CN105426842A - 基于支持向量机的表面肌电信号多类手部动作识别方法 - Google Patents

Abstract

本发明公开了一种基于支持向量机的表面肌电信号多类手部动作识别方法。方法的主要步骤如下：1)获取肌电数据，对信号进行平滑滤波，并通过不同尺度的采样窗口生成数据样本；2)以数据样本为单位，从每个数据样本中提取出一个包含19种时域，频域以及时频域特征的新型多特征特征集，并对特征向量进行归一化和基于最小冗余最大相关性准则的特征选择；3)设计基于皮尔逊VII广义核的支持向量机分类器，使用基于交叉验证的粗网格搜索优化算法，对支持向量机的参数进行优化；4)使用训练集中的数据样本和步骤3)参数优化过程得到的分类器最优参数，训练分类模型，并将测试集中的数据样本输入分类模型进行分类测试。

Description

基于支持向量机的表面肌电信号多类手部动作识别方法

技术领域

本发明涉及一种基于支持向量机的表面肌电信号多类手部动作识别方法，属于模式识别技术领域。

背景技术

特征提取对于肌电信号模式识别问题的最终识别率有着至关重要的影响。肌电信号特征可以分为时域，频域，时频域三种，其中时域特征包括一些基于信号幅值的特征，频域特征包括一些基于信号功率谱的特征，而时频域特征包括一些经过小波分析技术提取出的特征。时域特征存在对非静态信号不鲁棒，对信号幅值变化较为敏感等缺陷，频域特征存在对经过一些预处理步骤(如全波校正)后的信号不鲁棒的缺陷，此外一些文献表明单一频域特征性能较差。本文通过构建包括时域，频域和时频域特征的高性能混合多特征集，来克服不同域单一特征的固有缺陷。

多通道肌电信号提取出的多特征集会存在高维度的特性，维度过高会导致模型推广能力的下降，同时极大地增加计算负载。一般通过特征降维来解决数据维度过高的问题，常见的数据降维方法主要分为三类：特征选择，特征映射和特征聚类。特征选择试图从原特征集中选取一个更具有代表性的特征子集，特征映射通过将特征从原始高维空间映射到一个低维空间来降低特征维度，特征聚类从原始特征产生多个聚类，用聚类质心的来取代原始特征集，作为一种新的低维度表述形式。本文通过一种基于互信息的最小冗余最大相关性特征选择方法来完成特征空间降维。

模式识别方法的选择同样在很大程度上影响肌电模式识别问题的最终准确率。已有工作表明支持向量机在肌电模式识别方面有着较好的性能。在对Atzori等人发布的NinaPro数据集基准测试结果中，非线性支持向量机是多种线性和非线性分类器中唯一一种能够在变换特征情况下依然能够持续获得高识别率的分类器。国内已有涉及支持向量机进行肌电模式识别的发明，大多使用较为经典的线性核、径向基核、多项式核、sigmoid核等等核函数。等人提出了一种基于皮尔逊VII函数的广义核函数，本发明通过使用皮尔逊VII广义核函数，在一定程度上提高了识别准确率。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于支持向量机的表面肌电信号多类手部动作识别方法，通过构建一种新型特征集和引入皮尔逊VII广义核函数，提高了手部动作识别的准确性。

本发明的目的是通过以下技术方案来实现的：一种基于支持向量机的表面肌电信号多类手部动作识别方法，包括如下步骤：

(1)数据获取，预处理，分割，训练集测试集的划分，包括以下子步骤：

(1.1)获取多通道肌电数据；

(1.2)对数据进行平滑滤波；

(1.3)使用100ms，150ms，200ms，250ms四种长度的采样窗口对数据进行采样分割，其中采样窗口的移动步长为窗口长度的25％；

(1.4)根据评估方法，将数据样本划分为训练集和测试集；

(2)特征提取，归一化和自动特征选择，包括以下子步骤：

(2.1)对每个采样窗口内的数据，提取一种多特征的特征集；

(2.2)对特征进行归一化处理；

(2.3)应用基于最小冗余最大相关性(MinimumRedundancyMaximumRelevance,MRMR)准则的自动特征选择算法进行特征选择；

(3)基于皮尔逊VII广义核支持向量机的多类手部动作识别，包括以下子步骤：

(3.1)设计基于皮尔逊VII广义核(PearsonVIIUniversalKernel，PUK)的支持向量机分类器；

(3.2)使用训练集数据样本，展开网格搜索参数优化过程，搜索最优的分类器参数；

(3.3)使用步骤3.2得到的最优分类器参数和所有的训练集数据样本，训练分类模型；

(3.4)将测试集数据样本依次输入分类模型，输出分类结果。

进一步地，步骤1.1中，数据来源为NinaPro开源数据集1内的10通道肌电数据。

进一步地，步骤1.2中，使用50毫秒长度的窗口对数据进行均值平滑滤波。

进一步地，步骤2.1中的特征集包含19种特征，它们是：信号幅值的绝对值之和(IEMG)，信号幅值的绝对平均值(MAV)，改进信号幅值的绝对平均值1(MMAV1)，改进信号幅值的绝对平均值2(MMAV2)，信号均方根(RMS)，估计肌肉收缩力非线性检测器(v-order)，估测肌肉收缩力的对数检测器(LOG)，波形长度(WL)，幅值平均变化值(AAC)，波形长度标准差(WL-DASDV)，Willison幅值(WAMP)，自回归系数(ARC)，绝对平均值斜率(MAVSLP)，功率谱的平均功率(MNP)，Daubechies1小波变换边界(MDWT-DB1)，基于Daubechies1小波的多分辨率小波分析(MRWA-DB1)，小波包变换后信号的均值(DWPT-MEAN)，小波包变换后信号标准差(DWPT-SD)，自回归余数残差29种统计量(ARR-29)。

进一步地，步骤2.2中对训练特征集和测试特征集采用不同的特征归一化方法：

对训练特征集的归一化方法为，用训练特征集每一列减去其自身的均值并除以其方差；

对测试特征集的归一化方法为，用测试特征集样本每一列减去训练特征集对应列的均值并除以训练特征集对应列的方差；

其具体公式为：

$train=\frac{train-mean\left(train\right)}{std\left(train\right)}$

$test=\frac{test-mean\left(train\right)}{std\left(train\right)}$

其中train为训练集，test为测试集。

进一步地，步骤2.3中所述基于最小冗余最大相关性准则的自动特征选择算法，其基本原理为：

设存在一个特征子集S,S中每一列特征x_i到类标签c的依赖性D定义为：

$D=\frac{1}{\left|S\right|}\underset{x_i\∈S}{\Σ}I(x_i;c)$

S中特征两两之间的冗余R定义为：

$R=\frac{1}{{\left|S\right|}^2}\underset{x_i,x_j\∈S}{\Σ}I(x_i,x_j)$

上述公式中，I为互信息，两个离散变量X和Y之间互信息的计算公式为：

$I(Y;X)=\underset{y\∈Y}{\Σ}\underset{x\∈X}{\Σ}p(x,y)log\frac{p(x,y)}{p\left(x\right)p\left(y\right)}$

最小冗余最大相关性特征选择算法试图找到一个特征子集S，其满足拥有最大的依赖性D，最小的冗余R，即满足：

maxφ(D,R),φ＝D-R

实际的手势识别实验中，根据“在整个分类模型训练过程中测试集信息始终保持未知”的模式识别原则，对训练特征集和测试特征集的特征选择使用不同的策略，具体步骤为：

对训练特征集的特征选择，主要是应用基于最小冗余最大相关性准则的自动特征选择算法，选取最优的N维子集S。将子集中每一维特征对应于原始特征集中的序号保存下来；

对测试特征集的特征选择，直接应用对训练集特征选择时保存下来的序号。

进一步地，步骤3.1具体为：采用皮尔逊VII广义核函数作为支持向量机的核函数，对于支持向量机的具体原理描述如下：

对于n个样本的训练样本集D＝{(x_i,y_i)|x_i∈R^p,其中x_i为一个训练样本，y_i为样本x_i的标签；

设变换φ(·)将输入空间映射到特征空间上，将数据分成两类的线性超平面可以定义为：

ω×φ(x)+b＝0ω∈R^p,b∈R(1)

支持向量机试图找到一个最优的超平面，可以最好地划分训练数据集中的两类数据，这个优化过程等价于求解下列二次规划问题：

$max\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i=1,j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j{x}_i^T{x}_j$ (2)

$C\≥{\mathrm{\α}}_i\≥0,\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i=0$

其中α为拉格朗日乘子，C∈[0,∞)为惩罚因子，x_i和x_j为训练集中两个不同的样本，带有非零α的x_i被定义为支持向量，设t_j(j＝1,...,s)为s个支持向量的序号，ω可以由求得，通过引入核函数k(x_i,x_j)＝φ(x_i)^T·φ(x_j)，公式(2)可以由以下形式表述：

$\max \underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i=1,j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}k(x_i,x_j)$ (3)

$C\≥{\mathrm{\α}}_i\≥0,\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i=0$

公式(3)中的核函数k(x_i,x_j)有多种形式，线性核k(x_i,x_j)＝φ(x_i)^T·φ(x_j)可以等价于k(x_i,x_j)＝x_i·x_j

另一种常用核函数为径向基核，公式为：

k(x_i,x_j)＝exp(-γ|x_i-x_j|²)，其中|·|为欧氏距离，γ为径向基核函数参数。

所述皮尔逊VII广义核函数的定义如下：

$k(x_i,x_j)=\frac{1}{{\[1+{\left(\frac{2\sqrt{\left|\right|x_i-x_j|{|}^2}\sqrt{2^{(1/\mathrm{\ω})}-1}}{\mathrm{\σ}}\right)}^2\]}^{\mathrm{\ω}}}---\left(4\right)$

其中，σ和ω为皮尔逊VII广义核函数的两个参数。

进一步地，步骤3.2具体为：首先确定σ和ω的候选值，以及SVM惩罚因子C的候选值。假设皮尔逊VII广义核参数σ有M个候选值，参数ω有N个候选值，首先产生一个M×N的网格，网格中每个点都是一个候选(σ,ω)组合。随后在网格每个节点上，通过五折交叉验证，即将训练特征集数据分成5等分，每次依次取1份作为测试集，剩余4份作为训练集，依次重复5次，每次都用该节点上的(σ,ω)值作为分类器参数，训练分类器并计算识别结果，最终得到5次测试的识别率，统计5次平均识别率，确定获得最高5折交叉验证识别率的(σ_opt,ω_opt)组合。接下来对惩罚因子C进行调优，假设惩罚因子C有K个候选值，则对每个候选值，设定之前获得最优的(σ_opt,ω_opt)组合参数，并使用5折交叉验证步骤训练分类器，得到K个候选惩罚因子C各自的5折交叉验证识别率，统计获得最高识别率的惩罚因子C_opt，作为最优惩罚因子。最终，输出并且保存上述调优过程获得的最优参数(σ_opt,ω_opt,C_opt)。

本发明的有益效果是：通过引入新型皮尔逊VII广义核函数，提升了支持向量机对多类手部运动肌电信号的分类性能。对比测试53种时域、频域、时频域特征，构建了四种新型多特征集。通过组合时域、频域、时频域特征构建多特征特征集，克服了单一特征由于其本身性质导致的各种缺陷。对于基于表面肌电信号的假肢控制，人机交互等领域有着重要意义。

附图说明

图1为本发明涉及实验所选取的NinaPro数据集3个手势集，(a)为5个腕部运动的手势集；(b)为8个手部姿态的手势集；(c)为12个手指运动的手势集；

图2为本发明所述方法流程图；

图3为150ms长度采样窗口情况下，使用皮尔逊VII广义核函数进行分类，在不同手势集上的识别结果，(a)为150ms长度采样窗口情况下，使用皮尔逊VII广义核函数进行分类，在不同手势集上的不投票识别准确率；(b)为150ms长度采样窗口情况下，使用皮尔逊VII广义核函数进行分类，在不同手势集上的投票识别准确率，投票窗口长度单位为一段完整的动作；

图4为使用特征集3情况下，不同支持向量机核函数的分类性能对比，(a)为使用特征集3情况下，在识别5个腕部运动时，不同支持向量机核函数分类准确率和采样窗口的关系；(b)为使用特征集3情况下，在识别8个手部姿态时，不同支持向量机核函数分类准确率和采样窗口的关系；(c)为使用特征集3情况下，在识别12个手指运动时，不同支持向量机核函数分类准确率和采样窗口的关系。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

如图2所示，本发明一种基于支持向量机的表面肌电信号多类手部动作识别方法，包括如下步骤：

步骤(1)下载NinaPro数据集1的10通道肌电数据，并对数据进行平滑滤波，滤波使用50毫秒长度的窗口，平滑滤波具体公式为：

$x_i^{*}=\frac{\underset{i-4}{\overset{i}{\Σ}}{x}_j}{5},i=5,...,n$

其中为平滑滤波后第i帧的信号值，x_i为平滑滤波前第i帧的信号值。

步骤(2)使用滑动采样窗口对数据进行采样，生成数据样本。把数据样本按照具体评估方法划分为训练集和测试集。

步骤(3)以数据样本为单位，从每个数据样本中提取时域，频域以及时频域肌电特征，构建一个新型多特征特征集，具体步骤为：

(3.1)从已有肌电信号相关文献中总结53种时域，频域和时频域特征；

(3.2)将这53种单一特征按照其属性分为四类，这四类分别是时域类，频域类，时频域类和其他类；

(3.3)将时域类特征进一步按照其散点图和数学属性分成四类，这样总计有七个特征类；

(3.4)选取NinaPro数据集1中的52种手势和数据集2中的40种手势，获取肌电信号并按照被试内十折交叉验证方法划分训练集和测试集；

(3.5)使用线性判别分析分类器，统计53种单一特征各自的被试内十折交叉验证准确率；

(3.6)对于七个特征类中的每一类，选取识别率最高的单一特征。同时，将识别率大于50％的单一特征也选出来。由于本发明在NinaPro的两个数据集上分别统计识别率，统计两个优选特征集合，它们分别是NinaPro1上最高识别率的特征集和NinaPro1上识别率大于50％的特征集合的并集(下文中记作NinaPro1best+50％)，NinaPro2上最高识别率的特征集和NinaPro2上识别率大于50％的特征集合的并集(下文中记作NinaPro2best+50％)。随后，取NinaPro1best+50％和NinaPro2best+50％的交集，作为我们提出的新型特征集。该新型特征集共包含19种不同的肌电信号特征；

(3.7)实际测试时，对训练数据集和输入测试数据集的每个样本，均提取3.6)中总结的新型特征集，以构建训练特征集和测试特征集；

步骤(4)对特征向量进行归一化，具体步骤为：

对训练特征集的归一化方法为：用训练特征集每一列减去其均值并除以其方差。

对测试特征集的归一化方法为：测试特征集样本每一列的元素减去训练特征集对应列的均值并除以训练特征集对应列的方差。

其具体公式为：

$train=\frac{train-mean\left(train\right)}{std\left(train\right)}$

$test=\frac{test-mean\left(train\right)}{std\left(train\right)}$

其中train为训练集，test为测试集。

对训练集的归一化在进行分类测试之前进行。离线测试中，本发明在进行分类测试之前完成对测试集的归一化，实际应用中，本发明推荐在分类测试时，对每个新输入分类器的测试样本分别进行归一化操作。

步骤(5)对归一化后的训练集特征向量进行基于最小冗余最大相关性准则的自动特征选择，最小冗余最大相关性准则为：

设存在一个特征子集S,S中每一列特征x_i到类标签c的依赖性D定义为

$D=\frac{1}{\left|S\right|}\underset{x_i\∈S}{\Σ}I(x_i;c)$

S中特征两两之间的冗余R定义为：

$R=\frac{1}{{\left|S\right|}^2}\underset{x_i,x_j\∈S}{\Σ}I(x_i,x_j)$

上述公式中，I为互信息，两个离散变量X和Y之间互信息的计算公式为：

$I(Y;X)=\underset{y\∈Y}{\Σ}\underset{x\∈X}{\Σ}p(x,y)log\frac{p(x,y)}{p\left(x\right)p\left(y\right)}$

满足最小冗余最大相关性准则的特征子集S_opt，其满足拥有最大的依赖性D，最小的冗余R，即满足：

maxφ(D,R),φ＝D-R

从训练集中挑选出最优特征子集S_opt后，将S_opt中每一列特征的序号保存起来，实际测试中，对测试集每一个测试样本，依照S_opt中的序号来选择参与测试的特征向量。

步骤(6)设计基于皮尔逊VII广义核的支持向量机分类器，对支持向量机的定义为：

对于n个样本的训练样本集D＝{(x_i,y_i)|x_i∈R^p,其中x_i为一个训练样本，y_i为样本x_i的标签，设变换φ(·)将输入空间映射到特征空间上，将数据分成两类的线性超平面可以定义为：

ω×φ(x)+b＝0ω∈R^p,b∈R(1)

支持向量机试图找到一个最优的超平面，可以最好地划分训练数据集中的两类数据，这个优化过程等价于求解下列二次规划问题：

$max\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i=1,j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j{x}_i^T{x}_j$ (2)

$C\≥{\mathrm{\α}}_i\≥0,\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i=0$

其中α为拉格朗日乘子，C∈[0,∞)为惩罚因子，带有非零α的x_i被定义为支持向量，设t_j(j＝1,...,s)为s个支持向量的序号，ω可以由求得，通过引入核函数k(x_i,x_j)＝φ(x_i)^T·φ(x_j)，公式(2)可以由以下形式表述：

$max\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i=1,j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}k(x_i,x_j)$ (3)

$C\≥{\mathrm{\α}}_i\≥0,\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i=0$

公式(3)为支持向量机的基本形式，其中的核函数k(x_i,x_j)可以有多种形式，线性核k(x_i,x_j)＝φ(x_i)^T·φ(x_j)可以等价于：

k(x_i,x_j)＝x_i·x_j(4)

本发明采用的新型皮尔逊VII广义核函数，其定义为：

$k(x_i,x_j)=\frac{1}{{\[1+{\left(\frac{2\sqrt{\left|\right|x_i-x_j|{|}^2}\sqrt{2^{(1/\mathrm{\ω})}-1}}{\mathrm{\σ}}\right)}^2\]}^{\mathrm{\ω}}}---\left(5\right)$

此外，作为和皮尔逊VII广义核函数的对比，本发明涉及的实验中还测试了径向基核函数和线性核函数，线性核函数公式参考公式(4)

径向基核函数公式为：

k(x_i,x_j)＝exp(-γ|x_i-x_j|²)，其中|·|为欧氏距离。

本发明使用序列最小最优化支持向量机分类器，使用一对一(OAO)策略解决多分类问题。

步骤(7)使用基于交叉验证的粗网格搜索优化算法，对支持向量机分类器的参数进行优化，粗网格搜索优化具体步骤为：

(7.1)确定σ和ω的候选值，以及SVM惩罚因子C的候选值。假设皮尔逊VII广义核参数σ有M个候选值，参数ω有N个候选值，首先产生一个M×N的网格，网格中每个点都是一个候选(σ,ω)组合；

(7.2)在网格每个节点上，通过五折交叉验证，即将训练特征集数据分成5等分，每次依次取1份作为测试集，剩余4份作为训练集，依次重复5次，每次都用该节点上的(σ,ω)值作为分类器参数，训练分类器并计算识别结果，最终得到5次测试的识别率，统计5次平均识别率，确定获得最高5折交叉验证识别率的(σ_opt,ω_opt)组合；

(7.3)对惩罚因子C进行调优过程。假设惩罚因子C有K个候选值，则对每个候选值，设定7.2)中获得最优的(σ_opt,ω_opt)组合参数，并使用8.2)中相同的5折交叉验证步骤训练分类器，得到K个候选惩罚因子C各自的5折交叉验证识别率，统计获得最高识别率的惩罚因子C_opt，作为最优惩罚因子；

(7.4)输出并且保存上述调优过程获得的最优参数(σ_opt,ω_opt,C_opt)；

步骤(8)使用训练集中的数据样本和步骤7)得到的最优参数(σ_opt,ω_opt,C_opt)，训练分类模型，并将测试集中的数据样本输入训练好的分类模型进行分类测试。

步骤(9)使用多数同意规则投票确定最终测试结果。设每N个数据样本为一个投票窗口，对每个投票窗口内的N个数据样本，统计出现次数最多的标签，作为该窗口的标签。最终识别率计算公式为：

本发明测试不投票的识别结果，和以整段动作为长度的投票窗口的识别结果。

实施例

步骤(1)本发明使用开源NinaPro数据集作为肌电数据来源，选取NinaPro数据集1中5个腕部运动，8个手部姿态，12个手指运动总共25类手势的数据。本发明涉及的手势动作参考图1。

步骤(2)对原始数据采用50ms的窗口进行平滑滤波，并且按照100ms，150ms，200ms，250ms四种长度的滑动窗口来进行采样，滑动窗口的移动步长均为窗口长度的25％。

步骤(3)按照被试内十折交叉验证方法，划分离线算法性能评估的训练集和测试集。NinaPro数据集1总共涉及27名被试，选取每个被试的所有动作数据，分成10份，每次依次取1份作为测试集，剩余9份作为训练集，这样每名被试都会产生10折相互独立的分类测试，总共有270折测试。

步骤(4)从每个采样窗口的数据中提取本发明提出的新型特征集，同时提取4种已知文献中总结的经典特征集作为识别率参考，这4种经典特征集分别为：Phinyomark特征集，改进Phinyomark特征集，Hudgin特征集，Du特征集。

步骤(5)对训练集和测试集分别进行归一化。

步骤(6)对归一化后的特征向量进行基于最小冗余最大相关性准则的自动特征选择，自动特征选择仅对训练集数据进行，在测试时，对测试数据直接应用训练集数据的特征选择结果。自动特征选择算法的输出为训练集特征每一列按照最小冗余最大相关性得分由高到低重新排列的列序号，本发明选取得分最高的D维特征向量，其中D的范围为30,60,100,200,400,600，将选中的特征向量序号保存下来。

步骤(7)设计基于皮尔逊VII广义核函数的支持向量机分类器，同时作为皮尔逊VII广义核函数的性能对比，测试还使用了传统的线性核函数和径向基核函数。

步骤(8)使用基于交叉验证的粗网格搜索优化算法，对支持向量机各个核函数分类器的参数进行优化，其中皮尔逊VII广义核函数参数ω的候选参数集为{2⁷，2⁶，2⁵，...，2^-1，2^-2，2^-3}，参数σ的候选参数集为{2⁷，2⁶，2⁵，...，2²，2¹，2⁰}，惩罚因子C的候选参数集为{2⁵，2⁴，2³，2²，2¹，2⁰}。径向基核函数参数γ的候选参数集为{2^-3，2^-5，2^-7，...，2^-11，2^-13，2^-15}，径向基核函数惩罚因子C的候选参数集为{2⁹，2⁷，2⁵，...，2¹，2^-1，2^-3}。线性核函数惩罚因子C的候选参数集为{2⁵，2⁴，2³，...，2^-13，2^-14，2^-15}。

步骤(9)使用训练集中的数据样本和步骤(8)得到的最优参数，训练分类模型，并将测试集中的数据样本输入分类模型进行测试。

步骤(10)使用多数同意规则投票确定最终测试结果。本文测试不投票的识别结果，和以整段动作为单位的投票窗口的识别结果，这里整段动作指的是一个包含起势，稳定态和收势的完整手势动作。

步骤(11)设上述步骤所涉及的不同采样窗口长度，不同特征集，不同支持向量机核函数等设置为不同的实验变量，对每种实验变量组合，均进行一次完整的步骤(1)-步骤(10)的实验流程，统计所有实验变量组合的识别率。

150ms采样窗口，三个手势集的实验结果如下表所示：

5个腕部运动

8个手部姿态

12个手指运动

从表中结果可以看出，本发明提出的新型特征集的不投票准确率均超过了Phinyomark，Hudgin和Du三种传统特征集，改进Phinyomark特征集也是一种新型特征集，由Doswald等人在2014年提出，本发明提出的新型特征集在识别8个手部姿态时，有部分识别率超过了改进Phinyomark特征集。经过投票后，本发明提出的新特征集在大部分情况下和其他特征集相比均有一定的优势。

图3(a)、(b)分别表示的是在150ms长度窗口下，使用皮尔逊VII广义核支持向量机作为分类器，在使用不同特征集时所获得的不投票准确率和投票准确率柱状图。

图4(a)、(b)、(c)分别表示的是使用本发明提出的新型特征集时，不同支持向量机核函数以及不同采样窗口长度组合，在识别5个腕部运动，8个手部姿态，12个手指运动时的准确率。可以看出，皮尔逊VII广义核支持向量机的分类性能在所有情况下都超过了线性核函数支持向量机，在大部分情况下超过了径向基核函数支持向量机。

在使用150ms长度采样窗口时，皮尔逊VII广义核支持向量机可以在识别5个腕部动作时获得98.74％的投票准确率，在识别8个手部姿态时可以获得96.48％的投票准确率，在识别12个手指运动时可以获得96.64％的投票准确率。

Claims (8)

1.一种基于支持向量机的表面肌电信号多类手部动作识别方法，其特征在于，包括如下步骤：

(1)数据获取，预处理，分割，训练集测试集的划分，包括以下子步骤：

(1.1)获取多通道肌电数据；

(1.2)对数据进行平滑滤波；

(1.3)使用100ms，150ms，200ms，250ms四种长度的采样窗口对数据进行采样分割，其中采样窗口的移动步长为窗口长度的25％；

(1.4)根据评估方法，将数据样本划分为训练集和测试集；

(2)特征提取，归一化和自动特征选择，包括以下子步骤：

(2.1)对每个采样窗口内的数据，提取一种多特征的特征集；

(2.2)对特征进行归一化处理；

(2.3)应用基于最小冗余最大相关性准则的自动特征选择算法进行特征选择；

(3)基于皮尔逊VII广义核支持向量机的多类手部动作识别，包括以下子步骤：

(3.1)设计基于皮尔逊VII广义核的支持向量机分类器；

(3.2)使用训练集数据样本，展开网格搜索参数优化过程，搜索最优的分类器参数；

(3.3)使用步骤3.2得到的最优分类器参数和所有的训练集数据样本，训练分类模型；

(3.4)将测试集数据样本依次输入分类模型，输出分类结果。

2.根据权利要求1所述的识别方法，其特征在于，步骤1.1中，数据来源为NinaPro开源数据集1内的10通道肌电数据。

3.根据权利要求1所述的识别方法，其特征在于，步骤1.2中，使用50毫秒长度的窗口对数据进行均值平滑滤波。

4.根据权利要求1所述的识别方法，其特征在于，步骤2.1中的特征集包含19种特征，它们是：信号幅值的绝对值之和(IEMG)，信号幅值的绝对平均值(MAV)，改进信号幅值的绝对平均值1(MMAV1)，改进信号幅值的绝对平均值2(MMAV2)，信号均方根(RMS)，估计肌肉收缩力非线性检测器(v-order)，估测肌肉收缩力的对数检测器(LOG)，波形长度(WL)，幅值平均变化值(AAC)，波形长度标准差(WL-DASDV)，Willison幅值(WAMP)，自回归系数(ARC)，绝对平均值斜率(MAVSLP)，功率谱的平均功率(MNP)，Daubechies1小波变换边界(MDWT-DB1)，基于Daubechies1小波的多分辨率小波分析(MRWA-DB1)，小波包变换后信号的均值(DWPT-MEAN)，小波包变换后信号标准差(DWPT-SD)，自回归余数残差29种统计量(ARR-29)。

5.根据权利要求1所述的识别方法，其特征在于，步骤2.2中对训练特征集和测试特征集采用不同的特征归一化方法：

对训练特征集的归一化方法为，用训练特征集每一列减去其自身的均值并除以其方差；

对测试特征集的归一化方法为，用测试特征集样本每一列减去训练特征集对应列的均值并除以训练特征集对应列的方差；

其具体公式为：

$train=\frac{train-mean\left(train\right)}{std\left(train\right)}$

$test=\frac{test-mean\left(train\right)}{std\left(train\right)}$

其中train为训练集，test为测试集。

6.根据权利要求1所述的识别方法，其特征在于，步骤2.3中所述基于最小冗余最大相关性准则的自动特征选择算法，其基本原理为：

设存在一个特征子集S,S中每一列特征x_i到类标签c的依赖性D定义为：

$D=\frac{1}{\left|S\right|}\underset{x_i\∈S}{\Σ}I(x_i;c)$

S中特征两两之间的冗余R定义为：

$R=\frac{1}{|S{|}^2}\underset{x_i,x_j\∈S}{\Σ}I(x_i,x_j)$

上述公式中，I为互信息，两个离散变量X和Y之间互信息的计算公式为：

$I(Y;X)=\underset{y\∈Y}{\Σ}\underset{x\∈X}{\Σ}p(x,y)log\frac{p(x,y)}{p\left(x\right)p\left(y\right)}$

最小冗余最大相关性特征选择算法试图找到一个特征子集S，其满足拥有最大的依赖性D，最小的冗余R，即满足：

maxφ(D,R),φ＝D-R

实际的手势识别实验中，根据“在整个分类模型训练过程中测试集信息始终保持未知”的模式识别原则，对训练特征集和测试特征集的特征选择使用不同的策略，具体步骤为：

对训练特征集的特征选择，主要是应用基于最小冗余最大相关性准则的自动特征选择算法，选取最优的N维子集S。将子集中每一维特征对应于原始特征集中的序号保存下来；

对测试特征集的特征选择，直接应用对训练集特征选择时保存下来的序号。

7.根据权利要求1所述的识别方法，其特征在于，步骤3.1具体为：采用皮尔逊VII广义核函数作为支持向量机的核函数，对于支持向量机的具体原理描述如下：

对于n个样本的训练样本集 $D={\left\{(x_i,y_i)\right|x_i\∈R^p,y_i\∈\{-1,1\}\}}_{i=1}^n,$ 其中x_i为一个训练样本，y_i为样本x_i的标签；

设变换φ(·)将输入空间映射到特征空间上，将数据分成两类的线性超平面可以定义为：

ω×φ(x)+b＝0ω∈R^p,b∈R(1)

其中ω是垂直于这个线性超平面的向量，b是为了防止超平面过原点而引入的位移。

支持向量机试图找到一个最优的超平面，可以最好地划分训练数据集中的两类数据，这个优化过程等价于求解下列二次规划问题：

$\begin{array}{c}\max \underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i=1,j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j{x}_i^T{x}_j\\ C\≥{\mathrm{\α}}_i\≥0,\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i=0\end{array}---\left(2\right)$

其中α为拉格朗日乘子，C∈[0,∞)为惩罚因子，x_i和x_j为训练集中两个不同的样本，带有非零α的x_i被定义为支持向量，设t_j(j＝1,...,s)为s个支持向量的序号，ω可以由求得，通过引入核函数k(x_i,x_j)＝φ(x_i)^T·φ(x_j)，公式(2)可以由以下形式表述：

$\begin{array}{c}\max \underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i=1,j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}k\left(x_i,x_j\right)\\ C\≥{\mathrm{\α}}_i\≥0,\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_i=0\end{array}---\left(3\right)$

公式(3)中的核函数k(x_i,x_j)采用皮尔逊VII广义核函数，定义如下：

$k(x_i,x_j)=\frac{1}{{\[1+{\left(\frac{2\sqrt{\left|\right|x_i-x_j|{|}^2}\sqrt{2^{(1/\mathrm{\ω})}-1}}{\mathrm{\σ}}\right)}^2\]}^{\mathrm{\ω}}}---\left(4\right)$

其中，σ和ω为皮尔逊VII广义核函数的两个参数。

8.根据权利要求7所述的识别方法，其特征在于，步骤3.2具体为：首先确定σ和ω的候选值，以及SVM惩罚因子C的候选值。假设皮尔逊VII广义核参数σ有M个候选值，参数ω有N个候选值，首先产生一个M×N的网格，网格中每个点都是一个候选(σ,ω)组合。随后在网格每个节点上，通过五折交叉验证，即将训练特征集数据分成5等分，每次依次取1份作为测试集，剩余4份作为训练集，依次重复5次，每次都用该节点上的(σ,ω)值作为分类器参数，训练分类器并计算识别结果，最终得到5次测试的识别率，统计5次平均识别率，确定获得最高5折交叉验证识别率的(σ_opt,ω_opt)组合。接下来对惩罚因子C进行调优，假设惩罚因子C有K个候选值，则对每个候选值，设定之前获得最优的(σ_opt,ω_opt)组合参数，并使用5折交叉验证步骤训练分类器，得到K个候选惩罚因子C各自的5折交叉验证识别率，统计获得最高识别率的惩罚因子C_opt，作为最优惩罚因子。最终，输出并且保存上述调优过程获得的最优参数(σ_opt,ω_opt,C_opt)。