[发明专利]基于遗传算法广义典型相关分析的肌电信号特征融合方法

说明书

本发明提出一种基于遗传算法广义典型相关分析的肌电信号特征融合方法。获取人体做日常行为动作时四路肌电信号的平均幅值，威尔逊振幅，模糊熵，小波能量系数，由4路肌电信号各4各特征组成16维特征向量。提取16维标准样本特征向量X、训练样本特征向量Y。分别计算X,Y的类内离散度矩阵和类间离散矩阵，最后求得使广义典型相关判别准则最大的广义正则投影向量。对GCPV择优选取，得到新的GCPV将原特征投影到新空间，成为结合遗传算法的GCCA(GA‑GCCA)；将原特征通过新得到的GCPV投影到新平面上，获得最终融合的肌电信号特征向量S。本发明有效地减小了维数，并在改善单调性的同时动态地选择了最佳特征向量。

技术领域

本发明属于特征融合领域，涉及一种基于遗传算法广义典型相关分析的肌电信号特征层融合方法。

背景技术

随着医疗保健概念从疾病诊断和治疗转向疾病预防，在系统和持续运动管理中的技术发展的重要性逐渐被强调。由于人口老龄化的增长，在日常活动中需要帮助的老年人或体弱者的数量正在迅速增加，这种变化致使人们意识到活动监测的重要性。肌电(EMG)传感器广泛应用于医学诊断，康复和人机交互中。与其他可穿戴传感器相比，EMG传感器可以直接表现出人体对各种活动的肌电反应。然而，在从原始数据集中寻找最佳特征集方面，仍然存在相当大的挑战。这种困难是由于肌电信号的生物电特性所致，它们会受到许多干扰因素的影响。从同一模式中提取不同的特征向量，往往反映模式的不同特征。通过优化和组合这些不同的特征，可以保留多个特征的有效判别信息，并在一定程度上消除冗余信息。因此，在将最优特征集应用于分类器之前，需要做大量的工作。

特征融合在模式识别领域一直是丰富数据特征的一个重要方法，是分类过程中十分重要的预处理步骤。由于特征提取后得到的特征通常会包含冗余和不相关的信息，并且不当的维度增加会降低特征空间的质量。在这种情况下，传统的数据集成技术无法提供高性能的解决方案。另外，维度的扩大增加了分类器的学习参数，从而降低了速度、精度，增大了对存储器的需求。特征融合是将多个相同类型或不同类型的传感器的局部观察特征进行综合，消除信息之间的冗余，利用信息的互补，形成特征相对完整的描述的过程，能提高识别可靠性。R Feng等人提出了一种新的信任评估算法，融合了节点行为策略和修正的证据理论，有效的识别了恶意节点。Ogawa通过Dempster-Shafer(DS)证据理论对不同分类器识别相同昆虫的结果进行整合，得到了更准确的分类。liu研究了特征降维策略对表面肌电信号分类的影响，并采用马尔可夫随机场方法和正向正交搜索算法来评价每个特征对分类的贡献。表面肌电信号(sEMG)能够有效地反映用户的运动意图，通常被用于活动监测和康复应用。

发明内容

本发明针对现有技术的不足，提出了一种基于遗传算法广义典型相关分析的肌电信号特征融合方法。

本发明提出一种特征融合的新方法来获得sEMG信号的新特征空间。在人体做日常行为动作时采集人体腓肠肌、胫骨前肌、股内肌、股外肌共四路肌电信号，获取四路肌电信号的平均幅值，威尔逊振幅，模糊熵，小波能量系数，由4路肌电信号各4各特征组成16维特征向量。在标准动作时提取16维标准样本特征向量X，训练时提取训练样本特征向量Y。分别计算X,Y的类内离散度矩阵，以及X与Y的类间离散矩阵，得到广义典型相关判别准则,最后求得使广义典型相关判别准则最大的广义正则投影向量(GCPV)。通过遗传算法GA对广义正则投影向量GCPV择优选取，得到新的GCPV将原特征投影到新空间，成为结合遗传算法的GCCA(GA-GCCA)；通过GA对广义正则投影向量GCPV择优选取后，并通过动态加权方式，将原特征通过新得到的GCPV投影到新平面上，获得最终融合的肌电信号特征向量S。通过WGA-GCCA创建的新特征空间有效地减小了维数，并在改善单调性的同时动态地选择了最佳特征向量。经由WGA-GCCA融合后的特征输入分类器时，也有着更高的精度。

为了实现以上目的，本发明方法主要包括以下步骤: