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

本发明专利技术公开了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。首先，采集了人体下肢活动中四路表面肌电信号，然后计算了10种提取每路肌电信号的10个肌电特征形成肌电特征池，对静态动作、步态动作、静态转换动作的三大类分别计算10个肌电信号特征各自的特征类可分性指标，从肌电特征池中选择特征类可分性指标高于0.6的肌电特征组成静态动作肌电特征组，特征类可分性指标高于0.5的肌电特征组成步态动作肌电特征组，特征类可分性指标高于0.2的肌电特征组成静态转换动作肌电特征组。根据特征类可分性指标可以最大限度的利用各个特征，不会造成特征信息的浪费或冗余，大大降低了算法的复杂度，使分类效果更好。

Feature Selection Method of Human Daily Behavior EMG Based on Feature Class Separability Index

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。然而，WT在高频段仍然很差，WPT缺乏平移不变性质。因此，Xing等人提出了一种新的解决方案，使用小波包节点能量构建特征向量。活动意识，尤其是日常活动监测和跌倒检测，作为行为感知的一个基本子领域，对需要帮助的老年人和弱者的日常活动起着重要的作用。若能根据患者肌肉运动意图进行主动康复训练，能提高患者的康复效果。
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。本专利技术对表面肌电信号的特征提取和特征选择进行了研究，目的是确定表面肌电信号在日常生活活动监测和跌倒检测中的最佳特征。首先，采集了人体下肢活动中腓肠肌、胫骨前肌、股内肌、股外肌这四路表面肌电信号，然后计算了10种提取每路肌电信号的平均幅值，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，对静态动作、步态动作、静态转换动作的三大类分别计算10个肌电信号特征各自的特征类可分性指标(FeatureClassSeparabilityindex)，从肌电特征池中选择特征类可分性指标高于0.6的肌电特征组成静态动作肌电特征组，特征类可分性指标高于0.5的肌电特征组成步态动作肌电特征组，特征类可分性指标高于0.2的肌电特征组成静态转换动作肌电特征组。为了实现以上目的，本专利技术方法主要包括以下步骤: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个肌电特征形成肌电特征池；步骤(3).对静态动作计算步骤2提取的10个肌电信号特征各自的特征类可分性指标，选择特征类可分性指标J高于0.6的肌电特征组成静态动作肌电特征组；步骤(4).对步态动作计算步骤2提取的10个肌电信号特征各自的特征类可分性指标，选择特征类可分性指标指标J高于0.5的肌电特征组成步态动作肌电特征组；步骤(5).对静态转换动作计算步骤2提取的10个肌电信号特征各自的特征类可分性指标，选择特征类可分性指标指标J高于0.2的肌电特征组成静态转换动作肌电特征组；所述的肌电信号特征的特征类可分性指标具体计算如下：设有肌电信号训练样本特征向量x1,x2,...xK，其中Ki个属于类别ωi，即Ki为第i类的样本数，记为Xi＝x1i,x2i,...xKii，i＝1,2,3...C,C为总类数，K为总样本数，记ωi类的肌电均值向量为mi，有记所有类肌电特征的均值向量为m，有肌电信号特征各自的类间离散矩阵SB与类内离散矩阵SW,公式如下：然后计算tr(SB),tr(Sw)分别表示矩阵SB和Sw的迹，特征类可分性指标J由下式得到：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：由于本专利技术提取了10种特征，假如对每类动作都运用这10种特征，会导致算法复杂度大大加大，并且增加运算时间。利用特征类可分性指标这种方法可以最大限度的利用各个特征，不会造成特征信息的浪费或冗余，减小维数，大大降低了算法的复杂度，使分类效果更好。附图说明图1为本专利技术的实施流程图；图2为一些日常行为的4路信号的原始表面肌电信号图；图3为15种特征的特征类可分性指标值；图4为15种特征的特征类可分性指标值和计算时间。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；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。如图2所示，显示了几个行为动作的原始肌电信号。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，对静态动作、步态动作、静态转换动作的三大类分别计算步骤二提取的10个肌电信号特征的类间离散矩阵SB与类内离散矩阵SW，再分别计算特征类可分性指标步骤四，从肌电特征池中选择特征类可分性指标J高于0.6的肌电特征组成静态动作肌电特征组，特征类可分性指标J高于0.5的肌电特征组成步态动作肌电特征组，特征类可分性指标J高于0.2的肌电特征组成静态转换动作肌电特征组。图3显示了三个实验体的15种类型的EMG特征集的特征类可分性指标值。越高的特征类可分性指标意味着相应的特征数据高度分离。WAMP特征被排在前一位，其本文档来自技高网...

【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