CN109558911A - 基于遗传算法广义典型相关分析的肌电信号特征融合方法 - Google Patents
基于遗传算法广义典型相关分析的肌电信号特征融合方法 Download PDFInfo
- Publication number
- CN109558911A CN109558911A CN201811606327.8A CN201811606327A CN109558911A CN 109558911 A CN109558911 A CN 109558911A CN 201811606327 A CN201811606327 A CN 201811606327A CN 109558911 A CN109558911 A CN 109558911A
- Authority
- CN
- China
- Prior art keywords
- feature
- vector
- electromyography signal
- genetic algorithm
- canonical
- 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
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
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出一种基于遗传算法广义典型相关分析的肌电信号特征融合方法。获取人体做日常行为动作时四路肌电信号的平均幅值,威尔逊振幅,模糊熵,小波能量系数,由4路肌电信号各4各特征组成16维特征向量。提取16维标准样本特征向量X、训练样本特征向量Y。分别计算X,Y的类内离散度矩阵和类间离散矩阵,最后求得使广义典型相关判别准则最大的广义正则投影向量。对GCPV择优选取,得到新的GCPV将原特征投影到新空间,成为结合遗传算法的GCCA(GA‑GCCA);将原特征通过新得到的GCPV投影到新平面上,获得最终融合的肌电信号特征向量S。本发明有效地减小了维数,并在改善单调性的同时动态地选择了最佳特征向量。
Description
技术领域
本发明属于特征融合领域,涉及一种基于遗传算法广义典型相关分析的肌电信号特征层融合方法。
背景技术
随着医疗保健概念从疾病诊断和治疗转向疾病预防,在系统和持续运动管理中的技术发展的重要性逐渐被强调。由于人口老龄化的增长,在日常活动中需要帮助的老年人或体弱者的数量正在迅速增加,这种变化致使人们意识到活动监测的重要性。肌电(EMG)传感器广泛应用于医学诊断,康复和人机交互中。与其他可穿戴传感器相比,EMG传感器可以直接表现出人体对各种活动的肌电反应。然而,在从原始数据集中寻找最佳特征集方面,仍然存在相当大的挑战。这种困难是由于肌电信号的生物电特性所致,它们会受到许多干扰因素的影响。从同一模式中提取不同的特征向量,往往反映模式的不同特征。通过优化和组合这些不同的特征,可以保留多个特征的有效判别信息,并在一定程度上消除冗余信息。因此,在将最优特征集应用于分类器之前,需要做大量的工作。
特征融合在模式识别领域一直是丰富数据特征的一个重要方法,是分类过程中十分重要的预处理步骤。由于特征提取后得到的特征通常会包含冗余和不相关的信息,并且不当的维度增加会降低特征空间的质量。在这种情况下,传统的数据集成技术无法提供高性能的解决方案。另外,维度的扩大增加了分类器的学习参数,从而降低了速度、精度,增大了对存储器的需求。特征融合是将多个相同类型或不同类型的传感器的局部观察特征进行综合,消除信息之间的冗余,利用信息的互补,形成特征相对完整的描述的过程,能提高识别可靠性。R Feng等人提出了一种新的信任评估算法,融合了节点行为策略和修正的证据理论,有效的识别了恶意节点。Ogawa通过Dempster-Shafer(DS)证据理论对不同分类器识别相同昆虫的结果进行整合,得到了更准确的分类。liu研究了特征降维策略对表面肌电信号分类的影响,并采用马尔可夫随机场方法和正向正交搜索算法来评价每个特征对分类的贡献。表面肌电信号(sEMG)能够有效地反映用户的运动意图,通常被用于活动监测和康复应用。
发明内容
本发明针对现有技术的不足,提出了一种基于遗传算法广义典型相关分析的肌电信号特征融合方法。
本发明提出一种特征融合的新方法来获得sEMG信号的新特征空间。在人体做日常行为动作时采集人体腓肠肌、胫骨前肌、股内肌、股外肌共四路肌电信号,获取四路肌电信号的平均幅值,威尔逊振幅,模糊熵,小波能量系数,由4路肌电信号各4各特征组成16维特征向量。在标准动作时提取16维标准样本特征向量X,训练时提取训练样本特征向量Y。分别计算X,Y的类内离散度矩阵,以及X与Y的类间离散矩阵,得到广义典型相关判别准则,最后求得使广义典型相关判别准则最大的广义正则投影向量(GCPV)。通过遗传算法GA对广义正则投影向量GCPV择优选取,得到新的GCPV将原特征投影到新空间,成为结合遗传算法的GCCA(GA-GCCA);通过GA对广义正则投影向量GCPV择优选取后,并通过动态加权方式,将原特征通过新得到的GCPV投影到新平面上,获得最终融合的肌电信号特征向量S。通过WGA-GCCA创建的新特征空间有效地减小了维数,并在改善单调性的同时动态地选择了最佳特征向量。经由WGA-GCCA融合后的特征输入分类器时,也有着更高的精度。
为了实现以上目的,本发明方法主要包括以下步骤:
步骤(1).在人体做日常行为动作时采集人体腓肠肌、胫骨前肌、股内肌、股外肌共四路肌电信号,获取四路肌电信号的平均幅值MA,威尔逊振幅WAMP,模糊熵FE,小波能量系数EWT,由4路肌电信号各4个特征组成16维特征向量;在标准动作时提取16维标准样本特征向量X,训练时提取训练样本特征向量Y;
步骤(2).设和分别表示标准样本特征向量X和训练样本特征向量Y的类内离散度矩阵;
其中,xij∈X,yij∈Y是i类的第j个训练样本,N为该类的总训练样本数,C为总类数,是类i的样本平均向量;X与Y的类间离散矩阵为:
由于要使类间距离最大,类内距离最小,因此通过标准样本特征向量X和训练样本特征向量Y构造广义典型相关判别准则J(x,y),公式如下:
求得使J(x,y)最大化的广义正则投影向量u和v;
步骤(3).根据广义正则投影向量u和v获取组合特征广义正则判别向量X*,Y*
从组合特征广义正则判别向量X*,Y*获取特征向量W1,W2,计算如下:
步骤(4).通过遗传算法GA对广义正则投影向量GCPV择优选取,得到新的GCPV将原特征投影到新空间,成为结合遗传算法的GCCA(GA-GCCA);通过GA对广义正则投影向量GCPV择优选取后,并通过动态加权方式,将原特征通过新得到的GCPV投影到新平面上,获得最终融合的肌电信号特征向量S;遗传算法如下:
1)编码;采用二进制编码方法,二进制码的每一位的值,“0”表示特征未被选中,“1”表示特征被选中;
2)初始群体的生成;随机产生N个初始串构成初始种群;
3)适应度函数;
4)将适应度最大的个体,即种群中最好的个体无条件地复制到下一代新种群中,然后对父代种群进行选择、交叉和变异等遗传算子运算,从而繁殖出下一代新种群其它n-1个基因串;
5)如果达到设定的繁衍代数,返回最好的基因串,并将其作为特征选取的依据,算法结束;否则,回到4)继续下一代的繁衍;
所述动态加权方式如下:
Wi=accui-accumin+Wmin
其中accui和Wi分别是第i个特征集合的识别率和权重;accumin和Wmin分别是识别率最低的特征集的识别率和权重;ri是第i个特征集合的权重系数。
作为优选,所述的初始种群数为500-1000。
作为优选,所述的适应度函数f(x)采用Fisher函数值。本发明与已有的诸多肌电信号的特征选择算法相比,具有如下特点:
本发明生成的特征空间具有良好的单调性和鲁棒性,并且通过遗传算法使特征空间维数减少了一半,降低了算法的复杂度。
附图说明
图1为本发明的实施流程图;
图2为WGA-GCCA后腓肠肌的三维投影图;
图3为支持向量机对不同数目的肌电信号的平均识别率;
图4为WGA-GCCA融合后的特征集维数。
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,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例包括如下步骤:
步骤一,在人体做日常行为动作时采集人体腓肠肌、胫骨前肌、股内肌、股外肌共四路肌电信号,获取四路肌电信号的平均幅值(MA),威尔逊振幅(WAMP),模糊熵(FE),小波能量系数(EWT),由4路肌电信号各4各特征组成16维特征向量。在标准动作时提取16维标准样本特征向量X,训练时提取训练样本特征向量Y。
步骤二,通过广义典型相关分析(GCCA)获取特征向量W1,W2。
步骤三,通过遗传算法GA对广义正则投影向量GCPV择优选取后,并通过动态加权方式,将原特征通过新得到的GCPV投影到新平面上,获得最终融合的肌电信号特征向量S。
步骤四,把特征向量输入到核支持向量机K-SVM中进行验证。
图2为WGA-GCCA后腓肠肌sEMG的三维投影图。投影后的ADL显示出一般的区别,特别是对于尖锐的,例如站-蹲(st-sq),蹲-站(sq-st)和跌倒(f)。然而,由于存在许多表征肌电信号融合性能的因素,因此评估所提出的肌电信号融合的映射策略和融合方法的性能并不是一个简单的任务。
单调性反映在添加新的特征描述符时结果的改善。为了验证单调实验,我们添加了两组肌电信号来自股内侧和外侧肌肉。我们测试了不同数量的肌肉群,从一块肌肉到六块肌肉,并获得了它们的识别率,如图3。该图显示了随着输入从n增加到n+1(n=1,2,3,4,5),识别率的增加。可见,WGA-GCCA的增长速率在各组中最高,尤其是输入肌数,从1块增加到2块。表和图都证明了WGA-GCCA具有最佳的单调性。
为了评价该发明的准确性,本发明分别应用四种融合方法:CCA、GCCA、GA-GCCA和WGA-GCCA,将融合的特征空间输入核支持向量机的分类器中进行识别。下表为识别结果:
表1.不同融合方法对8种ADLs的灵敏性(SEN)和特异性(SPE)(%)
该表显示,类型I通常优于类型II,因为前者有更多的输入来形成一个特性集。对于每天的活动识别,WGA-GCCA在所有其他方法中表现最好。
为了获得使用WGA-GCCA区分ADL的明确结果,我们形成了一个混淆矩阵,如表2所示,它指示了正确和错误分类的行为的频率。结果表明,由于原始信号发生突变,下降作用对SEN和SPE影响最大。有些活动,如坐-坐和坐-站,不容易区分彼此,这使得SEN和SPE相对较低。对于步态行为,WGA-GCCA支持向量机具有较好的识别效果.这是由于原始信号中步态的周期性行为,使得这种行为不同于转换行为。对于采用不同肌肉重量的步态动作,可采用动态加权法进行比重加权。因此,ADLs的识别,尤其是步态识别,具有很大的优势。
表2WGA-GCCA的ADLs混淆矩阵(%)
对于GCCA和WGA-GCCA,识别率表现出相似的趋势.然而,GA-GCCA和WGA-GCCA实现了特征选择,并与最小的特征输入进行了很好的结合.图4显示了GA-GCCA融合后特征集的维数。
对于GCCA后的特征空间,按原坐标项表示,将特征空间扩展到20维。然后应用GA实现降维效果。虽然遗传算法是随机的,但测试结果表明,整体维数已降至原维数的一半左右,从而保证了识别率。
Claims (3)
1.基于遗传算法广义典型相关分析的肌电信号特征融合方法,其特征在于该方法包括如下步骤:
步骤(1).在人体做日常行为动作时采集人体腓肠肌、胫骨前肌、股内肌、股外肌共四路肌电信号,获取四路肌电信号的平均幅值MA,威尔逊振幅WAMP,模糊熵FE,小波能量系数EWT,由4路肌电信号各4个特征组成16维特征向量;在标准动作时提取16维标准样本特征向量X,训练时提取训练样本特征向量Y;
步骤(2).设和分别表示标准样本特征向量X和训练样本特征向量Y的类内离散度矩阵;
其中,xij∈X,yij∈Y是i类的第j个训练样本,N为该类的总训练样本数,C为总类数,是类i的样本平均向量;X与Y的类间离散矩阵为:
由于要使类间距离最大,类内距离最小,因此通过标准样本特征向量X和训练样本特征向量Y构造广义典型相关判别准则J(x,y),公式如下:
求得使J(x,y)最大化的广义正则投影向量u和v;
步骤(3).根据广义正则投影向量u和v获取组合特征广义正则判别向量X*,Y*
从组合特征广义正则判别向量X*,Y*获取特征向量W1,W2,计算如下:
步骤(4).通过遗传算法GA对广义正则投影向量GCPV择优选取,得到新的GCPV将原特征投影到新空间,成为结合遗传算法的GCCA(GA-GCCA);通过GA对广义正则投影向量GCPV择优选取后,并通过动态加权方式,将原特征通过新得到的GCPV投影到新平面上,获得最终融合的肌电信号特征向量S;遗传算法如下:
1)编码;采用二进制编码方法,二进制码的每一位的值,“0”表示特征未被选中,“1”表示特征被选中;
2)初始群体的生成;随机产生N个初始串构成初始种群;
3)适应度函数;
4)将适应度最大的个体,即种群中最好的个体无条件地复制到下一代新种群中,然后对父代种群进行选择、交叉和变异等遗传算子运算,从而繁殖出下一代新种群其它n-1个基因串;
5)如果达到设定的繁衍代数,返回最好的基因串,并将其作为特征选取的依据,算法结束;否则,回到4)继续下一代的繁衍;
所述动态加权方式如下:
Wi=accui-accumin+Wmin
其中accui和Wi分别是第i个特征集合的识别率和权重;accumin和Wmin分别是识别率最低的特征集的识别率和权重;ri是第i个特征集合的权重系数。
2.根据权利要求1所述的基于遗传算法广义典型相关分析的肌电信号特征层融合方法,其特征在于:所述的初始种群数为500-1000。
3.根据权利要求1所述的基于遗传算法广义典型相关分析的肌电信号特征层融合方法,其特征在于:所述的适应度函数f(x)采用Fisher函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811606327.8A CN109558911A (zh) | 2018-12-26 | 2018-12-26 | 基于遗传算法广义典型相关分析的肌电信号特征融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811606327.8A CN109558911A (zh) | 2018-12-26 | 2018-12-26 | 基于遗传算法广义典型相关分析的肌电信号特征融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109558911A true CN109558911A (zh) | 2019-04-02 |
Family
ID=65871506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811606327.8A Pending CN109558911A (zh) | 2018-12-26 | 2018-12-26 | 基于遗传算法广义典型相关分析的肌电信号特征融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109558911A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528554A (zh) * | 2020-11-17 | 2021-03-19 | 中国运载火箭技术研究院 | 一种适于多发多源火箭试验数据的数据融合方法及系统 |
CN113887476A (zh) * | 2021-10-19 | 2022-01-04 | 中用科技有限公司 | 一种设备健康状态信号采集及多域特征融合方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
CN105718963A (zh) * | 2016-03-09 | 2016-06-29 | 东南大学 | 基于变长增量型极限学习机的sar图像分类方法 |
CN106156524A (zh) * | 2016-07-29 | 2016-11-23 | 东北大学 | 一种智能下肢助力装置的在线步态规划系统及方法 |
CN107273825A (zh) * | 2017-05-25 | 2017-10-20 | 西安电子科技大学 | 基于改进典型相关分析的生理信号融合身份识别方法 |
CN107832686A (zh) * | 2017-10-26 | 2018-03-23 | 杭州电子科技大学 | 融合表面肌电和加速度信号的下肢运动模式识别方法 |
CN108268818A (zh) * | 2016-12-31 | 2018-07-10 | 广州映博智能科技有限公司 | 基于表面肌电信号和加速度的手势识别方法 |
-
2018
- 2018-12-26 CN CN201811606327.8A patent/CN109558911A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
CN105718963A (zh) * | 2016-03-09 | 2016-06-29 | 东南大学 | 基于变长增量型极限学习机的sar图像分类方法 |
CN106156524A (zh) * | 2016-07-29 | 2016-11-23 | 东北大学 | 一种智能下肢助力装置的在线步态规划系统及方法 |
CN108268818A (zh) * | 2016-12-31 | 2018-07-10 | 广州映博智能科技有限公司 | 基于表面肌电信号和加速度的手势识别方法 |
CN107273825A (zh) * | 2017-05-25 | 2017-10-20 | 西安电子科技大学 | 基于改进典型相关分析的生理信号融合身份识别方法 |
CN107832686A (zh) * | 2017-10-26 | 2018-03-23 | 杭州电子科技大学 | 融合表面肌电和加速度信号的下肢运动模式识别方法 |
Non-Patent Citations (2)
Title |
---|
XUGANG XI等: "Feature-Level Fusion of Surface Electromyography for Activity Monitoring", 《SENSORS》 * |
席旭刚 等: "融合表面肌电和加速度信号的下肢运动模式识别研究", 《电子学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528554A (zh) * | 2020-11-17 | 2021-03-19 | 中国运载火箭技术研究院 | 一种适于多发多源火箭试验数据的数据融合方法及系统 |
CN113887476A (zh) * | 2021-10-19 | 2022-01-04 | 中用科技有限公司 | 一种设备健康状态信号采集及多域特征融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Transforming sensor data to the image domain for deep learning—An application to footstep detection | |
Chouhan et al. | Soft computing approaches for image segmentation: a survey | |
Pachitariu et al. | Solving the spike sorting problem with Kilosort | |
US6745156B2 (en) | Petroleum exploration and prediction apparatus and method | |
CN108961272B (zh) | 一种基于深度卷积对抗生成网络的皮肤病图像的生成方法 | |
Rezaee et al. | A new cluster validity index for the fuzzy c-mean | |
Gaffney et al. | Trajectory clustering with mixtures of regression models | |
Polat et al. | Hepatitis disease diagnosis using a new hybrid system based on feature selection (FS) and artificial immune recognition system with fuzzy resource allocation | |
CN109998525A (zh) | 一种基于判别式深度置信网络的心律失常自动分类方法 | |
CN108304887A (zh) | 基于少数类样本合成的朴素贝叶斯数据处理系统及方法 | |
CN107169284A (zh) | 一种生物医学关键属性选择方法 | |
CN109558911A (zh) | 基于遗传算法广义典型相关分析的肌电信号特征融合方法 | |
CN114469120B (zh) | 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法 | |
CN110363152A (zh) | 一种基于表面肌电信号的下肢假肢路况识别方法 | |
CN105654041A (zh) | 基于步态数据的特征参数获取方法和装置 | |
Elsayad | Classification of ECG arrhythmia using learning vector quantization neural networks | |
Rasheed et al. | Integrating heterogeneous classifier ensembles for EMG signal decomposition based on classifier agreement | |
Mishra | Application Specific Instrumentation (ASIN): A Bio-inspired Paradigm to Instrumentation using recognition before detection | |
Pauk et al. | Classification of muscle activity patterns in healthy children using biclustering algorithm | |
Ahmed et al. | Improving prediction of plant disease using k-efficient clustering and classification algorithms | |
MacLeod et al. | What you sample is what you get: ecomorphological variation in Trithemis (Odonata, Libellulidae) dragonfly wings reconsidered | |
Vögele et al. | Novel methods for surface EMG analysis and exploration based on multi-modal gaussian mixture models | |
Anzellotti et al. | Multivariate pattern connectivity | |
Ghoushchi et al. | Clustering of brain tumors in brain MRI images based on extraction of textural and statistical features | |
CN109543642B (zh) | 一种基于深度卷积神经网络的特征分级脑电波识别分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190402 |