CN110059571A - 一种基于极限学习机的表面肌电多分类方法 - Google Patents

Abstract

本发明公开了一种基于极限学习机和较少特征的上肢表面肌电多分类方法，属于机器学习模式识别领域。该方法通过对表面肌电信号进行特征提取获得特征数据，再通过交叉验证选定极限学习机的隐节点数目，最终可以实现上肢表面肌电信号多分类的高精确度分类结果。与当前在该数据集上应用的汇报了最佳分类精度的基于Spectrogram的支持向量机相比，本发明的优点在于：所需特征维度明显更少；极限学习机的训练时间显著短于支持向量机；本发明计算时间明显缩短；本发明在不损失分类精度的情况下简化了特征提取步骤，并显著降低了对计算资源的需求，包括减少数据量和缩短运算时间两个方面，因此更具现实意义，更有利于推广并实现基于表面肌电信号的实时控制系统。

Description

一种基于极限学习机的表面肌电多分类方法

【技术领域】

本发明属于属于机器学习模式识别领域，具体涉及一种基于极限学习机的表面肌电信号解码方法。

【背景技术】

表面肌电信号在人机交互当中扮演着重要的角色。当人们完成一个动作时(以手部动作为例)，大脑产生的运动意图经过神经通路传递至脊椎，再沿着神经传递至手臂，刺激肌肉收缩(这时产生表面肌电信号)并牵引骨骼运动。

当人们的末端肢体缺失的时候(比如失去手部的残疾人)，控制手运动的信号传递至前臂之后就会中断，此时通过表面肌电的解码技术获得原始的运动意图并通过外部装置(如单片机)控制机械手实现该运动。这一过程重建了运动的神经反馈机制，为残疾人实现了一种自然的人机交互接口。

为比较不同的表面肌电分类算法，ManfredoAtzori，Arjan Gjjsberts，ClaudioCastellini等人在2014年建立了NinaPro表面肌电公开数据库，免费开放给研究者。该数据库包含了超过40名被试(含残疾人)，50余种不同手部动作，是用以肌电研究的理想数据集。

截止2017年底，在该数据集上分类效果最优的方法是香港城市大学XiaolongZhai等人提出的。该方法使用滑动窗口对原始肌电数据进行分类，在每一个时间窗口内计算时频谱Spectrogram，并通过主成分分析对其进行降维，降维后的数据构成新的特征空间，最后使用支持向量机在该特征空间内进行分类。该方法提取的特征维数多达300维，使用的PCA降维和支持向量机等方法计算量大，不能用于实时控制。

【发明内容】

本发明的目的在于克服上述现有技术的缺点，提供一种基于极限学习机的表面肌电信号解码方法，在不损失手势识别的精度的前提下减少计算量。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于极限学习机的表面肌电多分类方法，包括以下步骤：

步骤1：使用滑动窗口将时间序列转化成为“数据-标签”对；

步骤2：在每一个时间窗口内，基于表面肌电信号计算出若干缩减维度的物理特征；

步骤3：将特征和步骤一中的标签作为输入数据，求解极限学习机得到分类结果。

本发明进一步的改进在于：

所述步骤1中，表面肌电数据来自Ninapro公开数据集。

表面肌电数据包含来自40个被试的50种不同手部动作。

50种不同手部动作包括17种基本动作、23种功能性动作、9种发力模式以及1种休息姿势。

所述步骤2中，物理特征包括：波长、平均绝对值和4阶自回归系数。

所述步骤2的具体计算方法如下：

波长：

平均绝对值：

4阶自回归系数：

若序列X_t，X_t-1，X_t-2...X₁对于任意t＞4，X_t表示为：

X_t＝a₁X_t-1+a₂X_t-2+a₃X_t-3+a₄X_t-4+a₁X_t-1+ε_t

其中ε_t是误差，那么a₁，a₂，a₃，a₄即为该序列的4阶自回归系数。

与现有技术相比，本发明具有以下有益效果：

本发明采用了缩减维度的特征提取方法并结合极限学习机对多被试、多类别的上肢表面肌电信号进行处理和分类，通过求解极限学习机得到最终的分类结果，在不损失分类精度的前提下缩减了特征维度(300维至72维)，减少了手势识别的计算量，更适用于实时控制的场景。

【附图说明】

图1为本发明的方法框架图；

图2为本发明的极限学习机原理图；

图3为本发明与前述研究的手势识别精度对比。

【具体实施方式】

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本发明公开的概念。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

本发明公开的上下文中，当将一层/元件称作位于另一层/元件“上”时，该层/元件可以直接位于该另一层/元件上，或者它们之间可以存在居中层/元件。另外，如果在一种朝向中一层/元件位于另一层/元件“上”，那么当调转朝向时，该层/元件可以位于该另一层/元件“下”。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面结合附图对本发明做进一步详细描述：

参见图1，本发明基于极限学习机的表面肌电信号解码方法，包括以下步骤：

步骤一：使用滑动窗口将时间序列转化成为“数据-标签”对；表面肌电数据来自网络上的Ninapro公开数据集，该数据集包含来自40个被试的50种不同手部动作，包括17种基本动作、23种功能性动作、9种发力模式以及1种休息姿势。具体的：

17种基本动作包括如下：

1.伸展拇指；2.伸展食指和中指；3.伸展拇指、食指和中指；4.拇指蜷缩至小拇指处；5.五指张开并伸展；6.握拳；7.伸展食指；8.五指并拢并伸展；9.五指张开、伸展并沿中指逆时针旋转；10.五指张开、伸展并沿中指顺时针旋转；11.五指并拢、伸展并沿小拇指逆时针旋转；12.五指并拢、伸展并沿小拇指顺时针旋转；13.手腕下压；14.手腕上扬；15.五指并拢，手腕径向顺时针旋转；16.五指并拢，手腕径向逆时针旋转；17.握拳，手腕上扬；

23种功能性动作包括如下：

1.抓握大直径圆筒；2.抓握小直径圆筒；3.钩形抓握；4.伸展食指抓握；5.抓握中等直径圆筒；6.拇指、食指成环，其它手指伸展，进行抓取；7.除小拇指外，用其余手指的指尖抓取细棍；8.用所有手指抓握细棍；9.写字；10.握住网球；11.用大拇指、食指和中指握住网球；12.五指成爪握住半个网球；13.大拇指、食指、中指三指成爪握住半个网球；14.大拇指和食指捏住物体，其余手指伸展；15.拇指和食指的指尖捏住物体，其余手指伸展；16.大拇指、食指、中指、无名指四指握住物体；17.食指弯曲与大拇指夹住名片，其余手指蜷缩；18.四指并拢与大拇指平行握住书籍；19.五指沿边缘握住盘子，大拇指指向盘心；20.五指张开握住光盘；21.大拇指、食指和中指拧瓶盖；22.转动螺丝刀；23.食指伸展握住小刀；

9种发力模式包括如下：

1.小拇指用力伸展；2.无名指用力伸展；3.中指用力伸展；4.食指用力伸展；5.大拇指用力并拢；6.大拇指用力伸展；7.食指和小指同时用力伸展；8.中指和无名指同时用力伸展；9.食指和大拇指同时用力伸展

1种休息姿势为五指自然放松。

步骤二：在每一个时间窗口内，基于表面肌电信号计算出若干缩减维度的物理特征：

波长(Wavelength)：

平均绝对值(Mean Absolute Value)：

4阶自回归系数(4th Order Auto-regression Coefficients)：

若序列X_t，X_t-1，X_t-2...X₁对于任意t＞4，X_t可以表示为：

X_t＝a₁X_t-1+a₂X_t-2+a₃X_t-3+a₄X_t-4+a₁X_t-1+ε_t

其中ε_t是误差，那么a₁，a₂，a₃，a₄即为该序列的4阶自回归系数。

那么，单个序列经此步骤可以得到6维的特征，由于Ninapro数据集中的表面肌电信号来自12个表面电极，因此总特征维数为6×12即72维。

如图2所示，极限学习机是一种改进的前馈单隐层神经网络，它的隐节点的权重是随机生成的，训练过程只需计算输出权重。

如图3所示，横轴为不同被试，纵轴为识别精度。菱形、正方形和三角形标注的数据分别为缩减特征维度后用极限学习机在基本动作、功能性动作和发力模式三组动作的数据上得出的识别精确度；X、星号“*”和圆形分别标注了使用支持向量机和PCA降维后的时频谱作为特征时(下称传统方法)，在上述三组数据上的识别精度。在缩减了特征维度之后，在上述三组数据上的平均识别精度分别为88.18％(传统方法精度为89.36％)，66.5％(传统方法为68.97％)和74.94％(传统方法精度为78.14％)。可见在缩减了特征维数之后，识别精度依然达到了传统方法的水平。

步骤三：将特征和步骤一中的标签作为输入数据，求解极限学习机得到分类结果。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (6)

1.一种基于极限学习机的表面肌电多分类方法，其特征在于，包括以下步骤：

步骤1：使用滑动窗口将时间序列转化成为“数据-标签”对；

步骤2：在每一个时间窗口内，基于表面肌电信号计算出若干缩减维度的物理特征；

步骤3：将特征和步骤一中的标签作为输入数据，求解极限学习机得到分类结果。

2.根据权利要求1所述的基于极限学习机的表面肌电多分类方法，其特征在于，所述步骤1中，表面肌电数据来自Ninapro公开数据集。

3.根据权利要求1或2所述的基于极限学习机的表面肌电多分类方法，其特征在于，表面肌电数据包含来自40个被试的50种不同手部动作。

4.根据权利要求3所述的基于极限学习机的表面肌电多分类方法，其特征在于，50种不同手部动作包括17种基本动作、23种功能性动作、9种发力模式以及1种休息姿势。

5.根据权利要求1所述的基于极限学习机的表面肌电多分类方法，其特征在于，所述步骤2中，物理特征包括：波长、平均绝对值和4阶自回归系数。

6.根据权利要求1或5所述的基于极限学习机的表面肌电多分类方法，其特征在于，所述步骤2的具体计算方法如下：

波长：

平均绝对值：

4阶自回归系数：

若序列X_t,X_t-1,X_t-2…X₁对于任意t>4，X_t表示为：

X_t＝a₁X_t-1+a₂X_t-2+a₃X_t-3+a₄X_t-4+a₁X_t-1+ε_t

其中ε_t是误差，那么a₁,a₂,a₃,a₄即为该序列的4阶自回归系数。