【技术实现步骤摘要】
本专利技术涉及人机交互分类识别研究，尤其涉及一种基于表面肌电信号时空域特征的手部动作辨识方法。
技术介绍
1、表面肌电信号(surface electromyogram，semg)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。表面肌电信号是浅层肌肉电信号和神经干上电活动在皮肤表面的综合效应，能在一定程度上反映神经肌肉的活动。表面肌电信号在测量方式上可分为侵入式和表面式，表面肌电信号在测量上具有非侵入、无创伤、操作简单等优点。因而，表面肌电信号在临床医学、人机功效学、康复医学以及体育科学等方面均有重要的实用价值。与此同时如何正确选择特征对后续分类识别有着决定性因素，它能直接影响到分类结果的好坏。
2、表面肌电信号处理过程有：表面肌电信号采集，表面肌电信号预处理，特征提取，模式分类四个流程。表面肌电信号采集是将多通道电极放置在人体表面，采集不同位置的肌肉电信号，每个电极代表一个通道；表面肌电信号预处理，将采集到的原始表面肌电信号进行滤波处理，滤除多余的噪声；特征提取是从表面肌电信号中提取有用信息，增加信号的可读性；模式分类是将不同动作的表面肌电信号特征利用分类器进行类别判断。
3、人体在达成所有动作时都有大量肌肉的参与，运动过程非常复杂，此时选取正确的信号处理方法能够极大程度的简化结果预测的过程，提高分类的准确率，研究表明，时域特征很适合于生物电信号，由于其提取难度小、运算简便、准确率高等特点深受生物电信号研究者青睐，虽然时域特征拥有如此多优点，但是单一的依靠时域特征对最终分类结果准确率的提升还是有很大
技术实现思路
1、本专利技术要解决的技术问题是：现有的依靠时域特征的表面肌电信号分类的准确率较低。
2、为此，本专利技术提供一种基于表面肌电信号时空域特征的动作辨识方法。
3、本专利技术解决其技术问题所采用的技术方案是：
4、一种基于表面肌电信号时空域特征的动作辨识方法，包括以下步骤，
5、表面肌电信号采集；
6、信号样本预处理，并划分测试集和训练集；
7、对测试集与训练集样本提取时域特征，通过循环比较的方式确定空域特征维度阈值，通过该阈值提取空域特征，并将时域特征与空域特征融合；
8、通过训练集特征训练辨识模型并将测试集特征输入辨识模型输出分类结果。
9、通过采用上述技术方案，将空域特征和时域特征相融合对机电信号进行表征，空域特征是由共空间模式(common spatial pattern，csp)提取，它是一种针对二分类模型的高效滤波算法，它通过寻找一组最优的空间线性变换(投影方向)，使得两个类别之间的空间特征差异最大化，即一种类别信号在这个投影方向上的方差最大，另一类信号的方差最小。因此将时域与空域特征相互融合能够结合二者优点从多角度对肌电信号进行有效的表征，从而提高分类准确率和稳定性。
10、进一步的，信号样品预处理中，进行10-450hz的六阶巴特沃斯带通滤波，然后采用小波包去除信号中的噪声。
11、进一步的，对分段信号数据进行基线校正，并对基线校正后的信号进行划窗信号重组，将二维信号(通道×时间)变为三维信号(通道×时间×试次)划窗补偿原则选50％。
12、进一步的，通过逐渐增加空域特征维度阈值m的大小的同时计算当前m情况下的分类结果准确率，得到的准确率与上一次计算出来的准确率比较，以确定最终的空域特征维度阈值m，当准确率与上一次计算出来的准确率比较不变或者降低，此时的m为最终的空域特征维度阈值m。
13、通过采用上述技术方案，运用循环比较的方式确定最适合当前信号的空域特征维度，有效解决了在空域特征提取时特征维度对于分类结果准确率的影响。
14、进一步的，提取训练集与测试集的时域特征：峭度、均方根、标准差、偏度、方差。
15、进一步的，采用“共空间模式”算法提取空域特征，将信号矩阵与空间滤波器相互作用进行特征提取得到特征向量f。
16、进一步的，空间滤波器采用以下公式计算求得：
17、
18、其中，当w最大时β是求得的空间滤波器，w为两类信号的差异值，x1、x2分别代表两种类别，t代表对矩阵转置；将求得的空间滤波器与信号矩阵相作用得到滤波后的信号：z＝βx，特征向量计算公式如下：
19、
20、其中，var代表计算方差，i为信号通道序号，m为上一步确定的空域特征维度阈值。
21、进一步的，将同一种特征的不同通道不同样本间的特征值归一化，归一化公式如下：
22、
23、其中，lower代表设定的下限值，设定值为0，upper代表设定上限值，设定值为1，max代表信号元素中最大值，min代表信号元素中最小值，y为选定数据值。
24、进一步的，采用“一对一”策略对动作信号的分类结构进行比对和判断。
25、进一步的，依据空域特征矩阵“一对一”策略排列规则，对时域特征矩阵排列，完成排列的时域特征矩阵融合进空域特征矩阵完成特征融合。
26、本专利技术的有益效果是，本申请通过一个循环比较的方式确定空域特征维度，有效解决了在空域特征提取时特征维度对于分类准确率的影响，运用循环比较的方式确定最适合当前信号的空域特征维度，通过该维度提取空域特征配合传统时域特征提取方式，将时域与空域特征归一化相融合，构建新的特征矩阵，从多维度表征信号特征情况，运用支持向量机完成模式分类，使得本专利技术相较以往传统表面肌电信号模式分类方法，准确率与稳定性上有了较大提升。
27、引入空域特征，空域特征的特点是维度高对信号表征能力强，将时域和空域特征相互融合可以有效提高特征对信号的表征能力，同时还继承了运算简单等优点，时域特征和空域特征的并用能够有效提高分类结果的准确率与稳定性。
28、将空域特征和时域特征相融合对机电信号进行表征，空域特征是由共空间模式(common spatial pattern，csp)提取，它是一种针对二分类模型的高效滤波算法，它通过寻找一组最优的空间线性变换(投影方向)，使得两个类别之间的空间特征差异最大化，即一种类别信号在这个投影方向上的方差最大，另一类信号的方差最小。因此将时域与空域特征相互融合能够结合二者优点从多角度对肌电信号进行有效的表征，从而提高分类准确率和稳定性。
本文档来自技高网...【技术保护点】
1.一种基于表面肌电信号时空域特征的动作辨识方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的基于表面肌电信号时空域特征的动作辨识方法，其特征在于，信号样品预处理中，进行10-450Hz的六阶巴特沃斯带通滤波，然后采用小波包去除信号中的噪声。
3.根据权利要求1所述的基于表面肌电信号时空域特征的动作辨识方法，其特征在于，对分段信号数据进行基线校正，并对基线校正后的信号进行划窗将信号重组，将二维信号(通道×时间)变为三维信号(通道×时间×试次)划窗补偿原则选50％。
4.根据权利要求1所述的基于表面肌电信号时空域特征的动作辨识方法，其特征在于，通过逐渐增加空域特征维度阈值m的大小的同时计算当前m情况下的分类结果准确率，得到的准确率与上一次计算出来的准确率比较，以确定最终的空域特征维度阈值m，当准确率与上一次计算出来的准确率比较不变或者降低，此时的m为最终的空域特征维度阈值m。
5.根据权利要求1所述的基于表面肌电信号时空域特征的动作辨识方法，其特征在于，提取训练集与测试集的时域特征：峭度、均方根、标准差、偏度、方差。
<...【技术特征摘要】
1.一种基于表面肌电信号时空域特征的动作辨识方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的基于表面肌电信号时空域特征的动作辨识方法，其特征在于，信号样品预处理中，进行10-450hz的六阶巴特沃斯带通滤波，然后采用小波包去除信号中的噪声。
3.根据权利要求1所述的基于表面肌电信号时空域特征的动作辨识方法，其特征在于，对分段信号数据进行基线校正，并对基线校正后的信号进行划窗将信号重组，将二维信号(通道×时间)变为三维信号(通道×时间×试次)划窗补偿原则选50％。
4.根据权利要求1所述的基于表面肌电信号时空域特征的动作辨识方法，其特征在于，通过逐渐增加空域特征维度阈值m的大小的同时计算当前m情况下的分类结果准确率，得到的准确率与上一次计算出来的准确率比较，以确定最终的空域特征维度阈值m，当准确率与上一次计算出来的准确率比较不变或者降低，此时的m为最终的空域特征维度阈值m。
5.根据权利要求1所述的基于表面肌电信号时空域特征的动作辨识...
【专利技术属性】
技术研发人员：潘礼正，马昕辰，史先传，黄小霞，朱谭童，
申请(专利权)人：常州大学，
类型：发明
国别省市：
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。