极限学习机-隐马尔科夫模型的手势肌电信号识别方法技术

技术编号:19389095 阅读:22 留言:0更新日期:2018-11-10 02:06
一种极限学习机‑隐马尔科夫模型的手势肌电信号识别方法,由采集到的手势肌电信号进行分帧预处理、分解帧信号、提取时域特征、分类器识别信号组成。由于本发明专利技术采用了极限学习机对当前时刻特征进行分类得到识别结果的特性,隐马尔科夫模型分析时间序列的信号,具备时序建模的特点。本发明专利技术具有训练速度快、泛化能力强、识别率高等优点,可用于手势肌电信号的分类。

Recognition method of hand electromyography signal based on extreme learning machine hidden Markov model

A gesture electromyogram recognition method based on extreme learning machine and hidden Markov model is presented. The method consists of frame pre-processing, frame decomposition, time-domain feature extraction and classifier recognition of the collected gesture electromyogram signal. Because the method adopts the characteristics of the extreme learning machine to classify the features of the current time to obtain the recognition results, the hidden Markov model is used to analyze the signals of the time series and has the characteristics of time series modeling. The invention has the advantages of fast training speed, strong generalization ability and high recognition rate, and can be used for classification of gesture EMG signals.

【技术实现步骤摘要】
极限学习机-隐马尔科夫模型的手势肌电信号识别方法
本专利技术属于肌电信号特征提取和模式识别
,具体涉及到手势肌电信号的识别。
技术介绍
肌电信号是一种非平稳的微弱信号,随机性较强。目前,肌电信号主要应用于生物医学、运动医学、临床医学和康复工程,特别是在人工智能假肢方面受到科研人员的重视,肌电信号已成为控制机器人的理想信号。王西颖提出一种基于隐马尔科夫模型-模糊神经网络的动态视频手势建模与识别方法。首先将动态手势分解为手形变化、2D平面运动和Z轴方向运动3部分;然后提取3组特征值序列;最后将提取到的特征值送入基于隐马尔科夫模型-模糊神经网络达到分类识别的目的。李芳提出一种基于隐马尔科夫模型-径向基神经网络混合模型的表面肌电信号识别方法,探索控制哈尔滨工业大学研制的多自由度灵巧手的有效控制策略。论文采用小波变换对7类手指动作提取特征向量,并送入隐马尔科夫模型-径向基神经网络混合模型进行训练和学习,达到识别手势的目的。上述方法对手势信号识别时速度缓慢,易出现过度训练,引起泛化性能下降。
技术实现思路
本专利技术所要解决的主要技术问题在于克服上述已有技术的不足,提供一种训练速度快、识别率高、泛化能力强的极限学习机-隐马尔科夫模型的手势肌电信号识别方法。解决上述技术问题所采用的技术方案由下述步骤组成:(1)对采集到的手势肌电信号进行分帧预处理从UCI数据库中提取手势肌电信号手势数据集,按下式进行分帧预处理:式(1)中Nx为信号总长度,N0为相邻的两帧间的重叠长度,Nf为一帧的长度,Nframes至少为5,得到不同的经分帧预处理后的帧信号。(2)分解帧信号将各帧信号进行总体经验模态分解,每个帧信号得到10个固有模态函数,分解帧信号的方法如下:1)将不同标准差的高斯白噪声添加到帧信号中,得到一个信号xi:xi=x+ωi(2)式(2)中ωi为高斯白噪声,ωi中的标准差为0.01~0.4,i为有限的正整数,x为帧信号如下:式(3)中Ck为固有模态函数分量,r为残余分量,K取10。2)对信号xi作经验模态分解,得到固有模态函数分量为Ck,i,其中k是分解尺度为有限的正整数。3)再次加入高斯白噪声ωi,重复步骤1)、2),直到完成I次分解,I为分解次数,取值为5~20。4)将每次得到的固有模态函数作平均运算,得到总体经验模态分解的固有模态函数分量如下:(3)提取时域特征提取帧信号经步骤(2)得到的前3阶固有模态函数的均方根、平均幅值和标准差时域特征值,均方根为:式(5)中RMS为均方根值,Ck为第k次试验得到的固有模态函数分量,N为Ck的长度;平均幅值MAV为:标准差SD为:式(7)中μ为Ck的均值。(4)分类器识别信号将步骤(3)得到的时域特征值送入极限学习机-隐马尔科夫模型分类器中进行分类,输出分类识别结果,该分类器由极限学习机和隐马尔科夫模型构成,极限学习机的输出端与隐马尔科夫模型的输入端相连。在本专利技术的分类器识别信号步骤(4)中,本专利技术的极限学习机和隐马尔科夫模型分类器进行分类,分类方法如下:1)将步骤(3)得到的时域特征值送入设定好传递函数和神经元个数的极限学习机中进行分类,其中选取传递函数为sin、sig和hardlim,神经元个数为50、100、150、180和200,取传递函数中的任意一个与神经元个数中的任意一个组合,输出端输出标签aj,j为有限的正整数。2)将所有标签aj组成一个向量如下:将aJ送入隐马尔科夫模型的输入端进行分类测试,在隐马尔科夫模型的输出端输出手势肌电信号的测试标签bm,将测试标签与已知标签cm进行对比,得到手势肌电信号识别率w如下:式(9)中,m为已知标签cm的长度。本专利技术采用对当前时刻的帧信号的时域特征值进行分类得到帧信号的识别标签,所有标签作为输入序列送入隐马尔科夫模型输入端进行学习训练,根据输入序列在各个隐马尔科夫模型的概率似然值,取其最大值的隐马尔科夫模型对应的动作作为手势肌电信号的分类识别标签,完成对手势肌电信号的识别。本专利技术采用了极限学习机对当前时刻特征进行分类得到识别结果的特性,隐马尔科夫模型分析时间序列的信号,具备时序建模的特点。本专利技术具有训练速度快、泛化能力强、识别率高等优点,可用于手势肌电信号的分类。附图说明图1是实施例1的流程图。图2是6类手势动作图。具体实施方式下面结合附图和实施例对本专利技术进一步详细说明,但本专利技术不限于这些实施例。实施例1以从UCI数据库中提取表面肌电信号6类手势数据集为例,数据库中共6类手势,分别为圆柱形、钩形、侧捏形、手嘬形、球形和圈形,手势动作如图2所示。每类手势有150个肌电信号,其中90个为训练集,60个为测试集,6类手势共900个肌电信号,采用MATLAB2013b软件进行手势肌电信号的识别,流程图如图1所示,极限学习机-隐马尔科夫模型的手势肌电信号识别方法的步骤如下:(1)对采集到的手势肌电信号进行分帧预处理从UCI数据库中提取手势肌电信号手势数据集,按下式进行分帧预处理:式(1)中Nx为信号总长度是3000,N0为相邻的两帧间的重叠长度是400,Nf为一帧的长度是1024,Nframes为5,得到不同的经分帧预处理后的帧信号。(2)分解帧信号将各帧信号进行总体经验模态分解,每个帧信号得到10个固有模态函数,分解帧信号的方法如下:1)将不同标准差的高斯白噪声添加到帧信号中,得到一个信号xi:xi=x+ωi(2)式(2)中ωi为高斯白噪声,ωi中的标准差为0.2,i为有限的正整数,x为帧信号如下:式(3)中Ck为固有模态函数分量,r为残余分量,K取10。2)对信号xi作经验模态分解,得到固有模态函数分量为Cik,其中k是分解尺度为有限的正整数,经验模态分解和总体经验模态分解的具体方法已在基于EEMD和MED的冲击信号自适应故障特征提取方法(上海大学,2016)的第2章第2节公开。3)再次加入高斯白噪声ωi,重复步骤1)、2),直到完成I次分解,I为分解次数,取值为10。4)将每次得到的固有模态函数作平均运算,得到总体经验模态分解的固有模态函数分量如下:(3)提取时域特征提取帧信号经步骤(2)得到的前3阶固有模态函数的均方根、平均幅值和标准差时域特征值,均方根为:式(5)中RMS为均方根值,Ck为第k次试验得到的固有模态函数分量,N为Ck的长度。平均幅值MAV为:标准差SD为:式(7)中μ为Ck的均值。(4)分类器识别信号将步骤(3)得到的时域特征值送入极限学习机-隐马尔科夫模型分类器中进行分类,输出分类识别结果,该分类器由极限学习机和隐马尔科夫模型构成,极限学习机的输出端与隐马尔科夫模型的输入端相连。极限学习机和隐马尔科夫模型分类器进行分类,分类方法如下:1)将步骤(3)得到的时域特征值送入设定好传递函数和神经元个数的极限学习机中进行分类,其中选取传递函数为sin、sig和hardlim,神经元个数为50、100、150、180和200,取传递函数中的任意一个与神经元个数中的任意一个组合,输出端输出标签aj,j为5。2)将所有标签aj组成一个向量如下:将aJ送入隐马尔科夫模型的输入端进行分类测试,在隐马尔科夫模型的输出端输出手势肌电信号的测试标签bm,将测试标签bm与已知标签cm进行对比,得到手势肌电信号识别率w如下:式(9)本文档来自技高网...

【技术保护点】
1.一种极限学习机‑隐马尔科夫模型的手势肌电信号识别方法,其特征在于它是由以下步骤组成:(1)对采集到的手势肌电信号进行分帧预处理从UCI数据库中提取手势肌电信号手势数据集,按下式进行分帧预处理:

【技术特征摘要】
1.一种极限学习机-隐马尔科夫模型的手势肌电信号识别方法,其特征在于它是由以下步骤组成:(1)对采集到的手势肌电信号进行分帧预处理从UCI数据库中提取手势肌电信号手势数据集,按下式进行分帧预处理:式(1)中Nx为信号总长度,N0为相邻的两帧间的重叠长度,Nf为一帧的长度,Nframes至少为5,得到不同的经分帧预处理后的帧信号;(2)分解帧信号将各帧信号进行总体经验模态分解,每个帧信号得到10个固有模态函数,分解帧信号的方法如下:1)将不同标准差的高斯白噪声添加到帧信号中,得到一个信号xi:xi=x+ωi(2)式(2)中ωi为高斯白噪声,ωi中的标准差为0.01~0.4,i为有限的正整数,x为帧信号如下:式(3)中Ck为固有模态函数分量,r为残余分量,K取10;2)对信号xi作经验模态分解,得到固有模态函数分量为Ck,i,其中k是分解尺度为有限的正整数;3)再次加入高斯白噪声ωi,重复步骤1)、2),直到完成I次分解,I为分解次数,取值为5~20;4)将每次得到的固有模态函数作平均运算,得到总体经验模态分解的固有模态函数分量如下:(3)提取时域特征提取帧信号经步骤(2)得到的前3阶固有模态函数的均方根、平均幅值和标准差时域特征值,...

【专利技术属性】
技术研发人员:郭敏马欣欣肖冰
申请(专利权)人:陕西师范大学
类型:发明
国别省市:陕西,61

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1