基于遗传算法广义典型相关分析的肌电信号特征融合方法技术

本发明专利技术提出一种基于遗传算法广义典型相关分析的肌电信号特征融合方法。获取人体做日常行为动作时四路肌电信号的平均幅值，威尔逊振幅，模糊熵，小波能量系数，由4路肌电信号各4各特征组成16维特征向量。提取16维标准样本特征向量X、训练样本特征向量Y。分别计算X,Y的类内离散度矩阵和类间离散矩阵，最后求得使广义典型相关判别准则最大的广义正则投影向量。对GCPV择优选取，得到新的GCPV将原特征投影到新空间，成为结合遗传算法的GCCA(GA‑GCCA)；将原特征通过新得到的GCPV投影到新平面上，获得最终融合的肌电信号特征向量S。本发明专利技术有效地减小了维数，并在改善单调性的同时动态地选择了最佳特征向量。

【技术实现步骤摘要】
基于遗传算法广义典型相关分析的肌电信号特征融合方法
本专利技术属于特征融合领域，涉及一种基于遗传算法广义典型相关分析的肌电信号特征层融合方法。
技术介绍
随着医疗保健概念从疾病诊断和治疗转向疾病预防，在系统和持续运动管理中的技术发展的重要性逐渐被强调。由于人口老龄化的增长，在日常活动中需要帮助的老年人或体弱者的数量正在迅速增加，这种变化致使人们意识到活动监测的重要性。肌电(EMG)传感器广泛应用于医学诊断，康复和人机交互中。与其他可穿戴传感器相比，EMG传感器可以直接表现出人体对各种活动的肌电反应。然而，在从原始数据集中寻找最佳特征集方面，仍然存在相当大的挑战。这种困难是由于肌电信号的生物电特性所致，它们会受到许多干扰因素的影响。从同一模式中提取不同的特征向量，往往反映模式的不同特征。通过优化和组合这些不同的特征，可以保留多个特征的有效判别信息，并在一定程度上消除冗余信息。因此，在将最优特征集应用于分类器之前，需要做大量的工作。特征融合在模式识别领域一直是丰富数据特征的一个重要方法，是分类过程中十分重要的预处理步骤。由于特征提取后得到的特征通常会包含冗余和不相关的信息，并且不当的维度本文档来自技高网...

【技术保护点】
1.基于遗传算法广义典型相关分析的肌电信号特征融合方法，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、股外肌共四路肌电信号，获取四路肌电信号的平均幅值MA，威尔逊振幅WAMP，模糊熵FE，小波能量系数EWT，由4路肌电信号各4个特征组成16维特征向量；在标准动作时提取16维标准样本特征向量X，训练时提取训练样本特征向量Y；步骤(2).设

【技术特征摘要】
1.基于遗传算法广义典型相关分析的肌电信号特征融合方法，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、股外肌共四路肌电信号，获取四路肌电信号的平均幅值MA，威尔逊振幅WAMP，模糊熵FE，小波能量系数EWT，由4路肌电信号各4个特征组成16维特征向量；在标准动作时提取16维标准样本特征向量X，训练时提取训练样本特征向量Y；步骤(2).设和分别表示标准样本特征向量X和训练样本特征向量Y的类内离散度矩阵；其中，xij∈X,yij∈Y是i类的第j个训练样本，N为该类的总训练样本数，C为总类数，是类i的样本平均向量；X与Y的类间离散矩阵为：由于要使类间距离最大，类内距离最小，因此通过标准样本特征向量X和训练样本特征向量Y构造广义典型相关判别准则J(x,y)，公式如下：求得使J(x,y)最大化的广义正则投影向量u和v；步骤(3).根据广义正则投影向量u和v获取组合特征广义正则判别向量X*，Y*从组合特征广义正则判别向量X*，Y*获取特征向量W1，W2，计算如下：步骤(4).通过遗传算法GA对广义正则投影向量GCPV择优选取，得到新的GCPV将原特征投影到新空间，成为结合遗传算法的GCCA(GA-GCCA)；通过GA...

【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，章燕，杨晨，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