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。s ...
【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
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。