CN111476295A - 一种基于gs-lssvm的多通道生理信号体感姿势识别方法 - Google Patents
一种基于gs-lssvm的多通道生理信号体感姿势识别方法 Download PDFInfo
- Publication number
- CN111476295A CN111476295A CN202010263608.9A CN202010263608A CN111476295A CN 111476295 A CN111476295 A CN 111476295A CN 202010263608 A CN202010263608 A CN 202010263608A CN 111476295 A CN111476295 A CN 111476295A
- Authority
- CN
- China
- Prior art keywords
- signals
- physiological signal
- frequency
- posture
- somatosensory
- 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.)
- Pending
Links
- 230000003238 somatosensory effect Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000036544 posture Effects 0.000 claims description 83
- 230000006870 function Effects 0.000 claims description 36
- 230000009467 reduction Effects 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 210000003205 muscle Anatomy 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06F2218/04—Denoising
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于GS‑LSSVM的多通道生理信号体感姿势识别方法，Step1：采集人体生理信号原始样本；Step2：小波阈值法降噪；Step3：生理信号特征提取；Step4：建立多通道生理信号体感姿势LSSVM识别模型；Step5：PSO优化训练多通道生理信号体感姿势SVM识别模型；Step6：基于最优多通道生理信号体感姿势识别模型测试。本发明提供一种基于GS‑LSSVM的多通道生理信号体感姿势识别方法，识别精度高，实时性好，识别鲁棒性较好。
Description
技术领域
本发明属于手势识别领域，特别涉及一种基于GS-LSSVM的多通道生理信号体感姿势识别方法。
背景技术
在过去的二十年里互联网和通信技术的飞速发展为当前物联网的发展奠定了基石，随之兴起的智能手机、可穿戴智能设备、智能汽车、虚拟现实设备已经逐步融入人们工作与生活的方方面面。传统的键盘、鼠标输入方式以及多点触控技术已经不能完全满足人们的需求，人机交互又一次迎来了新的挑战。其中，体感姿势识别技术是人机交互技术中的重要组成部分，但同样也是研究难点之一。
传统方法使用基于图像的体感姿势识别技术，然而该方法容易受到光照条件、遮挡等多种因素的影响，不能完全满足体感姿势识别的需求。随着智能交互可穿戴设备技术的发展，基于传感器的体感姿势识别方法被学者们广泛研究。生理信号的采集目前发展日渐成熟，这种信号受环境因素影响小，实时性强，在经过多通道特征融合提取后，可以很好的表征体感姿势。在模式识别方面，传统支持向量机(SVM)得到了广泛的应用，随着研究的深入，SVM运算效率低、收敛速度和精度不高等问题逐渐显现出来，在SVM基础上LSSVM通过采用等式约束的方法，克服了SVM的弊端。
发明内容
为了解决上述存在问题。本发明提供一种基于GS-LSSVM的多通道生理信号体感姿势识别方法，，识别精度高，实时性好，识别鲁棒性较好。为达此目的：
本发明提供一种基于GS-LSSVM的多通道生理信号体感姿势识别方法，具体步骤如下：
Step1：采集人体生理信号原始样本；
本发明选择表面肌电信号和脑电信号两个通道的生理信号做体感势识别的样本，选取多个身体状况健康的志愿者作为实验研究对象，每个实验者都佩戴有可穿戴智能交互设备，设备有表面肌电传感器sEMG和脑电传感器EEG，实验者分别多次做出12类体感姿势，传感器分别收集每次姿势的表面肌电信号和脑电信号，并根据姿势类别进行标注，为了确保在每个体感姿势下收集的生理信号能够被精确地标记，每个姿势大约12s的信号中只有中间的10s被标记为稳态信号，它排除了两个姿势之间的过渡状态，并且还避免了用来跟随下一个姿势的相应时间；
Step2：小波阈值法降噪；
表面肌电信号和脑电信号属于较低频信号，但在实际采集过程中数据往往会掺杂一些高频噪声，这些噪声对后期的特征提取和识别模型构建有很大的影响，采用小波阈值法对信号进行降噪去干扰，选择sym8小波为小波基函数，选择信号的三层分解，根据固定阀值原则选用软阀值函数进行降噪，最后进行小波重构，得到降噪处理后的信号；
Step3：生理信号特征提取；
以生理信号作为数据源进行体感姿势识别，需要从生理信号中提取出具有代表性的特征作为体感姿势分类时的重要指标；
将选用生理信号的时域特征和频域特征来度量生理信号数据的特征，其中时域特征有7个；
均值的表达式为
其中N是信号序列的样本长度，
为归一化后的生理信号值
其中xmin为生理信号的最小值，xmax为生理信号的最大值，xk表示生理信号的第 k个数值；
标准差表达式为
一阶差分能够表征信号变化的快慢以及变化趋势和信号中存在的极点值，表达式为
其中，tk为生理信号的采样时间节点；
二阶差分能够检测出信号中的拐点位置，表达式为
在对生理信号进行频域特征提取前，采用傅立叶变换FFT对信号进行处理将时域信号转化为频域信号，并对得到的频域信号提取特征，所提取的频域特征有 3个；
中值频率表示频谱被分成两个幅度相等的区域的频率，表达式为
pj为是在频率j处的肌电信号功率谱，M为整个频段的长度，均值频率表示功率谱与频率的乘积之和与频谱强度总和的比值，表达式为
其中fj表示频段上的频谱，频率比为生理信号的低频分量与高频分量之比，表达式为
其中ULC和LLC是低频段的上位截断频率和下位截断频率，而UHC和LHC则是高频段的上位截断频率和下位截断频率；
则共提取每个体感姿势样本的表面肌电信号和脑电信号20个时域和频域特征，对每个特征数据进行归一化处理，
其中，
为生理信号特征数据归一化后的值；yi为第i个生理信号特征数据的原始值，ymax，ymin分别为yi中的最大值和最小值；
Step4：建立多通道生理信号体感姿势LSSVM识别模型：
其中多通道生理信号体感姿势LSSVM识别模型如下，首先将姿势识别问题转化为多个二分类问题，构造12个SVM二分类器，第K次分类把姿势类别为 K的样本定为正样本，剩余的其他类别姿势样本合起来定为负样本，即输出结果分别为+1和-1，其中属于正类的记为+1，负类的记为-1，这样就得到一个大的分类器，实现了对12类体感姿势样本进行识别的目的，每个体感姿势LSSVM二分类器分类基础为寻找一个满足数据分类要求的最优超平面，使得超平面在确保分类精度的情况下，超平面与两类样本点距离最大，设特征提取后的体感姿势样本集为{(x1,y1),(x2,y2),…,(x2,yl)}，其中xi为生理信号输入样本，yi为输出样本，构造决策分类函数f(x)＝sgn(wT·xi+b)，w为权重矢量，b为偏置，基于统计理论，最小二乘二乘支持向量机模型通过以下目标数极小化确定分类函分数：
s.t.yi[wTxi+b]≥1-ξi,(ξi≥0,i＝1,...,l)
其中C为惩罚参数，可以控制对错分样本的惩罚程度，ξi为松弛因子，引入拉格朗日乘法算子，对上式求解，建立寻找最优超平面的目标函数：
分别对λ、b求偏导数，并令其等于零，采用适当的内积函数实现非线性变换后的线性分类，实现训练样本间的内积运算，可求解出λ、b，所建立的SVM 的最终分类函数为
其中，λ为拉格朗日乘子， K(xi,x)为LSSVM模型的核函数，本发明选择核函数的表达式为
其中σ为核参数；
Step5：PSO优化训练多通道生理信号体感姿势SVM识别模型；
在Step4建立的SVM模型中，核函数参数σ、惩罚参数C的数值大小对模型的精度有重大影响，采取网格搜索法即GS算法去获得最优的核函数参数σbest、惩罚参数Cbest的数值，所述网格搜索法是指定参数值的一种穷举搜索方法，通过将估计函数的参数通过交叉验证的方法进行优化来得到最优的学习算法，将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成“网格”；
首先将生理信号样本集按照8:2的比例划分为训练样本集和测试样本集，粗略选取能决定σ与C搜索范围的两个参数β∈[βmin,βmax]和ε∈[εmin,εmax]，β和ε为在各自步长下的取值，若σ与C的取值步长分别为a与b，则σ与C的每一次搜索值Pk＝(σ＝2βi,C＝2εj)，其中
将LSSVM中σ与C参数设置为Pk，结合训练集对LSSVM进行训练，利用测试集输出得到分类正确率，将最高正确率对应的Pk记录下来，重新选择新的β和ε，确保搜索结束时Pk落在网格边界内，并继续计算，直到最高正确率对应的Pk没有落在由σ与C搜索范围组成的网格边界上，
则认定得到了最优的优化参数σbest和Cbest，整个模型算法基于MATLAB平台编写程序，并在该平台上载入样本数据训练和实时测试；
Step6：基于最优多通道生理信号体感姿势识别模型测试
在建立了最优的GS-LSSVM多通道生理信号体感姿势识别模型后，实时采集人体的脑电信号和表面肌电信号，使用小波阈值降噪后，经特征提取后，通过优化训练好的GS-LSSVM多通道生理信号体感姿势识别模型得出12种姿势识别的结果。
作为本发明进一步改进，步骤1中12类体感姿势态包括双臂向下张开，双臂水平伸展，双臂向上张开，双臂高举，双臂前伸，单腿前踢，单腿侧踢，单腿后蹬，弓步，弯腰，下蹲12种姿势。
作为本发明进一步改进，步骤2时域特征有7个，分别为最大值Max、最小值Min、中值Median、均值Mean、标准差Std、一阶差分1Diff和二阶差分2Diff。
作为本发明进一步改进，步骤3所提取的3个频域特征，分别为中值频率 MedianFrequency,MDF、均值频率Mean Frequency,MNF和频率比Frequency Ratio,FR。
本发明提出一种基于GS-LSSVM的多通道生理信号体感姿势识别方法，有益效果如下：
(1)使用多通道生理信号作为体感姿势识别的特征，实时性更好，受环境影响较小，识别鲁棒性好。
(2)本发明采用小波阈值法对原始生理信号进行降噪，减少了信号的噪声干扰。
(3)本发明提取了多通道生理信号的频域特征和时域特征，丰富了特征量，为建立表征体感姿势的模型奠定了坚实的基础。
(4)本方法利用网格搜索法全局搜索最优的特性对最小二乘支持向量机模型进行改进优化，优化搜索过程中各优化参数相互独立，获取最佳的LSSVM体感姿势识别模型参数，能使算法达到全局最优，具有较好的泛化能力，省去了人工选择参数的大量工作。
(5)本发明提出的基于GS-LSSVM的多通道生理信号体感姿势识别方法与传统的方法相比，具有较好的识别精度，可满足实际的应用需求。
附图说明
图1本发明基于GS-LSSVM的多通道生理信号体感姿势识别方法流程图；
图2本发明生理信号的小波阈值降噪法。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种基于GS-LSSVM的多通道生理信号体感姿势识别方法，识别精度高，实时性好，识别鲁棒性较好。
作为本发明一种实施例，其中基于GS-LSSVM的多通道生理信号体感姿势识别方法流程图如图1，生理信号的小波阈值降噪法如图2所示，具体步骤如下；
Step1：采集人体生理信号原始样本
本发明选择表面肌电信号和脑电信号两个通道的生理信号做体感势识别的样本。选取多个身体状况健康的志愿者作为实验研究对象，每个实验者都佩戴有可穿戴智能交互设备，设备有表面肌电传感器(sEMG)和脑电传感器(EEG)。实验者分别多次做出站姿，双臂向下张开，双臂水平伸展，双臂向上张开，双臂高举，双臂前伸，单腿前踢，单腿侧踢，单腿后蹬，弓步，弯腰，下蹲12种姿势，传感器分别收集每次姿势的表面肌电信号和脑电信号，并根据姿势类别进行标注。为了确保在每个体感姿势下收集的生理信号能够被精确地标记，每个姿势大约12s的信号中只有中间的10s被标记为稳态信号。它排除了两个姿势之间的过渡状态，并且还避免了用来跟随下一个姿势的相应时间。
Step2：小波阈值法降噪
表面肌电信号和脑电信号属于较低频信号，但在实际采集过程中数据往往会掺杂一些高频噪声，这些噪声对后期的特征提取和识别模型构建有很大的影响。本发明采用小波阈值法对信号进行降噪去干扰，选择sym8小波为小波基函数，选择信号的三层分解，根据固定阀值原则选用软阀值函数进行降噪，最后进行小波重构，得到降噪处理后的信号。
Step3：生理信号特征提取
以生理信号作为数据源进行体感姿势识别，需要从生理信号中提取出具有代表性的特征作为体感姿势分类时的重要指标。
本发明中将选用生理信号的时域特征和频域特征来度量生理信号数据的特征，其中时域特征有7个，分别为最大值(Max)、最小值(Min)、中值 (Median)、均值(Mean)、标准差(Std)、一阶差分(1Diff)、二阶差分(2Diff)。
均值的表达式为
其中N是信号序列的样本长度，
为归一化后的生理信号值
其中xmin为生理信号的最小值，xmax为生理信号的最大值，xk表示生理信号的第k个数值。
标准差表达式为
一阶差分能够表征信号变化的快慢以及变化趋势和信号中存在的极点值，表达式为
其中，tk为生理信号的采样时间节点。
二阶差分能够检测出信号中的拐点位置，表达式为
在对生理信号进行频域特征提取前，采用傅立叶变换(FFT)对信号进行处理将时域信号转化为频域信号，并对得到的频域信号提取特征。所提取的频域特征有3个，分别为中值频率(Median Frequency,MDF)、均值频率 (Mean Frequency,MNF)、频率比(FrequencyRatio,FR)。中值频率表示频谱被分成两个幅度相等的区域的频率，表达式为
pj为是在频率j处的肌电信号功率谱，M为整个频段的长度。均值频率表示功率谱与频率的乘积之和与频谱强度总和的比值，表达式为
其中fj表示频段上的频谱。频率比为生理信号的低频分量与高频分量之比，表达式为
其中ULC和LLC是低频段的上位截断频率和下位截断频率，而UHC和LHC则是高频段的上位截断频率和下位截断频率。
则共提取每个体感姿势样本的表面肌电信号和脑电信号20个时域和频域特征。对每个特征数据进行归一化处理，
其中，
为生理信号特征数据归一化后的值；yi为第i个生理信号特征数据的原始值，ymax，ymin分别为yi中的最大值和最小值。
Step4：建立多通道生理信号体感姿势LSSVM识别模型
本发明提出多通道生理信号体感姿势LSSVM识别模型，首先将姿势识别问题转化为多个二分类问题，构造12个SVM二分类器，第K次分类把姿势类别为K的样本定为正样本，剩余的其他类别姿势样本合起来定为负样本，即输出结果分别为+1和-1，其中属于正类的记为+1，负类的记为-1，这样就得到一个大的分类器，实现了对12类体感姿势样本进行识别的目的。每个体感姿势LSSVM二分类器分类基础为寻找一个满足数据分类要求的最优超平面，使得超平面在确保分类精度的情况下，超平面与两类样本点距离最大。设特征提取后的体感姿势样本集为{(x1,y1),(x2,y2),…,(x2,yl)}，其中 xi为生理信号输入样本，yi为输出样本。构造决策分类函数 f(x)＝sgn(wT·xi+b)，w为权重矢量，b为偏置。基于统计理论，最小二乘二乘支持向量机模型通过以下目标数极小化确定分类函分数：
s.t.yi[wTxi+b]≥1-ξi,(ξi≥0,i＝1,...,l)
其中C为惩罚参数，可以控制对错分样本的惩罚程度，ξi为松弛因子。引入拉格朗日乘法算子，对上式求解，建立寻找最优超平面的目标函数：
分别对λ、b求偏导数，并令其等于零，采用适当的内积函数实现非线性变换后的线性分类，实现训练样本间的内积运算，可求解出λ、b。所建立的SVM的最终分类函数为
其中，λ为拉格朗日乘子，K(xi,x)为LSSVM模型的核函数，本发明选择核函数的表达式为
其中σ为核参数。
Step5：PSO优化训练多通道生理信号体感姿势SVM识别模型
在Step4建立的SVM模型中，核函数参数σ、惩罚参数C的数值大小对模型的精度有重大影响，本发明采取网格搜索法(GS算法)去获得最优的核函数参数σbest、惩罚参数Cbest的数值。所述网格搜索法是指定参数值的一种穷举搜索方法，通过将估计函数的参数通过交叉验证的方法进行优化来得到最优的学习算法，将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成“网格”。首先将生理信号样本集按照8:2的比例划分为训练样本集和测试样本集，粗略选取能决定σ与C搜索范围的两个参数β∈[βmin,βmax]和ε∈[εmin,εmax]，β和ε为在各自步长下的取值。若σ与C的取值步长分别为a与b，则σ与C的每一次搜索值Pk＝(σ＝2βi,C＝2εj)，其中
将LSSVM中σ与C参数设置为Pk，结合训练集对LSSVM进行训练，利用测试集输出得到分类正确率，将最高正确率对应的Pk记录下来。重新选择新的β和ε，确保搜索结束时Pk落在网格边界内，并继续计算，直到最高正确率对应的Pk没有落在由σ与C搜索范围组成的网格边界上，
则认定得到了最优的优化参数σbest和Cbest。整个模型算法基于MATLAB平台编写程序，并在该平台上载入样本数据训练和实时测试。
Step6：基于最优多通道生理信号体感姿势识别模型测试
在建立了最优的GS-LSSVM多通道生理信号体感姿势识别模型后，实时采集人体的脑电信号和表面肌电信号，使用小波阈值降噪后，经特征提取后，通过优化训练好的GS-LSSVM多通道生理信号体感姿势识别模型得出 12种姿势识别的结果。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
Claims (4)
1.一种基于GS-LSSVM的多通道生理信号体感姿势识别方法，其特征在于，具体步骤如下：
Step1：采集人体生理信号原始样本；
本发明选择表面肌电信号和脑电信号两个通道的生理信号做体感势识别的样本，选取多个身体状况健康的志愿者作为实验研究对象，每个实验者都佩戴有可穿戴智能交互设备，设备有表面肌电传感器sEMG和脑电传感器EEG，实验者分别多次做出12类体感姿势，传感器分别收集每次姿势的表面肌电信号和脑电信号，并根据姿势类别进行标注，为了确保在每个体感姿势下收集的生理信号能够被精确地标记，每个姿势大约12s的信号中只有中间的10s被标记为稳态信号，它排除了两个姿势之间的过渡状态，并且还避免了用来跟随下一个姿势的相应时间；
Step2：小波阈值法降噪；
表面肌电信号和脑电信号属于较低频信号，但在实际采集过程中数据往往会掺杂一些高频噪声，这些噪声对后期的特征提取和识别模型构建有很大的影响，采用小波阈值法对信号进行降噪去干扰，选择sym8小波为小波基函数，选择信号的三层分解，根据固定阀值原则选用软阀值函数进行降噪，最后进行小波重构，得到降噪处理后的信号；
Step3：生理信号特征提取；
以生理信号作为数据源进行体感姿势识别，需要从生理信号中提取出具有代表性的特征作为体感姿势分类时的重要指标；
将选用生理信号的时域特征和频域特征来度量生理信号数据的特征，其中时域特征有7个；
均值的表达式为
其中N是信号序列的样本长度，
为归一化后的生理信号值
其中xmin为生理信号的最小值，xmax为生理信号的最大值，xk表示生理信号的第k个数值；
标准差表达式为
一阶差分能够表征信号变化的快慢以及变化趋势和信号中存在的极点值，表达式为
其中，tk为生理信号的采样时间节点；
二阶差分能够检测出信号中的拐点位置，表达式为
在对生理信号进行频域特征提取前，采用傅立叶变换FFT对信号进行处理将时域信号转化为频域信号，并对得到的频域信号提取特征，所提取的频域特征有3个；
中值频率表示频谱被分成两个幅度相等的区域的频率，表达式为
pj为是在频率j处的肌电信号功率谱，M为整个频段的长度，均值频率表示功率谱与频率的乘积之和与频谱强度总和的比值，表达式为
其中fj表示频段上的频谱，频率比为生理信号的低频分量与高频分量之比，表达式为
其中ULC和LLC是低频段的上位截断频率和下位截断频率，而UHC和LHC则是高频段的上位截断频率和下位截断频率；
则共提取每个体感姿势样本的表面肌电信号和脑电信号20个时域和频域特征，对每个特征数据进行归一化处理，
其中，
为生理信号特征数据归一化后的值；yi为第i个生理信号特征数据的原始值，ymax，ymin分别为yi中的最大值和最小值；
Step4：建立多通道生理信号体感姿势LSSVM识别模型：
其中多通道生理信号体感姿势LSSVM识别模型如下，首先将姿势识别问题转化为多个二分类问题，构造12个SVM二分类器，第K次分类把姿势类别为K的样本定为正样本，剩余的其他类别姿势样本合起来定为负样本，即输出结果分别为+1和-1，其中属于正类的记为+1，负类的记为-1，这样就得到一个大的分类器，实现了对12类体感姿势样本进行识别的目的，每个体感姿势LSSVM二分类器分类基础为寻找一个满足数据分类要求的最优超平面，使得超平面在确保分类精度的情况下，超平面与两类样本点距离最大，设特征提取后的体感姿势样本集为{(x1,y1),(x2,y2),…,(x2,yl)}，其中xi为生理信号输入样本，yi为输出样本，构造决策分类函数f(x)＝sgn(wT·xi+b)，w为权重矢量，b为偏置，基于统计理论，最小二乘二乘支持向量机模型通过以下目标数极小化确定分类函分数：
s.t.yi[wTxi+b]≥1-ξi,(ξi≥0,i＝1,...,l)
其中C为惩罚参数，可以控制对错分样本的惩罚程度，ξi为松弛因子，引入拉格朗日乘法算子，对上式求解，建立寻找最优超平面的目标函数：
分别对λ、b求偏导数，并令其等于零，采用适当的内积函数实现非线性变换后的线性分类，实现训练样本间的内积运算，可求解出λ、b，所建立的SVM的最终分类函数为
其中，λ为拉格朗日乘子，K(xi,x)为LSSVM模型的核函数，选择核函数的表达式为
其中σ为核参数；
Step5：PSO优化训练多通道生理信号体感姿势SVM识别模型；
在Step4建立的SVM模型中，核函数参数σ、惩罚参数C的数值大小对模型的精度有重大影响，采取网格搜索法即GS算法去获得最优的核函数参数σbest、惩罚参数Cbest的数值，所述网格搜索法是指定参数值的一种穷举搜索方法，通过将估计函数的参数通过交叉验证的方法进行优化来得到最优的学习算法，将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成“网格”；
首先将生理信号样本集按照8:2的比例划分为训练样本集和测试样本集，粗略选取能决定σ与C搜索范围的两个参数β∈[βmin,βmax]和ε∈[εmin,εmax]，β和ε为在各自步长下的取值，若σ与C的取值步长分别为a与b，则σ与C的每一次搜索值
其中
将LSSVM中σ与C参数设置为Pk，结合训练集对LSSVM进行训练，利用测试集输出得到分类正确率，将最高正确率对应的Pk记录下来，重新选择新的β和ε，确保搜索结束时Pk落在网格边界内，并继续计算，直到最高正确率对应的Pk没有落在由σ与C搜索范围组成的网格边界上，则认定得到了最优的优化参数σbest和Cbest，整个模型算法基于MATLAB平台编写程序，并在该平台上载入样本数据训练和实时测试；
Step6：基于最优多通道生理信号体感姿势识别模型测试
在建立了最优的GS-LSSVM多通道生理信号体感姿势识别模型后，实时采集人体的脑电信号和表面肌电信号，使用小波阈值降噪后，经特征提取后，通过优化训练好的GS-LSSVM多通道生理信号体感姿势识别模型得出12种姿势识别的结果。
2.根据权利要求1所述的一种基于GS-LSSVM的多通道生理信号体感姿势识别方法，其特征在于：步骤1中12类体感姿势态包括双臂向下张开，双臂水平伸展，双臂向上张开，双臂高举，双臂前伸，单腿前踢，单腿侧踢，单腿后蹬，弓步，弯腰，下蹲12种姿势。
3.根据权利要求1所述的一种基于GS-LSSVM的多通道生理信号体感姿势识别方法，其特征在于：步骤2时域特征有7个，分别为最大值Max、最小值Min、中值Median、均值Mean、标准差Std、一阶差分1Diff和二阶差分2Diff。
4.根据权利要求1所述的一种基于GS-LSSVM的多通道生理信号体感姿势识别方法，其特征在于：步骤3所提取的3个频域特征，分别为中值频率Median Frequency,MDF、均值频率Mean Frequency,MNF和频率比Frequency Ratio,FR。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010263608.9A CN111476295A (zh) | 2020-04-07 | 2020-04-07 | 一种基于gs-lssvm的多通道生理信号体感姿势识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010263608.9A CN111476295A (zh) | 2020-04-07 | 2020-04-07 | 一种基于gs-lssvm的多通道生理信号体感姿势识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111476295A true CN111476295A (zh) | 2020-07-31 |
Family
ID=71749883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010263608.9A Pending CN111476295A (zh) | 2020-04-07 | 2020-04-07 | 一种基于gs-lssvm的多通道生理信号体感姿势识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476295A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113303816A (zh) * | 2021-04-30 | 2021-08-27 | 浙江大学 | 一种基于面部表面肌电信号的味觉感知识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101732110A (zh) * | 2009-11-19 | 2010-06-16 | 杭州电子科技大学 | 用于手部动作识别的脑电和肌电信号混沌特征融合方法 |
| KR20140115153A (ko) * | 2013-03-20 | 2014-09-30 | 광주과학기술원 | 관객 반응 분석 장치 및 방법과 이를 이용한 관객 반응 분석 시스템 |
| CN108403112A (zh) * | 2018-04-02 | 2018-08-17 | 东北电力大学 | 基于嗅觉脑电波和gs-svm进行感官物质分类的方法 |
| CN109976526A (zh) * | 2019-03-27 | 2019-07-05 | 广东技术师范大学 | 一种基于表面肌电传感器和九轴传感器的手语识别方法 |
| CN110399846A (zh) * | 2019-07-03 | 2019-11-01 | 北京航空航天大学 | 一种基于多通道肌电信号相关性的手势识别方法 |
-
2020
- 2020-04-07 CN CN202010263608.9A patent/CN111476295A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101732110A (zh) * | 2009-11-19 | 2010-06-16 | 杭州电子科技大学 | 用于手部动作识别的脑电和肌电信号混沌特征融合方法 |
| KR20140115153A (ko) * | 2013-03-20 | 2014-09-30 | 광주과학기술원 | 관객 반응 분석 장치 및 방법과 이를 이용한 관객 반응 분석 시스템 |
| CN108403112A (zh) * | 2018-04-02 | 2018-08-17 | 东北电力大学 | 基于嗅觉脑电波和gs-svm进行感官物质分类的方法 |
| CN109976526A (zh) * | 2019-03-27 | 2019-07-05 | 广东技术师范大学 | 一种基于表面肌电传感器和九轴传感器的手语识别方法 |
| CN110399846A (zh) * | 2019-07-03 | 2019-11-01 | 北京航空航天大学 | 一种基于多通道肌电信号相关性的手势识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 徐斌: "基于脑电与肌电信号融合的多自由度手部动作识别研究", 《万方——中国学位论文全文数据库》 * |
| 穆彤: "用于外骨骼机器人控制的人体肌电信号模式识别方法研究", 《天水师范学院学报》 * |
| 郑世钰: "基于支持向量机的手臂动作表面肌电信号模式分类方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113303816A (zh) * | 2021-04-30 | 2021-08-27 | 浙江大学 | 一种基于面部表面肌电信号的味觉感知识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105426842B (zh) | 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 | |
| CN104523266B (zh) | 一种心电信号自动分类方法 | |
| Yu et al. | Hand medical monitoring system based on machine learning and optimal EMG feature set | |
| CN109833035B (zh) | 脉搏波血压测量装置的分类预测数据处理方法 | |
| CN102930284B (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 | |
| CN101561868B (zh) | 基于高斯特征的人体运动情感识别方法 | |
| CN111046731B (zh) | 基于表面肌电信号进行手势识别的迁移学习方法和识别方法 | |
| CN101776981B (zh) | 脑电与肌电联合控制鼠标的方法 | |
| CN111476158B (zh) | 一种基于pso-pca-svm的多通道生理信号体感手势识别方法 | |
| CN102622605A (zh) | 一种表面肌电信号的特征提取及动作模式识别方法 | |
| CN111860410A (zh) | 基于多特征融合cnn的肌电手势识别方法 | |
| CN105654063A (zh) | 基于人工蜂群时频参数优化的运动想象脑电模式识别方法 | |
| CN101859377A (zh) | 基于多核支持向量机的肌电信号分类方法 | |
| CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
| CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
| CN101561881B (zh) | 人体非程式化运动的情感识别方法 | |
| WO2024098649A1 (zh) | 一种基于生理唤醒识别的街道绿化品质检测方法 | |
| CN104679967A (zh) | 一种判断心理测试可靠性的方法 | |
| CN107045624B (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
| CN111476295A (zh) | 一种基于gs-lssvm的多通道生理信号体感姿势识别方法 | |
| CN109800792A (zh) | 基于模糊c均值和dbi的肌电信号特征选择方法 | |
| CN108338777A (zh) | 一种脉搏信号检测分析方法及装置 | |
| CN113128384A (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
| Bilang et al. | Cactaceae detection using MobileNet architecture | |
| CN108078563A (zh) | 一种集成分类器的eeg信号分析方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200731 |
|
| RJ01 | Rejection of invention patent application after publication |