一种提升肌电信号识别准确率的方法技术

本发明专利技术提供一种提升肌电信号识别准确率的方法，属于表面肌电信号的识别领域，包括分类器模型准备和测试样本识别两，在准备阶段，构建分类模型并对分类模型进行参数估计，分类模型包括线性分类器和kNN分类器；利用采集的训练样本对分类器的模型参数进行估计；在识别阶段，首先利用识别效率高的线性分类器进行预决策，根据预决策结果对可靠性高的测试样本直接给出决策结果，对可靠性低的测试样本利用kNN分类器进行再次决策。本发明专利技术了融合线性分类器决策迅速和kNN分类器准确率高的优点，同时采用分支定界搜索算法kd树提高kNN分类器的搜索效率，使得动作识别系统在识别率提高，可靠性增强的同时，不显著增加分类器模型准备和测试样本识别所需要的时间。测试样本识别所需要的时间。测试样本识别所需要的时间。

【技术实现步骤摘要】
一种提升肌电信号识别准确率的方法


[0001]本专利技术专利属于表面肌电信号的识别领域，具体是一种提升肌电信号识别准确率的方法。

技术介绍

[0002]表面肌电信号与动作的产生密切相关，因此，表面肌电信号可以用于动作识别。当前，已有大量应用表面肌电信号做动作识别的实例，且已经取得了较好的识别结果。但是基于表面肌电信号的动作识别仍然存在一些问题：首先，表面肌电信号的非平稳特性致使已训练的分类器性能随时间下降，为了取得较好的识别结果，需要不时的对分类器进行重新训练；其次，虽然当前的识别准确率已经较高，但是仍然有待提升；再者，动作识别的应用特性要求具有良好实时性。综合以上三点，要求动作识别系统具有分类器参数快速学习能力、优良识别性能和实时识别的特点。当前，基于深度学习网络如卷积神经网络、循环神经网络等虽然可以取得很高的识别准确率，但是其需要较长的参数学习时间，不利于进行实际应用。传统的机器学习算法虽然在分类器参数学习方面需要的时间相对较短，但是准确率上仍然有待提升。因此，设计一种可以同时满足以上三点要求的分类器对于肌电动作识别系统的实际应用具有重要意义。

技术实现思路

[0003]本专利技术的目的在于：针对现有技术中的问题，一种提升肌电信号识别准确率的方法，该算法可以同时满足分类器参数快速学习能力、优良识别性能和实时识别的特点。
[0004]
技术实现思路
：一种提升肌电信号识别准确率的方法，包括如下步骤：
[0005]步骤一、分类器模型准备：
[0006]构建分类模型并对分类模型进行参数估计，分类模型包括线性分类器和kNN分类器；假设动作类别数目为C,训练样本集表示为其中1≤c≤C；X
c
为类别ω
c
的训练样本，大小为N
c
×
d，N
c
为X
c
的样本量，d为维度；对线性分类器和kNN分类器进行参数估计，具体为：
[0007]1)对于线性分类器：
[0008]构建C
×
(C
‑
1)/2个两类分类器，对任意一个两类分类器，假设其训练样本由类别为ω
i
的样本X
i
和类别为ω
j
的样本X
j
组成，其中1≤i＜C，i＜j≤C，X
i
与X
j
的数据点分别为N
i
和N
j
；
[0009]首先，计算类别ω
i
和类别ω
j
的均值向量μ
i
和μ
j
；其次，根据μ
i
和μ
j
计算类间散度矩阵S
b
和类内散度矩阵S
w
，对类内散度矩阵S
w
的逆进行计算，并计算最大特征值对应的特征向量W；然后，利用W对X
i
和X
j
分别进行投影得到Y
i
和Y
j
，并计算Y
i
和Y
j
的均值m
i
和m
j
；
[0010]2)对于kNN分类器；
[0011]利用Cholesky分解法将训练样本集的协方差矩阵Σ分解，得到
上三角矩阵R；利用R对训练样本进行转换，将转换后的训练样本作为kNN模型的训练样本集，构建kd树；
[0012]步骤二、测试样本识别：
[0013]S1、将测试样本进行线性分类器识别；
[0014]S2、对于线性分类器无法做出决策的测试样本，将其作为输入传递给kNN分类器进行决策。
[0015]进一步的，线性分类器的参数估计方法如下：
[0016]首先、计算类别ω
i
和类别ω
j
的均值向量μ
i
和μ
j
，计算公式如下：
[0017][0018][0019]其中，X
i
(n)和X
j
(n)分别为X
i
和X
j
的第n个数据点；
[0020]其次、计算类间散度矩阵S
b
和类内散度矩阵S
w
，计算公式如下：
[0021]S
b
＝(μ
i
‑
μ
j
)(μ
i
‑
μ
j
)
T
ꢀꢀꢀꢀꢀꢀꢀ
(3)
[0022]S
w
＝(X
i
‑
μ
i
)(X
i
‑
μ
i
)
T
+(X
j
‑
μ
j
)(X
j
‑
μ
j
)
T
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0023]对类内散度矩阵S
w
的逆进行计算，并计算最大特征值对应的特征向量W；
[0024]然后，利用W对X
i
和X
j
分别进行投影得到Y
i
和Y
j
，Y
i
和Y
j
的计算公式如下：
[0025]Y
i
＝X
i
*W
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0026]Y
j
＝X
j
*W
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0027]计算Y
i
和Y
j
的均值m
i
和m
j
。
[0028]进一步的，kNN分类器的参数估计方法如下：
[0029]首先、对全体训练样本进行样本均值μ和协方差矩阵Σ进行估计，方法如下:
[0030][0031][0032]其中，
[0033]其次，利用Cholesky分解法将协方差矩阵Σ分解成满足下面条件的上三角矩阵R：
[0034]Σ＝R
T
R
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0035]然后，利用R对训练样本进行转换，方法如下：
[0036]Z＝X*R
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0037]将转换后的Z＝[Z
(1)
Z
(2)
...Z
(d)
]，其中d为维度，作为kNN模型的训练样本集，构建kd树。
[0038]进一步的，构建kd树的方法如下：
[0039](a)构造根节点；选择Z
(1)
为初始分割坐标轴；
[0040](b)对当前数据按照分隔本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种提升肌电信号识别准确率的方法，其特征在于，包括如下步骤：步骤一、分类器模型准备：构建分类模型并对分类模型进行参数估计，分类模型包括线性分类器和kNN分类器；假设动作类别数目为C,训练样本集表示为其中1≤c≤C；X
c
为类别ω
c
的训练样本，大小为N
c
×
d，N
c
为X
c
的样本量，d为维度；对线性分类器和kNN分类器进行参数估计，具体为：1)对于线性分类器：构建C
×
(C
‑
1)/2个两类分类器，对任意一个两类分类器，假设其训练样本由类别为ω
i
的样本X
i
和类别为ω
j
的样本X
j
组成，其中1≤i＜C，i＜j≤C，X
i
与X
j
的数据点分别为N
i
和N
j
；首先，计算类别ω
i
和类别ω
j
的均值向量μ
i
和μ
j
；其次，根据μ
i
和μ
j
计算类间散度矩阵S
b
和类内散度矩阵S
w
，对类内散度矩阵S
w
的逆进行计算，并计算最大特征值对应的特征向量W；然后，利用W对X
i
和X
j
分别进行投影得到Y
i
和Y
j
，并计算Y
i
和Y
j
的均值m
i
和m
j
；2)对于kNN分类器；利用Cholesky分解法将训练样本集的协方差矩阵Σ分解，得到上三角矩阵R；利用R对训练样本进行转换，将转换后的训练样本作为kNN模型的训练样本集，构建kd树；步骤二、测试样本识别：S1、将测试样本进行线性分类器识别；S2、对于线性分类器无法做出决策的测试样本，将其作为输入传递给kNN分类器进行决策。2.根据权利要求1所述的提升肌电信号识别准确率的方法，其特征在于，所述步骤一中，线性分类器的参数估计方法如下：首先、计算类别ω
i
和类别ω
j
的均值向量μ
i
和μ
j
，计算公式如下：，计算公式如下：其中，X
i
(n)和X
j
(n)分别为X
i
和X
j
的第n个数据点；其次、计算类间散度矩阵S
b
和类内散度矩阵S
w
，计算公式如下：S
b
＝(μ
i
‑
μ
j
)(μ
i
‑
μ
j
)
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)S
w
＝(X
i
‑
μ
i
)(X
i
‑
μ
i
)
T
+(X
j
‑
μ
j
)(X
j
‑
μ
j
)
T
ꢀꢀꢀꢀꢀꢀꢀ
(4)对类内散度矩阵S
w
的逆进行计算，并计算最大特征值对应的特征向量W；然后，利用W对X
i
和X
j
分别进行投影得到Y
i
和Y
j
，Y
i
和Y
j
的计算公...

【专利技术属性】
技术研发人员：周升丽，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：