[发明专利]一种基于支持向量机的表面肌电信号多类别模式识别方法

说明书

技术领域

本发明属于模式识别技术领域，涉及一种基于支持向量机的表面肌电信号多类别模式识别方法。

背景技术

特征提取是模式识别的核心问题，它直接影响到分类器的设计和性能。对于非平稳的表面肌电信号来说，在任一时刻附近的频域特性对于模式识别来说都很有价值，所以单单从时域或者是频域上来分析是远远不够的。这就需要寻找一种新的方法，能将时域和频域结合起来描述观测信号的时频联合特征，构成信号的时变谱。小波变换就是这样一种方法，它建立在傅里叶变换的基础之上，克服了傅里叶变换要么完全在时域，要么完全在频域而无法表达信号的时频局域性质的缺陷；弥补了短时傅里叶变换作为一种单一分辨率，只能使用一个固定的短时窗函数进行信号分析的不足；很好地解决了信号分析中的一对最基本的矛盾：即时域和频域的局部化矛盾，实现了在不同频率处包含非静态能量分布的时频分析。

现有方法对于表面肌电信号多类别模式识别时，由于不能提取到更加有效的肌电信号特征，影响了肌电信号模式分类的准确性，影响了在肌电假肢实用中的推广使用。

对于多类别模式识别来说，寻找一个好的模式分类器是关键。支持向量机(Support Vector Machines，SVM)算法由Vapnik等人提出到现在经过了十多年的发展，已经由最初的二分类算法成为广泛使用的统计学习算法，在模式分类和回归建模方面都得到了长足的发展。SVM以其坚实的理论基础、全局优化、泛化性能好等优点，已经成为目前国内外研究的热点，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。

发明内容

本发明的目的是提供一种基于支持向量机的表面肌电信号多类别模式识别方法，能够提取到更加有效的肌电信号特征，同时也提高了模式识别的准确性。

本发明的技术方案是，一种基于支持向量机的表面肌电信号多类别模式识别方法，其特征在于，按照以下步骤实施：

步骤1、对采集到的表面肌电信号，基于小波分析进行特征提取

1.1)从MIT-BIH数据库中下载所需的表面肌电信号数据，并采集需要进行分类的样本信号，将一部分用作训练样本，另一部分作为测试样本；

1.2)选用sym4小波基函数对样本信号作五尺度小波分解；

1.3)提取样本信号的小波系数，从小波分解系数构成的矩阵中提取矩阵的奇异值作为信号特征，构建特征矢量；

步骤2、基于SVM的模式识别

2.1)用MOC方法设计基于支持向量机的多类别分类器；

2.2)将训练样本的特征矢量输入到分类器进行分类训练；

2.3)将测试样本的特征矢量输入到分类器进行分类测试；

2.4)用交叉验证方法对支持向量机分类器进行参数优化，重复步骤2.2和步骤2.3；

2.5)分析模式识别的结果。

本发明的模式识别方法，较好的完成了表面肌电信号的特征提取和模式识别，在提取到更加有效的特征构建特征矢量的同时，提高了模式识别的准确性，在肌电假肢实用化进程中具有重要意义。

附图说明

图1是本发明方法实施例中要处理的表面肌电信号时域图；

图2是本发明方法实施例中采用的sym4小波函数的尺度函数和时域图，其中，a为尺度函数图，b为时域图；

图3是本发明方法实施例中的三尺度小波分解示意图；

图4是现有的支持向量机结构框图；

图5是本发明方法实施例中对表面肌电信号进行五尺度小波分解提取到的小波系数示意图；

图6是本发明方法实施例中对表面肌电信号进行分类的结果示意图(无参数优化时)；

图7是本发明方法实施例中对表面肌电信号进行分类的结果示意图(参数优化后)；

图8是本发明方法实施例中在无参数优化和参数优化后得到的分类结果比较示意图；

图9是本发明方法实施例中的结果与传统的神经网络分类方法比较示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的基于支持向量机的表面肌电信号多类别模式识别方法，按照以下步骤实施：

步骤1、对采集到的表面肌电信号，基于小波分析进行特征提取

图1所示为采集到的表面肌电信号f(t)∈L²(R)，L²(R)表示平方可积的实数空间，即能量有限的空间信号，其连续小波变换为：