CN110363152A - 一种基于表面肌电信号的下肢假肢路况识别方法 - Google Patents

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

一种基于表面肌电信号的下肢假肢路况识别方法

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：

X_i＝μ(L_i)+αε(μ(L_i)-X_i)；

其中，X_i表示粒子i的进化位置；μ(L_i)为进化中心项，随着不断的迭代，粒子群最终收敛于μ(L_i)；

ε_a，ε_b，ε表示标准高斯分布，P_i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，L_i为集合，表示邻域选择，粒子i的进化位置由L_i和X_i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x_i＝[x_i1,x_i2,...,x_in]^T,y_i＝[y_i1,y_i2,...,y_im]^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，w_j＝[w_j1,w_j2,...,w_jn]^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，β_j＝[β_j1,β_j2,...,β_jm]^T表示第j个隐含层与输出层各神经元之间的连接权值，b_j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w_j、β_j和b_j使得ELM的决策函数为：

其中，x_i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σ_best和μ_best；若此时路况识别准确率不是最高，保留以前的σ_best和μ_best；

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σ_best和μ_best作为最优组合参数，ELM分类器最后采用此时的σ_best和μ_best；

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(t_n)表示t_n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X_i＝{η_Ai’,μ_Ai’,η_Bi’,μ_Bi’,η_Ci’,μ_Ci’,η_Di’,μ_Di’}，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：

X_i＝μ(L_i)+αε(μ(L_i)-X_i)； (4)

其中，X_i表示粒子i的进化位置；μ(L_i)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(L_i)；

ε_a，ε_b，ε表示标准高斯分布，P_i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，L_i为集合，表示邻域选择，粒子i的进化位置由L_i和X_i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x_i＝[x_i1,x_i2,...,x_in]^T,y_i＝[y_i1,y_i2,...,y_im]^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，w_j＝[w_j1,w_j2,...,w_jn]^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，β_j＝[β_j1,β_j2,...,β_jm]^T表示第j个隐含层与输出层各神经元之间的连接权值，b_j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w_j、β_j和b_j使得ELM的决策函数为：

其中，x_i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σ_best和μ_best；若此时路况识别准确率不是最高，保留以前的σ_best和μ_best；

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σ_best和μ_best作为最优组合参数，ELM分类器最后采用此时的σ_best和μ_best。

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μ_best和核函数参数σ_best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X_i＝{η_Ai’,μ_Ai’,η_Bi’,μ_Bi’,η_Ci’,μ_Ci’,η_Di’,μ_Di’}；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σ_best和μ_best。

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：

X_i＝μ(L_i)+αε(μ(L_i)-X_i)；

其中，X_i表示粒子i的进化位置；μ(L_i)为进化中心项，随着不断的迭代，粒子群最终收敛于μ(L_i)；

ε_a，ε_b，ε表示标准高斯分布，P_i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，L_i为集合，表示邻域选择，粒子i的进化位置由L_i和X_i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x_i＝[x_i1,x_i2,...,x_in]^T,y_i＝[y_i1,y_i2,...,y_im]^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，w_j＝[w_j1,w_j2,...,w_jn]^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，β_j＝[β_j1,β_j2,...,β_jm]^T表示第j个隐含层与输出层各神经元之间的连接权值，b_j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w_j、β_j和b_j使得ELM的决策函数为：

其中，x_i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σ_best和μ_best；若此时路况识别准确率不是最高，保留以前的σ_best和μ_best；

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σ_best和μ_best作为最优组合参数，ELM分类器最后采用此时的σ_best和μ_best；

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。