The invention discloses an electromyographic feature selection method for human daily behavior based on the separability index of feature classes. Firstly, four surface electromyographic signals in human lower limb activities were collected, and then 10 electromyographic characteristics of each electromyogram signal were calculated to form electromyographic feature cell. The separability indices of 10 electromyographic characteristics were calculated for three categories: static action, gait action and static switching action. The separability indices of feature class were selected from electromyographic feature cell to be higher than 0.6. The electromyographic characteristics of the gait movement consist of the static action electromyographic characteristics group. The electromyographic characteristics of the gait movement consist of the characteristic class separability index higher than 0.5. The electromyographic characteristics of the characteristic class higher than 0.2 constitute the static conversion action electromyographic characteristics group. According to the separability index of feature classes, each feature can be utilized to the maximum extent without waste or redundancy of feature information, which greatly reduces the complexity of the algorithm and makes the classification better.
【技术实现步骤摘要】
基于特征类可分性指标的人体日常行为肌电特征选择方法
本专利技术属于特征提取领域,涉及一种基于特征类可分性指标的人体日常行为肌电特征选择方法。
技术介绍
EMG是众多肌纤维中运动单元动作电位在时间和空间上的叠加。sEMG是浅层肌肉EMG和神经干上放电行为在皮肤表面的综合效应。通常用于EMG信号的特征提取方法可分为时域方法,频域方法,时频域方法。时域分析方法是种类最多、最常见的方法,这是由于时域方法仅仅是基于信号幅值的,算法简单,特征提取的复杂度小。Arief等人[33]从时域上分析了平均绝对值(MeanAbsoluteValue,MAV),方差(Variance,VAR),威尔逊振幅(WillisonAmplitude,WAMP),波形长度(WaveformLength,WL)和过零点数(ZeroCrossing,ZC),旨在找到能使特征复杂度最小、维度较少、可分离性最佳的方法,为后续研究提供技术支持。频域方法主要是通过功率谱密度得到的,如平均频率,中值频率等。在EMG中,频域特征通常用于肌疲劳的检测。如宋海燕等通过提取平均功率频率(MeanPowerFrequency,MPF),得出其特征值与人体疲劳的主观评价一致,可用于预测疲劳。时频域方法是时间和频率的组合方法,可以表征不同时间位置处的变化频率信息,提供大量关于分析信号的非平稳信息。小波变换(WaveletTransform,WT)是时频域中的常用方法,适合于表示高频信号或快慢变化的长时间信号中的短脉冲。小波包变换(WaveletPacketTransform,WPT)是WT的扩展,可以有效消除高频噪声 ...
【技术保护点】
1.基于特征类可分性指标的人体日常行为肌电特征选择方法,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;日常行为动作包括静态动作,步态动作,静态转换动作,静态动作包括站、坐、蹲、躺;步态动作包括平地走、上楼梯、下楼梯、跑步;静态转换动作包括站‑坐、坐‑站、站‑蹲、蹲‑站、坐‑躺、躺‑坐;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.基于特征类可分性指标的人体日常行为肌电特征选择方法,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;日常行为动作包括静态动作,步态动作,静态转换动作,静态动作包括站、坐、蹲、躺;步态动作包括平地走、上楼梯、下楼梯、跑步;静态转换动作包括站-坐、坐-站、站-蹲、蹲-站、坐-躺、躺-坐;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,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...
【专利技术属性】
技术研发人员:席旭刚,姜文俊,汤敏彦,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。