[发明专利]基于经验模态分解和分形的表面肌电信号模式识别方法

说明书

技术领域

本发明属于模式识别领域，涉及一种肌电信号模式识别方法，特别涉及一种基于肌电信号的手部多运动模式识别方法。

背景技术

肌电信号（Electromyography，EMG）是一种伴随肌肉活动的生物电信号，是众多肌纤维中运动单元动作电位的叠加，蕴涵了肌肉活动的各种信息。而表面肌电信号（Surface electromyography ，sEMG）则是浅层肌肉EMG和神经干上电活动在皮肤表面的综合效应。表面肌电信号在生理基础上具有高度非线性特征，是一个非线性的动力学系统。因而，对表面肌电信号的研究采用非线性分析方法，如混沌、分形理论是一个值得重视的方向。

目前，已有一些科研机构的学者以混沌、分形理论作为数学工具，对肌电信号进行各种目的的研究。国外，克罗地亚萨格勒布大学的Cifrek, Mario用表面肌电信号的分维数对肌肉疲劳程度进行参数估计。澳大利亚墨尔本大学的Naik,.Ganesh R、泰国宋卡大学的phinyomark Angkoon等用分形的方法研究了上臂弱肌电信号的多模式分类问题，并把研究成果应用到人机接口技术中。国内，清华大学的王人成，上海交通大学的王立中等、浙江大学的刘加海，王健等在混沌、分形理论应用于肌电信号信息处理方面做了较多的工作。然而，综合这些学者的研究成果发现，现有的对肌电信号的研究，大都采用单分形理论，对所研究的肌电信号仅做整体的奇异性评价，如在模式识别时，提取整体信号的Lyapunov指数、分形维等，而没有研究信号的局部奇异性特征。

发明内容

表面肌电信号具有非线性非平稳特性，为了有效地提取表面肌电信号的特征和提高手部多运动模式识别率，本发明提出了一种经验模态分解（Empirical Mode Decomposition,EMD）与多重分形分析相结合的特征提取方法。首先从相关肌肉组上采集相应的表面肌电信号，然后用经验模态分解的方法提取肌电信号的多层内在模态函数(intrinsic mode function, IMF)，利用多重分形分析的方法提取各层内在模态函数上的广义维数谱，从而实现了对表面肌电信号在不同层次上的奇异性测度，提高了对信号几何特征和局部尺度行为刻画的精细程度。最后，以各层模态函数上的广义维数谱作为模式识别的特征向量，以支持向量机为分类器实现多运动模式的分类与识别。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1).获取人体上肢肌电信号样本数据，具体是：首先通过肌电信号采集仪拾取人体上肢肌电信号，再采用空域相关滤波方法对含有干扰噪声的肌电信号进行消噪。

所述的空域相关滤波方法，具体如下：

用空域相关滤波对采集的SEMG信号进行消噪预处理，由于空域相关滤波中涉及噪声能量阈值的设定，且噪声能量阈值的设定没有通用的算法，因此给出一种针对SEMG信号的噪声能量阈值设定算法。算法的具体实现如下：

由于手部未动作时采集的SEMG信号对应为信号的噪声，若对该含有噪声的SEMG信号进行多尺度小波分解，各尺度的高频系数的首尾部分对应手部无动作时的SEMG信号，因此可以用手部无动作时的SEMG信号的高频系数来估计各层的噪声能量门限。以伸腕动作SEMG信号为例，取伸腕动作SEMG信号小波变换高频系数的前                                                个点，取到的这些点对应于手部未动作时SEMG信号的高频系数，用这些点的方差来估计SEMG信号的噪声能量阈值，此时滤波算法中用下式控制迭代过程：

 ;               （1）

其中为比例系数，是根据经验和实验确定的；为迭代后的高频系数的方差；为估计的噪声能量阈值。当上式成立时迭代继续，否则停止。

空域相关法利用真实信号的小波系数在各尺度上的相关性，使得小尺度上的真实信号的小波系数得以突显，从而实现了真实信号的小波系数与噪声小波系数的分离，取得了比较好的滤波效果。

步骤(2).将步骤（1）获取的肌电信号进行经验模态分解，得到表示肌电信号细节构成的多层窄带信号即内在模态函数。

经验模态分解（EMD）方法是Huang等人于1998年提出的一种时间序列处理方法。该方法根据信号本身的局部特征将信号分解成一组内在模态函数(IMF)。其实质是将非线性非平稳信号分解成一组单分量近似窄带信号。每个IMF满足下面条件：

1）整个IMF中极点数（包括极大值和极小值）和零点数相等或至多相差1。