【基于肌电信号下肢动作识别中的集成学习算法研究6000字（论文）】

基于肌电信号下肢动作识别中的集成学习算法研究目录1绪论 52表面肌电信号采集与预处理 72.1表面肌电信号 72.2.信号采集 82.3采集数据预处理 102.3.1重采样 102.3.2小波去噪 102.3.3活动段检测 113表面肌电信号的特征提取及选择 143.1时域特征 143.2特征选择 143.2.1LDA分类算法 153.2.2SVM分类算法 163.2.3特征选择结果 174集成学习识别 204.1多数投票法 204.2权重投票法 214.3识别结果 215总结与展望 24参考文献 261绪论下肢动作识别是一种新兴的生物特征识别技术，需要生物科学与数据科学的交叉性研究，在外骨骼机器人、仿生假肢、医疗康复等领域有重要应用。目前，下肢动作识别有两个重要研究方向，一种是基于图像信息进行下肢动作识别，一种是基于传感器或电极信号进行下肢动作识别，而本文是基于电极信号进行下肢动作识别。基于电极信号进行下肢动作识别，是通过对人体电信号数据进行特征选取与识别从而达到分类作用。电极信号中又以表面肌电信号优势较为明显。表面肌电信号易于采集，对人体没有损伤，超前于人的实际肢体动作，更能够反映人体原始的运动意图。进行基于表面肌电信号的下肢动作模式识别，不断提升其识别的准确性、实时性和鲁棒性，这对促进仿生假肢、外骨骼机器人以及康复医疗等领域有重大意义。同时这也是顺应中国社会发展，对解决中国人口老龄化与残疾人士问题有重大帮助。2表面肌电信号采集与预处理2.1表面肌电信号人体表面的肌电信号是伴随着肌肉收缩产生的生理信号，是受人体中枢神经控制，能在一定程度上反映人的运动意图。在步行运动中，下肢总共有28块肌肉起作用。随着步行各个阶段重复性变化，各个肌肉的表面肌电信号也跟着进行规律性变化。为了有利于后续的研究，选取步行过程中最核心的肌肉进行采集表面肌电信号。相关研究表明，股二头肌、内侧腓肠肌、股直肌和胫骨前肌，这四个腿部肌肉在步行过程中起到关键性作用。图2-1腿部肌肉群表面肌电信号易于采集，对人体不会造成伤害，超前于人的实际肢体动作，更能够反映人体原始的运动意图。而且表面肌电相对稳定同一受试者在相同的肌肉群采集到的表面肌电信号差异较小，有良好的重复性。但是表面肌电信号属于一种微弱信号，容易受到干扰。2.2.信号采集2.2.1采集设备本研究使用的表面肌电信号采集设备为美国Delsys公司的TrignoWirelessEMG无线肌电采集系统（如图所示）。肌电数据通过布置在受试者右侧大腿的4个无线肌电信号采集传感器采集，信号采样的频率为192593Hz。图2-2TrignoWirelessEMG无线肌电采集系统TrignoWirelessEMG无线肌电采集系统能够将采集到的数据传输到EMGworks进行分析，最终生成16个EMG模拟通道信号。该设备含有16个传感器的充电座与16个传感器，传感器含有4个银条触电直接接触皮肤，来获取人体皮肤表面的肌电信号。图2-3传感器2.2.3信号采集本实验对受试者收膝、抬膝、伸踝、抬踝这四种下肢动作进行腿部表面肌电信号的采集，四个通道的传感器分别放置于受试者右侧大腿的股二头肌、内侧腓肠肌、股直肌和胫骨前肌的肌腹，传感器用双面胶和绷带固定。图2-4四种下肢动作2.3采集数据预处理2.3.1重采样由于TrignoWirelessEMG无线肌电采集系统的采样频率为192593Hz，为了方便后续信号处理，通过使用多相滤波器对原始信号序列的5000/192593倍上重新采样。最后得到采样频率为500Hz的表面肌电信号。图2-6重采样前后2.3.2小波去噪因为表面肌电信号属于微弱信号，极易受到外界噪声干扰，所以需要对表面肌电信号进行降噪处理。本文采用小波阈值去噪法来对表面肌电信号进行去噪。小波阈值去噪需要先对原始的表面肌电信号进行小波变换，然后求出小波系数。通过最小极大方差阈值规则选取合适的阈值，把求出的小波系数与阈值进行对比来处理信号，最后再进行小波反变换得到去噪后的信号。小波变换Wf阈值化软阈值化为：Sgn(x)=1|硬阈值化为：Sgn(x)=图2-7小波去噪前后2.3.3活动段检测人体的下肢动作具有周期性，一个动作周期是进行动作识别的最小单元。根据表面肌电信号识别人体运动，需要对下肢开始运动的起始点进行检测，只有检测到了运动的起始点才能对动作进行特征提取。本文采用Teager-KaiserEnergy的两级阈值法进行起始点检测。TK能量算子是一种非线性算子，能够快速、有效的提取肌电信号的瞬时能量，对肌电信号瞬时变化有很好的时间分辨率。首先计算每个通道的TK能量算子，再对预处理的信号进行整流、平滑处理，然后找出在标记包络段区间内的能量极大值点，再加滑动窗对所有的极大值点进行筛选保留窗内最大的极大值点，最后提取所有保留的极大值所在的包络段作为活动段。图2-8计算TK能量算子图2-9阈值区间图2-10起始点

3表面肌电信号的特征提取及选择3.1时域特征特征提取阶段从时域提取10个特征。时域特征被测量为时间的函数。时域特征由于其实现简单、计算简单等优点，在肌电下肢运动识别中得到了广泛应用。所有时域特性都可以实时实现。下面是基于时域的10个特征。表3-110个时域特征时域特征公式波形长度(WL)WL=斜率变化率(SSC)SSCfx=方差(VAR)VAR=均方根(RMS)RMS=平均绝对值(MAV)MAV=上分位数（Quantile75)n=0.75*N+1

自回归系数(AR)x取p=4既AR模型的阶数为4，则这属于四个不同的时域特征。3.2特征选择在表面肌电下肢动作识别中，特征选择是很重要的一步。最优特征对于实现表面肌电信号的分析和识别具有重要意义。将10个时域特征通过LDA分类法和SVM分类法对四个下肢动作进行识别，选择识别最优与最差的四个时域特征作为集成学习识别特征。根据原理，机器学习算法可分为生成模型和判别模型。提出了一种基于线性判别分析和支持向量机(SVM)的步态识别方法。线性判别分析有时也叫Fisher线性判别，本质上是一种监督学习的降维技术，也就是说其数据集的每个样本都有一个类别输出。线性判别分析的基本原理是类间均值最大化，类内方差最小化。意思是数据投影在低维上，投影后同类数据的投影点尽可能近，不同类型数据的投影点中心点尽可能远，完成最佳的分类结果。支持向量机是在特征空间中寻找最佳的分离超平面，以最大化训练集正负样本之间的间隔，其针对小样本统计估计和预测学习的最佳理论和识别方法，对得到的识别量应用支持向量机进行步态识别和分类。3.2.1LDA分类算法LDA是分类中最常用的方法之一。这种分析技术是由RAFisher在1936年首次提出的。这种分类方法的主要目标是找到标记属性的线性组合，这些属性完全分离或表征两类或两类以上的事件或对象。该结果作为数据集维数的约简实现。它也被称为典型变量分析或Fisher线性判别分析。这是在模式识别，统计和机器学习中实现的基本数学技术之一。LDA可以很容易地处理类中频率不等的数据，性能的检查是基于随机生成的测试数据。它提高了类间和类内方差的比率，从而保证了最大的可分性。若要使同类样例的投影点尽可能靠近，要保证同类样例投影点的协方差ωT0ω+ωT1J=||ωTu0类间散度矩阵：Sw=类内离散矩阵：Sb=(uJ=ωTS由拉格朗日乘子法可知：Sbω=λSbω=λ(u0-u1)可求得投影方向的向量ω：ω=S3.2.2SVM分类算法支持向量机(SVM)是一种基于定义决策边界的决策平面的模型。决策平面将一组对象分成不同的类。大多数分类任务并不像线性分类那样简单，往往需要更复杂的结构来获得最佳的分离。最优的分离是基于可用的用例正确分类新目标(测试用例)。这种绘制分隔线来分类不同类别的对象的分类任务称为超平面分类器。支持向量机可以处理这样复杂的任务。对象使用数学函数(内核)进行映射。对对象进行分类的过程称为映射。支持向量机(SVM)是一种通过在多维空间中构造超平面来执行任务的分类方法。这个方法将案例从不同的类中分离出来。支持向量机可以是回归和分类。它使用多个连续和分类变量(分类变量被转换为虚拟变量)。在样本空间中，划分决策面用线性方程表示为：ωT样本空间中任意一点到这个决策面的距离可由下式计算：r=ω要使决策面能够将训练样本正确分类，那么对于(x,y)ϵD，ω要到具有最大间隔的划分决策面，即要找到满足条件的约束参数ω和b：max要使最大化间隔，即等同于最小化||ωmin3.2.3特征选择结果（1）LDA分类结果图3-1LDA对四个动作的每个时域特征的识别结果图3-2LDA对每个时域特征的识别结果根据LDA分类结果提取4个最优时域特征，先将对4个下肢动作识别准确率低于80%的时域特征排除，还有波形长度(WL)、斜率变化率(SSC)、方差(VAR)、上分位数（Quantile75)、自回归系数(AR1)、自回归系数(AR2)六个时域特征，再对4个下肢动作识别准确率取平均值并进行排序取其前四位，分别为波形长度(WL)、方差(VAR)、上分位数（Quantile75)、斜率变化率(SSC)。这四个时域特征将作为集成学习LDA的分类特征。与上同理选取的四个最差特征为平均绝对值(MAV)、均方根(RMS)、自回归系数(AR3)、自回归系数(AR4)。根据上述分类结果还可以分析出，对于收膝动作，波形长度(WL)、斜率变化率(SSC)、方差(VAR)、自回归系数(AR2)，这四个时域特征识别准确率很高，都达到了97%以上。对于抬膝动作，波形长度(WL)、斜率变化率(SSC)、方差(VAR)、上分位数（Quantile75)，这四个时域特征识别都全对，识别准确率为100%。对于伸踝动作，波形长度(WL)、方差(VAR)、均方根(RMS)、上分位数（Quantile75)，这四个时域特征识别准确率很高，都达到了98%以上。对于抬踝动作，平均绝对值(MAV)、方差(VAR))、均方根(RMS)、上分位数（Quantile75)，这四个时域特征识别都全对，识别准确率为100%。据LDA对每个时域特征的识别结果波形长度(WL)、方差(VAR)、上分位数（Quantile75)、斜率变化率(SSC)为四个最优特征。平均绝对值(MAV)、自回归系数(AR2)、自回归系数(AR3)、自回归系数(AR4)为4个最差特征。（2）SVM分类结果图3-3SVM对四个动作的每个时域特征的识别结果图3-2SVM对每个时域特征的识别结果根据SVM对四个动作的每个时域特征的识别结果提取4个最优时域特征，先将对4个下肢动作识别准确率低于80%的时域特征排除，还有波形长度(WL)、斜率变化率(SSC)、方差(VAR)、均方根(RMS)、上分位数（Quantile75)五个时域特征，再对4个下肢动作识别准确率取平均值并进行排序取其前四位，分别为波形长度(WL)、方差(VAR)、上分位数（Quantile75)、斜率变化率(SSC)。这四个时域特征将作为集成学习SVM的分类特征。与上同理选取的四个最差特征为平均绝对值(MAV)、自回归系数(AR2)、自回归系数(AR3)、自回归系数(AR4)。根据上述分类结果还可以分析出，对于收膝动作，波形长度(WL)、斜率变化率(SSC)、方差(VAR)、上分位数（Quantile75)，这四个时域特征识别准确率较高，都达到了90%以上。对于抬膝动作，波形长度(WL)、斜率变化率(SSC)、方差(VAR)、上分位数（Quantile75)，这四个时域特征识别准确率很高，都达到了97%以上。对于伸踝动作，平均绝对值(MAV)、波形长度(WL)、方差(VAR)、均方根(RMS)、上分位数（Quantile75)，这五个时域特征识别都全对，识别准确率为100%。对于抬踝动作，平均绝对值(MAV)、波形长度(WL)、方差(VAR)、均方根(RMS)，这四个时域特征识别都全对，识别准确率为100%。根据SVM对每个时域特征的识别结果波形长度(WL)、方差(VAR)、上分位数（Quantile75)、均方根(RMS)为四个最优特征。平均绝对值(MAV)、自回归系数(AR2)、自回归系数(AR3)、自回归系数(AR4)为4个最差特征。（3）特征选择结果总结经过上述分析，最终选取的四个最优特征为波形长度(WL)、方差(VAR)、上分位数（Quantile75)、斜率变化率(SSC)，选取的四个最差特征为平均绝对值(MAV)、自回归系数(AR2)、自回归系数(AR3)、自回归系数(AR4)。4集成学习识别集成学习是将多个机器学习学习者组合起来完成学习任务，并通过一定的模型融合进行组合的多分类器系统。学习者的结合会给模式带来三个好处。首先，假设多个训练集可以在单个模型上实现相似的性能。此时，如果选择单一模型可能导致泛化能力较差，集成学习可以有效降低这种风险；其次，从计算角度来看，单一学习模型容易陷入局部极小，集成学习可以降低陷入不良局部极小的风险；第三，结合多基础学习者，相应的假设空间得到了拓展，很有可能学习出更好的结果。图4-1集成学习示意图4.1多数投票法多数投票方案是使用类标签的简单求与实现分类器组合：其中，是类标签，是类的数量，是分类器的数量。融合模型的结果是预测每一类中得票最高的标签，如果同时有多个标签获得最高票数，结果标签随机输出。4.2权重投票法权重投票法是一种线性融合方法，它利用合理的权值作为基学习器，是一种精度更高的分类器，在获得最终分类结果的过程中具有更多的话语权，其公式表达如下：其中，是分配给分类器的权重，代表初始类标签，是分类器的数量，代表最终类标签，是类的数量。4.3识别结果（1）四个最优特征识别结果选取的四个特征为,波形长度(WL)、方差(VAR)、上分位数（Quantile75)、斜率变化率(SSC)。图4-2最优特征集成学习对四个动作的识别结果图4-3最优特征集成学习识别结果根据选取的4个最优特征，再进行多数投票LDA分类、权重投票LDA分类、多数投票SVM分类、权重投票SVM分类。根据上图结果显示基本都已经达到100%的识别准确率。集成学习采用的四个最优特征的识别结果与四个单独特征的识别结果有一定的提升，其中四个时域特征里斜率变化率(SSC)提升最大，四个动作里收膝识别准确率提升最大。（2）四个最差特征识别结果选取的四个特征为,平均绝对值(MAV)、自回归系数(AR2)、自回归系数(AR3)、自回归系数(AR4)。图4-4最差特征集成学习对四个动作的识别结果图4-5最差特征集成学习识别结果根据选取的4个最差特征，再进行多数投票LDA分类、权重投票LDA分类、多数投票SVM分类、权重投票SVM分类。根据上图结果显示集成学习基本已经将四个最差特征的识别准确率提升到了90%以上。集成学习采用的四个最差特征的识别结果与四个单独特征的识别结果有很大的提升，其中四个时域特征里自回归系数(AR4)提升最大，四个动作里收膝识别准确率提升最大。5总结与展望人体下肢动作模式识别对外骨骼机器人、仿生假肢、医疗康复等领域有重大意义。表面肌电信号具有很多的优点，易于采集、对人体不会造成伤害、超前于人的实际肢体动作、更能够反映人体原始的运动意图。本文以人体下肢的表面肌电信号作为研究对象，通过采集收膝、抬膝、伸踝、抬踝四种下肢动作的胫骨前肌、内侧腓肠肌、股直肌和股二头肌的四通道表面肌电信号。对采集到的信号使用多相滤波器降采样至500Hz，然后采用小波阈值去噪法对信号进行降噪处理，再通过Teager-KaiserEnergy的两级阈值法进行起始点检测。对经过预处理的信号提取其波形长度(WL)、方差(VAR)、上分位数（Quantile75)、均方根(RMS)、斜率变化率(SSC)、平均绝对值(MAV)、自回归系数(AR1)、自回归系数(AR2)、自回归系数(AR3)、自回归系数(AR)十个时域特征。再通过LDA分类法和SVM分类法对四个下肢动作进行识别，通过分析其识别结果，选择择识别最优与最差的四个时域特征作为集成学习识别特征。选取的四个最优时域特征分