【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 ...
【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...
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。