基于遺傳算法優化支持向量機的肌電信號步態識別方法
【技術領域】
[0001] 本發明屬于模式識別技術領域，設及一種肌電信號的識別方法，特別設及一種基 于遺傳算法優化支持向量機的肌電信號步態識別方法。
【背景技術】
[0002] 下肢步態是人體在行走過程中，雙腿所表現出的姿勢和狀態，具有周期性、連續性 和重復性等特點。人體運動過程中，從一側腳跟著地到該側腳跟再次著地的時間為一個完 整的步態周期，并且可W根據腳是否觸地分為兩個時期；腳觸地為支撐期，腳離地為擺動 期。對人體步態進行識別研究，主要通過采集下肢運動有關信息，并對信息進行解碼分析， 準確地還原下肢運動所處的步態階段，從而完成步態的實時識別。運動信息主要包括壓力 信息、關節角度信息W及肌電信息巧lectromyograpy，EMG)等。
[0003] 利用EMG信號對肢體動作進行識別研究，已有20多年的歷史，隨著模式識別技術 的進步，已經取得多項進展。如Wang等人使用離散小波包變換對EMG信號在時域內進行分 解并提取特征，利用遺傳算法（Genetic Algorithm, GA)選擇特征，最后應用BP神經網絡 炬P Neural Network，BPNN)對4類手部動作進行識別，取得了較高的準確率。Song等人采 用模糊小-大神經網絡（puzzy Min-Max Neural Network, FMMNN)，依據肌肉收縮時間的變 化，調節識別模型的參數取值范圍，很好地克服了肌肉疲勞對識別效果造成的影響。然而， 神經網絡的理論基礎是經典統計學，依賴于樣本數量趨于無窮大時的漸進值，但是實際問 題中樣本數量往往有限，在應用中往往不能滿足實際需求。
[0004] 支持向量機（Suppcxrt Vector Machine, SVM)是目前用于EMG分類識別的較好方 法。如李林偉等人在sEMG動作模式的識別中，構造SVM分類器，成功地對sEMG信號做出了 辨識，并與徑向基函數神經網絡（Radial Basis F^mction Neural Network, RBFNN)相比 較，體現了優越性。Castllini等人在前臂EMG信號的分類過程中，采用了高斯核支持向量 機、神經網絡W及局部加權投影回歸法，并對實際分類效果進行對比分析。結果表明，SVM分 類器取得的識別效果明顯優于其余兩種方法。然而，SVM分類器性能的好壞，與其參數（主 要與懲罰參數C、核函數參數g)密切相關。如何快速有效地進行參數組合選擇，是提高SVM 識別效果的關鍵。

【發明內容】

[0005] 本發明針對目前支持向量機在肌電信號步態識別中不易確定最優參數組合的問 題，提出一種基于遺傳算法優化支持向量機的肌電信號步態識別方法，快速找出最優懲罰 參數C和核函數參數g，優化支持向量機分類器，提高其在下肢運動步態識別中的效率和準 確率。
[0006] 為了實現W上目的，本發明方法包括W下步驟：
[0007] 步驟（1)，下肢運動肌電信息獲取。
[000引選擇與下肢運動關系緊密的肌肉群作為EMG信息獲取源，采集運動過程中產生的 多路EMG信號，再對采集到的原始EMG信號進行消噪處理。所述的消噪處理采用小波模極 大值去噪方法，首先對肌電信號進行小波分解，然后根據小波系數的奇異性，利用信號與噪 聲模極大值在小波尺度上的不同變化特性，分離出信號與噪聲，最后重構消噪后的肌電信 號樣本數據，獲得下肢運動肌電信息。
[0009] 步驟（2)，提取消噪后肌電信號的特征向量樣本集。
[0010] 先分別計算出消噪后肌電信號的絕對值均值和方差作為特征值，再將各組特征值 組合成為特征向量樣本集。絕對值均值A和方差V的求解公式為，
【主權項】
1. 基于遺傳算法優化支持向量機的肌電信號步態識別方法，其特征在于，該方法具體 包括以下步驟： 步驟（1)，下肢運動肌電信息獲取； 步驟（2)，提取消噪后肌電信號特征向量樣本集； 步驟（3)，通過GA對SVM進行參數優化，得到最優SVM分類器，實現下肢肌電信號的步 態分類與識別。
2. 根據權利要求1所述的基于遺傳算法優化支持向量機的肌電信號步態識別方法，其 特征在于：所述的下肢運動肌電信息獲取方法為： 選擇與下肢運動關系緊密的肌肉群作為EMG信息獲取源，采集運動過程中產生的多路 EMG信號，再對采集到的原始EMG信號進行消噪處理；所述的消噪處理采用小波模極大值去 噪方法，首先對肌電信號進行小波分解，然后根據小波系數的奇異性，利用信號與噪聲模極 大值在小波尺度上的不同變化特性，分離出信號與噪聲，最后重構消噪后的肌電信號樣本 數據，獲得下肢運動肌電信息。
3. 根據權利要求1所述的基于遺傳算法優化支持向量機的肌電信號步態識別方法，其 特征在于：提取消噪后肌電信號特征向量樣本集的方法為： 先分別計算出消噪后肌電信號的絕對值均值和方差作為特征值，再將各組特征值組合 成為特征向量樣本集；絕對值均值A和方差V的求解公式為，
其中，Xi表示消噪后的EMG，i = 0, 1，2,…，N-I為一長度為N的肌電信號時間序列。
4. 根據權利要求1所述的基于遺傳算法優化支持向量機的肌電信號步態識別方法，其 特征在于：通過GA對SVM進行參數優化，得到最優SVM分類器，實現下肢肌電信號的步態分 類與識別的方法具體包括以下步驟： 一、遺傳算法（GA)的設計；遺傳算法是一種新型并行搜索和優化的神經網絡算法，采 用構造初始種群的方式覆蓋問題的所有可能解，通過遺傳操作尋找最優解；在SVM分類器 的優化問題中主要包括以下內容：懲罰參數和核函數參數的所有可能解構成初始種群，將 每一可能解作為遺傳算子并按二進制法進行編碼，適應度定標，對遺傳算子進行選擇、交叉 和變異遺傳操作，設置最大遺傳代數為終止條件；本發明選取SVM對訓練集在5折交叉驗證 (CV)意義下的識別率作為適應度值，識別率越高，適應度值越大，并通過選擇操作保留適 應度值高的個體；采用交叉操作使兩個父染色體相互交換部分基因，從而形成更好的個體； 設交叉概率為P。，則第i個染色體A和第j個染色體q在h位的交叉操作如下：
上式中，P。是[〇, 1]區間的隨機數；變異操作可以完善種群多樣性，避免陷入局部最優 解的困境，且改善局部搜索能力；對種群按照變異概率Pm隨機確定變異個體，并采用變異操 作形成新的個體；設對第j個個體的第d位基因進行變異，則具體變異操作如下：
其中，rmax是基因 rjd的上界，rmin為基因 rjd的下界；f(g) =Pm(l-g/Gmax)2為具體變異 操作，其中，g表示當前迭代次數，Gmax是最大進化代數，PmS [0，1]間隨機數； 二、 支持向量機（SVM)分類器的構造；支持向量機利用核函數變換將低維空間不可分 的樣本投影到高維空間，在高維空間中建立使不同類別樣本間隔最大的面，即分類超平面， 實現分類，并使用懲罰參數對錯分樣本進行懲罰，修正分類模型；SVM的決策函數為：
(5) 其中，X為輸入向量，即待分類樣本，Zi為支持向量；K(X，Zi)為核函數，本發明采用徑向 基核函數，K (X，Zi) = exp [_g · (X-Zi)2]，g是核函數參數；a i稱為訓練樣本對應的Lagrange 乘子，且O < a c，c是懲罰參數，b e R為偏置；f (X)為決策曲線，根據其值的不同，對 輸入的待分類樣本進行分類； 三、 GA對SVM參數的優化方法；本發明采用GA尋找使SVM分類器性能最佳的懲罰參數 c和核函數參數g組合，以此最優參數組合重新訓練SVM模型，即可得到最優分類器；GA優 化SVM的具體流程如下： (1) 設置懲罰參數c和核函數參數g范圍，構成初始種群； (2) 以c和g參數組合下的SVM識別率作為適應度值； (3) 進行遺傳操作，并計算每組c、g下的識別率；若該組c、g下識別率最高，則以此時 c、g參數更新cbest、gbest;若此時識別率不是最尚，則保留以肖U c best、gbest; (4) 終止條件設為最大迭代次數；若不滿足終止條件，則返回第（3)步繼續進行遺傳操 作；當滿足終止條件，即迭代次數達到最大，選取此時的c best、gbest為最優參數組合，并依據 此懲罰參數和核函數參數重新訓練支持向量機，作為最終分類器； 四、 將特征向量樣本集，隨機分為兩組，分別作為訓練樣本和測試樣本；利用訓練樣本 得到GA優化后的SVM分類器，并應用優化后分類器對測試樣本進行識別，得到識別結果。
【專利摘要】本發明涉及一種基于遺傳算法優化支持向量機的下肢肌電信號步態識別方法。本發明通過遺傳算法，對支持向量機的懲罰參數和核函數參數進行優化，從而優化支持向量機性能，提高支持向量機對基于肌電信號的下肢運動步態識別效率和準確率。首先，采用小波模極大值去噪方法對采集的下肢肌電信號進行消噪處理；其次，提取消噪后肌電信號的時域特征，形成特征樣本；再次，利用遺傳算法優化支持向量機參數，得到誤差最小的一組最優參數，并利用此參數構造分類器；最后，把特征樣本集輸入優化后的分類器進行步態識別。本發明操作簡單，計算快速，識別率高，在人體下肢運動步態識別領域具有應用價值和廣闊前景。
【IPC分類】G06K9-62
【公開號】CN104537382
【申請號】CN201510014792
【發明人】高發榮, 鄭瀟, 許敏華, 甘海濤, 羅志增
【申請人】杭州電子科技大學
【公開日】2015年4月22日
【申請日】2015年1月12日