了一个热点。佘青山等采用多尺度分析对下肢sEMG进行消噪处理和特征提取，将特征向量输入WSVM多类分类器，成功的识别了行走时的支撑前期、支撑中期、支撑末期、摆动前期、摆动末期等5个细分运动模式；孟明等采取股内侧肌、长收肌、半腱肌、阔筋膜张肌4块大腿肌肉信号，提出一种基于隐马尔可夫模型的分类方法，实现了步态状态的识别;Bing-Shiang等将肌电电极贴片贴于左右上肢的三角肌、斜方肌，左右下肢的胫前肌、腓肠肌等八处，以日常活动肌电信号的平均最大峰值加上二倍标准差为跌倒阀值，若有三处肌肉达到此阈值就判定为跌倒，识别了跌倒。这些方法都很好的证明肌电信号包含最直接反映肢体运动的信息，运用肌电信号来识别出跌倒将会有独特优势，但基于肌电信号的跌倒辨识研究还处于起步阶段，因此本发明对跌倒时的肌电信号进行了研究，提出了一种基于表面肌电信号的跌倒识别方法。

发明内容

为实现跌倒检测装置中对跌倒模式的正确识别，本发明提出了一种基于经验模态分解(Empirical mode decomposition,EMD)与排列组合熵相结合的特征提取方法—EMD排列组合熵来识别跌倒，首先将sEMG信号进行经验模态分解，选取若干个包含肌电信号有效信息的固有模态函数(Intrinsic ModeFunction，IMF)分量求和作为有效肌电信号，求取其排列组合熵，然后将排列组合熵作为特征向量，运用主轴核聚类分类器成功的区分了向前跌倒、蹲下、站起和平地行走四类动作。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1).获取人体下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大腿上最具代表性的胫骨前肌和股直肌上的肌电信号，再运用能量阈值确定肌电信号的动作信号。

步骤(2).对步骤(1)获取的肌电信号进行经验模态分解，将其分解为多个平稳的固有模态函数，再依据频率有效度的方法选取若干个包含肌电信号有效信息的IMF分量进行迭加作为肌电信号。

所述经验模态分解，具体算法如下：

经验模态分解是一种新出现的信号分析方法，它将信号自适应地分解到不同的尺度上，非常适合非线性、非平稳信号的处理，不仅具有小波分析的全部优点，还有更清晰准确的谱结构，因而引起了信号处理相关领域的极大兴趣，并广泛应用于工程领域。它基于一个基本的假设条件，即所要分析的信号是由许多不同的固有模态函数相互叠加而成。不同时间尺度的各种模式将会根据其自身的特征尺度进行分解，分解后的每种模式是相互独立的，在连续的过零点间不存在其他极值点。所以每一个IMF都要满足以下两个判断条件：整组IMF数据中极值点和过零点的数目相等或最多相差1；信号的局部极大值包络线和局部极小值包络线的均值为0。根据这两个条件对信号不断的“筛选”，可以将任意非线性、非平稳信号自适应的分为若干个不同的内蕴模式函数(IMF)和一个剩余分量。

$x\left(t\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j\left(t\right)+r_n\left(t\right)---\left(1\right)$

式中：c_j(t)为第j个IMF分量；r_n(t)为余项。

信号在分解的过程中保留了原来的特性，这些IMF分量频率从大到小，包含着不同的特征时间尺度，将信号的特征信息在不同的分辨率下表现出来，从而可以选取信号的IMF分量组成新的特征信息。

所述频率有效度的方法，具体算法如下：

为了自适应的选取前若干个IMF分量，本发明采用了基于瞬时频率的有效信息统计法，定义第i层的内蕴模式分量IMF_i的频率有效度E_i＝n_i/n。其中，n_i为IMF_i中瞬时频率落在20～350范围内的点数，n为总的信号采样点数，E_i表示在指定频率段的有效信息量。由于EMD分解的各层IMF分量的频率逐层减小，它们的频率有效度也各不相同，因而通过设定频率有效度E_i的值可以选取不同的若干个IMF分量。

步骤(3).将步骤(2)获取的肌电信号进行特征提取，求出该肌电信号的排列组合熵。

所述排列组合熵，具体算法如下：

信息熵的概念是在时间序列{x(i)}有限值的情况下提出的。如果{x(i)}的值是无限的，例如肌电信号就是一个幅值无限的时间序列，通常用一个值有限的符号序列{s(t)}代替无限序列{x(i)}，然后求出{s(t)}的信息熵，此时势必造成信号的部分失真。而排列组合熵不需满足上述限制条件，它并不是通过重构的时间序列来计算熵值，而是直接将{x(i)}作为有效熵源，避免了由于重构序列而导致的信号的失真。

排列组合熵是Bandt等提出的一种基于复杂性测度的非线性动力学参数，类似于Lyapunov指数的参数，其原理基于相邻数据的对比，适用于任意现实的数据，特别适用于非线性非平稳的数据，具有很好的鲁棒性，对噪声有很好的抑制作用，而且这种方法计算方法简单、计算速度迅速，基本原理如下：

给出任意的一维时间数列{X_i},i＝1,2,...,T，在长度为T的时间序列排列中，每隔一个样点取连续的n的样点组成n维的矢量X_i，X_i＝[x(i),x(i+1),...,x(i+n-1)]，将X_i进行升序排列：

x(i+j₁-1)≤x(i+j₂-1)≤...≤x(i+j_n-1)    （2）

这样向量X_i的排列组合方式为{j₁,j₂,...,j_n}，是n!种排列组合方式中的一种。对整个时间序列中各个排列组合的排列顺序进行概率统计，

$p_{\mathrm{\&lambda;}}\left(\mathrm{\&pi;}\right)=\frac{\#\left\{t\right|0\&le;i\&le;T-n,(x_i...x_{i+n-1})\mathrm{hastype\&pi;}}{T-n+1},1<\mathrm{\&lambda;}\&le;n!---\left(3\right)$

其中：#表示个数，π表示任意一种的排列组合方式。

对任意的n≥2，由熵的定义计算出排列组合熵：

$H\left(n\right)=-\underset{\mathrm{\&lambda;}=1}{\overset{n!}{\mathrm{\&Sigma;}}}{p}_{\mathrm{\&lambda;}}\left(k\right){\log }_2{p}_{\mathrm{\&lambda;}}\left(k\right)---\left(4\right)$

从排列组合熵的计算原理可以看出，对于n个样点的排列数据，总共有n!种排列种组合，如果此时间序列式周期性的，也即是时间序列值只出现一种可能，那么它的排列组合熵就是H(n)＝0；如果这个时间序列式白噪声随机序列，也即是所有时间序列都不相同，那么它的排列组合熵就为H(n)＝log₂n!，由于一般的时间序列介于周期序列与随机序列之间，所以它们的排列组合熵满足0≤H(n)≤log₂n!。从式子可以看出，时间序列排列越复杂，排列组合熵的值越大，信号越随机，排列组合熵反映并放大了时间序列{x_i}的变化。

排列组合熵是时间信号的复杂度的一种度量，由于非线性非平稳的表面肌电信号的复杂性程度不同，因此通过计算排列组合熵来考察不同动作时肌电信号波动复杂性的差异，可以达到特征提取的目的。

步骤(4).以步骤(3)获取的排列组合熵作为特征向量输入基于主轴核聚类算法的聚类分类器，获得识别结果。

所述主轴核聚类算法，具体算法如下：

经典的K均值算法对非球型或椭球型分布的数据集进行聚类效果较差，因此本发明根据提取的腿部肌电信号排列组合熵的分布特征，设计了一种基于样本和核的相似性度量的算法—主轴核聚类算法，该算法和K均值算法原理相似，都是核聚类算法的一种，但它们选取的核函数不同，在K均值算法中，用样本均值替代了核函数，因此每类样本仅用一个聚类中心来作为一类的代表，而一个点往往不能够充分的反应出该类的样本分布结构，当类的分布是球状或近似球状时，即每类中各分量的方差接近相等时，K均值算法分类效果较好，但形状发生变化时，就会影响分类的效果。而主轴核聚类算法用一个聚类主轴作为一类的代表，不仅能对类的自然分布为球状或接近球状的样本作有效分类，还能够对一些分布为非球状的样本尤其是那些椭球或近似椭球状的样本作出更有效的分类，算法思想简便，容易实现。

设一个d维矢量样本集X＝{x₁,x₂,...x_n}，类别数为c，定义主轴核函数为：

$K_j(x,V_j)=u_j^{T}x,j=\mathrm{1,2},...c---\left(5\right)$

式中：

设w_j为第j类的子集，则

为子集w_j的均值，

为w_j的协方差矩阵，轴

是样本协方差矩阵

的d_j个最大特征值所对应的本征向量系统，其中d_j表示j类动作的维数。

任一样本x与一个轴U_j之间的相似程度可以用x与w_j类主轴之间的欧氏距离的平方来度量：

$L^2(x,K_j)=[(x-{\hat{u}}_j)-U_j{U}_j^T(x-{\hat{u}}_j){]}^T[(x-{\hat{u}}_j)-U_j{U}_j^T(x-{\hat{u}}_j)]---\left(6\right)$

式中

是w_j类样本的均值向量。

任一样本与某个类主轴的欧氏距离不受特征量纲选取的影响，并且平移不变，而且也反应了特征的相关性。通过对训练数据的聚类分析，用已知动作训练集分别求取的每个动作的主轴核函数为相应类的聚类主轴，每个聚类主轴都是一个d维矢量。如果给定矢量属于第j类，那么它到第j类聚类主轴的欧氏距离最小；因此，如果要判定矢量属于哪一类，只要计算它到哪一类聚类主轴的欧氏距离最小即可。

本发明与已有的诸多基于肌电的跌倒识别方法相比，具有如下特点：

排列组合熵具有较强的鲁棒性和抗干扰能力，算法简单，计算速度较快，适合肌电信号的实时处理。对sEMG信号进行EMD分解后，利用频率有效度的方法选取对包含肌电信号主要信息的前若干个IMF分量来进行复杂度分析的方法，能够取得更好的特征分布，最后利用主轴核聚类算法对四类动作进行分类，成功的把跌倒与其他动作区分开来，为跌倒辨识的研究开辟了一个新的思路，对以后运用肌电信号进行跌倒的研究具有参考价值。

附图说明

图1为本发明的实施流程图；

图2为本发明实施例胫骨前肌信号经EMD分解后的各IMF分量图；

图3为本发明实施例肌电信号近似熵分布图；

图4为本发明实施例肌电信号EMD近似熵分布图；

图5为本发明实施例肌电信号排列组合熵分布图；

图6为本发明实施例肌电信号EMD排列组合熵分布图。

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，获取人体下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大腿上最具代表性的胫骨前肌和股直肌上的肌电信号，再运用能量阈值确定肌电信号的动作信号。

（1）采集人体下肢的肌电信号。采集向前跌倒、蹲下、站起和平地行走共4种动作的表面肌电信号各160组，共640组数据，在跌倒实验时，由健康成年男性在垫子上完成，跌倒情形是实验者在垫子上向前摔向地板，跌倒后不再返回直立姿态；蹲下和站起时保持上身直立；平地行走实验是快速行走。选用下肢胫骨前肌和股直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MyoTrace400肌电信号采集仪来拾取胫骨前肌和股直肌对应的表面肌电信号，采集仪内置截止频率500Hz的低通滤波器和截止频率为10Hz的高通滤波器，消去了大部分的噪声。

（2）运用能量阈值法确定肌电信号的动作信号。由于在熵的理论中，正确判断动作的起始位置和终止位置是熵值能否成功区分动作的关键，因此本发明运用能量阈值确定动作的起始位置和终止位置，通过计算发现每种动作约有1500个样点。

步骤二，将步骤一获取的动作信号进行经验模态分解，将其分解为多个平稳的固有模态函数，再依据频率有效度选取若干个包含肌电信号有效信息的IMF分量求和作为肌电信号。

对动作信号进行EMD分解后的各个IMF分量如图2所示，信号的高频分量占据了信号的主要部分，IMF4的模态混叠现象已经很微弱，且含有的能量也比较微弱，依据频率有效度的方法选取IMF分量作为信号的有效高频部分，本实例选取当E_i＞60%时，满足频率有效度的前3个IMF分量之和作为肌电信号。

步骤三.以步骤二获取的肌电信号进行特征提取，求出该肌电信号的排列组合熵。

本发明取排列组合熵的维数n=4，将EMD排列组合熵方法与近似熵、EMD近似熵和排列组合熵特征提取的方法进行对比，以股直肌排列组合熵为横坐标，胫骨前肌排列组合熵为纵坐标建立直角坐标系，它们的特征分布结果如图3、4、5、6所示，并计算各自的均值和标准差，结果如表1所示。结果显示：EMD排列组合熵有着更好的特征分布。

表1四种动作肌电信号熵的统计特性(均值±标准差/10^-2)

步骤四.以步骤三获取的排列组合熵作为特征向量输入基于主轴核聚类算法的聚类分类器，获得识别结果。

本实例采用核聚类算法，核函数取主轴核函数。分类器的输入为每个动作表面肌电信号的胫骨前肌和股直肌的EMD排列组合熵，将每组动作的胫骨前肌的熵值和股直肌的熵值构成特征向量A＝[x_i,y_i]，其中x_i是第i组胫骨前肌的熵值，y_i是第i组股直肌的熵值。选取采集的每类动作信号的40组共160组表面肌电信号作为训练集，通过求取EMD排列组合熵作为特征向量，利用主轴核聚类算法分别求取各个特定动作的主轴核函数，然后将剩下的160组数据作为测试集，送入主轴核聚类分类器进行识别，若识别结果与测试目标一致，说明对测试的动作进行了正确归类，否则是错误归类。分别求取近似熵、EMD近似熵和排列组合熵作为特征向量输入主轴核聚类分类器进行分类与EMD排列组合熵的方法进行对比，识别结果如表2所示，结果显示，运用频率有效度的方法选取经验模态分解后的若干IMF分量作为肌电信号的方法的分类效果要好于直接用原肌电信号；EMD排列组合熵的方法的分类效果要好于其他三种方法，识别率最高。

表2四种特征提取方法的动作识别结果

Claims (3)

1.基于EMD排列组合熵的肌电信号跌倒识别方法，其特征在于该方法包括如下步骤：

步骤(1).获取人体下肢肌电信号样本数据，具体是：首先通过肌电信号采集仪拾取大腿上最具代表性的胫骨前肌和股直肌上的肌电信号，再运用能量阈值确定肌电信号的动作信号；

步骤(2).对步骤(1)获取的肌电信号进行经验模态分解，将其分解为多个平稳的固有模态函数IMF，再依据频率有效度的方法选取若干个包含肌电信号有效信息的IMF分量进行迭加作为肌电信号；

步骤(3).将步骤(2)获取的肌电信号进行特征提取，求出该肌电信号的排列组合熵；

步骤(4).以步骤(3)获取的排列组合熵作为特征向量输入基于主轴核聚类算法的聚类分类器，获得识别结果。

2.根据权利要求1所述的基于EMD排列组合熵的肌电信号跌倒识别方法，其特征在于：排列组合熵的具体计算如下：

1)对肌电动作信号进行EMD分解，信号的高频分量占据了信号的主要部分，选取满足频率有效度                                                

的前3个IMF分量之和作为有效肌电信号；

2)求取有效肌电信号的排列组合熵；对有效肌电信号的一维时间数列

，在长度为的时间序列排列中，每隔一个样点取连续的

的样点组成

维的矢量

，，将

进行升序排列：

                          

这样向量

的排列组合方式为

，是

种排列组合方式中的一种；对整个时间序列中各个排列组合的排列顺序进行概率统计，

，

               

其中：

表示个数，

表示任意一种的排列组合方式；

对任意的

，由熵的定义计算出排列组合熵：

  

                                 

取排列组合熵的维数

=4，按上式求取采集的每个动作的胫骨前肌表面肌电信号和股直肌表面肌电信号的排列组合熵

。

3.根据权利要求1所述的基于EMD排列组合熵的肌电信号跌倒识别方法，其特征在于：步骤（4）具体计算如下：

将每组动作的胫骨前肌的熵值和股直肌的排列组合熵值构成特征向量，其中

是第

组胫骨前肌的熵值，

是第

组股直肌的熵值；每类动作信号各选取40组作为样本训练集，求取排列组合熵和EMD排列组合熵作为特征向量，利用主轴核聚类算法分别求取各个特定动作的主轴核函数，将每类动作信号，输入主轴核聚类分类器进行识别，若识别结果与测试目标一致，说明对测试的动作进行了正确归类，否则是错误归类。

Images