CN111209857B - 一种基于肌电信号的双向递归肌电特征选择方法 - Google Patents

一种基于肌电信号的双向递归肌电特征选择方法 Download PDF

Info

Publication number
CN111209857B
CN111209857B CN202010009854.1A CN202010009854A CN111209857B CN 111209857 B CN111209857 B CN 111209857B CN 202010009854 A CN202010009854 A CN 202010009854A CN 111209857 B CN111209857 B CN 111209857B
Authority
CN
China
Prior art keywords
feature
myoelectricity
myoelectric
characteristic
combination
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.)
Active
Application number
CN202010009854.1A
Other languages
English (en)
Other versions
CN111209857A (zh
Inventor
程扬威
李公法
蒋国璋
陶波
余明超
徐超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN202010009854.1A priority Critical patent/CN111209857B/zh
Publication of CN111209857A publication Critical patent/CN111209857A/zh
Application granted granted Critical
Publication of CN111209857B publication Critical patent/CN111209857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明是一种基于肌电信号的双向递归肌电特征选择方法，所述方法包括基于最大相关的前向动态递归特征选择和基于最小冗余的后向动态过滤特征选择。对于前向选择，首先构建原始肌电特征集，并通过使用互信息准则去除对手势识别贡献最低的特征产生肌电特征总集；其次，结合本文所提特征搜索策略和特定机器学习模型对肌电特征总集进行相关性分析，得到前向最佳候选肌电特征子集。对于后向选择，从原始肌电特征集开始，通过本文所提评估方式，每次迭代去除一个最不相关的肌电特征，分析特征集的冗余性，直至得到后向最佳候选肌电特征子集。最后取前向与后向最佳候选肌电特征子集的交集，并进行结果验证，输出最佳肌电特征集。

Description

一种基于肌电信号的双向递归肌电特征选择方法
技术领域
本发明涉及信号处理与人机交互领域，特别涉及一种基于肌电信号的双向递归肌电特征选择方法。
背景技术
随着科技的发展，人机交互的研究与应用受到越来越多的学者关注。其中，手势识别作为人机交互的一个主要分支，是人机交互领域的重要研究课题之一。人机交互中的手势对使用者来说具有便捷、交互性强、表达内容丰富等优点，一直是人机交互领域的首要选择。肌电信号是在人体肌肉活动过程中产生的一种生物电信号，是不同的运动单位动作电势在肌肉纤维和细胞组织中传导叠加的综合结果。肌电信号主要是通过提取肌电特征进行手势识别，选择合适的肌电特征进行组合可以获得更高的手势识别率。
鉴于此需要一种肌电特征选择方法，通过意大利经济学家帕累托的关键少数法则，利用20％的最佳肌电特征代替余下80％的肌电特征所做的贡献，在取得最佳效果的同时减少资源损耗，并提高识别效率。
发明内容
本发明提供了一种基于肌电信号的双向递归肌电特征选择方法，可以从多种肌电特征中，通过前向动态递归特征选择(FDRFS)和后向动态过滤特征选择(BDFFS)分别得到前向和后向最佳肌电特征组合，然后将它们取交集得到最佳肌电特征组合。
为解决上述技术问题，根据发明内容，采用如下技术方案为一种基于肌电信号的双向递归肌电特征选择方法，具体包括以下步骤：
步骤1：通过n个肌电特征向量构建肌电特征集；
步骤2：计算每个肌电特征向量的方差以及互信息，剔除肌电特征集中无贡献的机电特征向量或者评分最低的前m1(m1<0.1n)个肌电特征向量，得到第一次迭代肌电特征集合；
步骤3：从过滤后肌电特征总集中随机挑选一定数量的肌电特征向量构建随机肌电特征集，计算随机肌电特征集的组合数和识别率；
步骤4：剔除候选肌电特征集中相对冗余特征；
步骤5：更新动态递归系数，确定候选肌电特征集；
步骤6：重复步骤3–步骤5，直至动态递归系数达到最大迭代次数，输出前向最佳肌电特征组合；
步骤7：输入n个肌电特征构建的肌电特征集，确定反向肌电特征组合；
步骤8：计算肌电特征子集的识别率，确定后向候选肌电特征集；
步骤9：重复步骤8，直至达到迭代条件，输出后向最佳肌电特征组合；
步骤10：通过取前向最佳肌电特征组合和后向最佳肌电特征组合的交集得到最佳肌电特征集。
作为优选，步骤1中所述初始肌电特征集为
Figure BDA0002356738670000021
迭代次数为h∈[0,stepmax]，b为输入肌电特征向量个数，b∈[0,n]，
Figure BDA0002356738670000022
为初始肌电特征集；
所述初始肌电特征集为：
Figure BDA0002356738670000023
其中，Xi，i∈[1,n]为第i个肌电特征向量，为l维度向量，具体定义为：
Figure BDA0002356738670000024
其中，Xi,j，i∈[1,n]，j∈[1,l]为第i个肌电特征向量中第j个肌电特征。
作为优选，步骤2中所述每个肌电特征向量的方差为：
Figure BDA0002356738670000025
其中，Xi表示第i组特征向量，l表示特征向量中的样本数，Xi,j表示特征向量中第i个样本值，μ(Xi)表示该特征向量的平均值；
步骤2中所述计算每个原始肌电特征的互信息为：
Figure BDA0002356738670000026
其中，Y表示手势的标签向量，p(xi,j,y)表示Xi与Y两个变量之间的联合概率密度分布函数，p(xi)和p(y)分别表示Xi和Y两者的边缘概率分布；
步骤2中所述剔除肌电特征集中无贡献或贡献小的肌电特征向量，具体为：
Var(X)＜α或I(X；Y)＜β认为是贡献小的肌电特征向量，其中α,β分别是方差阈值和互信息阈值；
从步骤1的特征集合中筛选出贡献小的肌电特征向量，然后剔除贡献小较低的前m1(m1<0.1n)个肌电特征向量；
步骤2中所述第一次迭代肌电特征集合为：
T1 k＝{X1,X2,…,Xk,k<n}
作为优选，步骤3中所述随机挑选一定数量的过滤后肌电特征向量构建随机肌电特征集为：
Figure BDA0002356738670000031
从T1 k中任意挑选
Figure BDA0002356738670000032
组(p1·k)种组合肌电特征特征向量，其中，p1为第一动态递归系数，q为降采样系数；
利用支持向量机(SVM)f(·)计算所有特征向量组合的识别率
Figure BDA0002356738670000033
Figure BDA0002356738670000034
具体计算过程为：
将训练集输入到SVM中，得到决策边界：
Figure BDA0002356738670000035
其中，
Figure BDA0002356738670000036
为拉格朗日算子对偶最优解，K(Xi,X)为高斯核函数，b*为最优截距，yi∈Y；
再将测试集输入到SVM中，可计算出
Figure BDA0002356738670000037
Figure BDA0002356738670000038
为前向第一次迭代中第一个特征向量组合的识别率；
选择识别率最高特征向量组合作为该批次下的次优特征向量组合，并放入候选肌电特征集中：
Figure BDA0002356738670000039
作为优选，步骤4中所述剔除候选肌电特征集中相对冗余特征，具体过程为：
将步骤3得到的S1中挑选p1·p2·kl种肌电特征向量剔除，使得余下特征组合的f(·)相对最优SAcc1；其中，p2为第二动态递归系数；
从T1 k减去过滤后的S1作为第二次迭代的肌电特征集合
Figure BDA0002356738670000041
供下一步选择；
作为优选，步骤5中所述更新动态递归系数为：
p1＝p1-Δ，p2保持不变，Δ为系数步长；
步骤5中所述确定候选肌电特征集为：
从步骤4中得到第二次迭代特征集合
Figure BDA0002356738670000042
中按照步骤3中方法挑选特征的组合，每种组合均与步骤4中所述候选特征子集S1取并集，并利用f(·)计算此时所有特征组合的
Figure BDA0002356738670000043
将
Figure BDA0002356738670000044
最高的组合作为最优特征组合放入候选肌电特征集S2中；
作为优选，步骤6中所述动态递归系数达到最大迭代次数为：p1·k＜1达到最大迭代次数即Stepmax时；
步骤6中所述前向最佳肌电特征组合为
Figure BDA0002356738670000045
作为优先，步骤7所述输入n个特征组合而成的肌电特征集为RTs n，确定反向肌电特征组合，
Figure BDA0002356738670000046
为后向初始肌电特征集；
步骤7所述确定肌电特征组合，具体为：
所述肌电特征集进行每一种特征的依次剔除，余下所有特征形成肌电特征子集，具体如下：
Figure BDA0002356738670000047
作为优选，通过f(·)计算步骤8中所有后向肌电特征子集的识别率为
Figure BDA0002356738670000048
Figure BDA0002356738670000049
s为迭代次数，具体计算过程如下：
将训练集输入到SVM中，得到决策边界：
Figure BDA00023567386700000410
其中，
Figure BDA0002356738670000051
为拉格朗日算子对偶最优解，K(Xi,X)为高斯核函数，b*为最优截距，yi∈Y；
Figure BDA0002356738670000052
为后向第一次迭代中第一个肌电特征组合的识别率；
利用f(·)计算每一种肌电特征子集的识别率
Figure BDA0002356738670000053
选出识别率最高MRAcc1的特征组合作为本轮候选肌电特征子集RS1，此时认为特征Xi相对余下所有特征是最不相关的，将其从RT1 n中剔除得到
Figure BDA0002356738670000054
供下一步选择；
作为优选，步骤9中所述迭代条件为：
Figure BDA0002356738670000055
或者
Figure BDA0002356738670000056
时停止，η为识别率阈值，
Figure BDA0002356738670000057
为第s次迭代后的特征数；
后向最佳肌电特征组合为
Figure BDA0002356738670000058
本发明优点在于，可以提供一种更好的特征选择方法，通过前向动态递归和反向动态过滤两个方向对肌电总集进行特征选择，将两个方向各自得到的最优特征组合取交集，得到最终的最优特征组合，该特征组合满足最大相关和最小冗余的要求。
附图说明
图1：为本发明方法的流程图；
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
本发明的具体实施方式采用如下技术方案为一种基于肌电信号的双向递归肌电特征选择方法，具体包括以下步骤：
步骤1：通过21个肌电特征向量构建肌电特征集；
步骤1中所述初始肌电特征集为
Figure BDA0002356738670000059
所述初始肌电特征集具体为：
Figure BDA00023567386700000510
其中，Xi，i∈[1,21]为第i个肌电特征向量，为200维度向量，具体定义为：
Figure BDA0002356738670000061
其中，Xi,j，i∈[1,21]，j∈[1,200]为第i个肌电特征向量中第j个肌电特征。
步骤2：计算每个肌电特征向量的方差以及互信息，剔除肌电特征集中无贡献的机电特征向量或者评分最低的前2个肌电特征向量，得到第一次迭代肌电特征集合；
步骤2中所述每个肌电特征向量的方差为：
Figure BDA0002356738670000062
其中，Xi表示第i个特征向量，Xi,j表示第i特征向量中第j个样本值，μ(Xi)表示该特征向量的平均值；
步骤2中所述计算每个原始肌电特征的互信息为：
Figure BDA0002356738670000063
其中，Y表示手势的标签向量，p(xi,j,y)表示Xi与Y两个变量之间的联合概率密度分布函数，p(xi)和p(y)分别表示Xi和Y两者的边缘概率分布；
步骤2中所述剔除肌电特征集中无贡献或贡献小的肌电特征向量，具体为：
Var(X)＜0.1或I(X；Y)＜0.2认为是贡献小的肌电特征向量；
从步骤1的特征集合中筛选出贡献小的肌电特征向量，然后剔除贡献小较低的前2个肌电特征向量；
步骤2中所述第一次迭代肌电特征集合为：
T1 18＝{X1,X2,…,X18}
步骤3：从过滤后肌电特征总集中随机挑选一定数量的肌电特征向量构建随机肌电特征集，计算随机肌电特征集的组合数和识别率；
步骤3中所述随机挑选一定数量的过滤后肌电特征向量构建随机肌电特征集为：
Figure BDA0002356738670000071
p1＝0.35，q＝5，从T1 18中任意挑选3712组6种组合肌电特征特征向量，；
利用支持向量机(SVM)f(·)计算所有特征向量组合的识别率
Figure BDA0002356738670000072
Figure BDA0002356738670000073
具体计算过程为：
将训练集输入到SVM中，得到决策边界：
Figure BDA0002356738670000074
其中，
Figure BDA0002356738670000075
为拉格朗日算子对偶最优解，K(Xi,X)为高斯核函数，b*为最优截距，yi∈Y；
再将测试集输入到SVM中，可计算出
Figure BDA0002356738670000076
为前向第一次迭代中第一个特征向量组合的识别率；
选择识别率最高特征向量组合作为该批次下的次优特征向量组合，并放入候选肌电特征集中：
Figure BDA0002356738670000077
步骤4：剔除候选肌电特征集中相对冗余特征；
步骤4中所述剔除候选肌电特征集中相对冗余特征，具体过程为：
令p2＝1将步骤3得到的S1中挑选p1·p2·6种肌电特征向量剔除，使得余下特征组合的f(·)相对最优SAcc1；
从T1 k减去过滤后的S1作为第二次迭代的肌电特征集合
Figure BDA0002356738670000078
供下一步选择；
步骤5：更新动态递归系数，确定前向候选肌电特征集；
步骤5中所述更新动态递归系数为：
p1＝p1-Δ，p2保持不变，Δ取0.01；
步骤5中所述确定候选肌电特征集为：
从步骤4中得到第二次迭代特征集合
Figure BDA0002356738670000079
中按照步骤3中方法挑选特征的组合，每种组合均与步骤4中所述候选特征子集S1取并集，并利用f(·)计算此时所有特征组合的
Figure BDA0002356738670000081
将
Figure BDA0002356738670000082
最高的组合作为最优特征组合放入候选肌电特征集S2中；
步骤6：重复步骤3–步骤5，直至动态递归系数达到最大迭代次数，输出前向最佳肌电特征组合；
步骤6中所述动态递归系数达到最大迭代次数为：p1·k＜1达到最大迭代次数即Stepmax＝7时；
步骤6中所述前向最佳肌电特征组合为
Figure BDA0002356738670000083
步骤7：输入肌电特征集RTs n，确定反向肌电特征组合；
步骤7所述输入21个肌电特征组合而成的肌电特征集为RTs n，确定反向肌电特征组合；
Figure BDA0002356738670000084
为后向初始肌电特征集；
步骤7所述确定肌电特征组合，具体为：
所述肌电特征集进行每一种特征的依次剔除，余下所有特征形成肌电特征子集，具体如下：
Figure BDA0002356738670000085
步骤8：计算肌电特征子集的识别率，确定后向候选肌电特征集；
通过f(·)计算步骤8中后向肌电特征子集的识别率为
Figure BDA0002356738670000086
s为迭代次数；具体计算如下：
将训练集输入到SVM中，得到决策边界：
Figure BDA0002356738670000087
其中，
Figure BDA0002356738670000088
为拉格朗日算子对偶最优解，K(Xi,X)为高斯核函数，b*为最优截距，yi∈Y；
Figure BDA0002356738670000089
为后向第一次迭代中第一个肌电特征组合的识别率；
利用f(·)计算每一种肌电特征子集的识别率
Figure BDA0002356738670000091
选出识别率最高MRAcc1的特征组合作为本轮候选肌电特征子集RS1，此时认为特征Xi相对余下所有特征是最不相关的，将其从RT1 21中剔除得到
Figure BDA0002356738670000092
供下一步选择；
步骤9：重复步骤8，直至达到迭代条件，输出后向最佳肌电特征组合；
步骤9中所述迭代条件为：
Figure BDA0002356738670000093
或者
Figure BDA0002356738670000094
时停止，
Figure BDA0002356738670000095
为第s次迭代后的特征数；
后向最佳肌电特征组合为
Figure BDA0002356738670000096
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
步骤10：通过取前向最佳肌电特征组合和后向最佳肌电特征组合的交集得到最佳肌电特征集，最佳肌电特征集为Soptimal。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (10)

1.一种基于肌电信号的双向递归肌电特征选择方法，其特征在于，包括以下步骤：
步骤1：通过n个肌电特征向量构建肌电特征集；
步骤2：计算每个肌电特征向量的方差以及互信息，剔除肌电特征集中无贡献的机电特征向量或者评分最低的前m1个肌电特征向量，m1<0.1n，得到第一次迭代肌电特征集合；
步骤3：从过滤后肌电特征总集中随机挑选一定数量的肌电特征向量构建随机肌电特征集，计算随机肌电特征集的组合数和识别率；
步骤4：剔除候选肌电特征集中相对冗余特征；
步骤5：更新动态递归系数，确定候选肌电特征集；
步骤6：重复步骤3–步骤5，直至动态递归系数达到最大迭代次数，输出前向最佳肌电特征组合；
步骤7：输入n个肌电特征构建的肌电特征集，确定反向肌电特征组合；
步骤8：计算肌电特征子集的识别率，确定后向候选肌电特征集；
步骤9：重复步骤8，直至达到迭代条件，输出后向最佳肌电特征组合；
步骤10：通过取前向最佳肌电特征组合和后向最佳肌电特征组合的交集得到最佳肌电特征集。
2.根据权利要求1所述的基于肌电信号的双向递归肌电特征选择方法，其特征在于：步骤1中所述肌电特征集为
Figure FDA0004107215360000011
迭代次数为h∈[0,stepmax]，b为输入肌电特征向量个数，b∈[0,n]，
Figure FDA0004107215360000012
为初始肌电特征集；
所述初始肌电特征集为：
Figure FDA0004107215360000013
其中，Xi，i∈[1,n]为第i个肌电特征向量，为l维度向量，具体定义为：
Figure FDA0004107215360000014
其中，Xi,j，i∈[1,n]，j∈[1,l]为第i个肌电特征向量中第j个肌电特征。
3.根据权利要求1所述的基于肌电信号的双向递归肌电特征选择方法，其特征在于：步骤2中所述每个肌电特征向量的方差为：
Figure FDA0004107215360000021
其中，Xi表示第i组离散目标特征向量，l表示特征向量中的样本数，Xi,j表示特征向量中第i个样本值，μ(Xi)表示该特征向量的平均值；
步骤2中所述计算每个原始肌电特征的互信息为：
Figure FDA0004107215360000022
其中，Y表示手势的标签向量，p(xi,j,y)表示Xi与Y两个变量之间的联合概率密度分布函数，p(xi)和p(y)分别表示Xi和Y两者的边缘概率分布；
步骤2中所述剔除肌电特征集中无贡献或贡献小的肌电特征向量，具体为：
Var(X)＜α或I(X；Y)＜β认为是贡献小的肌电特征向量，其中α,β分别是方差阈值和互信息阈值；
从步骤1的特征集合中筛选出贡献小的肌电特征向量，然后剔除贡献小较低的前m1个肌电特征向量，m1<0.1n；
步骤2中所述第一次迭代肌电特征集合为：
T1 k＝{X1,X2,…,Xk,k<n}。
4.根据权利要求1所述的基于肌电信号的双向递归肌电特征选择方法，其特征在于：步骤3中所述随机挑选一定数量的过滤后肌电特征向量构建随机肌电特征集为：
Figure FDA0004107215360000023
从T1 k中任意挑选
Figure FDA0004107215360000024
组(p1·k)种组合肌电特征特征向量，其中，p1为第一动态递归系数，q为降采样系数；
利用支持向量机(SVM)f(·)计算所有特征向量组合的识别率
Figure FDA0004107215360000025
Figure FDA0004107215360000026
具体计算过程为：
将训练集输入到SVM中，得到决策边界：
Figure FDA0004107215360000031
其中，
Figure FDA0004107215360000032
为拉格朗日算子对偶最优解，K(Xi,X)为高斯核函数，b*为最优截距，yi∈Y；
再将测试集输入到SVM中，可计算出
Figure FDA0004107215360000033
Figure FDA00041072153600000310
为前向第一次迭代中第一个特征向量组合的识别率；
选择识别率最高特征向量组合作为该批次下的次优特征向量组合，并放入候选肌电特征集中：
Figure FDA0004107215360000034
5.根据权利要求1所述的基于肌电信号的双向递归肌电特征选择方法，其特征在于：步骤4中所述剔除候选肌电特征集中相对冗余特征，具体过程为：
将步骤3得到的S1中挑选p1·p2·kl种肌电特征向量剔除，使得余下特征组合的f(·)相对最优SAcc1；其中，p2为第二动态递归系数；
从T1 k减去过滤后的S1作为第二次迭代的肌电特征集合
Figure FDA0004107215360000035
供下一步选择。
6.根据权利要求1所述的基于肌电信号的双向递归肌电特征选择方法，其特征在于：步骤5中所述更新动态递归系数为：
p1＝p1-Δ，p2保持不变，Δ为系数步长；
步骤5中所述确定候选肌电特征集为：
从步骤4中得到第二次迭代特征集合
Figure FDA0004107215360000036
中按照步骤3中方法挑选特征的组合，每种组合均与候选特征子集S1取并集，并利用f(·)计算此时所有特征组合的
Figure FDA0004107215360000037
将
Figure FDA0004107215360000038
最高的组合作为最优特征组合放入候选肌电特征集S2中。
7.根据权利要求1所述的基于肌电信号的双向递归肌电特征选择方法，其特征在于：步骤6中所述动态递归系数达到最大迭代次数为：p1·k＜1达到最大迭代次数即Stepmax时；
步骤6中所述前向最佳肌电特征组合为
Figure FDA0004107215360000039
8.根据权利要求1所述的基于肌电信号的双向递归肌电特征选择方法，其特征在于：步骤7所述输入n个特征组合而成的肌电特征集为
Figure FDA0004107215360000041
确定反向肌电特征组合，
Figure FDA0004107215360000042
为后向初始肌电特征集；
步骤7所述确定反向肌电特征组合，具体为：
所述肌电特征集进行每一种特征的依次剔除，余下所有特征形成肌电特征子集，具体如下：
Figure FDA0004107215360000043
9.根据权利要求1所述的基于肌电信号的双向递归肌电特征选择方法，其特征在于：通过f(·)计算步骤8中所有后向肌电特征子集的识别率为
Figure FDA0004107215360000044
e∈[1,n]，s为迭代次数，具体计算过程如下：
将训练集输入到SVM中，得到决策边界：
Figure FDA0004107215360000045
其中，
Figure FDA0004107215360000046
为拉格朗日算子对偶最优解，K(Xi,X)为高斯核函数，b*为最优截距，yi∈Y；
Figure FDA0004107215360000047
为后向第一次迭代中第一个肌电特征组合的识别率；
利用f(·)计算每一种肌电特征子集的识别率
Figure FDA0004107215360000048
选出识别率最高MRAcc1的特征组合作为本轮候选肌电特征子集RS1，此时认为特征Xi相对余下所有特征是最不相关的，将其从RT1 n中剔除得到
Figure FDA0004107215360000049
供下一步选择。
10.根据权利要求1所述的基于肌电信号的双向递归肌电特征选择方法，其特征在于：步骤9中所述迭代条件为：
Figure FDA00041072153600000410
或者
Figure FDA00041072153600000411
时停止，η为识别率阈值，
Figure FDA00041072153600000412
为第s次迭代后的特征数；
后向最佳肌电特征组合为
Figure FDA00041072153600000413
CN202010009854.1A 2020-01-06 2020-01-06 一种基于肌电信号的双向递归肌电特征选择方法 Active CN111209857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010009854.1A CN111209857B (zh) 2020-01-06 2020-01-06 一种基于肌电信号的双向递归肌电特征选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010009854.1A CN111209857B (zh) 2020-01-06 2020-01-06 一种基于肌电信号的双向递归肌电特征选择方法

Publications (2)

Publication Number Publication Date
CN111209857A CN111209857A (zh) 2020-05-29
CN111209857B true CN111209857B (zh) 2023-04-21

Family

ID=70787366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010009854.1A Active CN111209857B (zh) 2020-01-06 2020-01-06 一种基于肌电信号的双向递归肌电特征选择方法

Country Status (1)

Country Link
CN (1) CN111209857B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113171214B (zh) * 2021-05-27 2023-10-24 山东大学 基于自适应增强分类器的多路反馈肌电控制假肢手及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3293390B2 (ja) * 1995-02-28 2002-06-17 松下電器産業株式会社 筋電位フィードバック装置
WO2015026960A1 (en) * 2013-08-21 2015-02-26 Sanger Terence D Systems, methods, and uses of b a yes -optimal nonlinear filtering algorithm
US9787676B2 (en) * 2015-09-29 2017-10-10 Anhui Huami Information Technology Co., Ltd. Multi-modal biometric identification
CN105426842B (zh) * 2015-11-19 2018-08-14 浙江大学 基于支持向量机和表面肌电信号的多类手部动作识别方法
CN110008839B (zh) * 2019-03-08 2023-01-03 陕西联森电子科技有限公司 一种自适应手势识别的智能手语交互系统及方法

Also Published As

Publication number Publication date
CN111209857A (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
CN105446484B (zh) 一种基于隐马尔科夫模型的肌电信号手势识别方法
Wu et al. The analysis of emotion recognition from GSR based on PSO
CN109998525B (zh) 一种基于判别式深度置信网络的心律失常自动分类方法
CN106951753B (zh) 一种心电信号的认证方法和认证装置
CN107256392A (zh) 一种联合图像、语音的全面情绪识别方法
CN108388348A (zh) 一种基于深度学习和注意力机制的肌电信号手势识别方法
CN105426842A (zh) 基于支持向量机的表面肌电信号多类手部动作识别方法
Ye et al. ECG generation with sequence generative adversarial nets optimized by policy gradient
Parsaei et al. SVM-based validation of motor unit potential trains extracted by EMG signal decomposition
CN112597769B (zh) 一种基于狄利克雷变分自编码器的短文本主题识别方法
CN113012720A (zh) 谱减法降噪下多语音特征融合的抑郁症检测方法
CN111209857B (zh) 一种基于肌电信号的双向递归肌电特征选择方法
Xie et al. WT feature based emotion recognition from multi-channel physiological signals with decision fusion
Li Deep intermediate representation and in-set voting scheme for multiple-beat electrocardiogram classification
Lu et al. Speech depression recognition based on attentional residual network
CN114384999B (zh) 基于自适应学习的用户无关肌电手势识别系统
CN112052874A (zh) 一种基于生成对抗网络的生理数据分类方法及系统
CN114159079B (zh) 基于特征提取和gru深度学习模型的多类型肌肉疲劳检测方法
CN113729738B (zh) 一种多通道肌电特征图像的构建方法
Swain et al. Multilevel feature representation for hybrid transformers-based emotion recognition
CN117195027A (zh) 基于成员选择的簇加权聚类集成方法
CN114999628B (zh) 一种利用机器学习寻找退行性膝骨关节炎显著性特征方法
CN111985270A (zh) 一种基于梯度提升树的sEMG信号最优通道选择方法
Sreeshakthy et al. Classification of emotion from EEG using hybrid radial basis function networks with elitist PSO
Feng et al. Aligning Semantic in Brain and Language: A Curriculum Contrastive Method for Electroencephalography-to-Text Generation

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200529

Assignee: JINGMEN WUSAN MACHINERY EQUIPMENT MANUFACTURING Co.,Ltd.

Assignor: WUHAN University OF SCIENCE AND TECHNOLOGY

Contract record no.: X2023420000176

Denomination of invention: A bidirectional recursive emg Feature selection method based on emg signal

Granted publication date: 20230421

License type: Common License

Record date: 20230614

EE01 Entry into force of recordation of patent licensing contract