[发明专利]基于特征类可分性指标的人体日常行为肌电特征选择方法

说明书

本发明公开了一种基于特征类可分性指标的人体日常行为肌电特征选择方法。首先，采集了人体下肢活动中四路表面肌电信号，然后计算了10种提取每路肌电信号的10个肌电特征形成肌电特征池，对静态动作、步态动作、静态转换动作的三大类分别计算10个肌电信号特征各自的特征类可分性指标，从肌电特征池中选择特征类可分性指标高于0.6的肌电特征组成静态动作肌电特征组，特征类可分性指标高于0.5的肌电特征组成步态动作肌电特征组，特征类可分性指标高于0.2的肌电特征组成静态转换动作肌电特征组。根据特征类可分性指标可以最大限度的利用各个特征，不会造成特征信息的浪费或冗余，大大降低了算法的复杂度，使分类效果更好。

技术领域

本发明属于特征提取领域，涉及一种基于特征类可分性指标的人体日常行为肌电特征选择方法。

背景技术

EMG是众多肌纤维中运动单元动作电位在时间和空间上的叠加。sEMG是浅层肌肉EMG和神经干上放电行为在皮肤表面的综合效应。通常用于EMG信号的特征提取方法可分为时域方法，频域方法，时频域方法。时域分析方法是种类最多、最常见的方法，这是由于时域方法仅仅是基于信号幅值的，算法简单，特征提取的复杂度小。Arief等人[33]从时域上分析了平均绝对值(Mean Absolute Value，MAV)，方差(Variance，VAR)，威尔逊振幅(Willison Amplitude，WAMP)，波形长度(Waveform Length，WL)和过零点数(ZeroCrossing，ZC)，旨在找到能使特征复杂度最小、维度较少、可分离性最佳的方法，为后续研究提供技术支持。频域方法主要是通过功率谱密度得到的，如平均频率，中值频率等。在EMG中，频域特征通常用于肌疲劳的检测。如宋海燕等通过提取平均功率频率(Mean PowerFrequency，MPF)，得出其特征值与人体疲劳的主观评价一致，可用于预测疲劳。时频域方法是时间和频率的组合方法，可以表征不同时间位置处的变化频率信息，提供大量关于分析信号的非平稳信息。小波变换(Wavelet Transform，WT)是时频域中的常用方法，适合于表示高频信号或快慢变化的长时间信号中的短脉冲。小波包变换(Wavelet PacketTransform，WPT)是WT的扩展，可以有效消除高频噪声。然而，WT在高频段仍然很差，WPT缺乏平移不变性质。因此，Xing等人提出了一种新的解决方案，使用小波包节点能量构建特征向量。活动意识，尤其是日常活动监测和跌倒检测，作为行为感知的一个基本子领域，对需要帮助的老年人和弱者的日常活动起着重要的作用。若能根据患者肌肉运动意图进行主动康复训练，能提高患者的康复效果。

发明内容

本发明针对现有技术的不足，提出了一种基于特征类可分性指标的人体日常行为肌电特征选择方法。

本发明对表面肌电信号的特征提取和特征选择进行了研究，目的是确定表面肌电信号在日常生活活动监测和跌倒检测中的最佳特征。首先，采集了人体下肢活动中腓肠肌、胫骨前肌、股内肌、股外肌这四路表面肌电信号，然后计算了10种提取每路肌电信号的平均幅值，方差，威尔逊振幅，自回归系数，中位频率，平均功率频率，小波能量系数，小波包能量系数，模糊熵，排列熵共10个肌电特征形成肌电特征池，对静态动作、步态动作、静态转换动作的三大类分别计算10个肌电信号特征各自的特征类可分性指标(Feature ClassSeparability index)，从肌电特征池中选择特征类可分性指标高于0.6的肌电特征组成静态动作肌电特征组，特征类可分性指标高于0.5的肌电特征组成步态动作肌电特征组，特征类可分性指标高于0.2的肌电特征组成静态转换动作肌电特征组。

为了实现以上目的，本发明方法主要包括以下步骤:

步骤(1).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4路肌电信号；日常行为动作包括静态动作,步态动作,静态转换动作，静态动作包括站、坐、蹲、躺；步态动作包括平地走、上楼梯、下楼梯、跑步；静态转换动作包括站-坐、坐-站、站-蹲、蹲-站、坐-躺、躺-坐；