基于在线SVM的sEMG自适应模式识别方法及其在智能轮椅上的应用技术

本发明专利技术涉及一种基于在线SVM的sEMG自适应模式识别方法及其在智能轮椅上的应用，属于表面肌电信号识别控制技术领域。本发明专利技术采用增量学习算法对SVM模型进行在线训练，同时在线学习过程中引入头部信息作为校正信息共同构成sEMG的分类器，对不同肌肉状态下的sEMG实现有效识别，降低肌肉疲劳对人机交互系统稳定性的影响，最后将其成功应用于智能轮椅上。本发明专利技术所述的方法有效的提高了系统在长时间人机交互过程中的自适应能力，使得交互更加自然友好。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及一种基于在线SVM的sEMG自适应模式识别方法及其在智能轮椅上的应用，属于表面肌电信号识别控制
。本专利技术采用增量学习算法对SVM模型进行在线训练，同时在线学习过程中引入头部信息作为校正信息共同构成sEMG的分类器，对不同肌肉状态下的sEMG实现有效识别，降低肌肉疲劳对人机交互系统稳定性的影响，最后将其成功应用于智能轮椅上。本专利技术所述的方法有效的提高了系统在长时间人机交互过程中的自适应能力，使得交互更加自然友好。【专利说明】基于在线SVM的sEMG自适应模式识别方法及其在智能轮椅 上的应用
本专利技术属于表面肌电信号识别控制
，涉及一种基于在线SVM的sEMG自适 应模式识别方法及其在智能轮椅上的应用。
技术介绍
人机交互技术在世界各国都被列为信息产业重点研究的一项关键技术，并已成为 各国技术竞争的一个焦点。该技术在美国的国家关键技术中被称"对计算机工业有着突出 的重要性，对其它工业也是很重要的"，同时被列为信息产业技术中与计算机和软件并列的 六项关键技术之一。 基于表面肌电信号（Surface Electromyography, sEMG)的人机交互系统的研究在 运动、康复医疗等领域产生了深远的科学及社会意义。近年来，实现"以人为中心"自然友 好的人机交互成为众多研究的热点，因此，对基于sEMG的自适应人机交互系统的研究具有 重要的理论意义和实际应用价值。 自适应能力是衡量人机交互系统性能的重要指标，然而当前众多的SEMG人机交 互系统只能满足短时间内的交互需求，在进行长时间人机交互时系统缺乏自适应能力，这 除了 sMEG自身微弱、时变的特点和客观条件的影响外，主要的影响因素是肌肉疲劳，即肌 肉持续收缩后会逐渐进入疲劳状态。肌肉疲劳的产生引起sEMG发生改变，从而导致系统对 控制动作的误分类和误识别，降低系统稳定性。这严重影响了 sEMG人机交互技术在实际工 程中的广泛应用。 合理、有效的sEMG模式识别方法是解决上述问题、提高基于sEMG的人机交互系统 的自适应能力的关键技术。有效的sEMG模式识别方法能够在不同肌肉状态下对不同肌肉 动作产生的sEMG进行有效识别，从而降低肌肉疲劳等因素在长时间人机交互中对系统的 影响，显著提高人机交互系统的自适应能力。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于在线SVM的SEMG自适应模式识别方法 及其在智能轮椅上的应用，该方法可以解决当前众多的基于sEMG的人机交互系统在进行 长时间人机交互过程中缺乏自适应能力的问题。 为达到上述目的，本专利技术提供如下技术方案： -种基于在线SVM的sEMG自适应模式识别方法，在该方法中，采用增量学习算法 对SVM模型进行在线训练，同时在线学习过程中引入头部信息作为校正信息共同构成sEMG 的分类器，对不同肌肉状态下的sEMG实现有效识别。 进一步，在对SVM模型进行在线训练的过程中，在线SVM的增量学习过程中样本的 选择与遗忘按照特定的条件进行，并且在线学习过程中引入校正信息，即通过Kinect获取 头左转和右转的深度图像，经随机森林识别后作为增量学习时初始样本的更新策略，从而 达到在长时间人机交互过程中防止肌肉疲劳、瞬时信号及无意识动作所引起的系统性能降 低的问题。 进一步，根据肌肉的生理特征对应的设计模式识别分类器，即采用增量式在线SVM 对不断变化的sEMG进行学习，同时引入Kinect获取的视觉信息作为校正，使得分类器始终 建立在有效信息区域，长时间内保持系统具备较好的自适应能力。 本专利技术还提供了一种基于在线SVM的sEMG自适应模式识别方法在智能轮椅上的 应用，传感器获取并预处理咀嚼肌单击和双击产生的sEMG，Kinect获取头部左转和右转的 深度图像信息作为系统校正信息，然后在PC机上对sEMG进行基于在线SVM的自适应模式 识别，获得与动作模式相对应的智能轮椅控制指令，调用相应的控制函数，驱动智能轮椅运 动。 本专利技术的有益效果在于：本专利技术采用增量学习算法对SVM模型进行在线训练，同 时在线学习过程中引入头部信息作为校正信息共同构成sEMG的分类器，对不同肌肉状态 下的sEMG实现有效识别，降低肌肉疲劳对人机交互系统稳定性的影响，最后将其成功应用 于智能轮椅上，有效的提高了系统在长时间人机交互过程中的自适应能力，使得交互更加 自然友好。 【专利附图】【附图说明】 为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行 说明： 图1为基于在线SVM的sEMG自适应模式识别方法流程图； 图2为样本在线更新流程图； 图3为基于在线SVM的sEMG自适应模式识别方法的智能轮椅人机交互系统总体 框架。 【具体实施方式】 下面将结合附图，对本专利技术的优选实施例进行详细的描述。 本专利技术提供的技术方案为一种基于在线SVM的sEMG自适应模式识别方法并将其 应用于智能轮椅上。如图1所示，该方法具体为：在实现了 AR模型对咀嚼肌单击和双击产 生的sEMG特征提取的基础上，通过对SVM基础理论及其训练方法的比较分析最终采用增量 学习方法来实现SVM的在线学习和训练，然后按照一种新的样本选择与遗忘的方法进行样 本的选择，同时在样本更新过程中引入Kinect获取的头部视觉信息作为系统的校正信息， 以防止肌肉疲劳、瞬时信号和无意识动作对系统的影响。 该方法应用于智能轮椅上所实现的人机交互系统主要包括：Cyberlink传感器、 Kinect传感器、笔记本电脑、无线通信模块、智能轮椅本体。Cyberlink传感器用于肌电信 号的采集与预处理；Kinect作为视觉传感器用于采集头部的深度图像信息；笔记本电脑作 为整个控制系统的上位机，用于肌电信号与深度图像信息的特征提取、在线训练及模式识 另IJ ;无线通信模块用于上位机和下位机之间的通信；智能轮椅是整个控制系统的下位机， 完成相应的控制动作。 下面对本专利技术的技术方案进行具体说明： 随着当前信息技术的发展，在实际应用的系统中要求机器学习具有自适应能力， 即系统能够随着环境的变化来调整自身参数以实验外界条件，同时要求机器学习在遇到未 知信息时能够学习新的知识。SVM是机器学习众多算法中一种有效的数据分类、挖掘方法， 并且在经济分析、生物识别技术、信号识别和检测以及图像识别等领域有了广泛的应用。现 有的SVM训练算法主要分为3种：一种是分解算法，二是序贯最小优化算法，还有一种是在 线训练算法。前两种均为离线式算法，这两种算法要求训练样本集的大小是固定的，但是在 现实应用中很难满足这一要求，并且在实时系统应用中由于缺少稳定性和自适应能力，第 三种为在线训练算法，它能够实时的处理训练样本，并且不受训练样本个数的影响。增量训 练算法是可以在线训练SVM模型的一种有效方式。 增量式在线SVM的主要思想如下： 如果样本X为线性可分数据集则可得到一个最优线性判别函数： ^(.v) = (w* ·χ) +/i =Yj α；.ν; ( a;; · .γ) + Ii (I) /-I 当样本为非线性可分数据集时，SVM本文档来自技高网...

【技术保护点】
一种基于在线SVM的sEMG自适应模式识别方法，其特征在于：在该方法中，采用增量学习算法对SVM模型进行在线训练，同时在线学习过程中引入头部信息作为校正信息共同构成sEMG的分类器，对不同肌肉状态下的sEMG实现有效识别。

【技术特征摘要】

【专利技术属性】
技术研发人员：张毅，罗元，刘想德，林海波，徐晓东，胡豁生，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;85