CN114330438A - 基于改进麻雀搜索算法优化kelm的下肢运动识别方法 - Google Patents
基于改进麻雀搜索算法优化kelm的下肢运动识别方法 Download PDFInfo
- Publication number
- CN114330438A CN114330438A CN202111624142.1A CN202111624142A CN114330438A CN 114330438 A CN114330438 A CN 114330438A CN 202111624142 A CN202111624142 A CN 202111624142A CN 114330438 A CN114330438 A CN 114330438A
- Authority
- CN
- China
- Prior art keywords
- sparrow
- kelm
- search algorithm
- fitness
- population
- 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
- 241000287127 Passeridae Species 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010845 search algorithm Methods 0.000 title claims abstract description 38
- 210000003141 lower extremity Anatomy 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title description 7
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000003247 decreasing effect Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000000739 chaotic effect Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 21
- 210000003205 muscle Anatomy 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000003909 pattern recognition Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 210000003127 knee Anatomy 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000002789 length control Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 3
- 210000000629 knee joint Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 210000003314 quadriceps muscle Anatomy 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提出一种基于改进麻雀搜索算法优化KELM的下肢运动识别方法,对采集与特征提取后的肌电信号,采用改进麻雀搜索算法优化核极限学习机,进行下肢运动识别;所述改进麻雀搜索算法用于对KELM神经网络的正则化系数C和最优核参数σ进行优化,构造KELM最优模型,并利用Tent混沌映射替代SSA中随机生成的方式初始化麻雀种群,以及采用警戒者数量递减策略调节警戒者在迭代过程中的数量。具有计算速度快、稳定性好、正确率高等优势。
Description
技术领域
本发明属于运动信号处理、机器学习技术领域,涉及一种基于改进麻雀搜索算法优化KELM的下肢运动识别方法。
背景技术
极限学习机(Extreme Learning Machine,ELM)是一种针对单隐含层前馈神经网络的算法,算法随机产生输入层与隐含层的连接权值及隐含层神经元的阈值,且在训练过程中无需调整,只需要设置隐含层神经元的个数,便可以获得唯一的最优解。与之前的传统训练方法相比,ELM具有学习速度快,泛化性能好等优点。但也由于ELM随机设定隐含层初始权重和偏置,导致分类准确度不稳定。
核极限学习机(Kernel Extreme Learning Machine,KELM)是将核函数加入到ELM算法中,即将核函数代替ELM中隐含层的特征映射,形成基于核的ELM算法。核函数的思想是:将输入的训练数据映射到高维特征空间中,将原始空间中的核函数运算替代变换后高维空间中的内积运算。核极限学习机在分类性能方面优于传统极限学习机、支持向量机和BP神经网络等智能分类方法。
表面肌电信号可以采集到肌肉的运动信息,近年来广泛运用于生物医学工程、假肢仿生、模式识别等领域。借助于表面肌电信号的下肢运动状态识别,针对识别的实时性,常采用训练速度快的核极限学习机进行计算。但是,核极限学习机网络参数参数众多,参数的选取影响着网络的学习速度、泛化能力、精度、召回率等,简易单一选取无法兼顾算法的拟合性能和泛化性能,容易导致生成的分类模型准确性较低,出现下肢运动识别结果不稳定的现象。
发明内容
针对现有技术存在的缺陷和不足,本发明的目的在于提供一种基于改进麻雀搜索算法优化KELM的下肢运动识别方法。其首先采集不同运动模式下的表面肌电信号并进行预处理,提取时域、频域和非线性等五类特征。再针对核极限学习机在实际运行中准确性不高、稳定性不强的问题,采用改进麻雀搜索算法对核极限学习机的惩罚参数和核参数进行优化,构造最优模型。同时为了提高麻雀搜索算法的计算效率,在初值的选取和后期警戒者数量上进行了算法改进。
麻雀搜索算法是一种新型群体智能优化算法,主要是受到麻雀觅食与反捕食行为的启发。该新型的群智能优化算法具有较好的全局探索和局部开发的能力,能够使种群中的麻雀向全局最优值移动,迅速的在最优值附近收敛,具有稳定性好、全局搜索能力强、参数少的特点。
在KELM中,正则化系数C和核参数σ主要依靠经验手动选取,这两个参数对网络的稳定性和搜索能力有一定的影响。高斯核的参数σ取值与样本的划分精细程度有关:σ越小,低维空间中选择的曲线越复杂,试图将每个样本与其他样本都区分开来;分的类别越细,容易出现过拟合;σ越大,分的类别越粗,可能导致无法将数据区分开来,容易出现欠拟合。惩罚因子C的取值权衡了经验风险和结构风险:C越大,经验风险越小,结构风险越大,容易出现过拟合;C越小,模型复杂度越低,容易出现欠拟合。
本发明针对KELM算法在实际运行中准确性不高,稳定性不强的问题,采用改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)对KELM的C和σ进行优化,构造KELM最优模型。同时为了提高麻雀搜索算法的计算效率,在初值的选取和后期警戒者数量上进行了改进。
1)在ISSA中,初始化麻雀种群位置时,通常直接随机生成初始种群。Tent映射又称为帐篷映射,利用Tent混沌映射替代SSA中随机生成的方式初始化麻雀种群,使初始初始的麻雀种群更具有遍历性,能够提高初始解的质量与精度,加快收敛。
警戒者搜索阶段的存在有助于提高算法全局寻优能力,但设置警戒者数量为定值,则不利于算法后期收敛,因此采用警戒者数量递减策略调节警戒者在迭代过程中的数量。警戒者在迭代初期数量多,迭代后期数量减少,整个变化过程在保证了算法全局搜索能力的同时,又提高了算法收敛速度。
其具体采用以下技术方案:
一种基于改进麻雀搜索算法优化KELM的下肢运动识别方法,其特征在于:对采集与特征提取后的肌电信号,采用改进麻雀搜索算法优化核极限学习机,进行下肢运动识别;
所述改进麻雀搜索算法用于对KELM神经网络的正则化系数C和最优核参数σ进行优化,构造KELM最优模型,并利用Tent混沌映射替代SSA中随机生成的方式初始化麻雀种群,以及采用警戒者数量递减策略调节警戒者在迭代过程中的数量。
进一步地,该方法可以概括为包括以下步骤:
步骤S1:肌电信号采集与特征提取;
步骤S2:搭建KELM初始模型;
步骤S3:构建适应度函数;
步骤S4:使用改进麻雀搜索算法对KELM神经网络的正则化系数C和最优核参数σ进行优化;
步骤S5:将测试样本输入到训练过的由麻雀搜索算法优化KELM神经网络的下肢运动模式识别模型中,完成下肢运动模式识别。
进一步地,步骤S1具体为:采集股内侧肌、半腱肌、股二头肌和股直肌的表面肌电信号,并将测角器保持在膝关节外侧;分别记录平地行走、坐着伸膝、站立屈膝3种三种运行方式的EMG,并记录对应标签;对表面肌电信号求取积分肌电值、均方根值、中值频率、均值频率、模糊熵,将五种特征进行归一化处理。
进一步地,步骤S2具体为:
初始化输入层和隐含层间的连接权值和隐含层神经元的阈值,设置隐含层的神经元的个数,选择径向基RBF作为KELM的核函数,通过对原始高维数据输入乘以隐藏层与输出层之间的权值矩阵实现降维,搭建核极限学习机初始模型;
其中核函数用K(·)表示为:
目标函数P(m)表达式为:
式中:(m1,m2…mn)为归一化后的特征数据,n为样本数量;I为单位矩阵;C为核函数惩罚因子,即正则化系数;ΩELM为核矩阵;L为输出期望矩阵。
进一步地,步骤S3具体为:
根据五折交叉验证K-Fold的方案,将归一化后数据和标签分成五组子集数据,在KELM模型中进行五次运算,每次运算中,将其中一组子集数据作为验证集,其余的四组子集数据作为训练集,训练集误差Train_Error和测试集误差Test_Error的平均值作为每次训练的平均误差MSE;以五次运算加和平均得到的交叉验证误差作为模型的评估指标,即适应度;
适应度函数的表达式为:
其中k为运算次数。
进一步地,步骤S4具体包括以下步骤:
步骤S41:设置麻雀种群规模为POP,发现者个数为PD,余下为跟随者,预警者个数初始值为SD,目标函数维度dim为2,初始值的上界为ubmin,下界为ubmax,最大迭代次数为Max_iter;
步骤S42:随机生成二维解空间内每只麻雀的位置(C,σ),即x',此时麻雀种群的位置为X',即:
x′i1∈[0,1],为正则化系数C;x′i2∈[0,1],为最优核参数σ;i为麻雀只数;
利用Tent混沌映射替代SSA中随机生成的方法初始化麻雀种群;混沌算子具有随机性和规律性的优点,能够在一定范围内对所有的状态不重复遍历,此时麻雀种群的位置为X″,更新公式如下:
x″id(0)=x′id
其中a∈(0,1),x″id为Tent混沌映射后的数据,d=1,2;r为映射迭代次数;
将x″id投影成限定范围内:
xi1=ubmin_C+x″i1(ubmax_C-ubmin_C)
xi2=ubmin_σ+x″i2(ubmax_σ-ubmin_σ)
故最终麻雀种群的位置为X,即:
每只麻雀对应不同的KELM模型,将此时模型的评估指标作为该只麻雀的适应度fi,麻雀种群的适应度矩阵为:
选出种群中最开始适应度在最佳的麻雀fbest和麻雀的位置xbest,以及最开始适应度最差的麻雀fworst和麻雀位置xworst;
步骤S43:对麻雀种群的适应度进行计算并排序,选取每代种群中适应度最好的PD只麻雀作为发现者,其余麻雀作为跟随者;根据公式对发现者、跟随着、警戒者位置进行更新;
(1)发现者位置更新公式为:
当R2小于ST时,表示周围没有天敌,可进行全局搜索;当R2大于ST时,该发现者将按正态分布随机移动到上一次位置附近,即其值收敛于最优位置;
(2)跟随者位置更新公式为:
式中xp为当前最优探索者的位置,n为种群规模;A为一个1×d的矩阵,当i>n/2表明适应度值较低的第i个追随者状态较差,需要飞往其它地方觅食;每个元素随机幅值为1或-1,A+定义为A+=AT(AAT)-1;
(3)警戒者位置更新公式为:
其中,β为步长控制参数,其值为服从均值为0,方差为1的正态分布的随机数;K为[-1,1]内一随机数,K表示麻雀移动的方向,同时也是步长控制参数;fi为当前麻雀适应度,fb、fw分别为当前最优、最差适应度值;ε为避免分母为0的常数;
用警戒者数量递减策略调节警戒者在迭代过程中的数量;警戒者数量递减公式如下:
SDt表示第t次迭代时警戒者个数,t∈(0,Max_iter);
步骤S44:判断更新位置是否有超出设定界限,对超出界限的位置进行调整;
步骤S45:比较此次迭代最佳适应度fb和历史最佳适应度fg的大小,对fg进行更新;
步骤S46:判断是否满足最大迭代次数要求,若已经满足,则输出结果fg对应的(xi1,xi2)作为KELM神经网络的最优正则化系数C和最优核参数σ,否则返回步骤S43。
以及,一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上所述的基于改进麻雀搜索算法优化KELM的下肢运动识别方法的步骤。
以及,一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如上所述的基于改进麻雀搜索算法优化KELM的下肢运动识别方法的步骤。
相比于现有技术,本发明及其优选方案通过无创、客观、科学的方式采集肌肉的生理信号,能够充分利用信号在时域、频域、非线性动力学方面的特征,客观地、简便地实现下肢的运动模式识别,为人体的运动姿势模式识别系统提供了实践依据,可广泛运用于医疗诊断、康复训练、智能装备等领域。同时,使用改进麻雀搜索算法优化KELM算法,具有计算速度快、稳定性好、正确率高等优势。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1本发明实施例所提出改进算法的示意图。
图2本发明实施例方法流程示意图。
图3本发明实施例Tent混沌映射前后散点分布示意图。
图4本发明实施例警戒者数量变化函数示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
如图1-图4所示,本发明实施例提供了一种基于改进麻雀搜索算法优化KELM的下肢运动识别方法。
考虑到在KELM中,正则化系数C和核参数σ主要依靠经验手动选取,这两个参数对网络的稳定性和搜索能力有一定的影响。高斯核的参数σ取值与样本的划分精细程度有关:σ越小,低维空间中选择的曲线越复杂,试图将每个样本与其他样本都区分开来;分的类别越细,容易出现过拟合;σ越大,分的类别越粗,可能导致无法将数据区分开来,容易出现欠拟合。惩罚因子C的取值权衡了经验风险和结构风险:C越大,经验风险越小,结构风险越大,容易出现过拟合;C越小,模型复杂度越低,容易出现欠拟合。
如图1所示,本发明针对KELM算法在实际运行中准确性不高,稳定性不强的问题,采用改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)对KELM的C和σ进行优化,构造KELM最优模型。同时为了提高麻雀搜索算法的计算效率,在初值的选取和后期警戒者数量上进行了改进。
在ISSA中,初始化麻雀种群位置时,通常直接随机生成初始种群。Tent映射又称为帐篷映射,利用Tent混沌映射替代SSA中随机生成的方式初始化麻雀种群,使初始初始的麻雀种群更具有遍历性,能够提高初始解的质量与精度,加快收敛,如图3所示。
警戒者搜索阶段的存在有助于提高算法全局寻优能力,但设置警戒者数量为定值,则不利于算法后期收敛,因此采用警戒者数量递减策略调节警戒者在迭代过程中的数量。警戒者在迭代初期数量多,迭代后期数量减少,整个变化过程在保证了算法全局搜索能力的同时,又提高了算法收敛速度,如图4所示。
如图2所示,其具体包括以下步骤:
步骤一:肌电信号采集与特征提取。采集股内侧肌、半腱肌、股二头肌和股直肌的表面肌电信号,并将测角器保持在膝关节外侧。分别记录平地行走、坐着伸膝、站立屈膝3种三种运行方式的EMG,并记录对应标签。对表面肌电信号求取积分肌电值、均方根值、中值频率、均值频率、模糊熵,将五种特征进行归一化处理。
步骤二:搭建KELM初始模型。初始化输入层和隐含层间的连接权值和隐含层神经元的阈值,设置隐含层的神经元的个数,选择RBF(径向基)作为KELM的核函数,通过对原始高维数据输入乘以隐藏层与输出层之间的权值矩阵实现降维,搭建核极限学习机初始模型。
其中核函数用K(·)表示为:
目标函数P(m)表达式为:
式中:(m1,m2…mn)为归一化后的特征数据,n为样本数量;I为单位矩阵;C为核函数惩罚因子,即正则化系数;ΩELM为核矩阵;L为输出期望矩阵。
步骤三:构建适应度函数。根据五折交叉验证(K-Fold)的方案,将归一化后数据和标签分成五组子集数据,在KELM模型中进行五次运算,每次运算中,将其中一组子集数据作为验证集,其余的四组子集数据作为训练集,训练集误差和测试集误差的平均值作为每次训练的平均误差MSE(Meau Squared Error)。以五次运算加和平均得到的交叉验证误差作为模型的评估指标,即适应度。
适应度函数的表达式为:
其中k为运算次数。
步骤四:针对KELM算法在实际运行中容易陷入局部最优和对初值选择敏感的问题,使用改进麻雀搜索算法对KELM神经网络的正则化系数C和最优核参数σ进行优化。
步骤4.1设置麻雀种群规模为POP,发现者个数为PD,余下为跟随者,预警者个数初始值为SD,目标函数维度dim为2,初始值的上界为ubmin,下界为ubmax,最大迭代次数为Max_iter。
步骤4.2随机生成二维解空间内每只麻雀的位置(C,σ),即x',此时麻雀种群的位置为X',即:
x′i1∈[0,1],为正则化系数C;x′i2∈[0,1],为最优核参数σ;i为麻雀只数。
利用Tent混沌映射替代SSA中随机生成的方法初始化麻雀种群。此时麻雀种群的位置为X″。混沌算子具有随机性和规律性的优点,能够在一定范围内对所有的状态不重复遍历,公式如下:
x″id(0)=x′id
其中a∈(0,1),x″id为Tent混沌映射后的数据,d=1,2;r为映射迭代次数。
将x″id投影成限定范围内:
xi1=ubmin_C+x″i1(ubmax_C-ubmin_C)
xi2=ubmin_σ+x″i2(ubmax_σ-ubmin_σ)
故最终麻雀种群的位置为X,即:
每只麻雀对应不同的KELM模型,将此时模型的评估指标作为该只麻雀的适应度fi,麻雀种群的适应度矩阵为:
选出种群中最开始适应度在最佳的麻雀fbest和麻雀的位置xbest,以及最开始适应度最差的麻雀fworst和麻雀位置xworst;
步骤4.3对麻雀种群的适应度进行计算并排序,选取每代种群中适应度最好的PD只麻雀作为发现者,其余麻雀作为跟随者。根据公式对发现者、跟随着、警戒者位置进行更新。
(1)发现者位置更新公式为:
可以看出,当R2小于ST时,表示周围没有天敌,可进行全局搜索;当R2大于ST时,该发现者将按正态分布随机移动到上一次位置附近(其值收敛于最优位置)。
(2)跟随者位置更新公式为:
式中xp为当前最优探索者的位置,n为种群规模。A为一个1×d的矩阵,当i>n/2表明适应度值较低的第i个追随者状态较差,需要飞往其它地方觅食。每个元素随机幅值为1或-1,这里A+定义为A+=AT(AAT)-1。
(3)警戒者位置更新公式为:
其中,β为步长控制参数,其值为服从均值为0,方差为1的正态分布的随机数;K为[-1,1]内一随机数,K在这里表示麻雀移动的方向,同时也是步长控制参数;fi为当前麻雀适应度,fb、fw分别为当前最优、最差适应度值;ε为避免分母为0的常数。
警戒者搜索阶段的存在有助于提高算法全局寻优能力。但设置警戒者数量为定值,则不利于算法后期收敛,因此采用警戒者数量递减策略调节警戒者在迭代过程中的数量。警戒者在迭代初期数量多,迭代后期数量减少,整个变化过程在保证了算法全局搜索能力的同时,又提高了算法收敛速度。警戒者数量递减公式如下:
SDt表示第t次迭代时警戒者个数,t∈(0,Max_iter)
步骤4.4判断更新位置是否有超出设定界限,对超出界限的位置进行调整。
步骤4.5比较此次迭代最佳适应度fb和历史最佳适应度fg的大小,对fg进行更新。
步骤4.6判断是否满足最大迭代次数要求,若已经满足,则输出结果fg对应的(xi1,xi2)作为KELM神经网络的最优正则化系数C和最优核参数σ,否则返回步骤4.3。
步骤五:得到训练模型,将测试样本输入到训练过的由麻雀搜索算法优化KELM神经网络的下肢运动模式识别模型中,完成下肢运动模式识别。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
本实施例提供的以上系统及方法可以代码化的形式存储在计算机可读取存储介质中,并以计算机程序的方式进行实现,并通过计算机硬件输入计算所需的基本参数信息,并输出计算结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的基于改进麻雀搜索算法优化KELM的下肢运动识别方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (8)
1.一种基于改进麻雀搜索算法优化KELM的下肢运动识别方法,其特征在于:对采集与特征提取后的肌电信号,采用改进麻雀搜索算法优化核极限学习机,进行下肢运动识别;
所述改进麻雀搜索算法用于对KELM神经网络的正则化系数C和最优核参数σ进行优化,构造KELM最优模型,并利用Tent混沌映射替代SSA中随机生成的方式初始化麻雀种群,以及采用警戒者数量递减策略调节警戒者在迭代过程中的数量。
2.根据权利要求1所述的基于改进麻雀搜索算法优化KELM的下肢运动识别方法,其特征在于,包括以下步骤:
步骤S1:肌电信号采集与特征提取;
步骤S2:搭建KELM初始模型;
步骤S3:构建适应度函数;
步骤S4:使用改进麻雀搜索算法对KELM神经网络的正则化系数C和最优核参数σ进行优化;
步骤S5:将测试样本输入到训练过的由麻雀搜索算法优化KELM神经网络的下肢运动模式识别模型中,完成下肢运动模式识别。
3.根据权利要求2所述的基于改进麻雀搜索算法优化KELM的下肢运动识别方法,其特征在于:步骤S1具体为:采集股内侧肌、半腱肌、股二头肌和股直肌的表面肌电信号,并将测角器保持在膝关节外侧;分别记录平地行走、坐着伸膝、站立屈膝3种三种运行方式的EMG,并记录对应标签;对表面肌电信号求取积分肌电值、均方根值、中值频率、均值频率、模糊熵,将五种特征进行归一化处理。
6.根据权利要求5所述的基于改进麻雀搜索算法优化KELM的下肢运动识别方法,其特征在于:步骤S4具体包括以下步骤:
步骤S41:设置麻雀种群规模为POP,发现者个数为PD,余下为跟随者,预警者个数初始值为SD,目标函数维度dim为2,初始值的上界为ubmin,下界为ubmax,最大迭代次数为Max_iter;
步骤S42:随机生成二维解空间内每只麻雀的位置(C,σ),即x',此时麻雀种群的位置为X',即:
x′i1∈[0,1],为正则化系数C;x′i2∈[0,1],为最优核参数σ;i为麻雀只数;
利用Tent混沌映射替代SSA中随机生成的方法初始化麻雀种群;此时麻雀种群的位置为X”,更新公式如下:
x″id(0)=x′id
其中a∈(0,1),x″id为Tent混沌映射后的数据,d=1,2;r为映射迭代次数;
将x″id投影成限定范围内:
xi1=ubmin_C+x″i1(ubmax_C-ubmin_C)
xi2=ubmin_σ+x″i2(ubmax_σ-ubmin_σ)
故最终麻雀种群的位置为X,即:
每只麻雀对应不同的KELM模型,将此时模型的评估指标作为该只麻雀的适应度fi,麻雀种群的适应度矩阵为:
选出种群中最开始适应度在最佳的麻雀fbest和麻雀的位置xbest,以及最开始适应度最差的麻雀fworst和麻雀位置xworst;
步骤S43:对麻雀种群的适应度进行计算并排序,选取每代种群中适应度最好的PD只麻雀作为发现者,其余麻雀作为跟随者;根据公式对发现者、跟随着、警戒者位置进行更新;
(1)发现者位置更新公式为:
当R2小于ST时,表示周围没有天敌,可进行全局搜索;当R2大于ST时,该发现者将按正态分布随机移动到上一次位置附近,即其值收敛于最优位置;
(2)跟随者位置更新公式为:
式中xp为当前最优探索者的位置,n为种群规模;A为一个1×d的矩阵,当i>n/2表明适应度值较低的第i个追随者状态较差,需要飞往其它地方觅食;每个元素随机幅值为1或-1,A+定义为A+=AT(AAT)-1;
(3)警戒者位置更新公式为:
其中,β为步长控制参数,其值为服从均值为0,方差为1的正态分布的随机数;K为[-1,1]内一随机数,K表示麻雀移动的方向,同时也是步长控制参数;fi为当前麻雀适应度,fb、fw分别为当前最优、最差适应度值;ε为避免分母为0的常数;
用警戒者数量递减策略调节警戒者在迭代过程中的数量;警戒者数量递减公式如下:
SDt表示第t次迭代时警戒者个数,t∈(0,Max_iter);
步骤S44:判断更新位置是否有超出设定界限,对超出界限的位置进行调整;
步骤S45:比较此次迭代最佳适应度fb和历史最佳适应度fg的大小,对fg进行更新;
步骤S46:判断是否满足最大迭代次数要求,若已经满足,则输出结果fg对应的(xi1,xi2)作为KELM神经网络的最优正则化系数C和最优核参数σ,否则返回步骤S43。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6其中任一所述的基于改进麻雀搜索算法优化KELM的下肢运动识别方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-6其中任一所述的基于改进麻雀搜索算法优化KELM的下肢运动识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624142.1A CN114330438A (zh) | 2021-12-28 | 2021-12-28 | 基于改进麻雀搜索算法优化kelm的下肢运动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624142.1A CN114330438A (zh) | 2021-12-28 | 2021-12-28 | 基于改进麻雀搜索算法优化kelm的下肢运动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330438A true CN114330438A (zh) | 2022-04-12 |
Family
ID=81015023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111624142.1A Pending CN114330438A (zh) | 2021-12-28 | 2021-12-28 | 基于改进麻雀搜索算法优化kelm的下肢运动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330438A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759191A (zh) * | 2023-01-09 | 2023-03-07 | 纳博特南京科技有限公司 | 基于混沌反演的机器人碰撞诊断系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776783A (zh) * | 2018-05-31 | 2018-11-09 | 陕西师范大学 | 极限学习机-隐马尔科夫模型的手势肌电信号识别方法 |
CN113129266A (zh) * | 2021-03-22 | 2021-07-16 | 太原科技大学 | 基于多域表达数据增强及模型自优化的不锈钢焊缝缺陷检测方法 |
CN113269252A (zh) * | 2021-05-26 | 2021-08-17 | 安徽理工大学 | 一种基于改进麻雀搜索算法优化elm的电力电子电路故障诊断方法 |
WO2021218120A1 (zh) * | 2020-04-27 | 2021-11-04 | 江苏科技大学 | 一种船舶动力设备故障识别方法 |
CN113689029A (zh) * | 2021-07-29 | 2021-11-23 | 淮阴工学院 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
-
2021
- 2021-12-28 CN CN202111624142.1A patent/CN114330438A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776783A (zh) * | 2018-05-31 | 2018-11-09 | 陕西师范大学 | 极限学习机-隐马尔科夫模型的手势肌电信号识别方法 |
WO2021218120A1 (zh) * | 2020-04-27 | 2021-11-04 | 江苏科技大学 | 一种船舶动力设备故障识别方法 |
CN113129266A (zh) * | 2021-03-22 | 2021-07-16 | 太原科技大学 | 基于多域表达数据增强及模型自优化的不锈钢焊缝缺陷检测方法 |
CN113269252A (zh) * | 2021-05-26 | 2021-08-17 | 安徽理工大学 | 一种基于改进麻雀搜索算法优化elm的电力电子电路故障诊断方法 |
CN113689029A (zh) * | 2021-07-29 | 2021-11-23 | 淮阴工学院 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
智能算法研学社(JACK旭): ""基于麻雀算法优化的核极限学习机(KELM)分类算法-附代码"", pages 1 - 2, Retrieved from the Internet <URL:https://blog.csdn.net/u011835903/article/details/116851164> * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759191A (zh) * | 2023-01-09 | 2023-03-07 | 纳博特南京科技有限公司 | 基于混沌反演的机器人碰撞诊断系统及方法 |
CN115759191B (zh) * | 2023-01-09 | 2023-04-25 | 纳博特南京科技有限公司 | 基于混沌反演的机器人碰撞诊断系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mozafari et al. | First-spike-based visual categorization using reward-modulated STDP | |
Das et al. | Unsupervised heart-rate estimation in wearables with Liquid states and a probabilistic readout | |
Yu et al. | A brain-inspired spiking neural network model with temporal encoding and learning | |
Karlik | Machine learning algorithms for characterization of EMG signals | |
Tavanaei et al. | Training spiking convnets by stdp and gradient descent | |
Xie et al. | Hybrid soft computing systems for electromyographic signals analysis: a review | |
Ritter et al. | Application of an artificial neural network to land-cover classification of thematic mapper imagery | |
Dora et al. | An interclass margin maximization learning algorithm for evolving spiking neural network | |
CN110363152B (zh) | 一种基于表面肌电信号的下肢假肢路况识别方法 | |
CN106778501A (zh) | 基于压缩跟踪与ihdr增量学习的视频人脸在线识别方法 | |
Tavanaei et al. | Representation learning using event-based STDP | |
Karnowski et al. | Deep spatiotemporal feature learning with application to image classification | |
Gallant et al. | Feature-based classification of myoelectric signals using artificial neural networks | |
Lawrence et al. | Neural network classification and prior class probabilities | |
CN111543988B (zh) | 一种自适应认知活动识别方法、装置及存储介质 | |
Da et al. | Brain CT image classification with deep neural networks | |
CN114330438A (zh) | 基于改进麻雀搜索算法优化kelm的下肢运动识别方法 | |
Assodiky et al. | Deep learning algorithm for arrhythmia detection | |
CN114220164A (zh) | 一种基于变分模态分解和支持向量机的手势识别方法 | |
CN107967455A (zh) | 一种智能人体多维自然特征大数据透明学习方法与系统 | |
CN109190692B (zh) | 基于生物大脑认知和抉择机理的运动物体识别方法及系统 | |
Zhang et al. | Hand gesture recognition of double-channel EMG signals based on sample entropy and PSO-SVM | |
Paudel et al. | Resiliency of SNN on black-box adversarial attacks | |
Albert et al. | Data augmentation of kinematic time-series from rehabilitation exercises using GANs | |
Hayashi et al. | Extraction of knowledge from the topographic attentive mapping network and its application in skill analysis of Table Tennis |
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 |