[发明专利]基于多核支持向量机的肌电信号分类方法

说明书

技术领域

本发明属于模式识别技术领域，涉及一种用于肌电信号处理中具有高识别率和实时性的多种类分类方法。

背景技术

佩戴假肢是截肢者康复的重要方式，可以从外形和活动能力上不同程度地恢复其正常状态，有利于全面提高残疾人士的生活质量和社会参与能力。在实际生活中，人体下肢的运动可以划分为水平行走、上台阶、下台阶、站立、坐下、起立、转弯、慢跑等多个运动模式，因而需要下肢假肢控制能以较高的准确性和实时性识别出多个运动模式。

肌电信号(Electromyography，EMG)作为一种重要的运动生物力学信息源，与肌肉的活动状态和功能状态之间存在着不同程度的关联性，已在运动医学、康复医疗等领域中得到研究。通过对EMG的分析，提取反映运动意愿的有效特征，利用EMG实现包括水平行走、上台阶、下台阶、站立等多个运动模式的识别和运动控制，是目前下肢假肢技术研究的一个热点。肌电信号的多运动模式识别实际上解决的是一个多分类问题。由于神经网络具有并行分布信息、自学习及实现复杂的非线性映射，被认为是解决EMG运动模式识别问题的一个强有力的工具，已取得了一些良好的应用效果。然而，由于神经网络学习算法是利用梯度下降法调节权值使得目标函数达到极小，而目标函数仅为给定输入和相应输出的平方和，导致了神经网络过分强调克服学习错误而泛化性能不强。同时，神经网络存在局部极小点、结构选择过分依赖于经验等，限制其在EMG多模式分类中的发展和应用。

近年来，由于支持向量机(Support Vector Machine，SVM)能够较好地解决神经网络等传统学习理论的缺点和不足，近年来国内外学者将SVM与不同的特征提取方法有效结合，很大程度上提高了EMG多运动模式识别的准确性和泛化性能。国外，Lucas等采用基于最小分类误差标准来优化母小波参数的离散小波变换方法与SVM结合，对6个手部动作进行识别，平均错分类率达到5％。Castellini等针对AHP(Active Hand Prosthesis)控制，分别比较了高斯核SVM、神经网络和局部加权投影回归(Locally Weighted ProjectionRegression)法对前臂EMG的分类以及抓取力的预测效果，实验结果验证了SVM在处理小样本问题的优越性。国内，崔建国等采用小波变换和SVM对前臂8个动作的EMG进行识别，取得的识别率明显优于BP、Elman和RBF神经网络。罗志增等采用基于相关性分析的特征提取与二叉树SVM的混合算法，以较高识别率区分了手部的几种动作模式，分类结果优于传统的神经网络分类器。SVM在EMG运动模式识别的应用实际上是一个多类分类问题，目前的研究工作大多集中在对单个核函数的构造和多类问题的组合策略上。然而，对于分布复杂的样本，基于单核的支持向量机的性能主要取决于核函数的构造及其参数的选择，而常规的交叉验证或考察训练集等参数确定方法相当费时且存在很大的随意性，因此在分类精度和支持向量的数目上容易受到影响。由于采集的下肢肌电信号是针对不同部位浅层肌肉的多数据源，采用单核支持向量机的分类效果还不是太理想。而多核支持向量机获得的混合核可使数据信息在特征空间得到更充分的表示，不仅可以提高分类精度，而且能减少支持向量的数目，已在生物序列数据的分类上取得了良好的效果。

将支持向量机应用于下肢肌电信号的多运动模式识别领域，属于多类分类问题，其分类效果不仅与支持向量的数目有关，而且与多类分类器的组合策略有关。由于多核支持向量机需要对多个核函数的权重和参数进行相应的优化，导致多核支持向量机在大规模数据集下学习和决策效率比单核支持向量机相对要低，因此还需要设计有效的组合策略与多核支持向量机结合，以提高其性能，即分类准确性和实时性。实际上，不同受试者同一动作的肌电信号有区别，且同一受试者在不同时间所做的同一动作也会有差异，实际应用迫切要求提高对复杂运动模式的分类性能。因此，本发明采用多核支持向量机(Multiple Kernel Support Vector Machine，MKSVM)和二叉树组合策略，构造基于多核支持向量机的分类方法，提高多运动模式分类的准确性和实时性。

发明内容

本发明的目的就是针对现有技术的不足，提供一种基于多核支持向量机的肌电信号分类方法。

本发明的核心思想是根据多核支持向量机方法和二叉树组合策略，设计了基于多核支持向量机的分类方法，不仅可以减少支持向量的数目，提高分类精度，而且有利于减少学习和分类时间，兼顾多类问题分类的准确性和实时性。

为了实现以上目的，本发明方法主要包括以下步骤：