欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019110765727
申请人: 南昌大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于表面肌电信号的手指手势分类方法,其特征在于:包括以下步骤:步骤1:采集人体手指动作的表面肌电信号:放置表面电极,利用生理信号采集仪和计算机采集手指手势动作的表面肌电信号,并将采集到的sEMG信号上传到计算机端;

步骤2:处理表面肌电信号:

(a)提取活动段肌电信号,采用基于能量值的端点检测法首先提取出一小段时间内的肌电信号数据,对其进行平方积分得到当前时段内的信号能量值,公式如下:式中,x(t)是当前时段内的sEMG信号数据,E为t时刻对应的sEMG信号的能量值;

采用滑动矩形窗口的方法进一步提高数据的处理速度,窗口宽度设置为T,滑动窗口的移动步长设置为T/2,由此得到肌电信号的能量值;对能量值进行分割,从原始sEMG信号中获取手部活动段信号;

(b)对活动段信号进行去噪处理,采用带通滤波器和陷波器对采集到的肌电信号进行滤波和去噪处理;

(c)提取特征值,提取出均方根值RMS、肌电积分值IEMG、平均功率频率MPF、中值频率MF这四个特征值;

(d)对特征值进行降维,为剔除多维特征值中不重要的信息,对特征值进行更全面的分析,对上一步提取出的多种特征值采用主成分分析法PCA进行降维,将所有特征值中的各类信息综合成联合特征向量;

步骤3:手指动作的模式识别:(a)选取SVM混合核函数

SVM算法中约束最优化问题的求解可以转换成如下:αi≥0 i=1,2,...,N对于上式,构造一个核函数来避免特征空间中的大量运算,其公式如下:为平衡核函数的学习性能和泛化性能,选取一种混合型核函数,公式如下:kmix(xi,xj)=δkpoly+(1‑δ)kRBF上式中,kpoly为SVM模型中全局性核函数的一种;kRBF为径向基核函数属于局部性核函数的一种,δ为一个新增加的需要优化的SVM模型参数,其取值范围:δ∈[0,1];

(b)基于VGLBSO算法的混合核SVM参数优化矢量分组学习BSO算法,即VGLBSO算法主要包括三个方面:个体分组策略、个体产生策略、个体更新策略,其具体步骤如下:①随机分组策略随机地为每个群体从整个群体中选择不同的个体,保持个体分组策略的不同个体之间的信息交换的多样性;

②随机矢量分组学习机制:提出随机矢量分组机制用于产生足够多的子矢量,为每个新产生的个体提供合理的信息多样性;具体的,每个个体是一个D维向量xi=[xi1,xi2,…,xiD,],i∈{1,2,…N},把每个个体的D个维度随机分成T个子矢量{si1,si2,…,siT},并且每个子矢量Sik,k∈{1,2,…,T}包含至少Δ维或至多D‑Δ维,因此,T的取值范围是[2,D/Δ],每个子矢量的起始维度在xi中索引为Sk,每个子矢量Sik的表达式如下:式中sk+1表示子矢量si(k+1)起始位置的维度索引,当k=1时,sk=1,并且sk+1的计算公式为:

式中Sk≤D‑(2Δ‑2),r表示[0,1]之间的随机数,根据上述公式,获得每个个体的子矢量Sik,k∈(1,2,…,T);

③混合个体更新策略将整个种群新产生的个体划分为两组,并且分别根据原始BSO和差分进化算法中的DE策略的个体跟新策略更新两组中的个体,进一步平衡改进型BSO算法的全局勘探能力和局部开发能力;

采用VGLBSO算法对混合核SVM模型中的参数进行寻优,SVM模型中需要优化的参数包‑5 ‑3 15

括:混合核函数引入的权重系数δ、目标函数中的正则化参数c:c∈[2 ,2 ,…,2 ]和RBF核

2 ‑15 ‑13 3

函数中的参数σ:1/σ∈[2 ,2 ,...,2],优化参数的具体步骤如下:①读取训练数据和测试数据,并且对其进行归一化处理;

②设置SVM参数δ,c,σ的取值范围,在解空间中随机初始化SVM参数δ,c,σ和粒子的初始位置,计算每个粒子的适应度值;

③根据VGLBSO算法学习过程更新粒子的位置,计算位置更新之后每个粒子的适应度值;

④将粒子的适应度值与前一次迭代中相应粒子的适应度值比较,如果更新之后的粒子适应度值比前一次迭代中相应粒子好,则替换前一次适应度值差的粒子的位置信息,反之,不替换;

⑤根据迭代终止条件,判断是否满足,条件满足时,输出SVM的最优参数组合;反之,转到步骤③;如果得出最优分类精度的参数不唯一时,应当取惩罚系数c最小的那组参数;

(c)构造SVM多分类器

样本数据有K类,设计K(K‑1)/2个分类器,分类器排列成一个有向无环图,该有向无环图含有K个叶子数和K(K‑1)/2个节点数;

通过VGLBSO优化后的混合核SVM模型来对样本数据进行分类,根据样本的类别从第一层节点依次向下一层节点分类,直到该样本的类别都分配在无环图的叶节点上,即每个叶的类别代表样本数据的类别,则获得具体的手势类别,结束该样本分类进程。

2.根据权利要求1所述的一种基于表面肌电信号的手指手势分类方法,其特征在于:所述步骤2的(a)中对能量值进行分割的过程如下:①根据实际采集的数据而设定启动阈值γ和终止阈值β,启动阈值γ设置为最大能量的1/4,终止阈值β设置为方差值的1/4;

②依据(a)中的公式,计算原始sEMG信号在t时刻的能量值;

③比较E和γ,在连续n1个时间窗内均有E大于γ,则将第一个时间窗的起始时刻设置为动作的起始点;

④比较E和β,在连续n2个时间窗内均有E小于β,则将第一个时间窗的起始时刻设置为动作的终止点;

⑤最后,依据起始点和终止点从原始sEMG信号中获取手部活动段信号。

3.根据权利要求1所述的一种基于表面肌电信号的手指手势分类方法,其特征在于:所述步骤2的(c)中均方根值RMS、肌电积分值IEMG、平均功率频率MPF、中值频率MF这四个特征值的计算公式分别如下,其中,t是采样个数,xi是sEMG信号的第i个采样点的幅值;

均方根RMS:均方根特性能够反应手部运动时小臂肌肉力的大小:肌电积分值IEMG:肌电积分值特性能反应一段信号的平均强度,并且能够反应肌肉动作的强度:

平均功率频率MPF:表示信号在一个时间段的总功率除以总时间:中值频率MF:表示信号各个时间段内功率的平均值:

4.根据权利要求1所述的一种基于表面肌电信号的手指手势分类方法,其特征在于:所述步骤2中(d)的具体步骤如下:①假设一个n维的特征向量x=(x1,x2,...,xn),向量中的变量是随机的,且均值为0:E(x)=0

将向量x的n维的特征空间通过一个m*n的η权值矩阵映射成m维度的特征空间:y=ηx

②计算协方差矩阵C,采用矩阵y协方差矩阵C,在这里,考虑的是 的最大值:且E(yiyj)=0,i不等于j,其计算公式如下:③计算矩阵y的协方差矩阵C的特征值以及特征向量:T

C=E(yy)

T

=E(ηx(ηx))

T T

=E(η(xx)η)

T T

=ηE(xx)η

T

=ηQη

式中,Q为x的协方差矩阵,η是协方差矩阵C的对角矩阵,η应满足:Qηi=λiωi,i=1,2,...,mT

④将特征值λ按升序排序,由于矩阵xx是一个正定矩阵,其特征向量的个数等于矩阵的维度数,且特征值均为大于或等于零的数:λ1≥λ2≥…≥λn≥0

T

⑤保留协方差矩阵特征值较大的前m个特征向量,所以,矩阵η由矩阵xx的前m个特征值所对应的特征向量构成:

T

η=(η1,η2,...,ηm)⑥最后,通过矩阵η将x映射到y,即y=ηx,在经过上述特征值提取后,每个sEMG信号的特征模式都以向量形式表示如下:x=[x1,x2,x3...xn],n=8因此,4种sEMG信号的特征向量能组合成一个4*8的矩阵X,n表示通道数,将信号的4*8特征矩阵降成一个1*8的特征矩阵Y,即一个联合特征向量,由PCA原理可知,只需要保留协方差矩阵特征值中最大的一个λ1以及其对应的特征向量η=(η11,η12,...,η1n),由此可得出:

Y=η1*X。