[发明专利]用于手部动作识别的脑电和肌电信号混沌特征融合方法

权利要求书

1.用于手部动作识别的脑电和肌电信号混沌特征融合方法，其特征在于该方法包括三个步骤：(1)提取消噪后脑电和肌电信号混沌特征的最大Lyapunov指数和关联维数；(2)脑电和肌电信号特征参数融合和归一化处理；(3)采用支持向量机方法，得到手部动作分类识别的结果；具体方法是：

步骤(1)提取信号混沌特征的最大Lyapunov指数和关联维数；

A.提取最大Lyapunov指数是利用信号的最优时延t_d和嵌入维数m，根据最优时延t_d和嵌入维数m得到的，具体过程有：

a.求取最优时延t_d和嵌入维数m

混沌时间序列x＝{x_i|i＝1，2，..，N}以时延t嵌入维m，重构相空间为

X＝{X_i|X_i＝[x_i，x_i+1，...，x_i+(m-1)t，]^T，i＝1，2，...，M}，则嵌入时间序列的关联积分为

其中，M＝N-(m-1)t为相空间的点数；根据BDS统计结论得到N和m，r_α的合理估计，这里取N＝3000，m＝2，3，4，5，r_α＝α×0.5σ，r_α＞0，α＝1，2，3，4，σ为x时间序列的标准差，d_ij是中间变量；

关联积分是个累积分布函数，表示相空间中任意两点之间距离小于r_α的概率；这里点与点之间的距离用矢量之差的无穷范数表示；将关联积分定义式(1)C(m，N，r_α，t)式改成C(X，r_α)形式，定义检验统计量

S₁(m，N，r_α，t)＝C(x，r_α)-C^m(X，r_α)                      (3)

令X^k，s＝{X_i|i＝s，s+k，s+2k，...}，s＝1，2，...，k      (4)

x^k，s＝{x_i|i＝s，s+k，s+2k，...}，s＝1，2，...，k        (5)

这里X^k，s与x^k，s分别是X与x中k个不相交的子集，k为独立于时延的常数；因而统计量定义式(3)的近似表达式为

k是权衡计算精度与速度额可调参数；当k＝1时，(6)式与(3)式等价；

实际中(6)式的计算过程为：把时间序列x＝{x₁，x₂，...x_N}按照重构时延参数t分解成t个互不重迭的子序列，即 

x¹＝{x_i|i＝1，t+1，...，N-t+1}

x²＝{x_i|i＝2，t+2，...，N-t+2}        (7)

……

x^t＝{x_i|i＝t，2t，...，N}

这里N为t的整数倍；计算(6)式定义的统计量采用分块平均的策略，即

ΔS₂(m，t)＝max{S₂(m，r_α，t)}-min{S₂(m，r_α，t)}                (10)

ΔS₂(m，t)度量了S₂(m，r_α，t)～t对所有半径的最大偏差；

同样定义知ΔS₁(m，t)＝max{S₁(m，r_α，t)}-min{S₁(m，r_α，t)}      (11)

计算

同样定义知

综上，最优时延t_d取ΔS₁(m，t)～t的第一个局部极小点；最优嵌入窗t_w是 的周期点；其中，t_w＝(m-1)t_d，嵌入维数 

b.根据最优时延t_d和嵌入维数m得到最大Lyapunov指数

设混沌时间序列为{x₁，x₂，...x_N}，嵌入维数m，最优时延t_d＝J.Δt，J为整数，Δt为采样间隔，则重构相空间

X_j＝(x_j，x_j+J，...，x_j+(m-1)J)∈R^m，(j＝1，2，...，M)

其中N＝M+(m-1)J

1)对时间序列{x_p，p＝1，2，...，N}进行FFT变换，计算平均周期p；

2)采用步骤a方法同时计算出最优时延t_d和嵌入维数m；

3)根据最优时延t_d和嵌入维数m重构相空间{X_j，j＝1，2，...，M}

4)找相空间中每个点X_j的最近邻点 并限制短暂分离，即 

5)对相空间中每个点X_j，计算出该邻点对的i个离散时间步后的距离d_j(i)

6)用下面公式求最大的Lyapunov指数

B.提取关联维数的具体方法是：

从一个时间间隔一定的单变量时间序列x₁，x₂，x₃....出发，构造一批n维的矢量，支起一个嵌入空间，n≥2D+1，D为吸引子关联维数，就可以在拓扑等价的意义下恢复原来的动力学性态；用时间序列计算吸引子关联维数；对于n维重构混沌动力系统，奇怪吸引子由点y_j所构成，y_j＝(x_j，x_j+t，x_j+2t，...，x_j+(n-1)t)，t为时间延迟；在构造好矢量y_j之后，以两个矢量的最大分量差作为距离

规定：凡是距离小于给定正数r的矢量，称为有关联的矢量；设重构相空间中有N个点、计算其中有关联的矢量对数即关联积分，其公式定义为：

其中θ为Heaviside单位函数

已经知道，关联积分C_n(r)在r→0时与r存在以下关系

其中D为关联维数，由上式有近似数值计算关系式

步骤(2)特征参数融合和归一化处理

把脑电和肌电信号混沌特征的最大Lyapunov指数和关联维数融合得到同一动作的特征向量，然后进行归一化处理，使各向量在0～1范围内，具体是先把脑电和肌电最大Lyapunov指数和关联维数组成一个向量，然后是用这个向量除以脑电和肌电的所有特征参数之和，即得到归一化的特征向量；

步骤(3)支持向量机的手部动作识别 

使用“一对多”SVM多分类算法对手部动作模式进行识别实验，选用径向基做核函数；将伸腕、屈腕、握拳、展拳四种手部动作的样本集分别标记为B1＝1，B2＝2，B3＝3，B4＝4；先使用B1、B4训练SVM3，训练完SVM3后，将B1、B4合并为A1，进而比较A1与B2、B3的距离即将A1类样本对应其它几类样本的距离和求平均，然后找出类间距离最小的两类A1、B3训练出SVM2，并且将其并为C1类，再将C1和B2作为两类训练，最后得到SVM1；完成SVM训练后，可获得SVM多类分类面；通过测试，确认该分类面的有效性；在测试样本属于哪一类的过程中，从SVM1开始，逐层向上，直到符号函数为正的为止，得到类别。