一种基于群智能算法的肌肉电信号通道组合优化方法技术

基于群智能算法的肌肉电信号通道组合优化方法，包括如下步骤：步骤一，采集各个通道的数据，并对数据进行预处理，步骤二需要对通道数量以及特征进行选取，步骤三，建立精度确立方法，进行精度预算。步骤四，将步骤三得到的精度利用蚁群算法进行计算，得到最优精度。发明专利技术通过启发式算法，对复杂的NP问题进行较为精准的求解，并且大大降低了训练时间。并得到优化后通道的选择。

【技术实现步骤摘要】
一种基于群智能算法的肌肉电信号通道组合优化方法
本专利技术涉及一种肌肉电信号通道组合优化方法
技术介绍
表面肌电信号包含了大量表征肌肉生物特征信息，通过这些信息可以判别一些手势动作并制造出与人相对应的机械假肢。但是传统的机械假肢精度并不高，若需要提高精度就必须增加通道量，造成机械假肢的高昂价格，且通道中的数据相似程度较高，具有较大的重复性，但又包含一定的独立数据。因此，怎么样在减少通道的数量的情况下，保证机械手臂的出错率不增高是一项待突破的技术。
技术实现思路
本专利技术要克服现有技术的上述问题，提出一种基于群智能算法的肌肉电信号通道组合优化方法，用于解决通道优化问题。本专利技术实例提供优化算法包括：目标函数与约束条件的定义。对目标函数、约束条件所形成的组件进行集成，建立算法模型。基于群智能算法的肌肉电信号通道组合优化方法，包括如下步骤：步骤一、采集各个通道的数据，并对数据进行预处理，对数据的预处理，具体包括：11.对一些异常数据进行平滑去噪，异常数据包括：超过最大、最小测量值的数据和动作发生后并未有变化的数据；12.对无效数据进行整理，其中无效数据包括：用数据均值代替数据值为0值数据；步骤二、为了减少通道数量，需要对通道数量以及特征进行选取，具体包括：21.设机械假肢共有N个通道分别为S1、S2...SN在时间为T的时间段下进行表面肌电信号的提取；22.利用已有提取特征方法对在T时间段内得到的表面肌电信号数据进行特征选取；设提取特征数目为M，记M个特征为C1、C2...CM；步骤三、建立精度确立方法，确立少量通道与特征情况下精度的计算；其中精度确立包括：31.对已有N个通道与M个特征数据进行分类手势信息，采用K临近算法分类，具体包括：a、采用欧式距离对两个点相似程度的测量；欧式距离是指n维欧氏空间是一个坐标点的集合，它的每个点X可以表示为(x1、x2…xn)其中xi(i＝12…n)是实数称为X的第i个坐标两个点A＝(a1、a2…an)和B＝(b1、b2…bn)之间的距离d(AB)定义为下面的公式b、选择K值，即一个样本空间内K个最相似的样本，K值可取自然数，c、分类决策规则的制定，采用简单多数表决规则和距离规则；简单多数表决规则和距离规则包括：c1.简单多数表决指需要获得半数以上响应就直接判断该点分类情况；c2.距离规则指将距离当做权重输入简单多数表决中，距离越长权重越低；距离越短权重越高，再进行判断该点分类情况；d、建立kd—树并训练数据包括：输入为目标点X，kd—树；输出为所属分类情况；i、预备操作A：在访问各个节点时，如果周围数据并不足K个，将该节点加入数据中，若超出k个，则选择距离较近的K个数据。ii、从根节点出发，递归地向下访问kd—树，若目标X当前维的坐标小于切分点的坐标，则移动到左子结点，否则移动到右子结点，直到结点为叶节点为止；执行预备操作A；iii、递归的向上回退，在每个节点进行以下操作：1、执行预备操作A，检查子节点是否容量未满，或者比顶堆数据更近的数据，若有，执行i操作；iv、退回根节点时，训练结束；32.对少量通道与特征建立分类信息，其中少量通道与特征包括：问题的候选解:S2、S3...SN-1,C2、C3...CM-1；分类方法包括步骤31中K临近算法分类；33.精度的确定，具体包括：(1)建立混淆信息矩阵，矩阵内容包括设有W个标签，分别为Z1、Z2、...ZW；若训练分类标签n与测试分类标签m，(m、n<W)，该矩阵标签fmn加1，F为混淆矩阵。将所有分类数据写入混淆矩阵中，(2)计算∑fij(i，j<w)的值，其结果为X,计算∑fii(i<w)的值，其精度值为步骤四、对步骤三所得到的精度进行最优解搜索，采用蚁群算法搜索，具体包括：41.初始化蚁群参数，将通道的选择作为蚂蚁选择的道路，将精度的倒数作为对应道路的长度；假设n为道路量，m为蚂蚁数，L为对应道路长度，则将m只蚂蚁放入n条道路上，蚂蚁k根据各条道路上的信息素长度进行道路选择，并不停改变道路上信息素浓度；蚂蚁选择道路的公示为式中tabu是禁忌表，记录蚂蚁已走过的道路，以禁止蚂蚁选择已经选择过的目标。τij为起点i至终点j道路上残留信息，α为τij的相对重要程度，ηij为启发式因子，β为ηij的相对重要程度，表示蚂蚁k选择道路的期望值，为每一条道路上信息素的总量。42.信息素的更新，选取质量较好的前m只蚂蚁进行信息素的更新；假设在第k次迭代结束以后，蚂蚁对信息素τij进行更新，公示如下：τij＝(1-p)×τij(t)+Δτij(t)其中Q为信息素强度；通过蚁群搜索算法得到精度的最优值YMAX。本专利技术的优点是：通过启发式算法，对复杂的NP问题进行较为精准的求解，并且大大降低了训练时间。并得到优化后通道的选择。附图说明图1是本专利技术的方法流程图。图2是肌电信号数据图。图3是本专利技术蚁群算法的流程图。图4是本专利技术实验结果图。具体实施方式下面结合附图进一步说明本专利技术的技术方案。一个机械手臂要识别n个动作，对应通道量为m个，现阶段，需要在机械手臂识别动作不影响的情况下，有效得减少对应的通道数量。设置小问题n＝5，m＝16。具体问题形式如下表所示：动作现有通道数优化后通道数动作116？动作216？动作316？动作416？动作516？总动作16？这个问题是一种较为常见的优化问题，优化问题就是构建一个映射函数，通过求该问题的极值，得到所需要的解。现已有产品是对16个通道一一做出了要求，并通过对16个通道的电位信号的数据进行训练，从而达到分类的目的，但是通道制作过程较为复杂，并且制作成本较高，因此降低通道的数量势在必行。实例的输入与输出输入的数据为：(1)动作1中各个通道所对应的电位值。(2)动作2中各个通道所对应的电位值。(3)动作3中各个通道所对应的电位值。(4)动作4中各个通道所对应的电位值。(5)动作5中各个通道所对应的电位值。输出的数据为：(1)五个动作中必要的留下的通道数量和通道。(2)优化后对应通道的精度。实例输出结果：通道数量的优化精度将各个动作输入电位信号输入后，得到的结果如图4所示，横坐标为所选取的通道数量，纵坐标为精度的大小，蓝色柱形图为该通道数量，所对应的最优精度数，黄色柱状图为该通道数量，多对应平均精度。如图4所示，从选取三个通道开始，其对应的最优适应度(精度)便已高于90％，从经济状况来看，三个通道已基本满足优化所需，如表所示通道数在5-10时，其对应的精度已达到98％-99％，精度大小大致一致。且通道个数为9时，其对应的精度最高对应精度值为0.997，通道个数为5时，其对应的精度最高对应精度值为0.9836，但由于通道制作比较麻烦，且制作成本较高，因此选择通道个数为5是较为不错的选择的。因此此算法可以良好得完成优化工作。对应通道数最优精度10.477220.833130.956940.945950.973660.988970.997480.989790.9997100.9994重复上述工作对五个动作进行依次通道优化，得到如下数据：动作现有通道数优化后通道数动作1165动作2164动作3164动作4166动作5165总动作168通过对五个动作的电位数据进行优化工作，得到总动作的最优通道数为8个本文档来自技高网...

【技术保护点】
1.基于群智能算法的肌肉电信号通道组合优化方法，包括如下步骤：步骤一、采集各个通道的数据，并对数据进行预处理，对数据的预处理，具体包括：11.对一些异常数据进行平滑去噪，异常数据包括：超过最大、最小测量值的数据和动作发生后并未有变化的数据；12.对无效数据进行整理，其中无效数据包括：用数据均值代替数据值为0值数据；步骤二、为了减少通道数量，需要对通道数量以及特征进行选取，具体包括：21.设机械假肢共有N个通道分别为S1、S2...SN在时间为T的时间段下进行表面肌电信号的提取；22.利用已有提取特征方法对在T时间段内得到的表面肌电信号数据进行特征选取；设提取特征数目为M，记M个特征为C1、C2...CM；步骤三、建立精度确立方法，确立少量通道与特征情况下精度的计算；其中精度确立包括：31.对已有N个通道与M个特征数据进行分类手势信息，采用K临近算法分类，具体包括：a、采用欧式距离对两个点相似程度的测量；欧式距离是指n维欧氏空间是一个坐标点的集合，它的每个点X可以表示为(x1、x2…xn)其中xi(i＝12…n)是实数称为X的第i个坐标两个点A＝(a1、a2…an)和B＝(b1、b2…bn)之间的距离d(AB)定义为下面的公式d(AB)＝√{∑[(ai‑bi)...

【技术特征摘要】
1.基于群智能算法的肌肉电信号通道组合优化方法，包括如下步骤：步骤一、采集各个通道的数据，并对数据进行预处理，对数据的预处理，具体包括：11.对一些异常数据进行平滑去噪，异常数据包括：超过最大、最小测量值的数据和动作发生后并未有变化的数据；12.对无效数据进行整理，其中无效数据包括：用数据均值代替数据值为0值数据；步骤二、为了减少通道数量，需要对通道数量以及特征进行选取，具体包括：21.设机械假肢共有N个通道分别为S1、S2...SN在时间为T的时间段下进行表面肌电信号的提取；22.利用已有提取特征方法对在T时间段内得到的表面肌电信号数据进行特征选取；设提取特征数目为M，记M个特征为C1、C2...CM；步骤三、建立精度确立方法，确立少量通道与特征情况下精度的计算；其中精度确立包括：31.对已有N个通道与M个特征数据进行分类手势信息，采用K临近算法分类，具体包括：a、采用欧式距离对两个点相似程度的测量；欧式距离是指n维欧氏空间是一个坐标点的集合，它的每个点X可以表示为(x1、x2…xn)其中xi(i＝12…n)是实数称为X的第i个坐标两个点A＝(a1、a2…an)和B＝(b1、b2…bn)之间的距离d(AB)定义为下面的公式d(AB)＝√{∑[(ai-bi)2]}(i＝1,2…n)(1)b、选择K值，即一个样本空间内K个最相似的样本，K值可取自然数，c、分类决策规则的制定，采用简单多数表决规则和距离规则；简单多数表决规则和距离规则包括：c1.简单多数表决指需要获得半数以上响应就直接判断该点分类情况；c2.距离规则指将距离当做权重输入简单多数表决中，距离越长权重越低；距离越短权重越高，再进行判断该点分类情况；d、建立kd—树并训练数据包括：输入为目标点X，kd—树；输出为所属分类情况；i、预备操作A：在访问各个节点时，如果周围数据并不足K个，将该节点加入数据中，若超出k个，则选择距离较近的K个数据...

【专利技术属性】
技术研发人员：王万良，屠杭垚，王铮，臧泽林，陈国棋，介婧，赵燕伟，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33