【《表面肌电信号的特征提取和分类方法分析案例》4400字】

表面肌电信号的特征提取和分类方法分析案例

目录

TOC\o"1-3"\h\u

9313

表面肌电信号的特征提取和分类方法分析案例

1

27302

1.1表面肌电信号的预处理方法

1

11837

1.1.1信号预处理理论

1

12404

1.1.2巴特沃斯滤波器对sEMG信号去噪

1

21065

1.1.3窗口分析法

2

1296

1.2表面肌电信号的特征提取方法

3

11993

1.2.1时域特征提取

3

2643

1.2.2频域特征提取

4

20434

1.3表面肌电信号的分类方法

6

4154

1.3.1支持向量机

6

4677

1.3.2Svm推导过程

6

8334

1.3.3svm分类方法

8

24037

1.3.4分类器评价标准

9

15613

1.3.5采集样本分布

10

肌电信号中包含的许多有用的信息，但是由于这些信息数量过多，如果都用来作为不同动作的区别的话，分类的效果反正大打折扣，所以我们需要提取其中相对明显或者直接有效的特征来区分不同的动作。本章会对原始的信号数据进行两项预处理操作，并对第二章给出的十种动作提取特征值，最后给出本文所采用的svm分类器的原理及训练的样本。

表面肌电信号的预处理方法

信号预处理理论

在本文中，对肌电信号原始数据两项预处理：首先，由于采集到的sEMG是一种易受干扰的信号，所以原始肌电信号中还有大量的噪声，因此本文采用巴特沃斯滤波器对信号进行滤波。然后，采用滑动窗的方式对数据增加特征数目，以此提高分类精度。

巴特沃斯滤波器对sEMG信号去噪

在信号的采集过程中，无论是什么样的信号都会有噪声的产生，sEMG也不列外，特别是作为一种易受干扰的微弱生物电信号，sEMG会受到强度远高于本身的噪声干扰。所以，对表面肌电信号的提取是一种在强噪声背景下的微弱信号提取，所以我们需要去除无用的信号且增强有用的信号，这样才能保证到我们接下来所运用的表面肌电信号的有效率，最终影响到最终的手势识别分类的准确度。容易受到工频信号、设备固有噪声、低频信号、基线漂移现象、周围磁场以及人体其他生物电信号的干扰。其中最主要的干扰成分之一是低频噪声，也是本文降噪预处理的重点所在。首先要对原始信号进行去噪预处理，应用、数字滤波器、陷波器。

sEMG的有用频率主要集中在20-500Hz之间。所以，本文设计4阶20到500Hz巴特沃兹带通滤波器，去除sEMG数据中的低频噪声，保留sEMG数据中的肌电信号相关信息。

下面选用本文数据处理中的食指弯曲的一段例子。

图3.1原始的肌电信号

图3.2滤波降噪后的肌电信号

其中上图3.1为原始信号，图3.2为滤波后的信号，可以看出采用的滤波器抑制和改善地低频噪声。

窗口分析法

对于采集的表面肌电信号，这个的模式识别系统需要很强的实时性，能等到动作全部结束再去识别动作信息，通常会使用窗口分析法对原始数据进行预处理，用固定大小的窗将数据进行分割，并且窗口每隔固定时间向前滑动一定距离,所以称作滑动窗分析法。[17]本文将采用相邻滑动窗分析法

图3.4相邻窗口分析法

如图3.4所示，假设数据流为一维数据。W1,W2,W3为3个连续的分析窗，窗的相邻且大小均为tms，肌电信号的采样频率为f，这样每个窗口就有t∗f个样本点，这样每个窗口的样本点就大大增加。再假设肌电信号共有n的通道去采集，这里就会产生t∗n∗f的矩阵数组。这样就尽可能的增加了数组的数量，以此达到提高最终分类精度的目的。对于每个决策分析窗，都要有一个系统判决时间分别为D1，D2，D3。窗口的长度直接影响从数据中提取的特征数目，从而影响到分类精度。

表面肌电信号的特征提取方法

如果要更加精准的分类和识别手势动作，就要做好特征提取这一任务，特征提取做的好才能让最后识别的精度高。特征提取将提取出的原始数据的最有效信息降低维度，可以帮助分类器更好的区分出不同动作的表面肌电信号。

目前，涉及表面肌电信号的特征主要分为以下四类：时域分析特征，频域分析特征，时频域分析特征和参数模型特征[18]。本文主要分析信号的几种时域特征和频域特征，下面介绍本文用的两种常见的特征提取方法。

时域特征提取

时域特征是对肌电信号的最直观最有效的方法，它是将sEMG短时间内看作一个随时间变化的函数，通过对信号的幅值的计算得出一些性能指标。其最大的优势在于其可以避免复杂的变换，且通用，易于实现。

(1)均方根（RMS）

均方根可以通过力量大小来反应sEMG的有效值其变化主要反映肌肉活动时运动单位激活的数量，参与活动的运动单位类型，其表达式如下所示:

（3.1）

肌电积分值（IEMG）

肌电积分值反映在某个时间段出现的肌电信号的强度平均值,将某个个时间段的每个时刻计算肌电信号幅值求绝对值并求和得该值[19]。它的表达式如下所示：

(3.2)

频域特征提取

时域特征法虽然能够方便地提取有代表性的特征，但是经过实验发现即便是肌肉的很小变化都会造成时域特征的震荡，而信号采集时候长时间的采集必然会产生这种震荡，这种情况下特征被提取出来会极大的影响了分类的精度。与时域特征相对应的频域特征被发现可以很好的解决这种易受影响问题，频谱和功率谱两个频域的参量被研究出用于信号的频谱分布特性。当下，主要的用来描述sEMG的频域特征有：中值频率和均值频率等。

（1）中值频率（MF）

中值频率是可以将频谱分割成两个幅度相等的区域的频率，是肌电的一种频域特征，反映运动放电频率中间值，某个时间点，所有参与活动的肌电信号的快速傅里叶变换得到功率谱，功率谱面积的一半即为该值[20]。公式如下所示

(3.3)

其中P(f)表示肌电功率谱密度函数，f为频率。

（2）平均功率频率（MPF）

平均功率频率也是频域特征，计算的是功率谱与频率的乘积之和与频谱强度总和的比值，用以刻画sEMG频谱或功率谱的特征[21]。公式如下所示：

(3.4)

其中P(f)表示肌电功率谱密度函数，f为频率。

本节提取预处理后的十种手部动作的sEMG的四个通道的四个时域、频域特征。

对同一受试者只选取四个通道上的十种手势动作模式进行分析，表3.1为十种手部动作所对应时域、频域特征的样本平均值。

表3.1十种手势动作对应的特征样本

特征

通道

十种手势动作

食指弯曲

食指翘起

中指弯曲

中指翘起

无名指弯曲

无名指翘起

小拇指弯曲

小拇指翘起

大拇指弯曲

大拇指翘起

RMS

1

0.0081

0.0084

0.0076

0.0089

0.0038

0.9441

0.0095

0.0030

0.0022

0.0018

2

0.0097

0.0084

0.0231

0.0131

0.0284

0.1041

0.0718

0.0260

0.0141

0.0093

3

0.0026

0.0098

0.0075

0.0021

0.0168

0.3081

0.0388

0.0023

0.0045

0.0176

4

0.0004

0.0025

0.0022

0.0008

0.0038

0.1413

0.0112

0.0017

0.0001

0.0009

IEMG

1

0.0065

0.0064

0.0061

0.0067

0.0026

0.6730

0.0058

0.0021

0.0014

0.0024

2

0.0025

0.0035

0.0124

0.0048

0.0179

0.0373

0.0467

0.0120

0.0055

0.0231

3

0.0006

0.0041

0.0034

0.0009

0.0100

0.1976

0.0266

0.0012

0.0024

0.0228

4

0.0001

0.0010

0.0010

0.0002

0.0020

0.0794

0.0060

0.0008

0.0001

0.0039

MF

1

6.7000

7.0858

6.1000

8.3000

7.7000

7.9000

7.1000

7.3000

8.1000

7.7000

2

8.7000

8.0838

8.5000

7.9000

8.9000

8.9000

7.7000

9.5000

9.7000

8.1000

3

8.9000

9.6806

8.5000

9.3000

8.1000

7.7000

7.3000

9.3000

7.3000

7.3000

4

5.7000

8.4830

8.5000

9.5000

8.5000

6.3000

7.1000

8.1000

7.7000

9.1000

MDF

1

10.4223

10.4526

10.7108

13.0231

13.0767

12.7257

12.8258

12.1404

11.4693

11.6433

2

14.2181

13.5857

13.4998

13.6273

14.0616

14.1545

13.0162

14.4297

14.5461

13.0091

3

13.3770

14.8028

14.0460

14.4170

13.7294

11.5844

12.6271

14.2665

13.1977

11.2628

4

6.9807

13.9621

14.2302

14.5588

14.0374

9.8595

12.7117

13.7103

13.0135

14.0369

表面肌电信号的分类方法

在前面的章节中，分别介绍了对表面肌电信号的采集、预处理和特征提取得到了4种不同手指动作模式的sEMG信号。对分时段肌电信号的手势识别的传统分类模型主要有一下三种：k近邻算法，线性判别分析方法和支持向量机。本文将采用非常经典的机器学习算法支持向量机对处理后的进行分类。

支持向量机

支持向量机(SVM)是一种广泛应用的机器学习分类方法，它是一种经典的基于边缘的分类器，在特征空间中寻找最合适的超平面来分割样本，分隔的原则是使支持向量间隔最大化[22]。支持向量机是一种有监督式学习的分类算法，不光模型效果好，并且数学逻辑超前，而其分类间隔尽可能保证分类的准确性而尽可能加大两个类别的距离使更容易区分亮两项分类。其包含多种内部处理函数供大家选择来解决问题，可应用于许多实际问题场景。

SVM的核心思想：线性可分的问题直接分析，不可分析的情况转换为线性可分的问题再去分析[23]。首先通过核函数将输入空间变换到高维空间,然后再变换后的空间孕照最合适的超平面,所谓的核函数就是一种适当的内积函数。这样就可以在新的空间内线性可分，将两类信号分离从而实现不同特征的分类。

Svm推导过程

图3.5svm原理图

给定一个特征空间上的训练数据集

(3.5)

其中为第i个特征向量，为类别标签，当它等于+1时为正类；为-1时为负类。

假设训练数据集是线性可分的。则分类超平面为，对它进行归一化处理，使上述方程满足：

(3.6)

分类间距为：

(3.7)

为了使最小，那么就要求最大，因此SVM模型的求解最大分割超平面问题可以表示为以下约束最优化问题，保证在上述条件下最小的分类面的问题，也就是在约束条件下求函数：

(3.8)

为了解决约束最优化问题，我们将有约束的原始目标函数转换为无约束的新构造的拉格朗日目标函数：

(3.9)

其中为拉格朗日乘数且，对其使用拉格朗日乘子法,分别对和b求偏微分，且偏微分为0，得到得到的值，如下所示

得到最优解 (3.10)

解得

(3.11)

(3.12)

其中为的一个分量

根据Kuhn-Tuker条件[24]，最优化问题应满足：

（3.13）

分离超平面如下：

（3.14）

最优化分类函数如下：

（3.15）

svm分类方法

支持向量机只能直接应用于二类问题分类，所要想实现多类问题分类需要采用组合的方法去实现，就像是给球分类，一种方法是在开始两两一组采用冒泡的形式来分类，一种方法是将一个球和其他所有的球进行对比再以此类推，这样就支持向量机多分类产生了两种常用方法:“一对多”策略和“一对一”策略[25]。

“一对多”策略即一个分类器将其中一类与剩下所有类别作为一类区分开来。举个例子，对于M个类，我们将其中一种A作为+1类，而其余B,C⋯类作为一个整体当为-1类，这样就变成了两类别的分类形式，接下来以B为+1，其余的A,C⋯整体作为-1类，同样变成了两类别的分类形式。之后以此类推，这样就得到了“一对多的”分类方式。

“一对一”策略,即一个分类器每次完成二选一。同样举个例子，对于每两个类之间都训练一个分类器，如果有n个类，就需要n(n−1)/2个分类器。对未知样本分类时，一次用这n(n−1)/2个分类器分类，属于一个类就+1，最后通过积分的多少来判断所训练的类别所属。

本文采用“一对一”策略,并结合二叉判别树构造多类分类器。图3.6为类分类器中第类分类器的结构图,其中底层的个节点均为支持向量机分类器,其余节点均为二叉树节点。

图3.6分类器结构图

我们可以把一对一的训练策略当作比赛一样，胜者晋级并积分，摆着淘汰停留在目前的排名，这样我们再去理解一对一策略。训练时我们先将+1类别定义为胜者,按图3.6结构,将样本送入最底层分类器，然后让二者进行分类并将获胜的+1类送入上层并与相邻的二叉树的胜者进行分类，并以此类推，比如底层的1、2获胜的进入了上一层，即为1。我们将+1类别晋级而-1类别淘汰，这样晋级的获胜者积分+1。如此进行下去,直至在顶层给出最后惟一判别结果并储存训练后的参数。测试时,我们把测试数据放进底层的分类器并按照测试时候的流程进行，这样每组数据都可以通过身上所累计的积分去判断该组数据处于什么样的类别。但是这种一对一策略相对于一对多的策略