System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于对病变肌肉识别及肌肉健康预测,具体涉及一种肌电信号数据分类识别方法。
技术介绍
1、随着人口老龄化的情况在我国逐步显现,老年人的数量逐年在增加,同时伴随着肌肉相关的并发症数量也在逐年增加。人体在50岁以后,肌肉数量及肌肉力量会开始加速下降,60岁以后下降速度将会加剧,而75岁后下降速度将会达到每年减少15%的顶峰情况。这也是导致老年人肌肉相关的并发症频发的主要原因。同时导致老年人失能和生活质量大大降低。
2、目前市面上现有的一些关于肌肉活动状态检测技术,可以对肌肉疲劳度状态进行检测,主要是对人体下肢表面肌电信号进行密集采集,通过对采集到的肌电信号进行分析计算,得到人体下肢肌肉运动疲劳度数据,以此给予使用者提醒警告。
3、而且,上述这种研究,也仅限于对肌肉劳动程度进行分析计算,并无法更精准的了解肌肉的健康程度。同时在使用支持向量机模型进行分析的时候,虽然衍生到非线性模型上,但是绝大多数都忽略了样本偏差的问题,而在实际应用中,虽然样本数据庞大,但并不一定是分布均衡的情况,往往在选择惩罚因子进行软间隔约束的时候,惩罚因子固定,如果单方面考虑到多数样本集合需要给予较小的惩罚系数,这个时候往往会导致少量样本因软间隔约束较小失去较重要的特征样本。如果给予较大惩罚系数,又会导致多样本集约束过于严格,从而导致分类的不精准性,形成对分类的误判情况。
4、肌电信号作为一种生物电流信号,它主要产生于任意组织器官,一般是一种时间和一系列的振幅、频率和波形函数。肌电信号的产生是伴随人体肌肉收缩动作过程中的
5、本申请在肌电信号特征提取阶段采用改进型小波变换,通过阈值函数增加控制因子,不仅仅具有软阈值的连续性,同时偏差也比原始软阈值更加小,精度更加高。而在特征分类时候,通过对引入的惩罚因子进行改进,通过补偿因子,如果本不平衡,在既定的惩罚因子,通过调节补偿因子,实现既可以照顾到偏差样本的情况。
技术实现思路
1、本专利技术提供一种基于融合小波变换和支持向量机模型的肌电信号数据分类识别方法,解决如何更精准的对肌肉健康状态进行分析评估的问题。
2、具体的,一种肌电信号数据分类识别方法,包括:
3、s01,采集肌电信号,获取肌电信号集;
4、s02,用巴特沃斯滤波器对所述肌电信号进行初步降噪处理;
5、s03,用改进后的连续小波变换提取降噪后肌电信号集中的时频信号特征向量;其中,所述改进后的连续小波变换是指改进传统小波变换阈值滤波去噪时所用的阈值函数,用软阈值函数代替传统小波变换中使用的硬阈值函数,同时在所述软阈值函数中引入控制系数β,改进后的连续小波变换系数表达式如下:
6、
7、式中,zj为传统小波变换系数,λ为传统小波变换中的硬阈值函数,在不同范围内,β都影响着zj在该区间内的变化程度;
8、s04,用支持向量机模型对所述时频信号特征向量求解最佳超平面,输出分类结果。
9、进一步的,经过所述步骤03后的肌电信号集为其中,x(t)为随时间t变换的肌电信号,psnr为峰值噪声比。
10、进一步的,所述超平面表达式为其中,为经过改进后小波变换降噪后肌电信号的信号转置的向量坐标,ωs为空间维度,bs表示超平面在ωs维空间中的位置。
11、进一步的,所述最佳超平面是满足下列表达式的解:
12、
13、
14、其中,yn为±1,分别表示正负类别,为为输入肌电信号的转置,ωs'为求解出空间维度,bs’表示超平面在ωs′维空间中的位置。
15、再进一步的,对所述最佳超平面求解时,通过应用拉格朗日乘子法构造拉格朗日函数,求解其对偶问题得到所述表达式的最优解,所述拉格朗日乘子为αn≥0,n=1,2,...,n,此时求解的目标函数变为式中,yn为±1,分别表示正负类别,为为输入肌电信号的转置,ωs为空间维度,bs表示超平面在ωs维空间中的位置。
16、再进一步的,在所述表达式中引入正的松弛变量ξn,n=1,2,...,n,以及固定参数的惩罚因子c,即约束条件改为:目标函数改为:其中,yn为±1,分别表示正负类别,ωs为空间维度,bs表示超平面在ωs维空间中的位置,为惩罚项。
17、再进一步的,在所述目标函数中引入补偿因子gn,即所述目标函数改为:
18、再进一步的,所述拉格朗日函数中求解的目标函数改为:其中,βn≥0为拉格朗日乘子,c为固定参数的惩罚因子,为惩罚项,ξn为正的松弛变量,n=1,2,...,n。因为约束条件为两项,因此拉格朗日算子也有两个。
19、进一步的,求解所述最佳超平面,得到所述支持向量机模型中α的、bs的最优参数和所述最佳超平面为:
20、进一步的,所述分类结果由得出,其中,sign为决策函数,当结果大于0时,取f(x)为1;当结果小于0取f(x)为-1,当结果等于0时,取f(x)等于0。
21、本专利技术提出的基于融合小波变换和支持向量机模型的肌电信号数据分类识别方法,相比于现有技术,有如下益效果:
22、本专利技术在面肌电信号采集方式上,采用差分式表面肌电信号采集电极,无创且方便采集。
23、初始信号采集后采用巴特沃斯滤波器对初始信号进行滤波降噪,巴特沃斯滤波器式通带频率响应曲线最大限度的平坦,且没有起伏,阻频带则逐渐下降为零,对肌电信号的滤波效果明显。肌电信号特征向量提取过程采用小波变换模型,连续形式小波变换可以在时域和频域中以灵活的分辨率有效地转换信号。处理信号所需的时间很短。
24、本方法在小波变换特征向量提取阶段,在小波变换函数过渡阶段采用了非线性函数,同时引进了控制系数。克服了传统软阈值法和硬阈值法存在的缺点,使得去噪过程误差更小,恢复的信号更加接近原始肌电信号。对采集的面肌电信号去噪的效果也更加的好。
25、本专利技术采用的是非线性可分的支持向量机模型,不仅提高了最终肌电信号判断结果的精确性,也降低了误判情况。
本文档来自技高网...【技术保护点】
1.一种肌电信号数据分类识别方法,包括步骤:
2.如权利要求1所述的肌电信号数据分类识别方法,其特征在于,经过所述步骤03后的肌电信号集为其中,x(t)为随时间t变换的肌电信号,PSNR为峰值噪声比。
3.如权利要求1所述的肌电信号数据分类识别方法,其特征在于,所述超平面表达式为其中,为经过改进后小波变换降噪后肌电信号的信号转置的向量坐标,ωs为空间维度,bs表示超平面在ωs维空间中的位置。
4.如权利要求1~3任一权利要求所述的肌电信号数据分类识别方法,其特征在于,所述最佳超平面是满足下列表达式的解:
5.如权利要求4所述的肌电信号数据分类识别方法,其特征在于,对所述最佳超平面求解时,通过应用拉格朗日乘子法构造拉格朗日函数,求解其对偶问题得到所述表达式的最优解,所述拉格朗日乘子为αn≥0,n=1,2,...,N,此时求解的目标函数变为式中,yn为±1,分别表示正负类别,为为输入肌电信号的转置,ωs为空间维度,bs表示超平面在ωs维空间中的位置。
6.如权利要求4所述的肌电信号数据分类识别方法,其特征在于,在所述表达式中
7.如权利要求6所述的肌电信号数据分类识别方法,其特征在于,在所述目标函数中引入补偿因子Gn,即所述目标函数改为:
8.如权利要求5所述的肌电信号数据分类识别方法,其特征在于,所述求解的目标函数改为:其中,βn≥0,n=1,2,...,N,为拉格朗日乘子,C为固定参数的惩罚因子,为惩罚项,ξn为正的松弛变量,n=1,2,...,N。
9.如权利要求5~8任一权利要求所述的肌电信号数据分类识别方法,其特征在于,求解所述最佳超平面,得到所述支持向量机模型中α的、bs的最优参数和所述最佳超平面为:
10.如权利要求5~8任一权利要求所述的肌电信号数据分类识别方法,其特征在于,所述分类结果由得出,其中,sign为决策函数,当结果大于0时,取f(X)为1;当结果小于0取f(X)为-1,当结果等于0时,取f(X)等于0。
...【技术特征摘要】
1.一种肌电信号数据分类识别方法,包括步骤:
2.如权利要求1所述的肌电信号数据分类识别方法,其特征在于,经过所述步骤03后的肌电信号集为其中,x(t)为随时间t变换的肌电信号,psnr为峰值噪声比。
3.如权利要求1所述的肌电信号数据分类识别方法,其特征在于,所述超平面表达式为其中,为经过改进后小波变换降噪后肌电信号的信号转置的向量坐标,ωs为空间维度,bs表示超平面在ωs维空间中的位置。
4.如权利要求1~3任一权利要求所述的肌电信号数据分类识别方法,其特征在于,所述最佳超平面是满足下列表达式的解:
5.如权利要求4所述的肌电信号数据分类识别方法,其特征在于,对所述最佳超平面求解时,通过应用拉格朗日乘子法构造拉格朗日函数,求解其对偶问题得到所述表达式的最优解,所述拉格朗日乘子为αn≥0,n=1,2,...,n,此时求解的目标函数变为式中,yn为±1,分别表示正负类别,为为输入肌电信号的转置,ωs为空间维度,bs表示超平面在ωs维空间中的位置。
6.如权利要求4所述的肌电信号数据分类识别方法,其特征在于,在所述表达式中引入正的松弛变量ξn,n...
【专利技术属性】
技术研发人员:韩丽娜,郭树理,李天志,宋晓伟,盛莉,
申请(专利权)人:中国人民解放军总医院第二医学中心,
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。