CN110363152A - 一种基于表面肌电信号的下肢假肢路况识别方法 - Google Patents
一种基于表面肌电信号的下肢假肢路况识别方法 Download PDFInfo
- Publication number
- CN110363152A CN110363152A CN201910643000.6A CN201910643000A CN110363152A CN 110363152 A CN110363152 A CN 110363152A CN 201910643000 A CN201910643000 A CN 201910643000A CN 110363152 A CN110363152 A CN 110363152A
- Authority
- CN
- China
- Prior art keywords
- road conditions
- elm
- indicate
- electromyogram signal
- surface electromyogram
- 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.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种基于表面肌电信号的下肢假肢路况识别方法,包括以下步骤:步骤1:采集大腿截肢患者的不同路况下的下肢表面肌电信号并对所述下肢表面肌电信号进行预处理;步骤2:提取预处理后的下肢表面肌电信号的路况识别的特征值样本集;步骤3:通过骨干粒子群算法优化极限学习机分类参数,得到最优ELM分类器,实现下肢假肢路况识别与分类;本发明所述的一种基于表面肌电信号的下肢假肢路况识别方法,利用最优隐含层节点数和核函数参数构建极限学习机分类器,路况识别准确率高,骨干粒子群算法具有全局搜索能力,易于实现,搜索速度快,在确保准确度的前提下,能够有效地避免早熟现象的发生,有效提高了路况识别准确率。
Description
技术领域:
本发明属于模式识别领域,涉及一种基于表面肌电信号的下肢假肢路况识别方法,尤其涉及一种基于骨干粒子群算法进化极限学习机的表面肌电信号的下肢假肢路况识别方法。
背景技术:
下肢假肢是下肢截肢者恢复行走功能的唯一手段,下肢假肢基本能达到对人体缺失功能的代偿,使患者生活自理,甚至参加工作回归社会。
下肢截肢者路况识别方法起源于上肢截肢者动作意图识别研究,发展落后于上肢;路况识别是在下肢截肢者和假肢系统之间搭建控制接口,通过这个“人机”控制接口,使用者可以将自己的路况自动“传达”给假肢系统;而假肢系统将根据使用者的路况信息提供相应的行走动力,从而使截肢者能够控制假肢实现其行走功能。
智能假肢路况识别方法有重要意义;路况识别方法主要可以分为基于生物力学信号和生物电学信号两种,基于生物力学信号的下肢行走意图识别是通过采集下肢生物力学信号,如关节角度,角速度,三轴加速度,足底压力信息等来识别下肢运动信息;基于生物电学信号的路况识别方法是通过采集人体表面肌电信号来识别路况。
从上世纪90年代,线性判别分析,支持向量机、神经网络、隐马尔科夫分类等模式识别算法开始被应用到路况分类中。
1.线性判别式分析是基于类内、类间散度矩阵的统计学分析方法;Huang等人基于肌电信号,利用LDA对平地行走、上楼梯、下楼梯三种情况下的路况进行了分类识别,并取得了很好的效果。
2.支持向量机(SVM)是由Vapnik在1995年提出的一种通过建立决策超平面,实现样本分类的方法;由于其多样性、鲁棒性和免费可行的工具箱等优点被广泛地应用到人机交互的模式识别中;Lucas等人基于多通道sEMG信号的离散小波变换,并利用SVM的方法实现了路况的分类;
3.神经网络在肌电模式分类和肌电信号处理方面,进行了相当多的研究,并获得了非常有价值的结果,但是神经网络常常面临权值参数人工设置繁琐、训练速度慢的缺点;
4.黄广斌提出了一种单隐层前馈的人工神经网络机器学习算法,即极限学习机(ELM),被成功用到肢体动作的分类中;其中输入层到隐含层节点的权值和偏置都是根据样本分布随机赋值;Shi等人使用累计参与熵作为特征,证明了ELM应用到基于sEMG的多功能实时控制假肢的可行性,然而ELM识别效果如何,与其隐含层节点数μ和核函数参数σ的取值范围有很大关系,如何准确快速地进行参数组合选择,是提高ELM识别准确率的关键。
发明内容:
本发明针对目前极限学习机在下肢假肢路况识别中不易找到隐含层节点数μ和核函数参数σ,提出了一种基于表面肌电信号的下肢假肢路况识别方法,利用最优隐含层节点数μ和核函数参数σ构建极限学习机分类器,提高了下肢假肢路况识别的准确率。
为了实现上述目的,本发明采用以下技术方案:
一种基于表面肌电信号的下肢假肢路况识别方法,包括以下步骤:
步骤1:采集大腿截肢患者的不同路况下的下肢表面肌电信号并对所述下肢表面肌电信号进行预处理;具体的,所述大腿截肢患者为从坐骨结节下10cm至膝关节间隙上8cm范围内的大腿截肢患者,所述下肢表面肌电信号为股直肌、股内侧肌、股外侧肌、股二头肌不同路况下的表面肌电信号,所述不同路况为平地行走、上楼、下楼、上坡、下坡5种不同路况;
步骤1.1:利用表面肌电采集仪分别对大腿截肢患者的股直肌、股内侧肌、股外侧肌、股二头肌在平地行走、上楼、下楼、上坡、下坡5种不同路况下的表面肌电信号进行采集,并记为:Ai、Bi、Ci、Di,其中,i=1,2,3,4,5,分别表示平地行走、上楼、下楼、上坡、下坡5种不同路况,A、B、C、D分别表示股直肌、股内侧肌、股外侧肌、股二头肌的表面肌电信号;
步骤1.2:利用HHT算法分别对Ai、Bi、Ci、Di进行EMD分解预处理,以获得预处理后的Ai’、Bi’、Ci’、Di’;
步骤2:提取预处理后的Ai’、Bi’、Ci’、Di’的路况识别的特征值样本集;
步骤3:通过骨干粒子群算法优化极限学习机分类参数,得到最优ELM分类器,实现下肢假肢路况识别与分类;具体的,
步骤3.1:骨干粒子群算法的设计;具体的,
骨干粒子群进化方程为:
Xi=μ(Li)+αε(μ(Li)-Xi);
其中,Xi表示粒子i的进化位置;μ(Li)为进化中心项,随着不断的迭代,粒子群最终收敛于μ(Li);
εa,εb,ε表示标准高斯分布,Pi表示粒子i的历史最优位置,G表示群体的最优位置;α为可控制的标量,Li为集合,表示邻域选择,粒子i的进化位置由Li和Xi共同决定;
步骤3.2:ELM分类器的构造;具体的,
ELM由输入层、隐含层和输出层组成的三层网络结构,其中,输入层与隐含层、隐含层与输出层的神经元之间全连接;设有N个样本,则网络的输入和期望输出数据分别表示为xi=[xi1,xi2,...,xin]T,yi=[yi1,yi2,...,yim]T,i表示样本数目,i=1,2,...,N,n和m表示输入层和输出层神经元个数,g(x)表示核函数;
则网络实际输出
其中,wj=[wj1,wj2,...,wjn]T表示输入层各神经元与第j个隐含层神经元之间的连接权值,βj=[βj1,βj2,...,βjm]T表示第j个隐含层与输出层各神经元之间的连接权值,bj表示隐含层第j个神经元的阈值;
ELM能够以零误差逼近训练样本,即因此存在wj、βj和bj使得ELM的决策函数为:
其中,xi表示输入向量,g(x)表示核函数,本发明采用高斯核函数σ表示核函数参数,f(x)表示决策函数,对输入样本进行分类;
步骤3.3:通过骨干粒子群算法(NPSO)优化极限学习机(ELM)分类参数,得到最优ELM分类器,实现下肢假肢路况识别与分类;具体的,将步骤2所述的特征值样本集分为训练集和测试集;
步骤3.3.1:设置隐含层节点数μ和核函数参数σ的取值范围,构建初始种群;
步骤3.3.2:以ELM参数σ和μ组合下的ELM路况识别准确率作为适应度值;
步骤3.3.3:进行迭代操作,并且利用训练集计算每组ELM参数σ和μ组合下的路况识别准确率;若该组ELM参数σ和μ识别准确率最高,则以此时参数σ和μ更新参数σbest和μbest;若此时路况识别准确率不是最高,保留以前的σbest和μbest;
步骤3.3.4:最大迭代次数设为终止条件,若不满足终止条件,则返回步骤3.3.3步进行迭代操作;当满足终止条件,即迭代次数达到最大,记录此时的σbest和μbest作为最优组合参数,ELM分类器最后采用此时的σbest和μbest;
步骤4:利用步骤3获得的ELM分类器对测试集样本分类识别,得到测试集识别结果,实现基于表面肌电信号的路况识别。
所述的表面肌电采集仪采用LINKSX230-1000型便携式表面肌电采集仪。
本发明的有益效果为:
本发明所述的一种基于表面肌电信号的下肢假肢路况识别方法,利用最优隐含层节点数μ和核函数参数σ构建极限学习机分类器,路况识别准确率高,骨干粒子群算法具有全局搜索能力,易于实现,搜索速度快,在确保准确度的前提下,能够有效地避免早熟现象的发生,有效提高了路况识别准确率。
附图说明:
图1为本发明的方法流程图;
图2为利用骨干粒子群算法优化极限学习机分类参数的方法流程图;
图3为极限学习机分类器最佳参数的适应度曲线图。
具体实施方式:
下面结合说明书附图对本发明的具体实施过程作详细说明:本实施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:本发明所述的一种基于表面肌电信号的下肢假肢路况识别方法,包括以下步骤:
步骤1:采集大腿截肢患者的不同路况下的下肢表面肌电信号并对所述下肢表面肌电信号进行预处理;具体的,
由于采集的是残肢的表面肌电信号,所以需要考虑残肢的存留情况,选取大部分截肢者能保存的肌肉;本发明中,所述大腿截肢患者为从坐骨结节下10cm至膝关节间隙上8cm范围内的大腿截肢患者,所述下肢表面肌电信号为股直肌、股内侧肌、股外侧肌、股二头肌不同路况下的表面肌电信号,所述不同路况为平地行走、上楼、下楼、上坡、下坡5种不同路况;
步骤1.1:利用表面肌电采集仪LINKSX230-1000分别对大腿截肢患者的股直肌、股内侧肌、股外侧肌、股二头肌在平地行走、上楼、下楼、上坡、下坡5种不同路况下的表面肌电信号进行采集,并记为:Ai、Bi、Ci、Di,其中,i=1,2,3,4,5,分别表示平地行走、上楼、下楼、上坡、下坡5种不同路况,A、B、C、D分别表示股直肌、股内侧肌、股外侧肌、股二头肌的表面肌电信号;
步骤1.2:利用HHT算法分别对Ai、Bi、Ci、Di进行EMD分解预处理,以获得预处理后的Ai’、Bi’、Ci’、Di’;具体的,
利用HHT算法分别将Ai、Bi、Ci、Di通过EMD分解为固有模态函数(IMF)分量,并去除低频率的IMF分量,以获得预处理后的Ai’、Bi’、Ci’、Di’;
步骤2:提取预处理后的Ai’、Bi’、Ci’、Di’的路况识别的特征值样本集;
分别求解预处理后的Ai’、Bi’、Ci’、Di’的偏度(η)和峭度(μ)作为路况识别的特征值,偏度(η)和峭度(μ)计算方法如下:
式中:x(tn)表示tn时刻肌电信号序列值,n表示第n个时刻,n=1,2,…,N,N表示肌电信号离散化后序列总和;表示肌电信号数学期望;表示肌电信号的方差;
最终得到预处理后的Ai’、Bi’、Ci’、Di’的路况识别的特征值样本集Xi={ηAi’,μAi’,ηBi’,μBi’,ηCi’,μCi’,ηDi’,μDi’},其中,i=1,2,3,4,5表示5种路况;
如图2所示:步骤3:通过骨干粒子群算法(NPSO)优化极限学习机(ELM)分类参数,得到最优ELM分类器,实现下肢假肢路况识别与分类;具体的,
步骤3.1:骨干粒子群算法的设计;具体的,
骨干粒子群进化方程为:
Xi=μ(Li)+αε(μ(Li)-Xi); (4)
其中,Xi表示粒子i的进化位置;μ(Li)为进化中心项,BBPSO以为中心进行搜索,越靠近的地方粒子落入的概率越大,随着不断的迭代,粒子群最终收敛于μ(Li);
εa,εb,ε表示标准高斯分布,Pi表示粒子i的历史最优位置,G表示群体的最优位置;α为可控制的标量,Li为集合,表示邻域选择,粒子i的进化位置由Li和Xi共同决定;
步骤3.2:ELM分类器的构造;具体的,
ELM由输入层、隐含层和输出层组成的三层网络结构,其中,输入层与隐含层、隐含层与输出层的神经元之间全连接;设有N个样本,则网络的输入和期望输出数据分别表示为xi=[xi1,xi2,...,xin]T,yi=[yi1,yi2,...,yim]T,i表示样本数目,i=1,2,...,N,n和m表示输入层和输出层神经元个数,g(x)表示核函数;
则网络实际输出
其中,wj=[wj1,wj2,...,wjn]T表示输入层各神经元与第j个隐含层神经元之间的连接权值,βj=[βj1,βj2,...,βjm]T表示第j个隐含层与输出层各神经元之间的连接权值,bj表示隐含层第j个神经元的阈值;
ELM能够以零误差逼近训练样本,即因此存在wj、βj和bj使得ELM的决策函数为:
其中,xi表示输入向量,g(x)表示核函数,本发明采用高斯核函数σ表示核函数参数,ELM参数确定的过程相对简单,隐含层节点数μ是影响模型训练时间以及识别准确率的重要因素;只需在高斯核函数情况下随机产生隐含层节点数目;f(x)表示决策函数,对输入样本进行分类。
步骤3.3:通过骨干粒子群算法(NPSO)优化极限学习机(ELM)分类参数,得到最优ELM分类器,实现下肢假肢路况识别与分类;具体的,
NPSO是指:在进化过程中,不考虑粒子的速度,只是以随机分布的形式来更新粒子的进化位置;在NPSO中,迭代初期,粒子群的收敛速度很快,但是随着迭代的进行,NPSO容易陷入局部最优,粒子群在一段时间内不再进化;为了更进一步地改善NPSO的性能,本发明采用NPSO对粒子群的进化更新,在达到局部最优之前,以高斯分布的形式发散粒子,扩大了算法的搜索域,使得算法不易早熟;在ELM分类器的优化问题中,惩罚参数和核函数参数的所有可能解组成了初始粒子种群,本发明选择ELM对训练集10折交叉验证下的识别准确率作为适应度值;随机选用每种路况样本集的2/3作为学习样本,采用10折交叉验证方法,利用骨干粒子群优化算法寻找使学习样本识别准确率最高的隐含层节点数μ和核函数参数σ,利用该最优参数重新训练ELM分类器;参数设置为:设定粒子种群数为30,α=0.05,最大迭代次数N=100;
步骤3.3.1:设置隐含层节点数μ和核函数参数σ的取值范围,构建初始种群;
步骤3.3.2:以ELM参数σ和μ组合下的ELM路况识别准确率作为适应度值;
如图3所示:步骤3.3.3:进行迭代操作,并且计算每组ELM参数σ和μ组合下的路况识别准确率;若该组ELM参数σ和μ识别准确率最高,则以此时参数σ和μ更新参数σbest和μbest;若此时路况识别准确率不是最高,保留以前的σbest和μbest;
步骤3.3.4:最大迭代次数设为终止条件,若不满足终止条件,则返回第(3)步进行迭代操作;当满足终止条件,即迭代次数达到最大,记录此时的σbest和μbest作为最优组合参数,ELM分类器最后采用此时的σbest和μbest。
步骤4:利用此ELM分类器对测试集分类识别,得到测试集识别结果,实现基于表面肌电信号的路况分类;具体的,利用步骤3得到的最优隐含层节点数μbest和核函数参数σbest优化ELM分类器,对比优化前后的分类器识别准确率,对测试集样本进行了对比实验;如果识别结果和测试目标相一致,说明该路况得到了正确识别,否则为错误识别。
实施例一:
为了便于本领域技术人员理解本发明的技术方案,下面将以具体实施例对本发明的技术方案作进一步描述:
步骤1:采集大腿截肢患者的下肢表面肌电信号并对所述下肢表面肌电信号进行预处理;
步骤1.1:采样对象为3名穿戴智能假肢的大腿截肢患者,年龄(25±5)岁,体重(64.0±5.0)kg,身高(168.0±5.0)cm;实验前实验对象被告知实验目的、实验对象在实验前24h没有进行过任何形式的剧烈运动;为避免行走速度影响实验结果,实验对象平地行走、上楼、下楼、上坡、下坡时以正常速度行走;利用便携式表面肌电采集仪LINKSX230-1000采集到的表面肌电信号Ai、Bi、Ci、Di由蓝牙设备传输到PC机;由于表面肌电信号的有用信息大多集中在20Hz-500Hz,因此在进行表面肌电信号采集时,采样率为1000Hz;
步骤1.2:由于采集到的EMG信号中存在严重的低频噪声,因此利用HHT算法分别将Ai、Bi、Ci、Di通过EMD分解为固有模态函数(IMF)分量,并去除低频率的IMF分量,以获得预处理后的Ai’、Bi’、Ci’、Di’。
步骤2:提取预处理后的Ai’、Bi’、Ci’、Di’的路况识别的特征值样本集,最终得到预处理后的Ai’、Bi’、Ci’、Di’的路况识别的特征值样本集Xi={ηAi’,μAi’,ηBi’,μBi’,ηCi’,μCi’,ηDi’,μDi’};其中,每个实验对象每种路况采集60组数据,则每个实验对象5种路况采集300组数据。
步骤3:随机选用每种路况样本集的2/3作为学习样本,采用10折交叉验证方法,利用骨干粒子群优化算法寻找使学习样本识别准确率最高的隐含层节点数μ和核函数参数σ,利用该最优参数重新训练ELM分类器;参数设置为:设定粒子种群数为30,α=0.05,最大迭代次数N=100,当满足终止条件时,优化结束,得到最优的σbest和μbest。
步骤4:剩余每种路况样本集的1/3作为测试样本,用来对优化后的ELM分类器进行测试;对比优化前后的分类器识别准确率,对测试集样本进行了对比实验,如果识别结果和测试目标相一致,说明该路况得到了正确识别,否则为错误识别;隐含层节点数μ和核函数参数σ优化前后实验结果如表1和表2所示,不难看出,骨干粒子群优化算法优化的ELM识别准确率和识别时间优于ELM分类器。
表1:优化前5种路况识别准确率
表2:优化后5种路况识别准确率
Claims (2)
1.一种基于表面肌电信号的下肢假肢路况识别方法,其特征在于,包括以下步骤:
步骤1:采集大腿截肢患者的不同路况下的下肢表面肌电信号并对所述下肢表面肌电信号进行预处理;具体的,所述大腿截肢患者为从坐骨结节下10cm至膝关节间隙上8cm范围内的大腿截肢患者,所述下肢表面肌电信号为股直肌、股内侧肌、股外侧肌、股二头肌不同路况下的表面肌电信号,所述不同路况为平地行走、上楼、下楼、上坡、下坡5种不同路况;
步骤1.1:利用表面肌电采集仪分别对大腿截肢患者的股直肌、股内侧肌、股外侧肌、股二头肌在平地行走、上楼、下楼、上坡、下坡5种不同路况下的表面肌电信号进行采集,并记为:Ai、Bi、Ci、Di,其中,i=1,2,3,4,5,分别表示平地行走、上楼、下楼、上坡、下坡5种不同路况,A、B、C、D分别表示股直肌、股内侧肌、股外侧肌、股二头肌的表面肌电信号;
步骤1.2:利用HHT算法分别对Ai、Bi、Ci、Di进行EMD分解预处理,以获得预处理后的Ai’、Bi’、Ci’、Di’;
步骤2:提取预处理后的Ai’、Bi’、Ci’、Di’的路况识别的特征值样本集;
步骤3:通过骨干粒子群算法优化极限学习机分类参数,得到最优ELM分类器,实现下肢假肢路况识别与分类;具体的,
步骤3.1:骨干粒子群算法的设计;具体的,
骨干粒子群进化方程为:
Xi=μ(Li)+αε(μ(Li)-Xi);
其中,Xi表示粒子i的进化位置;μ(Li)为进化中心项,随着不断的迭代,粒子群最终收敛于μ(Li);
εa,εb,ε表示标准高斯分布,Pi表示粒子i的历史最优位置,G表示群体的最优位置;α为可控制的标量,Li为集合,表示邻域选择,粒子i的进化位置由Li和Xi共同决定;
步骤3.2:ELM分类器的构造;具体的,
ELM由输入层、隐含层和输出层组成的三层网络结构,其中,输入层与隐含层、隐含层与输出层的神经元之间全连接;设有N个样本,则网络的输入和期望输出数据分别表示为xi=[xi1,xi2,...,xin]T,yi=[yi1,yi2,...,yim]T,i表示样本数目,i=1,2,...,N,n和m表示输入层和输出层神经元个数,g(x)表示核函数;
则网络实际输出
其中,wj=[wj1,wj2,...,wjn]T表示输入层各神经元与第j个隐含层神经元之间的连接权值,βj=[βj1,βj2,...,βjm]T表示第j个隐含层与输出层各神经元之间的连接权值,bj表示隐含层第j个神经元的阈值;
ELM能够以零误差逼近训练样本,即因此存在wj、βj和bj使得ELM的决策函数为:
其中,xi表示输入向量,g(x)表示核函数,本发明采用高斯核函数σ表示核函数参数,f(x)表示决策函数,对输入样本进行分类;
步骤3.3:通过骨干粒子群算法(NPSO)优化极限学习机(ELM)分类参数,得到最优ELM分类器,实现下肢假肢路况识别与分类;具体的,将步骤2所述的特征值样本集分为训练集和测试集;
步骤3.3.1:设置隐含层节点数μ和核函数参数σ的取值范围,构建初始种群;
步骤3.3.2:以ELM参数σ和μ组合下的ELM路况识别准确率作为适应度值;
步骤3.3.3:进行迭代操作,并且利用训练集计算每组ELM参数σ和μ组合下的路况识别准确率;若该组ELM参数σ和μ识别准确率最高,则以此时参数σ和μ更新参数σbest和μbest;若此时路况识别准确率不是最高,保留以前的σbest和μbest;
步骤3.3.4:最大迭代次数设为终止条件,若不满足终止条件,则返回步骤3.3.3步进行迭代操作;当满足终止条件,即迭代次数达到最大,记录此时的σbest和μbest作为最优组合参数,ELM分类器最后采用此时的σbest和μbest;
步骤4:利用步骤3获得的ELM分类器对测试集样本分类识别,得到测试集识别结果,实现基于表面肌电信号的路况识别。
2.根据权利要求1所述的一种基于表面肌电信号的下肢假肢路况识别方法,其特征在于:所述的表面肌电采集仪采用LINKSX230-1000型便携式表面肌电采集仪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910643000.6A CN110363152B (zh) | 2019-07-16 | 2019-07-16 | 一种基于表面肌电信号的下肢假肢路况识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910643000.6A CN110363152B (zh) | 2019-07-16 | 2019-07-16 | 一种基于表面肌电信号的下肢假肢路况识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363152A true CN110363152A (zh) | 2019-10-22 |
CN110363152B CN110363152B (zh) | 2022-09-13 |
Family
ID=68219787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910643000.6A Active CN110363152B (zh) | 2019-07-16 | 2019-07-16 | 一种基于表面肌电信号的下肢假肢路况识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363152B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111643321A (zh) * | 2020-04-30 | 2020-09-11 | 北京精密机电控制设备研究所 | 基于sEMG信号的外骨骼关节角度预测方法及系统 |
CN111759316A (zh) * | 2020-07-10 | 2020-10-13 | 郑州轻工业大学 | 一种基于肌音信号的下肢假肢步态识别方法 |
CN112926390A (zh) * | 2021-01-26 | 2021-06-08 | 国家康复辅具研究中心 | 一种步态运动模式识别方法和模型建立方法 |
CN114298230A (zh) * | 2021-12-29 | 2022-04-08 | 福州大学 | 一种基于表面肌电信号的下肢运动识别方法及系统 |
CN114360066A (zh) * | 2022-01-28 | 2022-04-15 | 吉林大学 | 一种基于bpsogwo-knn的下肢假肢运动意图识别算法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451651A (zh) * | 2017-07-28 | 2017-12-08 | 杭州电子科技大学 | 一种基于粒子群优化的h‑elm的驾驶疲劳检测方法 |
US20180240018A1 (en) * | 2016-05-19 | 2018-08-23 | Jiangnan University | Improved extreme learning machine method based on artificial bee colony optimization |
-
2019
- 2019-07-16 CN CN201910643000.6A patent/CN110363152B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180240018A1 (en) * | 2016-05-19 | 2018-08-23 | Jiangnan University | Improved extreme learning machine method based on artificial bee colony optimization |
CN107451651A (zh) * | 2017-07-28 | 2017-12-08 | 杭州电子科技大学 | 一种基于粒子群优化的h‑elm的驾驶疲劳检测方法 |
Non-Patent Citations (2)
Title |
---|
曹祥红等: "利用多源信息和极限学习机的人体运动意图识别", 《传感技术学报》 * |
范光辉等: "基于下肢表面肌电信号的动作模式识别研究", 《齐齐哈尔大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111643321A (zh) * | 2020-04-30 | 2020-09-11 | 北京精密机电控制设备研究所 | 基于sEMG信号的外骨骼关节角度预测方法及系统 |
CN111759316A (zh) * | 2020-07-10 | 2020-10-13 | 郑州轻工业大学 | 一种基于肌音信号的下肢假肢步态识别方法 |
CN112926390A (zh) * | 2021-01-26 | 2021-06-08 | 国家康复辅具研究中心 | 一种步态运动模式识别方法和模型建立方法 |
CN114298230A (zh) * | 2021-12-29 | 2022-04-08 | 福州大学 | 一种基于表面肌电信号的下肢运动识别方法及系统 |
CN114360066A (zh) * | 2022-01-28 | 2022-04-15 | 吉林大学 | 一种基于bpsogwo-knn的下肢假肢运动意图识别算法 |
Also Published As
Publication number | Publication date |
---|---|
CN110363152B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363152A (zh) | 一种基于表面肌电信号的下肢假肢路况识别方法 | |
CN108319928B (zh) | 一种基于多目标微粒群算法优化的深度学习方法及系统 | |
Jia et al. | Classification of electromyographic hand gesture signals using modified fuzzy C-means clustering and two-step machine learning approach | |
CN101859377A (zh) | 基于多核支持向量机的肌电信号分类方法 | |
CN102961203A (zh) | 基于emd样本熵的表面肌电信号识别方法 | |
CN104107042A (zh) | 基于粒子群优化-支持向量机的肌电信号步态识别方法 | |
CN101564328B (zh) | 基于支持向量数据描述的膝上假肢多运动模式识别方法 | |
CN107832686A (zh) | 融合表面肌电和加速度信号的下肢运动模式识别方法 | |
CN102799937A (zh) | 肌电信号与关节角度信息融合的下肢运动轨迹预测方法 | |
CN103345641A (zh) | 基于小波包熵和支持向量机的手部肌电信号动作识别方法 | |
CN112043473B (zh) | 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器 | |
Mokhlesabadifarahani et al. | EMG signals characterization in three states of contraction by fuzzy network and feature extraction | |
CN102930284A (zh) | 基于经验模态分解和分形的表面肌电信号模式识别方法 | |
Gao et al. | Human gait recognition based on multiple feature combination and parameter optimization algorithms | |
Li et al. | EEG signal classification method based on feature priority analysis and CNN | |
Khademi et al. | Evolutionary optimization of user intent recognition for transfemoral amputees | |
Schmid et al. | SVM versus MAP on accelerometer data to distinguish among locomotor activities executed at different speeds | |
CN102764167A (zh) | 基于相关系数的肌电假肢控制源导联优化方法 | |
Emayavaramban et al. | Identifying hand gestures using sEMG for human machine interaction | |
Lin et al. | A normalisation approach improves the performance of inter-subject sEMG-based hand gesture recognition with a ConvNet | |
Jahani Fariman et al. | Hand movements classification for myoelectric control system using adaptive resonance theory | |
Zhang et al. | Hand gesture recognition of double-channel EMG signals based on sample entropy and PSO-SVM | |
CN113762072B (zh) | 一种基于互相关性的对步态信号进行识别的方法及系统 | |
Vijayvargiya et al. | Implementation of machine learning algorithms for automated human gait activity recognition using sEMG signals | |
Sharma et al. | Neural Reinforcement Learning based Identifier for Typing Keys using Forearm EMG 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 |