基于模糊C均值和DBI的肌电信号特征选择方法技术

本发明专利技术公开了一种基于模糊C均值和DBI的肌电信号特征选择方法，本发明专利技术首先采集人体做日常行为动作时4路肌电信号，然后提取原始信号的平均幅值，方差，威尔逊振幅，自回归系数，中位频率，平均功率频率，小波能量系数，小波包能量系数，模糊熵，排列熵共10个肌电特征形成肌电特征池，再用模糊C均值对这些特征进行划分，把n个向量分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。最后，计算划分后的DBI值，选择DBI最小的4个特征作为适合识别日常行为动作的特征。基于模糊C均值和DBI的肌电信号特征选择方法，可以选择有效的合理的肌电特征值。

Feature Selection Method of EMG Signal Based on Fuzzy C-Means and DBI

The invention discloses a feature selection method of EMG signals based on fuzzy C-means and DBI. The method first collects four EMG signals when human body performs daily actions, and then extracts the average amplitude, variance, Wilson amplitude, autoregressive coefficient, median frequency, average power frequency, wavelet energy coefficient, wavelet packet energy coefficient, fuzzy entropy and permutation entropy of the original signal, totaling 10. Each EMG feature cell is formed by each EMG feature. Then these features are divided into C fuzzy groups by using fuzzy C-means. The clustering centers of each group are calculated to minimize the value function of the non-similarity index. Finally, the DBI values are calculated and the four features with the smallest DBI are selected as the features suitable for recognizing daily actions. The feature selection method based on fuzzy C-means and DBI can select effective and reasonable EMG feature values.

【技术实现步骤摘要】
基于模糊C均值和DBI的肌电信号特征选择方法
本专利技术属于特征选择领域，涉及一种基于模糊C均值和DBI的肌电信号特征选择方法。
技术介绍
表面肌电信号(sEMG)是肌肉收缩时伴随的电信号，可通过在肌肉表面使用电极来引导和记录。目前sEMG信号广泛地应用在肌肉疾病诊断、疲劳研究、运动生物力学、康复训练、假肢控制、生物反馈训练控制和其他相关控制等方面。在肌电信号特征提取的过程中，因肌电信号的数据量大、特征维数高等问题而对计算机的存储与运行速度提出了较高的要求，所以如何保证信号的有效性并降低信号的特征维数显得尤为重要。特征选择是模式识别、数据挖掘等领域的重要研究内容，它通过选择原始特征集合中的重要特征构成特征子集，达到降低数据维数，同时保持或提高系统分类性能的目的。与特征提取不同，特征选择保留的是原始物理特征，因此，可以真正地降低存储需要、测量需求、计算开销等。特征选择在模式识别与大数据处理领域的应用较为广泛，其可分为过滤(Filter)型和缠绕(Wrapper)型两类算法.Filter型算法独立于机器学习算法，具有运算时间短、效率高等特点；而Wrapper型算法则需要嵌入机器学习算法，具有降维效果好的特点。Denatious等人提出了可利用聚类、分类和关联规则等用于入侵行为的联合挖掘方法。Chitrakar等人组合应用K中心聚类算法和支持向量机算法来构建异常检测模型。Srinoy等人按照不同的隶属度综合运用粗糙模糊聚类方法实现数据容量的减少和消冗，并可用于多集群的对象，特别是对聚类间重叠区域和边界区域等进行刻画，能更客观地实现对正常行为与异常行为的软划分。sEMG信号广泛地应用在肌肉疾病诊断、疲劳研究、运动生物力学、康复训练、假肢控制、生物反馈训练控制和其他相关控制等方面。在肌电信号特征提取的过程中，因肌电信号的数据量大、特征维数高等问题而对计算机的存储与运行速度提出了较高的要求，所以如何保证信号的有效性并降低信号的特征维数显得尤为重要。
技术实现思路
本专利技术针对现有技术的不足，提出了一种基于模糊C均值和DBI的肌电信号特征选择方法。本专利技术针对肌电信号设计了一种基于模糊C均值和DBI的肌电信号特征选择方法。首先，采集人体做日常行为动作时腓肠肌、胫骨前肌、股内肌、股外肌这4路肌电信号，然后提取原始信号的平均幅值，方差，威尔逊振幅，自回归系数，中位频率，平均功率频率，小波能量系数，小波包能量系数，模糊熵，排列熵共10个肌电特征形成肌电特征池，再用模糊C均值对这些特征进行划分，把n个向量分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。最后，计算划分后的DBI(Davies–Bouldinindex)值，选择DBI最小的4个特征作为适合识别日常行为动作的特征。模糊C均值聚类算法因算法简单收敛速度快且能处理大数据集。DBI是一个针对非监督模糊聚类有效性指标，通过计算这个指数，可以确定簇的最合理值。基于模糊C均值和DBI的肌电信号特征选择方法，可以选择有效的合理的肌电特征值。为了实现以上目的，本专利技术方法主要包括以下步骤:1.基于模糊C均值和DBI的肌电信号特征选择方法，该方法包括如下步骤：步骤(1).在人体做日常行为动作时采集人体腓肠肌、胫骨前肌、股内肌、股外肌共4路肌电信号；实验日常行为动作包括平地走、上楼梯、下楼梯、跑步、站-坐、坐-站、站-蹲、蹲-站、坐-躺、躺-坐、跌倒；步骤(2).提取样本数为N的每路肌电信号xi的平均幅值MA，方差VAR，威尔逊振幅WAMP，其中u(x)表示阶跃函数，T为阈值；自回归系数AR；中位频率MF，fi和hi分别为频率和频谱强度；平均功率频率MPF，P(fi)为基点信号的功率谱；小波能量系数EWT，Fj是小波能量的系数，K是第j层分解系数，Wj,k是第j层分解系数的第k个系数；小波包能量系数EWP；模糊熵FE，其中m定义了数据的维数，Dij是两个样本的相似度，r是Dij中指数函数的宽度，称为平均相似度；排列熵PE，n指样本点数，共10个肌电特征形成肌电特征池；步骤(3).对10个肌电信号特征向量，分别采用模糊C均值聚类算法对平地走、上楼梯、下楼梯、跑步、站-坐、坐-站、站-蹲、蹲-站、坐-躺、躺-坐、跌倒共13类日常行为动作进行聚类划分；具体如下：FCM把n个向量xi(i＝1,2,...,n)分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小；FCM可表示为式中，c为聚类中心个数，n为样本个数，b为加权指数；aij和dij分别为第j个数据点对第i个聚类中心的隶属度与欧式距离，A＝[aij]c×n为模糊分类矩阵，m＝[m1,m2,...,mc]T为聚类中心，mi(i＝1,2,...c)为第i个模糊组的模糊中心；利用拉格朗日算法构造目标函数，引入λj,j＝1,2,...n，对所有输入参量求导使目标函数最小的必要条件：由上述两个必要条件，模糊C均值聚类算法是一个简单的迭代过程；在批处理方式运行时，FCM用下列步骤确定聚类中心m和模糊分类矩阵A；其步骤如下：1)用值在0，1间的随机数初始化模糊分类矩阵，使其满足条件式(2)，b＝0，迭代次数l＝0；2)用式(4)计算c个聚类中心mi，i＝1,2,...c；3)用式(5)计算新的模糊分类矩阵A；4)对于给定判别精度ε＞0，若||Al+1-Al||＜ε，则停止迭代，否则置l＝l+1，返回步骤2)，直至满足条件；步骤(4).对步骤(3)的识别结果计算DBI:其中Si表示第i类中数据对象的离散程度，Sj表示第j类中数据对象的离散程度，di,j表示第i类和第j类之间的距离，K表示类的个数，即簇的数量；步骤(5).根据聚类划分结果，且DBI最小的4个特征选择为适合识别日常行为动作的特征。本专利技术与已有的诸多肌电信号的特征选择算法相比，具有如下特点：模糊C均值聚类算法因算法简单收敛速度快且能处理大数据集，解决问题范围广，易于应用计算机实现等特点受到了越来越多人的关注，并应用于各个领域。DBI是一个针对非监督模糊聚类有效性指标，用于确定测试集最适合被分为几类，即确定簇数的辅助工具指标。通过计算这个指数，可以确定簇的最合理值。基于模糊C均值和DBI的肌电信号特征选择方法，可以选择有效的合理的肌电特征值。附图说明图1为本专利技术的实施流程图；图2为静态转换动作分簇DBI；图3为步态动作分簇DBI；图4为ADLs分簇DBI。具体实施方式下面结合附图对本专利技术的实施例作详细说明：本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。如图1所示，本实施例包括如下步骤：步骤一，在人体做日常行为动作时采集人体腓肠肌、胫骨前肌、股内肌、股外肌共4路肌电信号；实验日常行为动作包括平地走、上楼梯、下楼梯、跑步、站-坐、坐-站、站-蹲、蹲-站、坐-躺、躺-坐、跌倒。步骤二，提取每路肌电信号的平均幅值MA，方差VAR，威尔逊振幅WAMP，自回归系数AR，中位频率MF，平均功率频率MPF，小波能量系数EWT，小波包能量系数EWP，模糊熵FE，排列熵PE，共10个肌电特征形成肌电特征池；步骤三，对10个肌电信号特征向量，分别采用模糊C均值聚类算法(FCM)对平地走、上楼梯、下本文档来自技高网...

【技术保护点】
1.基于模糊C均值和DBI的肌电信号特征选择方法，其特征在于，该方法包括如下步骤：步骤(1).在人体做日常行为动作时采集人体腓肠肌、胫骨前肌、股内肌、股外肌共4路肌电信号；实验日常行为动作包括平地走、上楼梯、下楼梯、跑步、站‑坐、坐‑站、站‑蹲、蹲‑站、坐‑躺、躺‑坐、跌倒；步骤(2).提取样本数为N的每路肌电信号xi的平均幅值MA，

【技术特征摘要】
1.基于模糊C均值和DBI的肌电信号特征选择方法，其特征在于，该方法包括如下步骤：步骤(1).在人体做日常行为动作时采集人体腓肠肌、胫骨前肌、股内肌、股外肌共4路肌电信号；实验日常行为动作包括平地走、上楼梯、下楼梯、跑步、站-坐、坐-站、站-蹲、蹲-站、坐-躺、躺-坐、跌倒；步骤(2).提取样本数为N的每路肌电信号xi的平均幅值MA，方差VAR，威尔逊振幅WAMP，其中u(x)表示阶跃函数，T为阈值；自回归系数AR；中位频率MF，fi和hi分别为频率和频谱强度；平均功率频率MPF，P(fi)为基点信号的功率谱；小波能量系数EWT，Fj是小波能量的系数，K是第j层分解系数，Wj,k是第j层分解系数的第k个系数；小波包能量系数EWP；模糊熵FE，其中m定义了数据的维数，Dij是两个样本的相似度，r是Dij中指数函数的宽度，称为平均相似度；排列熵PE，n指样本点数，共10个肌电特征形成肌电特征池；步骤(3).对10个肌电信号特征向量，分别采用模糊C均值聚类算法对平地走、上楼梯、下楼梯、跑步、站-坐、坐-站、站-蹲、蹲-站、坐-躺、躺-坐、跌倒共13类日常行为动作进行聚类划分；具体如下：FCM把n个向量xi(i＝1,2,...,n)分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数...

【专利技术属性】
技术研发人员：席旭刚，汤敏彦，姜文俊，石鹏，袁长敏，杨晨，章燕，佘青山，罗志增，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33