CN114220164A - 一种基于变分模态分解和支持向量机的手势识别方法 - Google Patents

Abstract

本发明公开了一种基于变分模态分解和支持向量机的手势识别方法，首先使用变分模态分解算法对表面肌电信号进行分解降噪，同时采用改进的人工蜂群优化算法实现对变分模态分解算法参数的最优选取，避免了人为选取的盲目性；然后基于分解后的变分模态分量提取4阶自回归模型参数和模糊熵，构建多尺度的特征集，能够有效的提取表面肌电信号特征；最后使用改进布谷鸟算法优化的支持向量机构建的多分类器进行分类和手势识别，在样本数较少的情况下实现较好的分类效果。本发明解决了变分模态分解算法参数的选取问题，能够更有效地获取肌电信号的特征，提高了基于表面肌电信号的手势识别的准确性和速度。

Description

一种基于变分模态分解和支持向量机的手势识别方法

技术领域

本发明涉及一种基于变分模态分解和支持向量机的手势识别方法，属于表面肌电信号识别领域。

背景技术

随着交叉学科研究发展，表面肌电信号手势识别被广泛应用与生物医学、康复机器人和人工智能等方面，此项研究在生物信号处理和模式识别领域已发展成为热门的研究课题。表面肌电信号具有非线性、非平稳、随机性强、信号弱等特点，且肌电信号在采集过程中会加入背景噪声，常用的特征提取方法很难获取表面肌电信号数据中的真实结构，使得模式识别变得困难。

对于采集到的表面肌电信号噪声较多的问题，目前的研究以小波分解、经验模态分解、集合经验模态分解等算法为主。申请号为“201910318759.7”的专利文献公开了一种“基于经验模态全变分的表面肌电信号去噪方法”，其采用经验模态分解进行信号自适应的分解，实现对表面肌电信号的降噪，但容易产生端点效应和模态混叠，不利于特征提取；申请号为“201810552616.8”的专利文献公开了一种“表面肌电信号手势识别方法”，其采用变分模态分解算法对表面肌电信号进行分解，通过快速独立分量分析进行降噪，但变分模态分解算法的参数是人为选取，具有盲目性。

关于表面肌电信号的特征提取，传统方法以时域或频域特征为主，容易丢失表面肌电信号的一部分特征。申请号为“201810552241.5”的专利文献公开了一种“极限学习机-隐马尔可夫模型的手势肌电信号识别方法”，其采用均方根、平均幅值和标准差时域特征用于分类，会丢失大量的频域特征，对分类效果造成影响。

同时，在分类器的设计上，申请号为“202110441452.3”的专利文献公开了“一种基于多模态信息融合的手势识别技术”，其采用基于遗传算法优化的反向传播神经网络进行识别，但算法的学习过程收敛较慢且学习率不稳定，难以解决应用问题的实例规模和网络规模间的矛盾问题。

针对以上存在的问题，本发明提出：使用变分模态分解算法对表面肌电信号进行分解降噪，同时采用改进的人工蜂群优化算法实现对变分模态分解算法参数的最优选取，避免了人为选取的盲目性；同时，基于分解后的变分模态分量提取 4阶自回归模型参数和模糊熵，构建多尺度的特征集，能够有效的提取表面肌电信号特征；分类器采用基于布谷鸟优化算法优化的支持向量机构建多分类器，在样本数较少的情况下实现较好的分类效果。

发明内容

本发明的目的在于提供一种基于变分模态分解(VMD)和支持向量机(SVM)的手势识别方法，应用于表面肌电信号识别领域。本发明解决了三方面的问题：一是用改进人工蜂群优化算法优化变分模态分解算法，实现了对变分模态分解算法参数的最优选取；二是用4阶自回归模型参数和模糊熵构建多尺度特征集，提取更多表面肌电信号特征信息；三是用基于布谷鸟优化算法的支持向量机设计多分类器，能够以较少的样本实现较好的分类效果。

本发明的目的通过以下技术方案予以实现：

一种基于变分模态分解和支持向量机的手势识别方法，包括以下步骤：

步骤(1)采集表面肌电信号，建立训练集和测试集；

步骤(2)从构建好的表面肌电信号训练集中任意提取一次表面肌电信号进行变分模态分解，得到各变分模态函数分量u_k，模态分量u_k第n次更新公式为：

式中α是惩罚因子，

是手势表面肌电信号的傅里叶变换，

是拉格朗日乘子的傅里叶变换，

是第i个模态分量的傅里叶变换，

是第K个模态分量第n次更新，n是表达式(1)的更新次数，为0～K-1，ω为表面肌电信号的数字域频率，ω_k＝{ω₁，ω₂，...，ω_k}是全部变分模态分量的中心频率，k从1循环到K，K是变分模态分解个数，K和α由改进人工蜂群优化算法确定；

步骤(3)对每个变分模态分量计算其4阶自回归模型系数和模糊熵，对任意一个变分模态分量u_k建立如下的自回归模型

式中

m分别是分量u_k的自回归模型AR(m)的模型参数和模型阶数；e_k(t)为模型的残差，是均值为零、方差为

的白噪声序列；由于自回归参数

反映了表面肌电信号的固有特性，因此，可以采用

作为特征向量；同时根据式(3)计算各变分模态分量的模糊熵 (FuzzyEn)

FuzzyEn(m，r，N)＝lnΦ^m(r)-lnΦ^m+1(r) (3)

式中m(m≤N-2)为相空间维数，N为时间序列维数，r为相似容限度，Φ^m(r)为平均相似度；将各模态分量的4阶自回归模型系数和模糊熵构建成多尺度特征集合。

步骤(4)将训练集中所有表面肌电信号的特征向量输入多分类器进行训练，多分类器由基于改进布谷鸟算法优化的支持向量机子分类器组成，训练完成后将测试集中的特征向量输入多分类器中进行手势识别。

本发明的目的还可以通过以下技术措施来进一步实现：

进一步的，步骤(2)中所述的K和α由改进人工蜂群优化算法确定具体包括：

步骤(2.1)：对改进人工蜂群优化算法进行初始化参数设置，包括：蜂群规模SN＝40，限定采蜜次数k_limit＝20，最大进化次数k_max＝100，概率阈值P_limit＝ 0.025，解向量维数J＝2；初始化种群，每个蜜源对应变分模态分解算法参数优化问题的一个可行解，变分模态分解算法参数初始化为：分解层数K＝1，惩罚因子α＝100；

步骤(2.2)：工蜂首先对蜜源进行领域搜索，根据公式对蜜源位置进行更新。

v_lj＝x_lj+φ_lj(x_lj-x_kj) (4)

式中：φ_lj为[-1，1]之间的随机数；k为[1，SN]之间的随机序数，l为工蜂现在的蜜源位置，j为[1，J]之间的随机数。

步骤(2.3)：计算蜜源处的适应值，适应值计算采用局部极小包络熵值。当某一组参数(K，α)确定时，计算变分模态分解得到的所有变分模态分量的包络熵，将最小的一个称为局部极小熵值。已知一个包含N的数据点的时间信号，信号包络熵

概率

式中：a(i)——u_k经Hibert解调后得到的包络信号。

步骤(2.4)：根据公式计算蜜源被选中的概率P_l。

式中：fit_l——蜜源i的适应度值。

步骤(2.5)：蜜源被选中的最大的概率值P_max＜P_limit，则工蜂在连续k_limit次迭代下，得到的解的适应度值没有达到要求的情况下，工蜂转化为侦察蜂，由公式随机产生一个新解替代原来的解。

式中rand(0，1)为求取随机数，x_lj表示第l个解的第j个分量，

表示解向量的最小值，

表示解向量的最大值。

若蜜源被选中的最大的概率值P_max＞P_limit，最大概率值所处的蜜源位置为 v_best。工蜂转化为侦察蜂，随机产生一个新解替代原来的解为：

式中：x_lj表示第l个解的第j个分量，

表示解向量的最大值，

表示解向量的最小值。

步骤(2.6)：记录最优解；如果判断满足终止条件，则进入步骤(2.7)；否则，返回步骤(2.2)。

步骤(2.7)：将得到的最优参数(K，α)输入变分模态分解算法中。

进一步的，步骤(2)中所述的变分模态分解算法具体包括：

步骤(3.1)：由改进人工蜂群算法获取变分模态分解算法参数：分解层数K，惩罚因子α，初始化u_k，n＝0，n为迭代次数，将处理好的表面肌电信号输入至变分模态分解算法中。

步骤(3.2)：n＝n+1，进入循环。

步骤(3.3)：依据u_k的更新公式进行更新，直至分解个数达到K时停止内循环，u_k第n次迭代的更新公式为：

式中：

是手势表面肌电信号的傅里叶变换，

是拉格朗日乘子的傅里叶变换，

是第i个模态分量的傅里叶变换，

是第K个模态分量第n次更新，ω为表面肌电信号的数字域频率，ω_k＝{ω₁，ω₂，...，ω_k}是全部变分模态分量的中心频率，k从1循环到K。

步骤(3.4)：给定精度ε＝1×10^-6，若满足停止条件

停止循环，输出变分模态分量u_k；否则进入步骤(3.2)，继续循环。

进一步的，步骤(3)中所述的多尺度特征集合的构建具体包括：

步骤(4.1)：对任意一个变分模态分量u_k建立如下的自回归模型

式中

m分别是分量u_k的自回归模型AR(m)的模型参数和模型阶数；e_k(t)为模型的残差，是均值为零、方差为

的白噪声序列；

计算得到的

作为4阶自回归模型系数。

步骤(4.2)：将变分模态分量的时间序列设为X(i)＝{x(1)，x(2)，...，x(n)}，对其进行相空间重构，得到时间序列Y为：

Y(i)＝[x(i)，x(i+1)，…，x(i+m-1)]-x₀(i)，i＝1，2，…，N-m+1 (13)

式中，m为嵌入维数，

为均值。

步骤(4.3)：定义两个时间序列Y(i)与Y(j)之间的距离为：

步骤(4.4)：引入模糊隶属函数，利用模糊函数计算时间序列Y(i)与Y(j)之间的相似度，其中，r为相似容忍度j＝1，2，...N-m+1，且i≠j。

步骤(4.5)：定义平均相似度函数：

步骤(4.6)：原时间序列的模糊熵：

步骤(4.7)：对于有限长度的时间序列模糊熵：

FuzzyEn(m，r，N)＝lnΦ^m(r)-lnΦ^m+1(r) (19)

式中m(m≤N-2)为相空间维数，N为时间序列维数，r为相似容限度，Φ^m(r)为平均相似度；将各模态分量的4阶自回归模型系数和模糊熵构建成多尺度特征集合。

进一步的，步骤(4)中所述的基于改进布谷鸟算法优化的支持向量机子分类器具体包括：

步骤(5.1)：选取高斯径向基核函数作为支持向量机的核函数，初始化核函数参数g和惩罚因子c，在值空间内随机生成N个鸟巢的初始方位z_i(i＝ 1，2，…，N)，并设置布谷鸟算法中的有关参数：种群的规模N，维数nd，被宿主鸟发现的最大概率P_a，以及算法的最大循环次数T。

步骤(5.2)：选用均方误差(MSE)作为评价算法精度的适应度函数，公式如下：

式中：y_i代表的是算法预测值，

代表的样本的实际监测值，n表示样本大小。

计算当前每个鸟窝的适应度值，并将所有鸟窝的适应度计算结果相互对比分析，MSE值最小的鸟窝质量最好，即适应度值最好；

步骤(5.3)：根据公式进行寻优更新；

式中：z_i(n+1)表示第i个巢穴在第n+1次迭代更新的位置，

代表的是两个向量的点乘，α表示和问题规模相关的长度调节量，用来确定莱维飞行的搜索尺度，公式如下，

α＝α₀×(z_i(n)-z_best) (22)

其中z_best表示当前鸟巢中质量最佳的方位，α₀一般取0.01，本方法对其进行改进，改进后的α₀为：

其中it表示循环次数，it_max为最大迭代次数；

L(λ)表示列维分布，一般采用如下公式计算：

上式中μ，v均服从标准正态分布，

λ的取值为λ＝1.5，而

为：

步骤(5.4)：迭代更新阶段，根据设定的发现概率P_α＝0.25，用随机产生的服从0-1均匀分布的数值R与鸟巢主人发现概率P_α相比较，若R＞P_α，则对位置进行随机改变，反之不变，获得正确率最高的巢穴z＝[g，c]用于后续择优对比，满足要求则进入下一步，否则返回步骤(5.3)更新。

步骤(5.5)：将参数导入支持向量机中。

进一步的，步骤(4)中所述的多分类器采用“一对一”(OVO)法设计多分类器具体包括：

采用“一对一”(OVO)法训练多分类器，即在训练阶段，将所有类样本按类型不同两两组合构成训练样本子集，每次选取一个样本子集输入基于改进布谷鸟算法优化的支持向量机子分类器训练，训练的结果是每个子分类器具有区分确定的两个类型输入样本的能力，这样一共需要训练K(K-1)/2个改进支持向量机子分类器。在分类识别阶段，将多个支持向量机子分类器对未知类型的输出进行综合判断，采用投票方式完成多类别判别，即得票最多的类就被作为最终判定结果输出。

相比于现有技术，本发明的有益效果是：

1.本发明采用改进人工蜂群优化算法对变分模态分解算法进行优化，通过计算变分模态分量的局部极小包络熵值作为衡量变分模态分解效果的指标来实现变分模态分解算法参数的最优选取，避免了人为选取的盲目性，提高了寻找参数效率，解决了因参数选择不当而导致出现模态混叠的现象，为后续的特征提取、分类提供了有效的帮助。

2.本发明采用4阶自回归模型系数和模糊熵构建的多尺度特征向量作为分类特征，能够较好地提取表面肌电信号的内部特征，相比于传统的时域特征、频域特征能够包含更多表面肌电信号的信息，从而实现更好的分类效果。

3.本发明使用基于改进布谷鸟算法优化的支持向量机子分类器构建多分类器，能够实现对支持向量机参数的最有选取，能够在小样本情况下实现更好的分类效果，训练时间相比于深度学习更少，易于应用在实际项目中。

附图说明

图1是手势识别总流程图；

图2是基于人工蜂群算法改进的变分模态分解算法流程图；

图3是特征提取流程图；

图4是基于改进布谷鸟算法优化支持向量机算法流程图；

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

如图1所示，基于变分模态分解和支持向量机的手势识别方法的主要步骤为：

步骤1.1：采集表面肌电信号，构建训练集和测试集；

步骤1.2：从构建好的表面肌电信号训练集中任意提取一次表面肌电信号进行变分模态分解，得到各变分模态函数分量u_k，模态分量u_k第n次更新公式为：

式中α是惩罚因子，

是手势表面肌电信号的傅里叶变换，

是拉格朗日乘子的傅里叶变换，

是第i个模态分量的傅里叶变换，

是第K个模态分量第n次更新，n是表达式(1)的更新次数，为0～K-1，ω为表面肌电信号的数字域频率，ω_k＝{ω₁，ω₂，...，ω_k}是全部变分模态分量的中心频率，k从1循环到K，K是变分模态分解个数，K和α由改进人工蜂群优化算法确定；

步骤1.3：对每个变分模态分量计算其4阶自回归模型系数和模糊熵，对任意一个变分模态分量u_k建立如下的自回归模型

式中

m分别是分量u_k的自回归模型AR(m)的模型参数和模型阶数；e_k(t)为模型的残差，是均值为零、方差为

的白噪声序列；由于自回归参数

反映了表面肌电信号的固有特性，因此，可以采用

作为特征向量；同时根据式(24)计算各变分模态分量的模糊熵(FuzzyEn)

FuzzyEn(m，r，N)＝lnΦ^m(r)-lnΦ^m+1(r) (28)

式中m(m≤N-2)为相空间维数，N为时间序列维数，r为相似容限度，Φ^m(r)为平均相似度；将各模态分量的4阶自回归模型系数和模糊熵构建成多尺度特征集合。

步骤1.4：将训练集中所有表面肌电信号的特征向量输入多分类器进行训练，多分类器由基于改进布谷鸟算法优化的支持向量机子分类器组成，训练完成后将测试集中的特征向量输入多分类器中进行手势识别。

如图2所示，基于人工蜂群优化算法改进的变分模态分解算法包括以下步骤：

步骤2.1：对改进人工蜂群优化算法进行初始化参数设置，包括：蜂群规模 SN＝40，限定采蜜次数k_limit＝20，最大进化次数k_max＝100，概率阈值P_limit＝0.025，解向量维数J＝2；初始化种群，每个蜜源对应变分模态分解算法参数优化问题的一个可行解，变分模态分解算法参数初始化为：分解层数K＝1，惩罚因子α＝100；

步骤(2.2)：工蜂首先对蜜源进行领域搜索，根据公式对蜜源位置进行更新。

v_lj＝x_lj+φ_lj(x_lj-x_kj) (29)

式中：φ_lj为[-1，1]之间的随机数；k为[1，SN]之间的随机序数，l为工蜂现在的蜜源位置，j为[1，J]之间的随机数。

步骤2.3：计算蜜源处的适应值，适应值计算采用局部极小包络熵值。当某一组参数(K，α)确定时，计算变分模态分解得到的所有变分模态分量的包络熵，将最小的一个称为局部极小熵值。已知一个包含N的数据点的时间信号，信号包络熵

概率

式中：a(i)——u_k经Hibert解调后得到的包络信号。

步骤2.4：根据公式计算蜜源被选中的概率P_l。

式中：fit_l——蜜源i的适应度值。

步骤2.5：蜜源被选中的最大的概率值P_max＜P_limit，则工蜂在连续k_limit次迭代下，得到的解的适应度值没有达到要求的情况下，工蜂转化为侦察蜂，由公式随机产生一个新解替代原来的解。

式中rand(0，1)为求取随机数，x_lj表示第l个解的第j个分量，

表示解向量的最小值，

表示解向量的最大值。

若蜜源被选中的最大的概率值P_max＞P_limit，最大概率值所处的蜜源位置为 v_best。工蜂转化为侦察蜂，随机产生一个新解替代原来的解为：

式中：x_lj表示第l个解的第j个分量，

表示解向量的最大值，

表示解向量的最小值。

步骤2.6：记录最优解；如果判断满足终止条件，则进入步骤(2.7)；否则，返回步骤2.2。

步骤2.7：将得到的最优参数(K，α)输入变分模态分解算法中。

步骤2.8：将处理好的表面肌电信号输入至变分模态分解算法中，初始化 u_k，n＝0，n为迭代次数。

步骤2.9：n＝n+1，进入循环。

步骤2.10：依据u_k的更新公式进行更新，直至分解个数达到K时停止内循环，u_k第n次迭代的更新公式为：

式中：

是手势表面肌电信号的傅里叶变换，

是拉格朗日乘子的傅里叶变换，

是第i个模态分量的傅里叶变换，

是第K个模态分量第n次更新，ω为表面肌电信号的数字域频率，ω_k＝{ω₁，ω₂，...，ω_k}是全部变分模态分量的中心频率，k从1循环到K。

步骤2.11：给定精度ε＝1×10^-6，若满足停止条件

停止循环，输出变分模态分量u_k；否则进入步骤2.9，继续循环。

如图3所示，特征提取包括以下步骤：

步骤3.1：对任意一个变分模态分量u_k建立如下的自回归模型

式中

m分别是分量u_k的自回归模型AR(m)的模型参数和模型阶数；e_k(t)为模型的残差，是均值为零、方差为

的白噪声序列；

计算得到的

作为4阶自回归模型系数。

步骤3.2：计算各变分模态分量的模糊熵(FuzzyEn)，将表面肌电信号的时间序列设为X(i)＝{x(1)，x(2)，...，x(n)}，对其进行相空间重构，得到时间序列Y 为：

Y(i)＝[x(i)，x(i+1)，…，x(i+m-1)]-x₀(i)，i＝1，2，…，N-m+1 (38)

式中，m为嵌入维数，

为均值。

步骤3.3：定义两个时间序列Y(i)与Y(j)之间的距离为：

步骤3.4：引入模糊隶属函数，利用模糊函数计算时间序列Y(i)与Y(j)之间的相似度，其中，r为相似容忍度j＝1，2，...N-m+1，且i≠j。

步骤3.5：定义平均相似度函数：

步骤3.6：原时间序列的模糊熵：

步骤3.7：对于有限长度的时间序列模糊熵：

FuzzyEn(m，r，N)＝lnΦ^m(r)-lnΦ^m+1(r) (44)

式中m(m≤N-2)为相空间维数，N为时间序列维数，r为相似容限度，Φ^m(r)为平均相似度；将各模态分量的4阶自回归模型系数和模糊熵构建成多尺度特征集合。

如图4所示，支持向量机子分类器改进算法包括以下步骤：

步骤4.1：选取高斯径向基核函数作为支持向量机的核函数，初始化核函数参数g和惩罚因子c，在值空间内随机生成N个鸟巢的初始方位z_i(i＝ 1，2，…，N)，并设置布谷鸟算法中的有关参数：种群的规模N，维数nd，被宿主鸟发现的最大概率P_α，以及算法的最大循环次数T。

步骤4.2：计算当前每个鸟窝的目标函数值，并将所有鸟窝的目标函数计算结果相互对比分析，得到此刻质量最好的鸟窝，即最好的目标函数值；

步骤4.3：根据公式进行寻优更新；

式中：z_i(n+1)表示第i个巢穴在第n+1次迭代更新的位置，

代表的是两个向量的点乘，α表示和问题规模相关的长度调节量，用来确定莱维飞行的搜索尺度，公式如下，

α＝α₀×(z_i(n)-z_best) (46)

其中z_best表示当前鸟巢中质量最佳的方位，α₀一般取0.01，本方法对其进行改进，改进后的α₀为：

其中it表示循环次数，it_max为最大迭代次数；

L(λ)表示列维分布，一般采用如下公式计算：

上式中μ，v均服从标准正态分布，

λ的取值为λ＝1.5，而

为：

步骤4.4：迭代更新阶段，根据设定的发现概率P_α＝0.25，用随机产生的服从0-1均匀分布的数值R与鸟巢主人发现概率P_α相比较，若R＞P_α，则对位置进行随机改变，反之不变，获得正确率最高的巢穴z＝[g，c]用于后续择优对比，满足要求则进入下一步，否则返回步骤5.3更新。

步骤4.5：将参数导入支持向量机子分类器。

多分类器设计采用“一对一”(OVO)法训练多分类器，即在训练阶段，将所有类样本按类型不同两两组合构成训练样本子集。每次选取一个样本子集进行改进的支持向量机子分类器训练，训练的结果是每个子分类器具有区分确定的两个类型输入样本的能力，这样一共需要训练K(K-1)/2个改进的支持向量机子分类器。在分类识别阶段，将多个改进的支持向量机子分类器对未知类型的输出进行综合判断，一般采用投票方式完成多类别判别，即得票最多的类就被作为最终判定结果输出。

由于本发明最多需要识别包括放松状态在内的共计20种手部动作，所以采用“一对一”法构造20类改进的支持向量机分类器需要最多构造20×(20-1)/2＝190 个两分类器。以识别“单指弯曲”和“放松”状态组成的6类动作分类器的训练为例，阐述分类器设计过程。表1列出了构建6分类器的训练及分类相关信息。

表1“一对一”策略构建的改进的支持向量机六分类器训练计划表

表格中的每一行对应1个改进的支持向量机子分类器的训练输出，每一列对应1种分类动作输入。其中“1”表示训练阶段分类器对该动作类型训练样本输出为正类，“-1”表示训练阶段分类器对该动作类型训练样本输出为负类，“0”表示该动作类型训练样本不参与该分类器的训练工作，非零元素表示对应的子分类器在分类识别阶段具有对该动作的“表决权”。例如：1号改进的支持向量机子分类器，其训练阶段仅以ω₁类别(屈拇指)和ω₂类别(屈食指)的训练样本进行训练；在分类识别阶段，则负责对未知样本进行类型判别，且只对综合评判ω₁类别(屈拇指)和ω₂类别(屈食指)动作时具有“表决投票权”。这就是“一对一”策略构建基于改进的支持向量机的6分类器的过程，也是后续依次分别构建 10分类器和20分类器的设计过程。

除上述实施例外，本发明还可以有其他实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。

Claims (6)

1.一种基于变分模态分解和支持向量机的手势识别方法，其特征在于，包括以下步骤：

步骤1：采集表面肌电信号，建立训练集和测试集。

步骤2：从构建好的表面肌电信号训练集中任意提取一次表面肌电信号进行变分模态分解，得到各变分模态函数分量u_k，模态分量u_k第n次更新公式为：

式中α是惩罚因子，

是手势表面肌电信号的傅里叶变换，

是拉格朗日乘子的傅里叶变换，

是第i个模态分量的傅里叶变换，

是第K个模态分量第n次更新，n是表达式(1)的更新次数，为0～K-1,ω为表面肌电信号的数字域频率，ω_k＝{ω₁,ω₂,…,ω_k}是全部变分模态分量的中心频率，k从1循环到K，K是变分模态分解个数，K和α由改进人工蜂群优化算法确定；

步骤3：对每个变分模态分量计算其4阶自回归模型系数和模糊熵，对任意一个变分模态分量u_k建立如下的自回归模型

式中

m分别是分量u_k的自回归模型AR(m)的模型参数和模型阶数；e_k(t)为模型的残差,是均值为零、方差为

的白噪声序列；由于自回归参数

反映了表面肌电信号的固有特性，因此，可以采用

作为特征向量；同时根据式(3)计算各变分模态分量的模糊熵(FuzzyEn)

FuzzyEn(m,r,N)＝lnΦ^m(r)-lnΦ^m+1(r) (3)

式中m(m≤N-2)为相空间维数,N为时间序列维数，r为相似容限度，Φ^m(r)为平均相似度；将各模态分量的4阶自回归模型系数和模糊熵构建成多尺度特征集合。

步骤4：将训练集中所有表面肌电信号的特征向量输入多分类器进行训练，多分类器由基于改进布谷鸟算法优化的支持向量机子分类器组成，训练完成后将测试集中的特征向量输入多分类器中进行手势识别。

2.如权利要求1所述的一种基于变分模态分解和支持向量机的手势识别方法，其特征在于，步骤2中所述的K和α由改进人工蜂群优化算法确定，具体步骤如下：

步骤1：对改进人工蜂群优化算法进行初始化参数设置，包括：蜂群规模SN＝40，限定采蜜次数k_limit＝20，最大进化次数k_max＝100，概率阈值P_limit＝0.025，解向量维数J＝2；初始化种群，每个蜜源对应变分模态分解算法参数优化问题的一个可行解，变分模态分解算法参数初始化为：分解层数K＝1，惩罚因子α＝100；

步骤2：工蜂首先对蜜源进行领域搜索，根据公式对蜜源位置进行更新。

v_lj＝x_lj+φ_lj(x_lj-x_kj) (4)

式中：φ_lj为[-1,1]之间的随机数；k为[1,SN]之间的随机序数，l为工蜂现在的蜜源位置，j为[1,J]之间的随机数。

步骤3：计算蜜源处的适应值，适应值计算采用局部极小包络熵值。当某一组参数(K，α)确定时，计算变分模态分解得到的所有变分模态分量的包络熵，将最小的一个称为局部极小熵值。已知一个包含N的数据点的时间信号，信号包络熵

概率

式中：a(i)——u_k经Hibert解调后得到的包络信号。

步骤4：根据公式计算蜜源被选中的概率P_l。

式中：fit_l——蜜源i的适应度值。

步骤5：蜜源被选中的最大的概率值P_max<P_limit，则工蜂在连续k_limit次迭代下，得到的解的适应度值没有达到要求的情况下，工蜂转化为侦察蜂，由公式随机产生一个新解替代原来的解。

式中rand(0,1)为求取随机数，x_lj表示第l个解的第j个分量，

表示解向量的最小值，

表示解向量的最大值。

若蜜源被选中的最大的概率值P_max>P_limit，最大概率值所处的蜜源位置为v_best。工蜂转化为侦察蜂，随机产生一个新解替代原来的解为：

式中：x_lj表示第l个解的第j个分量，

表示解向量的最大值，

表示解向量的最小值。

步骤6：记录最优解；如果判断满足终止条件，则进入步骤7；否则，返回步骤2。

步骤7：将得到的最优参数(K，α)输入变分模态分解算法中。

3.如权利要求1所述的一种基于变分模态分解和支持向量机的手势识别方法，其特征在于，步骤2中所述的变分模态分解算法，具体步骤如下：

步骤1：由改进人工蜂群算法获取变分模态分解算法参数：分解层数K，惩罚因子α，初始化u_k，n＝0,n为迭代次数，将处理好的表面肌电信号输入至变分模态分解算法中。

步骤2：n＝n+1,进入循环。

步骤3：依据u_k的更新公式进行更新，直至分解个数达到K时停止内循环，u_k第n次迭代的更新公式为：

式中:

是手势表面肌电信号的傅里叶变换，

是拉格朗日乘子的傅里叶变换，

是第i个模态分量的傅里叶变换，

是第K个模态分量第n次更新,ω为表面肌电信号的数字域频率，ω_k＝{ω₁,ω₂,…,ω_k}是全部变分模态分量的中心频率，k从1循环到K。

步骤4：给定精度ε＝1×10^-6，若满足停止条件

停止循环，输出变分模态分量u_k；否则进入步骤2，继续循环。

4.如权利要求1所述的一种基于变分模态分解和支持向量机的手势识别方法，其特征在于，步骤3所述的多尺度特征集合的构建，具体步骤如下：

步骤1：对任意一个变分模态分量u_k建立如下的自回归模型

式中

m分别是分量u_k(t)的自回归模型AR(m)的模型参数和模型阶数；e_k(t)为模型的残差,是均值为零、方差为

的白噪声序列；

计算得到的

作为4阶自回归模型系数。

步骤2：将变分模态分量的时间序列设为X(i)＝{x(1),x(2),…,x(n)},对其进行相空间重构，得到时间序列Y为：

Y(i)＝[x(i),x(i+1),…,x(i+m-1)]-x₀(i),i＝1,2,…,N-m+1 (13)

式中，m为嵌入维数，

为均值。

步骤3：定义两个时间序列Y(i)与Y(j)之间的距离为：

步骤4：引入模糊隶属函数,利用模糊函数计算时间序列Y(i)与Y(j)之间的相似度，其中，r为相似容忍度j＝1,2,…N-m+1,且i≠j。

步骤5：定义平均相似度函数：

步骤6：原时间序列的模糊熵：

步骤7：对于有限长度的时间序列模糊熵：

FuzzyEn(m,r,N)＝lnΦ^m(r)-lnΦ^m+1(r) (19)

式中m(m≤N-2)为相空间维数,N为时间序列维数，r为相似容限度，Φ^m(r)为平均相似度；将各模态分量的4阶自回归模型系数和模糊熵构建成多尺度特征集合。

5.如权利要求1所述的一种基于变分模态分解和支持向量机的手势识别方法，其特征在于，步骤4所述的基于改进布谷鸟算法优化的支持向量机子分类器，具体步骤如下：

步骤1：选取高斯径向基核函数作为支持向量机子分类器的核函数，初始化核函数参数g和惩罚因子c,在值空间内随机生成N个鸟巢的初始方位z_i(i＝1,2,…,N)，并设置布谷鸟算法中的有关参数：种群的规模N，维数nd，被宿主鸟发现的最大概率P_α，以及算法的最大循环次数T。

步骤2：选用均方误差(MSE)作为评价算法精度的适应度函数，公式如下：

式中：y_i代表的是算法预测值，

代表的样本的实际监测值，n表示样本大小。

计算当前每个鸟窝的适应度值，并将所有鸟窝的适应度计算结果相互对比分析，MSE值最小的鸟窝质量最好，即适应度值最好；

步骤3：根据公式进行寻优更新；

式中：z_i(n+1)表示第i个巢穴在第n+1次迭代更新的位置，

代表的是两个向量的点乘,α表示和问题规模相关的长度调节量，用来确定莱维飞行的搜索尺度，公式如下，

α＝α₀×(z_i(n)-z_best) (22)

其中z_best表示当前鸟巢中质量最佳的方位，α₀一般取0.01，本方法对其进行改进，改进后的α₀为：

其中it表示循环次数，it_max为最大迭代次数；

L(λ)表示列维分布,一般采用如下公式计算：

上式中μ，ν均服从标准正态分布，

λ的取值为λ＝1.5，而

为：

步骤4：迭代更新阶段，根据设定的发现概率P_α＝0.25，用随机产生的服从0-1均匀分布的数值R与鸟巢主人发现概率P_α相比较，若R>P_α，则对位置进行随机改变，反之不变，获得正确率最高的巢穴z＝[g,c]用于后续择优对比,满足要求则进入下一步，否则返回步骤3更新。

步骤5：将参数导入支持向量机子分类器中。

6.如权利要求1所述的一种基于变分模态分解和支持向量机的手势识别方法，其特征在于，步骤4所述的多分类器采用“一对一”(OVO)法设计多分类器，即在训练阶段，将所有类样本按类型不同两两组合构成训练样本子集，每次选取一个样本子集输入基于改进布谷鸟算法优化的支持向量机子分类器训练，训练的结果是每个子分类器具有区分确定的两个类型输入样本的能力，这样一共需要训练K(K-1)/2个改进支持向量机子分类器。在分类识别阶段，将多个支持向量机子分类器对未知类型的输出进行综合判断，采用投票方式完成多类别判别，即得票最多的类就被作为最终判定结果输出。

Images