[发明专利]一种基于GST和VL-MOBPNN的动作识别方法

权利要求书

1.一种基于GST和VL-MOBPNN的动作识别方法，其特征在于：该方法包括下列顺序的步骤：

(1)获取人体下肢肌电信号的样本数据；

(2)将步骤(1)获取的电信号进行时频广义S变换，得到时间分辨率较好时的时域累计特性曲线和频率分辨率较好时的频域累计特性曲线；

(3)获取信号的特征向量：取时域累计特性曲线幅值的均值和标准差、频域累计特性曲线幅值的均值和标准差，以及膝盖弯曲度电信号第一个值的绝对值作为特征向量；

(4)将特征向量输入学习率可变动量反向传播神经网络进行识别分类，获得分类结果。

2.根据权利要求1所述的基于GST和VL-MOBPNN的动作识别方法，其特征在于：所述步骤(1)具体是指：获取人体下肢肌电信号的样本数据，数据直接通过microSD卡采集到计算机MWX8内部存储中，通过蓝牙适配器在实时数据记录软件中传输，采样频率为1000Hz；测量测试者分别进行行走、站立及静坐三种动作时股直肌、股二头肌、股内侧肌和半腱肌的电信号，然后用膝关节测角仪来测试坐姿伸直腿和向上弯曲腿过程中腿的角度变化，即膝盖弯曲度的电信号。

3.根据权利要求1所述的基于GST和VL-MOBPNN的动作识别方法，其特征在于：在所述步骤(2)中，当γ＝2，ρ＝1.5时，时间分辨率较好；当γ＝2.5，ρ＝0.5时，频率分辨率较好；γ和ρ为时频广义S变换的两个调节参数。

4.根据权利要求1所述的基于GST和VL-MOBPNN的动作识别方法，其特征在于：所述步骤(2)的时频广义S变换具体是指：

通过步骤(1)获取的电信号x(t)的一维连续正变换表达式如下：

式中,S(τ，f)是x(t)的S变换，f是频率，τ用于控制时间轴上高斯窗函数的位置，时频广义S变换是对S变换的高斯窗函数进行改造，引入两个调节参数γ和ρ，时频广义S变换的表达式为：

其中ρ∈[1/2，3/2]，γ是调节因子，选定ρ后，当|γ|＞1时，时窗宽度随频率呈反比变化的速度加快，当|γ|＜1则减慢。

5.根据权利要求1所述的基于GST和VL-MOBPNN的动作识别方法，其特征在于：所述步骤(4)的学习率可变动量反向传播神经网络输出表达式为：

a＝purelin(Wp+b) (3)

其中，p和a是网络的输入和输出，W和b是网络的权值和偏置；

通过学习率可变动量反向传播神经网络对人体下肢三种基本动作进行分类，得到的分类结果与目标结果之间有偏差，采用反向传播算法是根据该偏差来修正神经网络中的权值和阈值，反向传播算法的学习算法为梯度下降法，在梯度下降法的基础上引进动量因子μ：

x(k+1)＝x(k)+Δx(k+1) (5)

其中，0＜μ＜1，Δx为权值或阈值的修正量，k为网络训练次数，α是学习率，是误差性能函数对权值或阈值的梯度；

当误差以减小的方式趋于目标误差时，说明修正方向正确，此时将学习率乘以增量因子k_inc，增大学习率，当误差超过了设定值时，说明修正方向错误，此时将学习率乘以减量因子k_dec，使学习率减小，并且舍弃上一步权值和阈值的修正，即

其中，k_inc为增量因子，k_dec为减量因子，E(k)表示第k次迭代时神经网络的输出与目标输出之间的误差，α(k)表示第k次迭代时神经网络的学习率。