CN110738093B - 基于改进小世界回声状态网络肌电的分类方法 - Google Patents

Abstract

本发明公开了基于改进小世界回声状态网络肌电的分类方法，首先，利用小世界网络来改善ESN的储备池结构，再利用加边概率改进小世界网络，称该网络为改进小世界回声状态网络，这既提高了储备池的适应性，又提高了ESN的泛化能力和稳定性。然后，通过训练网络可以得到网络的输出权重，并以此为相应的特征。采集跌倒、走、坐、蹲、上楼、下楼这六种动作的肌电信号，利用ISWLESN提取相应的特征，再利用PCV降低特征维数。最后，利用散点图、类可分性指标和DBI来表征网络特征的性能。结果表明，ISWLESN有很好的聚类性能，用于支持向量机分类也有很高的精度。

Description

基于改进小世界回声状态网络肌电的分类方法

技术领域

本发明属于模式识别领域，涉及一种基于改进小世界回声状态网络的肌电特征提取方法。

背景技术

表面肌电信号sEMG是骨骼肌收缩活动时的一种电生理反映，因其能直接反映神经肌肉活动，已被广泛应用于临床诊断和康复医学等领域的研究。同时，多通道表面肌电信号又可为控制假肢运动及其他高级人机接口提供安全、无创伤的控制方式。近年来，随着检测技术、信号处理方法、计算技术的不断发展，从原始肌电信号中提取有效的特征已成为表面肌电应用的热点问题之一。

表面肌电信号信号分析处理的关键是特征值的选取，它关系到动作模式分类结果的好坏。时域法、时域-频域法、频域法、非线性特征法等是在目前提出并经过验证可以实际应用的信号提取方法。时域分析方法是种类最多、最常见的方法，这是由于时域方法仅仅是基于信号幅值的，算法简单，特征提取的复杂度小。但时域特征提取方法本身是处理平稳信号的，并且，时域提取是基于信号幅度的，其抗干扰性较差。频域方法主要是通过功率谱密度得到的，其分析更加稳定。时频域方法是时间和频率的组合方法，可以表征不同时间位置处的变化频率信息，提供大量关于分析信号的非平稳信息。Jali等人为了设置手臂康复装置的运动模式并确定运动的最佳特征，求取了滤波后的EMG信号的标准偏差STD，并结合MAV和均方根RMS的时域特征，得到较好的识别效果。Phinyomark等人对表面肌电信号的模式进行分类，并利用小波变换进行多级分解，提取小波变换系数的特征，识别率较高。De Luca等人发现肌电信号的传导速度与平均频率和中值频率等特征频率呈线性关系。根据这一特点，Park等人将中值频率作为时间函数，并将其用于肌肉疲劳的量化和的补偿。

Jaeger等人在2004年提出了回声状态网络Echo State Network，ESN来预测混沌时间序列，结果表明，回声状态网络的预测精度比先前的高2400倍。ESN具有训练简单、建模精度高等优点，在时间序列预测领域得到了广泛的关注。

为了解决sEMG特征提取领域中的这些问题，我们将ESN应用于sEMG的特征提取。此外，本发明还对传统的ESN算法进行了改进，提出了一种基于改进小世界回声状态网络ISWLESN的肌电特征提取方法，实现了对sEMG信号的无监督特征提取。在肌电信号特征提取过程中，信息损失较小。

发明内容

表面肌电信号SEMG是骨骼肌收缩活动的电生理反映，能直接反映神经肌肉活动，而对表面肌电信号特征提取方法的研究也是一个热点问题。本发明提出了一种基于改进小世界回声状态网络ISWLESN的肌电特征提取方法。首先，利用小世界网络来改善ESN的储备池结构，再利用加边概率改进小世界网络，称该网络为改进小世界回声状态网络ISWLESN，这既提高了储备池的适应性，又提高了ESN的泛化能力和稳定性。然后，通过训练网络可以得到网络的输出权重，并以此为相应的特征。实验采集跌倒、走、坐、蹲、上楼、下楼这六种动作的肌电信号，利用ISWLESN提取相应的特征，再利用PCV降低特征维数。最后，利用散点图、类可分性指标和DBI来表征网络特征的性能。结果表明，ISWLESN有很好的聚类性能，用于支持向量机SVM分类也有很高的精度。

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4路肌电信号，实验动作包括跌倒、走、坐、蹲、上楼、下楼。

步骤二，利用采集的肌电信号构建改进小世界回声状态网络ISWLESN，训练得到网络的输出权重，并以此作为相应的特征；

步骤三，通过主成分分析Principal Component Analysis，PCA将训练的权重特征进行降维，得到降维后的特征；

步骤四，构造支持向量机SVM分类器，并把降维后的特征输入到该分类器中；

所述的改进小世界回声状态网络算法步骤如下：

(1)初始化W_in、W_res和W_back，在网络建立前随机生成的。传统ESN的拓扑结构是由输入层、隐含层也称储备池和输出层组成，其中u(n)、x(n)、y(n)分别表示网络输入信号、储备池的状态、输出信号。假设ESN网络有L个输入层单元，M个输出层单元，N个隐层单元。通常用W_in表示输入层的连接权值矩阵；W_res表示储备池内部的连接权值矩阵；W_out表示输出层的连接权值矩阵；W_back表示输出层到隐层的反馈权值矩阵。

(2)本发明提出的改进小世界网络利用加边概率p直接表示两个节点的连接权值，加边概率p值随着节点间的距离增大按指数方式递减,即

p＝α×e^-β×d

其中,p取值范围为[0,1],表示节点间的连接权值；d表示节点间的欧氏距离,α用来调节距离灵敏度,β用来调整网络的整体密度。

(3)ISWLESN的隐藏状态更新如下式:

x(n)＝(1-a(n))x(n-1)+f(W_inu(n)+W_resx(n-1)+W_backy(n-1))

a(n)是储备池泄漏率参数矩阵，它的各个元素由加边概率p构成；f(·)表示内部状态的激活函数，为Sigmoid函数。

(4)网络的输出为：

y(n)＝g(W_outx(n))

其中g为输出单元的活性函数，为线性函数或Sigmoid函数。

(5)将采集处理后的肌电信号x_i(n)，i表示第i路肌电信号，n为1到N-1的整数，N为肌电信号的采样个数，作为网络的输入信号u(n)，将x_i(n+1)作为网络的目标输出信号y(n)。

(6)训练网络，就是根据给定的训练样本确定系数输出连接权矩阵W_out的过程，从某一时刻m开始收集即采样内部状态变量，并以向量为行构成内部状态矩阵M。于是就可以根据伪逆运算可以计算出输出权重W_out：

W_out＝YM⁺

其中Y为目标输出。

(7)对于肌电信号的每路通道都进行操作，即可得到每路信号的输出权重，即为肌电的特征。

本发明设计的基于肌电信号的跌倒检测方法，具有如下优点：

基于ISWLESN的特征提取是可逆的，即可以从提取的表面肌电信号中恢复原始的表面肌电信号。从而减少了特征提取过程中的信息损失，保证了基于ISWLESN的表面肌电信号分类能够达到更高的分类精度。此外，ISWLESN还能很好地描述非线性混沌时间序列。因此，基于ISWLESN的表面肌电信号特征提取能够很好地反映时间序列的非线性动态特性。由于基于ISWLESN的特征提取是一种无监督的方法，因此在特征提取过程中尽可能保留更多有用的信息，而不是为特定的分类任务选择有用的信息。因此，该方法在多任务分类中具有广阔的应用前景。

附图说明

图1为本发明的实施流程图；

图2为某实验者跌倒的四路通道肌电信号图；

图3为ISWLESN对EMG序列的预测效果图；

图4为基于三种特征提取方法的特征的散点图；

图5为基于三种特征提取方法的特征分类结果图。

具体实施方式

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4路肌电信号，实验动作包括跌倒、走、坐、蹲、上楼、下楼。实验选取健康的男性作为实验对象，要求受试者在实验前一周不进行剧烈运动，以避免肌肉疲劳造成肌肉抖动影响肌电信号的准确性。实验采用Delsys全无线表面肌电测试系统，Trigno^TM无线肌电传感器，图2为某实验者采集的跌倒的四路通道肌电信号图。

步骤二，初始化输入连接矩阵W_in、内部连接矩阵W_res和输出反馈矩阵W_back，W_in、W_res和W_back随机生成矩阵；

步骤三，利用加边概率p直接表示两个节点的连接权值，加边概率p值随着节点间的距离增大按指数方式递减,即

p＝α×e^-β×d

其中,p取值范围为[0,1],表示节点间的连接权值；d表示节点间的欧氏距离,α用来调节距离灵敏度,β用来调整网络的整体密度。这里选取α＝0.2,β＝10；

步骤四，用各个节点间的加边概率p来确定储备池网络各个神经元的泄漏率，储备池每个神经单元的泄漏率是不同的，并记为a(n)；

步骤五，将采集处理后的肌电信号x_i(n)，i表示第i路肌电信号，n为1到N-1的整数，N为肌电信号的采样个数，作为网络的输入信号u(n)，将x_i(n+1)作为网络的目标输出信号y(n)。

步骤六，ISWLESN的储备池状态更新如下式:

x(n)＝(1-a(n))x(n-1)+f(W_inu(n)+W_resx(n-1)+W_backy(n-1))

由上式计算每个时刻的网络的内部状态x(n)。

步骤七，从m时刻开始收集，即采样内部状态变量，并以x(n)向量为行构成内部状态矩阵M。于是就可以根据伪逆运算可以计算出输出权重W_out：

W_out＝YM⁺

其中Y为目标输出，即为y(n)构成的向量。

步骤八，通过主成分分析PCA将训练的权重特征进行降维，得到降维后的特征；

步骤九，构造支持向量机SVM分类器，并把降维后的特征输入到该分类器中。

为了验证ISWLESN对EMG序列的预测效果，利用训练后的网络对EMG信号的运动轨迹进行了预测，图3是EMG的预测结果。结果表明，ISWLESN能较好地预测ESN的航迹，预测误差很小。由于通过ISWLESN提取的特征可以完全恢复原始数据，我们假设原始数据的所有关键信息都可能存储在提取的特征中,因此，输出权作为一种特征具有较好的分类效果。

为了描述三种方法的特征分布，我们对特征进行了散点图分析，如图4所示，其中a、b、c分别为ESN、LESN、ISWLESN的特征散点图分布情况。从图4可以看出，这三种特征提取方法对于蹲下和下楼都有很好的区别。对于落体，ESN特征提取方法并不是很有效，但可以很容易地区分LESN和ISWLESN。对于其他三种类型的活动，ESN特征分布存在点交叉，效果不佳。行走和上楼时，特征点是交叉在一起的，这是不容易区分的，但可以更好地区分特征点。总之，ISWLESN聚类优于LESN，LESN优于ESN。

为了对三种不同方法提取的特征进行评价，本发明引用类可分性指标，下表为这三种方法的类可分性指标值。

表1 ESN,LESN和ISWLESN的类可分性指标

这可以看出ISWLESN有着最大的类可分性指标，说明它的分类性能最好。

此外，DBI被用来验证特征的可靠性，表2记录了基于的ESN,LESN和ISWLESN特征DBI。

表2 ESN,LESN和ISWLESN的DBI值

从表中同样可以看出ISWLESN有着更小的DBI值，即该特征有着更好的分类性能。

为了验证和比较该方法的有效性，将三种方法提取的特征分别用PCV进行降维，然后输入到支持向量机SVM中。图5是ESN、LESN和ISWLESN的识别结果。

图5显示，ISWLESN与ESN和LESN相比，在活动分类方面取得了相当大的成功。对于蹲姿，三种方法的准确率接近100％。对于其他活动，ISWLESN的识别率大于ESN和LESN的识别率。

Claims (3)

1.基于改进小世界回声状态网络肌电的分类方法，其特征在于，该方法包括如下步骤：

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4路肌电信号；

步骤二，利用采集的肌电信号构建改进小世界回声状态网络ISWLESN，训练得到网络的输出权重，并以此作为相应的特征；

步骤三，通过主成分分析PCA将训练的权重特征进行降维，得到降维后的特征；

步骤四，构造支持向量机SVM分类器，并把降维后的特征输入到该分类器中；

所述的构建改进小世界回声状态网络ISWLESN，其步骤如下：

(1)初始化W_in、W_res和W_back，在网络建立前随机生成的；传统ESN的拓扑结构是由输入层、隐含层和输出层组成，其中u(n)、x(n)、y(n)分别表示网络输入信号、储备池的状态、输出信号；假设ESN网络有L个输入层单元，M个输出层单元，N个隐层单元；用W_in表示输入层的连接权值矩阵；W_res表示储备池内部的连接权值矩阵；W_out表示输出层的连接权值矩阵；W_back表示输出层到隐层的反馈权值矩阵；

(2)ISWLESN利用加边概率p直接表示两个节点的连接权值，加边概率p值随着节点间的距离增大按指数方式递减,即

p＝α×e^-β×d

其中,p取值范围为[0,1],表示节点间的连接权值；d表示节点间的欧氏距离,α用来调节距离灵敏度,β用来调整网络的整体密度；

(3)ISWLESN的隐藏状态更新如下式:

x(n)＝(1-a(n))x(n-1)+f(W_inu(n)+W_resx(n-1)+W_backy(n-1))

a(n)是储备池泄漏率参数矩阵，它的各个元素由加边概率p构成；f(·)表示内部状态的激活函数，为Sigmoid函数；

(4)网络的输出为：

y(n)＝g(W_outx(n))

其中g(·)为输出单元的活性函数，为线性函数或Sigmoid函数；

(5)将采集处理后的肌电信号x_i(n)，i表示第i路肌电信号，n为1到N-1的整数，N为肌电信号的采样个数，作为网络的输入信号u(n)，将x_i(n+1)作为网络的目标输出信号y(n)；

(6)训练网络，就是根据给定的训练样本确定系数输出连接权矩阵W_out的过程，从m时刻开始收集即采样内部状态变量，并以向量为行构成内部状态矩阵M；根据伪逆运算计算出输出权重W_out：

W_out＝YM⁺

其中Y为目标输出；

(7)对于肌电信号的每路通道都进行操作，即得到每路信号的输出权重，即为肌电的特征。

2.根据权利要求1所述的基于改进小世界回声状态网络肌电的分类方法，其特征在于：日常行为动作包括跌倒、走、坐、蹲、上楼、下楼。

3.根据权利要求1所述的基于改进小世界回声状态网络肌电的分类方法，其特征在于：通过试验，选取α＝0.2,β＝10。

Images