本发明专利技术一种表面肌电信号的特征提取及动作模式识别方法，它有五大步骤：步骤1.对采集到的不同动作的表面肌电信号进行分组；步骤2.对每组信号进行时域特征参数提取；步骤3.对提取的时域特征参数构建多参数的特征向量；步骤4.对不同动作的相同参数做横向比较并归一化处理；步骤5.用BP神经网络对特征向量进行训练和识别。本发明专利技术首先对表面肌电信号进行特征提取、构建多参数特征向量并进行横向归一化处理，在此基础上用BP神经网络进行模式识别，在一定范围内，使识别率达到100％。它在信号处理和模式识别领域里具有实用价值和良好的应用前景。
【技术实现步骤摘要】
本专利技术涉及ー种表面肌电信号(SEMG)的特征提取及动作模式识别方法，具体涉及四种手部动作的前臂表面肌电信号的特征提取和模式识别，属于信号处理和模式识别领域。(ニ)
技术介绍
随着肌电信号检测、识别技术的不断发展，肌电信号在假肢控制、肌肉疾病诊断、运动生物力学等得到了广泛的研究和应用。表面肌电信号是人体浅层肌肉电信号和神经干上电活动的综合效应。相对于针形电极测量的肌电信号，表面肌电信号在測量上具有非侵入性、无创伤、操作简单等优点，因此成为人工假肢的理想控制信号。不同的肢体动作具有不同的肌肉收缩模式，这些模式的差别反映在肌电信号特征的差异上，通过辨别出这些差异以区分不同的肌肉动作，从而使假肢动作更自然，控制更方便。但人体表面肌电信号是ー种低频的微弱生物电信号，在本质上是ー种具有非平稳、非高斯特性的生理信号，必须通过合适的信号特征提取、模式识别分类方法来区分不同的肌肉动作。因此肌电信号的动作模式识别的研究对假肢控制技术的发展具有重要的意义。
技术实现思路
I、目的有鉴于此，本专利技术的目的是提供ー种表面肌电信号的特征提取及动作模式识别方法，它首先对表面肌电信号进行特征提取、构建多參数特征向量并进行横向归ー化处理，在此基础上用BP神经网络进行模式识别，在一定范围内，使识别率达到100%。2、技术方案为达到上述目的，本专利技术的技术方案是这样的本专利技术ー种表面肌电信号的特征提取及动作模式识别方法，该方法包括以下步骤步骤I.对采集到的不同动作的表面肌电信号进行分组；步骤2.对每组信号进行时域特征參数提取；步骤3.对提取的时域特征參数构建多參数的特征向量；步骤4.对不同动作的相同參数做横向比较并归一化处理；步骤5.用BP神经网络对特征向量进行训练和识别；其中，步骤I所述的信号分组是根据阈值法确定起始点，根据动作发生的时间确定采样的点数及动作的終止点。其中，步骤2所述的提取的时域特征參数为绝对值积分、方差和过零点数。三个时域特征參数的定义及提取如下(I)绝对值积分(IAV) 其计算式为权利要求1.，其特征在于该方法具体步骤如下 步骤I.对采集到的不同动作的表面肌电信号进行分组； 步骤2.对每组信号进行时域特征参数提取； 步骤3.对提取的时域特征参数构建多参数的特征向量； 步骤4.对不同动作的相同参数做横向比较并归一化处理； 步骤5.用BP神经网络对特征向量进行训练和识别。2.根据权利要求I所述的，其特征在于步骤I所述的对信号进行分组是根据阈值法确定起始点，根据动作发生的时间确定采样的点数及动作的终止点。3.根据权利要求I所述的，其特征在于步骤2中所述的提取的时域特征参数为绝对值积分、方差和过零点数，三个时域特征参数的定义及提取如下 (1)绝对值积分IAV 其计算式为琢=iw⑴ i=\ 其中，i为每组的采样点数，Xi为表面肌电信号采样的数据点值； (2)过零点数ZC 过零点数即信号中波形穿越零电平的次数，用来描述波形在幅度上变化的剧烈程度，反映了信号的变化趋势，将其作为肌电信号的一个特征，其计算公式如下 ZC = Y4^-XiXm)(2) i=\ fl if x>0,、 sgn(x) = ]( 3 ) [O otherwise 其中，Xi为表面肌电信号釆样的数据点值； (3)方差VAR 其计算方式为 FAR^^—T (X1-X)2(4) 它是信号功率的测量，其中x为信号的平均值，N为每组的采样点数。4.根据权利要求I所述的，其特征在于步骤3所述的“对提取的时域特征参数构建多参数的特征向量”是指每个动作两路信号共六个参数来构建一个特征向量。5.根据权利要求I所述的，其特征在于步骤4所述的对不同动作的相同参数做横向比较并归一化处理，即为对同一个人的N种不同动作的相同参数作横向比较，进行归一化处理。6.根据权利要求I所述的，其特征在于步骤5所述的BP神经网络即误差反向传播的神经网络，其算法的基本思想是梯度下降法；它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小；神经网络不仅具有自学习、自组织和并行处理特征，还具有很强的容错能力和联想能力，故神经网络对输入输出数据具有模式识别的能力； 以平均值样本为例，用于训练的BP网络包括输入层神经元、隐层神经元和输出层神经兀;BP网络的训练过程如下正向传播是输入信号从输入层经隐层传向输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传播； 网络的学习算法如下 (1)前向传播计算网络的输出； 隐层神经元的输入Xj为所有输入的加权之和全文摘要本专利技术，它有五大步骤步骤1.对采集到的不同动作的表面肌电信号进行分组；步骤2.对每组信号进行时域特征参数提取；步骤3.对提取的时域特征参数构建多参数的特征向量；步骤4.对不同动作的相同参数做横向比较并归一化处理；步骤5.用BP神经网络对特征向量进行训练和识别。本专利技术首先对表面肌电信号进行特征提取、构建多参数特征向量并进行横向归一化处理，在此基础上用BP神经网络进行模式识别，在一定范围内，使识别率达到100％。它在信号处理和模式识别领域里具有实用价值和良好的应用前景。文档编号A61F2/72GK102622605SQ20121003538公开日2012年8月1日 申请日期2012年2月17日 优先权日2012年2月17日专利技术者刘奕宁, 刘金琨, 陈彦桥 申请人:国电科学技术研究院本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：刘奕宁，陈彦桥，刘金琨，
申请(专利权)人：国电科学技术研究院，
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。