CN110464517A - 基于小波加权排列熵的肌电信号识别方法 - Google Patents

Abstract

本发明涉及一种基于小波加权排列熵的肌电信号识别方法。首先，从人体上肢的相关肌肉组上采集表面肌电信号，运用能量阈值确定表面肌电信号的动作信号段，利用小波变换对动作信号段的表面肌电信号进行四层分解得到各频率段小波子带，并对各小波子带求取加权排列熵。然后对所求得的加权排列熵进行组合，选取最佳的小波子带特征组合作为组合特征集。最后将各小波子带的组合特征集作为特征向量输入到支持向量机分类器，实现肌电信号的手部多运动模式识别。实验结果表明，该方法用于手部多动作识别获得了较高的分类精度，具有更好的识别效果。该方法可以有效地应用于复杂日常手部运动的模式识别，有助于提高肌电假手的灵活性，使其更好地用于生活。

Description

基于小波加权排列熵的肌电信号识别方法

技术领域

本发明属于模式识别领域，涉及一种基于肌电信号的模式识别方法，特别涉及一种应用于肌电假手，基于肌电信号的上肢多运动模式识别方法。

技术背景

我国的残疾人口占全国总人口的比例约为6％，其中上肢残疾患者约2000万人，占残疾总人数的比重约为29.07％，这些上肢残疾患者大多由于意外交通事故、自然灾害、各种疾病等原因造成手臂或前臂的瘫痪或缺失，进而导致日常生活受到极大影响。随着科学技术的不断进步，假肢的利用可以帮助恢复患者残缺肢体原有的形态或功能，减轻功能障碍，对提高患者生活质量，缓解家庭与社会负担显得意义重大。

表面肌电信号(Surface electromyography，sEMG)是一种由肌肉活动引发的生物电信号，其中蕴涵着很多与肢体运动相关联的信息。由于其具有拾取方便，无创伤等优点不仅被广泛用于临床诊断，运动医学等领域，还成为假肢控制和功能性神经电刺激的理想控制信号。作为一种典型的应用，肌电假手成为帮助上肢残疾患者进行日常生活的重要替代品。因此，利用sEMG进行手部多动作的识别，并用来对残肢患者进行假肢辅助控制已成为当前研究热点。国内外许多研究机构做出了巨大努力。上海交通大学蔡立羽等人选用小波变换的方法分析四个动作的表面肌电信号特征，对展拳、握拳、前臂内旋、前臂外旋四种运动模式的表面肌电信号识别训练，四个动作的识别率分别达到90％，100％，90％，80％；张启忠等以3通道肌电信号的小波包熵为特征，构建三维特征向量用于支持向量分类器训练，对6种日常手部动作进行识别，识别率达到89.58％；Nazarpour等利用高阶统计量计算特征量，并采用聚类分析方法对手部的各个动作姿态进行识别研究，分类识别率达到91％；Tsai等提出STFT-ranking特征方法并使用主成分分析和支持向量机(SVM)建立上肢运动识别模型。STFT-ranking特征识别达到93.9％优于七种传统特征(33.3％～90.8％)。目前，国内外采用肌电信号进行手部多运动识别精度远远达不到能够灵活控制外围设备的要求，对于提高sEMG正确识别率，仍存在很大的研究空间。

发明内容

本发明涉及一种基于小波加权排列熵的肌电信号识别方法。首先，从人体上肢的相关肌肉组上采集表面肌电信号，运用能量阈值确定表面肌电信号的动作信号段，利用小波变换对动作信号段的表面肌电信号进行四层分解预处理得到各频率段小波子带，并对各小波子带求取加权排列熵。然后对所求得的加权排列熵(weighted-permutation entropy，WPE)进行组合，选取最佳的小波子带特征组合作为组合特征集。最后将各小波子带的组合特征集作为特征向量输入到支持向量机SVM分类器和BP神经网络BPNN，实现肌电信号的手部多运动模式识别。实验结果表明，该方法用于手部多动作识别获得了较高的分类精度，与其它特征相比具有更好的识别效果。该方法可以有效地应用于复杂日常手部运动的模式识别，有助于提高肌电假手的灵活性，使其更好地用于生活。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1).获取人体上肢肌电信号的样本数据。首先通过肌电信号采集仪采集人体上肢相关肌肉的肌电信号，并运用能量阈值法确定动作开始点，获得肌电信号的动作信号；

步骤(2).将步骤(1)获取的肌电信号的动作信号进行小波分解，得到各频率段的小波子带，并对各小波子带求取加权排列熵WPE；

WPE是对排序熵的获取过程进行了修改，不仅保留了香农熵的表达方式，而且在计算WPE与每种符号相关的相对频率时可根据不同模式的幅值和方差不同，对每个提取的矢量赋予权重值，使得在检索时间序列排序模式时能够保存信号携带的有用幅值信息。具体步骤如下：

Step1:给定一个长度为N的时间序列{x(i),i＝1,2,…,N}，则i时间的m维嵌入向量定义为

X_i＝{x(i),x(i+τ),…,x(i+(m-1)τ)} (1)

其中τ为延迟时间，m为嵌入维数。

Step2:将m个重构分量{x(i),x(i+τ),…,x(i+(m-1)τ)}按照升序进行重新排列，即

x(i+(j₁-1)τ)≤x(i+(j₂-1)τ)≤…≤x(i+(j_m-1)τ) (2)

若X_i重构分量大小一样，则依据j的值的大小来进行排序，即当x(i+(j_m1-1)τ)＝x(i+(j_m2-1)τ)且j_m1＜j_m2，有

x(i+(j_m1-1)τ)≤x(i+(j_m2-1)τ) (3)

Step3:将任意一向量组符号化，得到其相应的符号序列

π_j＝(j₁,j₂,…,j_m) (4)

在m维空间中，每个状态向量X_i被映射到m！种不同的符号序列即m个不同的符号序列(j₁,j₂,…,j_m)一共有m！种不同的排列。

Step4:在计算WPE与每种符号相关的相对频率时，可根据不同模式下幅值或方差的不同，对提取的每个矢量赋予权重值。用每个状态向量X_i的方差计算权值，权值ω_j表示为：

式中表示状态向量X_i的均值，即

Step5:设表示在相同符号序列下的不同排列时间序列的频率，每种符号序列的加权相对概率为：

Π是所有序列模式π_j的集合。权值ω_j相当于从每个状态向量X_i中选择一个特定的特征用来表示。可由内容的不同而选取不同的特定特征，但是始终存在∑_jp_ω(π_j)＝1的关系。p_ω相当于计算每种模式权重所占的比例。

Step6:WPE的定义如下：

步骤(3).对步骤(2)所求得的各小波子带的WPE进行组合，选取最佳的小波子带特征组合作为一组组合特征集；

步骤(4).将步骤(3)选得的特征集作为特征向量输入SVM分类器和BPNN分类器进行模式分类，获得日常手部动作的分类识别结果。

本发明设计的基于小波加权排列熵的肌电信号识别方法，具有如下有益效果：

小波变换是一种时频分析技术，具有多分辨率的特点。它能够在时域和频域中表征信号的局部特征。在众多特征参数中，熵又是衡量系统复杂性的指标。小波分析与熵特征相结合是一种更加友好的识别方法。加权排列熵能够从时间序列中揭示动作表面肌电信号的复杂性，较好地保留时间序列的序列结构和幅值信息来表现肌电信号的细微变化情况，抗干扰能力强，算法简单，计算速度较快。而对sEMG信号进行小波分解后，对小波子带求取加权排列熵来进行分析的方法，很好的去除肌电信号中的冗余信息，表征信号在时域和频域中的局部特征，得到更好的加权排列熵特征分布，最后根据加权排列熵分布的特点，利用SVM和BPNN分类器对七种手部动作进行分类，取得了较为理想的效果。

附图说明

图1为本发明的实施流程图；

图2为本发明采集的肌电信号图经过四层小波分解的结果图；

图3(a)-(g)为本发明动作示意图依次分别为打开、握拳、点、二指耶、OK、对捏、平握；

图4(a)-(f)为本发明七种手部动作任意两通道sEMG信号熵值散点图。所使用的熵值分别为PE(左图)和WPE(右图)。(a)～(e)小波子带的熵值散点图。(f)未被分解的表面肌电信号的熵值散点图。

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。下面结合附图对本发明的实施例作详细说明：

如图1所示，本实施例包括如下步骤：

步骤一，获取人体上肢肌电信号样本数据，首先通过肌电信号采集仪拾取人体上肢肌电信号，再运用能量阈值法确定肌电信号的动作信号；具体操作过程如下：

(1)采集人体上肢的肌电信号。实验选取四名健康受试者：两名男性和两名女性参与实验以进行所需的手部运动。如图3(a)-(g)所示，每个受试者分别进行打开，握拳，点，两指耶，OK，对捏，平握的7种手部动作各10组，总共280组数据。选用上肢右前臂桡侧腕屈肌，屈指浅肌，拇长屈肌和指伸肌作为表面肌电信号来源。在数据采集之前，用酒精擦拭受试者的皮肤，并要求受试者的手臂伸直并固定在一个位置以避免不同肢体位置对产生的sEMG信号的影响。实验设备采用Trigno^TM无线EMG(Delsys Inc，Natick，MA，USA)拾取对应的表面肌电信号。

(2)运用能量阈值确定动作的起始位置和终止位置作为动作肌电信号。

步骤二，将步骤一获取的肌电信号的动作段进行小波分解得到各频率段小波子带，并对小波子带求取加权排列熵；

本实例选取sym8作为小波基对动作信号进行四层小波分解，小波分解后的各频段小波子带肌电信号如图2所示。

求取加权排列熵时，熵值的大小主要取决于嵌入维数m和时延τ。如果嵌入维数太小，则很难区分排序模式。如果嵌入维数m过大，计算费时，很难观察到信号的微小变化。而时延τ与信号的采样速率有关。本实例中，维数m取4，延迟时间τ取1，特征提取的效果较为理想。各加权排序熵特征分布如图4(a)-(f)所示。

步骤三，对步骤二所求得的各小波子带加权排列熵进行组合，选取最佳的小波子带特征组合作为组合特征集；

理论上，组合特征比单小波子带特征更能挖掘出更多的信息。因此选择小波子带特征的组合作为组合特征集，进行特征提取后的分析。本实例将每个小波子带的加权排列熵构成特征向量A＝[x₁,x₂,x₃,x₄,x₅],x₁是d1小波子带加权排列熵值，x₂是d2小波子带加权排列熵值，x₃是d3小波子带加权排列熵值，x₄是d4小波子带加权排列熵值，x₅是a4小波子带加权排列熵值。其中x₁＝[x_1i,y_1i,z_1i,u_1i]，x_1i是第i组桡侧腕屈肌信号的加权排列熵值，y_1i是第i组屈指浅肌信号的加权排列熵值，z_1i是第i组拇长屈肌信号的加权排列熵值，u_1i是第i组指伸肌信号的加权排列熵值。x₂,x₃,x₄,x₅同上。

步骤四，将步骤三选得的组合特征集作为特征向量输入SVM分类器和BPNN分类器进行模式分类，获得日常手部动作的分类识别结果。

本实例采用SVM分类器和BPNN分类器分类算法，输入为组合特征集，并将其分类结果与各小波子带加权排列熵、sEMG直接求取得到的排列熵和加权排列熵、小波子带各排列熵及其组合特征集进行对比。分类实验中每类动作信号各取30组共210组数据为训练集，剩余各10组共70组数据为测试集，输入SVM和BPNN分类器进行识别，若识别结果与测试目标一致，说明对测试的动作进行了正确归类，否则是错误归类。

表1表示加权排序熵(WPE)组合特征集与各小波子带加权排列熵、sEMG直接求取得到的排列熵(PE)和加权排列熵、小波子带各排列熵及其组合特征集分类结果进行对比。表中数据包括各类特征集分别对于七种手部动作的识别结果以及各类特征集的平均识别率结果。

表1各类特征集对七种手部动作基于SVM和BPNN分类器的识别率(×100％)

Claims (2)

1.基于小波加权排列熵的肌电信号识别方法，其特征在于该方法包括如下步骤：

步骤(1).获取人体上肢肌电信号的样本数据；首先通过肌电信号采集仪采集人体上肢相关肌肉的肌电信号，并运用能量阈值法确定动作开始点，获得肌电信号的动作信号；

步骤(2).将步骤(1)获取的肌电信号的动作信号进行小波分解得到各频率信号小波子带，并对各小波子带求取加权排列熵；

步骤(3).对步骤(2)所求得的各小波子带的加权排列熵进行组合，选取最佳的小波子带特征组合作为一组组合特征集；

步骤(4).将步骤(3)选得的组合特征集作为特征向量输入支持向量机分类器进行模式分类，获得日常手部动作的分类识别结果。

2.根据权利要求1所述的基于小波加权排列熵的肌电信号识别方法，其特征在于：所述的步骤(2)的小波子带求取加权排列熵具体设计如下：

Step1：给定一个长度为N的时间序列{x(i)，i＝1，2，...，N}，则i时间的m维嵌入向量定义为

X_i＝{x(i)，x(i+τ)，...，x(i+(m-1)τ)} (1)

其中τ为延迟时间，m为嵌入维数；

Step2：将m个重构分量{x(i)，x(i+τ)，…，x(i+(m-1)τ)}按照升序进行重新排列，即

x(i+(j₁-1)τ)≤x(i+(j₂-1)τ)≤…≤x(i+(j_m-1)τ) (2)

若X_i重构分量大小一样，则依据j的值的大小来进行排序，即当x(i+(j_m1-1)τ)＝x(i+(j_m2-1)τ)，且j_m1＜j_m2，有

x(i+(j_m1-1)τ)≤x(i+(j_m2-1)τ) (3)

Step3：将任意一向量组符号化，得到其相应的符号序列

π_j＝(j₁，j₂，…，j_m) (4)

在m维空间中，每个状态向量X_i被映射到m！种不同的符号序列即m个不同的符号序列(j₁，j₂，…，j_m)一共有m！种不同的排列；

Step4：在计算加权排列熵与每种符号相关的相对频率时，可根据不同模式下幅值或方差的不同，对提取的每个矢量赋予权重值；用每个状态向量X_i的方差计算权值，权值ω_j表示为：

式中表示状态向量X_i的均值，即

Step5：设表示在相同符号序列下的不同排列时间序列的频率，每种符号序列的加权相对概率为：

Π是所有序列模式π_j的集合；权值ω_j相当于从每个状态向量X_i中选择一个特定的特征用来表示；可由内容的不同而选取不同的特定特征，但是始终存在∑_jp_ω(π_j)＝1的关系；p_ω相当于计算每种模式权重所占的比例；

Step6：加权排序熵的定义如下：

H_ω(m)＝-∑_Πp_ω(π_j)lnp_ω(π_j) (7)。