CN107808166B - 一种memd张量线性拉普拉斯判别的肌电特征提取方法 - Google Patents

一种memd张量线性拉普拉斯判别的肌电特征提取方法 Download PDF

Info

Publication number
CN107808166B
CN107808166B CN201711012999.1A CN201711012999A CN107808166B CN 107808166 B CN107808166 B CN 107808166B CN 201711012999 A CN201711012999 A CN 201711012999A CN 107808166 B CN107808166 B CN 107808166B
Authority
CN
China
Prior art keywords
tensor
electromyographic
class
matrix
discrimination
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.)
Active
Application number
CN201711012999.1A
Other languages
English (en)
Other versions
CN107808166A (zh
Inventor
佘青山
马鹏刚
席旭刚
蒋鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201711012999.1A priority Critical patent/CN107808166B/zh
Publication of CN107808166A publication Critical patent/CN107808166A/zh
Application granted granted Critical
Publication of CN107808166B publication Critical patent/CN107808166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/50—Prostheses not implantable in the body
    • A61F2/68—Operating or control means
    • A61F2/70—Operating or control means electrical
    • A61F2/72—Bioelectric control, e.g. myoelectric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G06F18/21324—Rendering the within-class scatter matrix non-singular involving projections, e.g. Fisherface techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G06F18/21326—Rendering the within-class scatter matrix non-singular involving optimisations, e.g. using regularisation techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Vascular Medicine (AREA)
  • Biomedical Technology (AREA)
  • Transplantation (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Cardiology (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种MEMD张量线性拉普拉斯判别的肌电特征提取方法。传统的肌电特征提取方法往往都是以向量为基础、并且使用欧式距离计算离散度矩阵，因此存在类间离散度矩阵奇异、投影方向有限等问题，本发明基于张量结构的数据表示，可以同时考虑信号的时‑频‑空域等多维信息。首先使用多变量经验模态分解方法对多通道肌信号进行滤波，其次采用小波包变换构建具有时间、空间、频率、任务的四阶张量数据，然后采用张量线性拉普拉斯判别方法寻找最佳投影矩阵以获得具有较大区分度的张量高维特征，接着对高维张量特征进行矩阵化和降维，最后采用常规的分类方法对降维后的肌电特征进行识别。该方法在康复机器人等人机交互领域具有广阔的应用前景。

Description

一种MEMD张量线性拉普拉斯判别的肌电特征提取方法
技术领域
本发明属于肌电信号处理领域，涉及一种肌电信号特征提取方法，特别涉及一种用于人机交互的特征提取方法。
背景技术
机器人技术发展正强劲推动着机器人的应用由工业生产领域延伸到军事、医疗、服务等领域，在未来社会，人类同机器人的交流甚至彼此身体的直接结合将日益频繁，作为连接人与机器人信息通道的人机交互(HRI)技术必将在人类生活中扮演至关重要的角色。传统基于程式控制的人机交互方式桎梏了机器人的自主适应能力，难以应用于需要与人体直接结合的机器人系统，如仿生假肢、外骨骼机器人及医疗康复机器人等。现代人机交互技术需要由机器人被动接受指令向机器人主动理解人的行为意图的方式发展，由此衍生出一类基于生物电信号的新型人机交互技术。
人体生物电信号是载有人的行为信息的神经元传输到相关组织/器官时所激发的电位和，直接反应人的意图。通过解码人体生物电信号以识别人的行为，进而赋予机器人能够理解人的意图的能力，已成为人机交互研究的热点之一。目前广泛关注的生物电信号包括肌电(EMG)、脑电(EEG)以及眼电(EOG)等。由于肌电(EMG)信号蕴含信息丰富，采集技术成熟，并且是无创采集，因而受到众多研究者青睐。
由于肌电信号非常微弱，且背景噪声很强，要从随机、非平稳的肌电信号中有效快速地提取不同运动任务所对应的特征颇具挑战性。研究者采用各种不同的方法提取有效的肌电特征，如短时傅里叶变换、小波变换、小波包变换、希尔伯特-黄变换、自回归模型、均方根、平均绝对值、零穿越次数、功率谱与自适应回归模型等，进而识别出不同的运动任务，取得了丰富的研究成果。
发明内容
本发明针对传统的EMG特征提取方法往往都是以向量为基础、并且使用欧式距离计算离散度矩阵，因此存在类间离散度矩阵奇异、投影方向有限等问题。针对上述问题，本发明的目的就是针对现有特征提取方法存在的不足，提供一种基于MEMD张量线性拉普拉斯判别的肌电特征提取方法。
首先使用多变量经验模态分解(MEMD)方法对多通道EMG信号进行滤波，其次采用小波包变换构建具有时间、空间、频率、任务的张量数据，然后采用张量线性拉普拉斯判别(TLLD)方法寻找最佳投影矩阵以获得具有较大区分度的张量高维特征，接着对高维张量特征进行矩阵化和降维，最后采用常规的分类方法对降维后的肌电特征进行识别。
为了实现以上目的，本发明方法主要包括以下步骤：
步骤(1)基于多变量经验模态分解的滤波处理；
首先使用多变量经验模态分解算法对多通道肌电信号同时进行分解，得到一系列尺度上的本征模态函数分量，然后根据肌电信号的有效频带范围选取包含有用信息的分量，最后对各个通道上的有用分量分别进行叠加得到对应的重构信号；其中肌电信号的有效频带范围为5-500Hz；每个尺度上的本征模态函数(IMF)分量对应不同的频段信息，如果每个IMF分量的频段落在5-500Hz范围内，就认为是包含了有用信息的IMF分量；
步骤(2)基于小波包的肌电张量表示；
采用小波包变换方法对重构后的肌电信号进行张量表示，构建具有时间、空间、频率、任务四个维度的张量数据；经过M层小波包变换后，每个肌电信号样本得到2M个频带成分，对应的张量数据具有四维结构：通道数×频带数×采样点数×任务次数，记为A∈Rchannel×frequency×time×trial；通道数即channel，频带数即frequency，采样点数即time、任务次数即trial；
步骤(3)基于张量拉普拉斯判别的投影矩阵计算；
对于步骤(2)得到的张量数据，采用张量拉普拉斯判别方法计算得到对应的最佳投影矩阵；
给定一组肌电信号样本的n阶张量Ai，i＝1,2,...,N，N为总的样本数量，si为样本Ai的标签，Ns为第s类的样本数量，总类别数量为c；如果存在一组最优正交投影矩阵
Figure BDA0001445878640000039
k＝1,2,...,n，那么投影后的张量Yi表示为：
Figure BDA0001445878640000031
其中，Yi具有最小类内方差和最大类间方差，T表示转置，×k表示张量与矩阵
Figure BDA0001445878640000032
的乘积；
张量线性拉普拉斯判别方法旨在寻找投影正交矩阵Uk，同时要求最小化类内离散度α和最大化类间离散度β，该优化目标用Fisher准则函数表示如下:
Figure BDA0001445878640000033
式中，
Figure BDA0001445878640000034
这里||·||表示l2范数，
Figure BDA0001445878640000035
是第s类的均值，Ωs＝{Ai|si＝s}为第s类投影后样本的集合，ωi为第i个样本的权重；
Figure BDA0001445878640000036
其中
Figure BDA0001445878640000037
为所有投影后样本的均值，Ω＝{Ai,i＝1,2,...,N}为全部样本的集合，ωs为第s类的权重；
步骤(4)肌电特征的生成和选择；
根据步骤(3)计算出投影矩阵Uk(k＝1,2,...,n)后，将肌电张量数据分成训练集Atr和测试集Ats，然后分别投影到该投影矩阵中，得到如下张量特征：
Figure BDA0001445878640000038
其中，Gtr和Gts分别为训练集和测试集的张量特征；接下来，对张量特征进行矩阵化，然后采用Fisher分数方法对高维特征进行降维，根据最佳平均分类准确率确定最终的特征维数。
本发明与已有的肌电特征提取方法相比，具有如下特点：
1、采用小波包对肌电信号进行张量表示
已有方法大多数是以向量为基础进行运算从而提取特征，往往会存在类间离散度矩阵奇异和投影方向有限等问题。而基于张量结构的数据表示可以同时考虑信号的时-频-空域等多维信息，本发明采用小波包分析方法建立了肌电信号的4阶张量表示，分别表示空间、频率、时间、任务等多个维度上的信息，不会损害各个模式间的相关信息，有助于后期算法的处理。
2、采用语境距离度量的TLLD方法进行张量数据的特征提取
张量线性拉普拉斯判别(TLLD)方法在权重的选择上学习线性拉普拉斯判别(LLP)算法的优点，但是在距离度量选择上却采用一种关注样本对数据簇贡献度的语境距离度量，并且在参数选择上操作更加简单，该方法可以获得最小类内方差和最大类间方差的投影矩阵，从而获得具有较好区分度的特征。
本发明方法可以较好地满足智能自主康复辅具控制中的多模式识别要求，在人机交互领域具有广阔的应用前景。
附图说明
图1为本发明的实施流程图；
图2为六类动作识别正确率
具体实施方式
下面结合附图详细描述本发明基于MEMD张量线性拉普拉斯判别的肌电特征提取方法，图1为实施流程图。
如图1，本发明方法的实施主要包括六个步骤：(1)获取上肢动作时多通道肌电电信号样本数据，包括上肢腕屈、腕伸、上臂内旋、上臂外旋、握拳、伸拳等六种动作模式；(2)采用MEMD方法进行滤波处理；(3)采用小波包变换方法对肌电信号进行张量表示，构建具有时间、空间、频率、任务的张量数据；(4)采用TLLD方法计算出张量数据的最佳投影矩阵；(5)将肌电信号的张量数据向最佳投影矩阵进行投影以获取高维的张量特征，再使用Fisher分数方法对该高维特征进行降维；(6)采用线性分类器对降维后的肌电特征进行训练和测试，完成六种动作模式的识别。
下面逐一对各步骤进行详细说明。
步骤一：采用Delsys Trigno无线表面肌电采集仪获取多通道肌电数据
采集设备为Delsys Trigno无线表面肌电系统，采样频率为2k Hz。在前臂靠近肘关节的地方选择与肌肉纤维平行的方向，沿手臂均匀安放8个表面肌电电极。受试者实验前没有进行剧烈运动，舒适地坐在实验平台前面，肘关节以自然放松的状态直立放在实验平台支撑面上。按照要求完成腕屈、腕伸、上臂外旋、上臂内旋、握拳、展拳等六种动作。每个动作持续时间为4秒，每个受试者每个动作需要完成30次，每次实验过程中都会有休息放松时间，防止肌肉疲劳。
步骤二：采用多变量经验模态分解方法进行滤波处理
EMG信号采集过程中不可避免地引入噪声干扰，而且EMG信号具有非线性、微弱性的特点，采用多变量经验模态分解(MEMD)方法可以有效地去除肌电信号中混杂的噪声，以提高信号的信噪比。在本实施中，采用MEMD算法同时对多通道肌电信号进行分解，得到一系列尺度上的本征模态函数(IMF)分量，根据有效肌电信号的频带范围(5-500Hz)选取包含有用信息的IMF分量，各个通道上的有用分量分别进行叠加得到对应的重构信号。步骤三：采用小波包变换方法对预处理后的肌电数据进行张量表示
采用小波包变换方法可以建立描述EMG信号中多维信息的张量结构。具体而言，本发明建立了一个n＝4阶张量，分别表示空间、频率、时间、任务等多维度上的信息。原始的EMG数据具有三维结构：通道数(channel)×采样点数(time)×任务次数(trial)，记为Achannel×time×trial。经过M层小波包变换后，每个肌电信号样本得到2M个频带成分，对应的张量数据具有四维结构：通道数(channel)×频带数(frequency)×采样点数(time)×任务次数(trial)，记为A∈Rchannel×frequency×time×trial。本实施中，M＝5。
步骤四：采用TLLD方法计算张量数据的最佳投影矩阵
给定一组肌电信号样本的n阶张量Ai，i＝1,2,...,N，N为总的样本数量。si为样本Ai的标签，Ns为第s类的样本数量，总类别数量为c。如果存在一组最优正交投影矩阵
Figure BDA0001445878640000067
k＝1,2,...,n，那么投影后的张量Yi可以表示为：
Figure BDA0001445878640000061
其中，Yi具有最小的类内方差和最大的类间方差。
按照线性拉普拉斯判别(LLD)方法，定义类内离散度如下:
Figure BDA0001445878640000062
其中，
Figure BDA0001445878640000063
是第s类的均值，Ωs＝{Ai|si＝s}为第s类投影后样本的集合，ωi为第i个样本的权重。同理，类间离散度被定义如下:
Figure BDA0001445878640000064
其中，
Figure BDA0001445878640000065
为所有投影后样本的均值，Ω＝{Ai,i＝1,2,...,N}为全部样本的集合，ωs为第s类的权重。
张量线性拉普拉斯判别(TLLD)方法旨在寻找投影正交矩阵Uk，同时要求最小化α和最大化β，希望使得投影后的样本尽可能分开，各个样本内部又尽可能聚集。该优化目标可以用Fisher准则函数表示:
Figure BDA0001445878640000066
式中，Ui(i＝1,2,...,n)很难同时求出，本实施采用迭代算法进行求解，对基于矩阵的降维方法进行扩展，在张量中重新定义α和β，并且进行k阶展开:
Figure BDA0001445878640000071
其中，
Figure BDA0001445878640000072
是张量
Figure BDA0001445878640000073
的展开，
Figure BDA0001445878640000074
为
Figure BDA0001445878640000075
的均值。
Figure BDA0001445878640000076
其中，
Figure BDA0001445878640000077
为所有Zi的均值。
通过k阶展开后，类内离散度和类间离散度可重新表示为:
Figure BDA0001445878640000078
Figure BDA0001445878640000079
其中，
Figure BDA00014458786400000710
是类内离散度矩阵的k阶展开，
Figure BDA00014458786400000711
为类间离散度矩阵的k阶展开。于是，Uk的求解如下式:
Figure BDA00014458786400000712
通过固定其他参量得到
Figure BDA00014458786400000713
和
Figure BDA00014458786400000714
将其带入公式(9)求解，重复这个过程直至收敛。
步骤五：肌电特征的生成和选择
计算出投影矩阵Uk(k＝1,2,...,n)后，将构建好的高阶训练集张量Atr和测试集张量Ats分别投影到该投影矩阵中，得到如下张量特征：
Figure BDA00014458786400000715
其中，Gtr和Gts分别为训练集和测试集的张量特征。
由于上述张量特征是基于张量结构表示的，还要对其进行矩阵化。但是，矩阵化后特征维数仍然较大，包含了较多的冗余信息，因此还需要进一步降维。本发明采用Fisher分数方法对高维的张量特征进行降维，根据最佳平均分类准确率确定最终的特征维数。
步骤六：采用线性分类器对多种动作模式进行识别。
采用经典的线性分类器(LDA)对步骤五得到的肌电特征进行训练和测试，完成六种动作模式的识别。
在本实施方案中，选取了5名身体状况良好的男性作为实验对象(S1～S5，均为右利手，23.4±0.5岁)。为了证明本发明所提方法(TLLD)的有效性，将其与时域、参数模型和张量分解的特征提取方法进行比较，包括均方根法(RMS)、AR参数法(AR)和高阶判别分析法(HODA)。分别采用上述四种方法对5名受试者的EMG数据进行特征提取，然后采用LDA方法进行分类，经过10次5折交叉验证后的平均正确率如图2。
从图2可以看出，对于5位受试者而言，两种基于张量表示的特征提取方法HODA和TLLD具有明显的优势，高于其他两种方法。平均来看，HODA方法高于AR方法6.84％，高于RMS方法1.62％，本文方法高于HODA方法5.73％，达到了98.57％。从整体来看，传统的两种特征提取方法存在个体差异性，不同的受试者在分类正确率上有较大的波动性，而本发明方法能够较好的准确率识别出六种动作,体现了其在EMG特征提取与分类上的有效性。

Claims (1)

1.一种MEMD张量线性拉普拉斯判别的肌电特征提取方法，其特征在于该方法包括如下步骤：
步骤(1)基于多变量经验模态分解的滤波处理：
首先使用多变量经验模态分解算法对多通道肌电信号同时进行分解，得到一系列尺度上的本征模态函数IMF分量，然后根据肌电信号的有效频带范围选取包含有用信息的本征模态函数IMF分量，最后对各个通道上的有用分量分别进行叠加得到对应的重构信号；其中肌电信号的有效频带范围为5-500Hz；每个尺度上的本征模态函数IMF分量对应不同的频段信息，如果每个本征模态函数IMF分量的频段落在5-500Hz范围内，就认为是包含了有用信息的本征模态函数IMF分量；
步骤(2)基于小波包的肌电张量表示：
采用小波包变换方法对重构后的肌电信号进行张量表示，构建具有时间、空间、频率、任务四个维度的张量数据；经过M层小波包变换后，每个肌电信号样本得到2M个频带成分，对应的张量数据具有四维结构：通道数×频带数×采样点数×任务次数，记为A∈Rchannel ×frequency×time×trial；通道数即channel，频带数即frequency，采样点数即time，任务次数即trial；
步骤(3)基于张量拉普拉斯判别的投影矩阵计算：
对于步骤(2)得到的张量数据，采用张量拉普拉斯判别方法计算得到对应的最佳投影矩阵；
给定一组肌电信号样本的n阶张量Ai，i＝1,2,...,N，N为总的样本数量，si为张量Ai的标签，Ns为第s类的样本数量，总类别数量为c；如果存在一组最优正交投影矩阵
Figure FDA0002544731790000021
k＝1,2,...,n，那么投影后的张量Yi表示为：
Figure FDA0002544731790000022
其中，Yi具有最小类内方差和最大类间方差，T表示转置，×k表示张量与矩阵
Figure FDA0002544731790000023
的乘积；
张量线性拉普拉斯判别方法旨在寻找投影正交矩阵Uk，同时要求最小化类内离散度α和最大化类间离散度β，优化目标用Fisher准则函数表示如下:
Figure FDA0002544731790000024
式中，
Figure FDA0002544731790000025
这里||·||表示L2范数，
Figure FDA0002544731790000026
是第s类的均值，Ωs＝{Ai|si＝s}为第s类投影后样本的集合，ωi为第i个样本的权重；
Figure FDA0002544731790000027
其中
Figure FDA0002544731790000028
为所有投影后样本的均值，Ω＝{Ai,i＝1,2,...,N}为全部样本的集合，ωs为第s类的权重；
公式(2)中，Ui(i＝1,2,...,n)采用迭代算法进行求解，对基于矩阵的降维方法进行扩展，在张量中重新定义α和β，并且进行k阶展开:
Figure FDA0002544731790000029
其中，
Figure FDA00025447317900000210
Figure FDA00025447317900000211
是张量
Figure FDA00025447317900000212
的展开，
Figure FDA00025447317900000213
为
Figure FDA00025447317900000214
的均值；
Figure FDA00025447317900000215
其中，
Figure FDA00025447317900000216
为所有Zi的均值；
通过k阶展开后，类内离散度和类间离散度重新表示为:
Figure FDA00025447317900000217
Figure FDA0002544731790000031
其中，
Figure FDA0002544731790000032
是类内离散度矩阵的k阶展开，
Figure FDA0002544731790000033
为类间离散度矩阵的k阶展开；于是，Uk的求解如下式:
Figure FDA0002544731790000034
通过固定其他参量得到
Figure FDA0002544731790000035
和
Figure FDA0002544731790000036
将其带入公式(9)求解，重复这个过程直至收敛；
步骤(4)肌电特征的生成和选择：
根据步骤(3)计算出投影矩阵Uk(k＝1,2,...,n)后，将肌电张量数据分成训练集Atr和测试集Ats，然后分别投影到该投影矩阵中，得到如下张量特征：
Figure FDA0002544731790000037
其中，Gtr和Gts分别为训练集和测试集的张量特征；接下来，对张量特征进行矩阵化，然后采用Fisher分数方法对高维特征进行降维，根据最佳平均分类准确率确定最终的特征维数。
CN201711012999.1A 2017-10-26 2017-10-26 一种memd张量线性拉普拉斯判别的肌电特征提取方法 Active CN107808166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711012999.1A CN107808166B (zh) 2017-10-26 2017-10-26 一种memd张量线性拉普拉斯判别的肌电特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711012999.1A CN107808166B (zh) 2017-10-26 2017-10-26 一种memd张量线性拉普拉斯判别的肌电特征提取方法

Publications (2)

Publication Number Publication Date
CN107808166A CN107808166A (zh) 2018-03-16
CN107808166B true CN107808166B (zh) 2020-08-11

Family

ID=61592574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711012999.1A Active CN107808166B (zh) 2017-10-26 2017-10-26 一种memd张量线性拉普拉斯判别的肌电特征提取方法

Country Status (1)

Country Link
CN (1) CN107808166B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11188616B2 (en) 2020-02-25 2021-11-30 International Business Machines Corporation Multi-linear dynamical model reduction
CN111582082B (zh) * 2020-04-24 2022-04-01 燕山大学 基于可解释聚类模型的二分类运动想象脑电信号识别方法
CN111700718B (zh) * 2020-07-13 2023-06-27 京东科技信息技术有限公司 一种识别握姿的方法、装置、假肢及可读存储介质
CN113205076A (zh) * 2021-05-31 2021-08-03 西南交通大学 一种基于memd分解的无线帧行为特征提取方法及系统
CN115204242B (zh) * 2022-09-09 2022-12-09 深圳市心流科技有限公司 一种调整动作模板比对阈值的方法、装置及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916376A (zh) * 2010-07-06 2010-12-15 浙江大学 基于局部样条嵌入的正交半监督子空间图像分类方法
US8024152B2 (en) * 2008-09-23 2011-09-20 Microsoft Corporation Tensor linear laplacian discrimination for feature extraction
CN102961203A (zh) * 2012-12-10 2013-03-13 杭州电子科技大学 基于emd样本熵的表面肌电信号识别方法
CN103091096A (zh) * 2013-01-23 2013-05-08 北京信息科技大学 基于eemd和小波包变换的早期故障敏感特征提取方法
CN103610466A (zh) * 2013-10-17 2014-03-05 杭州电子科技大学 基于emd排列组合熵的肌电信号跌倒识别方法
CN106571135A (zh) * 2016-10-27 2017-04-19 苏州大学 一种耳语音特征提取方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8024152B2 (en) * 2008-09-23 2011-09-20 Microsoft Corporation Tensor linear laplacian discrimination for feature extraction
CN101916376A (zh) * 2010-07-06 2010-12-15 浙江大学 基于局部样条嵌入的正交半监督子空间图像分类方法
CN102961203A (zh) * 2012-12-10 2013-03-13 杭州电子科技大学 基于emd样本熵的表面肌电信号识别方法
CN103091096A (zh) * 2013-01-23 2013-05-08 北京信息科技大学 基于eemd和小波包变换的早期故障敏感特征提取方法
CN103610466A (zh) * 2013-10-17 2014-03-05 杭州电子科技大学 基于emd排列组合熵的肌电信号跌倒识别方法
CN106571135A (zh) * 2016-10-27 2017-04-19 苏州大学 一种耳语音特征提取方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Mouna Dammak;Mahmoud Mejdoub;Chokri Ben Amar.Laplacian Tensor sparse coding for image categorization.《2014 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》.2014, *

Also Published As

Publication number Publication date
CN107808166A (zh) 2018-03-16

Similar Documents

Publication Publication Date Title
CN107808166B (zh) 一种memd张量线性拉普拉斯判别的肌电特征提取方法
Sreeja et al. Removal of eye blink artifacts from EEG signals using sparsity
Alomari et al. EEG mouse: A machine learning-based brain computer interface
CN110974212A (zh) 一种融合心电和肌电特征的康复训练运动状态监测方法及系统
CN114533086B (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
Bhagwat et al. Electromyogram (EMG) based fingers movement recognition using sparse filtering of wavelet packet coefficients
Wołczowski et al. Electromyography and mechanomyography signal recognition: Experimental analysis using multi-way array decomposition methods
CN106446762A (zh) 一种基于稀疏表征分类算法的运动想象脑电分类处理方法
Cheng et al. The optimal wavelet basis function selection in feature extraction of motor imagery electroencephalogram based on wavelet packet transformation
CN112401905B (zh) 一种基于源定位和脑网络的自然动作脑电识别方法
Feng et al. Feature extraction algorithm based on csp and wavelet packet for motor imagery eeg signals
Trad et al. A feature extraction technique of EEG based on EMD-BP for motor imagery classification in BCI
Xie et al. A brain controlled wheelchair based on common spatial pattern
CN111736690A (zh) 基于贝叶斯网络结构辨识的运动想象脑机接口
CN114082169B (zh) 基于脑电信号的伤残手软体康复机器人运动想象识别方法
Sharma et al. Feature extraction and classification of surface EMG signals for robotic hand simulation
CN113625870B (zh) 基于语言想象的脑-机接口控制系统和方法
CN114169375B (zh) 一种基于力度无关鲁棒特征的肌电手势识别方法
CN115624338A (zh) 一种上肢刺激反馈康复装置及其控制方法
Bhattacharyya et al. Detection of fast and slow hand movements from motor imagery EEG signals
Wang et al. Research of EEG recognition algorithm based on motor imagery
Sun et al. Classification of sEMG signals using integrated neural network with small sized training data
Radha et al. Classification of Different Shoulder Girdle Motions for Prosthesis Control Using a Time-Domain Feature Extraction Technique
Álvarez-Meza et al. Feature relevance analysis supporting automatic motor imagery discrimination in EEG based BCI systems
Dong et al. Research on movement intentions of human's left and right legs based on electro-encephalogram signals

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180316

Assignee: HANGZHOU DUKANG TECHNOLOGY CO.,LTD.

Assignor: HANGZHOU DIANZI University

Contract record no.: X2022330000025

Denomination of invention: An EMG feature extraction method based on linear Laplace discriminant of MEMD tensor

Granted publication date: 20200811

License type: Common License

Record date: 20220128

EE01 Entry into force of recordation of patent licensing contract