[发明专利]一种基于表面肌电信号的下肢运动识别方法及系统

说明书

本发明涉及一种基于表面肌电信号的下肢运动识别方法及系统，该方法包括以下步骤：步骤1、采集不同运动模式下的表面肌电信号并进行预处理，提取时域、频域和非线性特征；步骤2、使用人工蜂群算法‑麻雀搜索算法混合优化核极限学习机的惩罚参数和核参数，得到最优核极限学习机分类器；步骤3、利用优化后的分类器进行识别。该方法及系统有利于提高下肢运动模式识别的准确率。

技术领域

本发明属于运动识别技术领域，具体涉及一种基于表面肌电信号的下肢运动识别方法及系统。

背景技术

中国是目前世界上唯一老年人口过2亿的国家。随着年龄的不断增长，老年人身体的各方面机能会发生明显的改变，造成下肢运动障碍。膝关节骨性关节炎是老年人下肢运动功能障碍的主要原因，极大地影响了他们的日常生活。

当病人诊断出膝关节骨性关节炎后，以康复为目的，训练理疗师设计与日常活动相关的肌肉锻炼。为了在评估和治疗患者时帮助临床医生远程监控康复进程，需要更高效和智能的框架来解码用户的意图。通过捕获用户下肢肌肉的表面肌电信号(sEMG)，使用模式识别技术来推断出用户的动作意图。然而，由于下肢肌肉存在于皮肤深处，它们之间存在明显的重叠，因此，与上肢肌肉相比，下肢肌肉表面肌电信号的运动分类更具挑战性。正因为如此，许多研究人员将经典的信号处理和模式识别技术结合起来，用于下肢运动分类。

从上世纪90年代，多种模式识别算法开始被广泛运用到动作模式分类中。支持向量机(SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。席旭刚等人使用支持向量机对握拳、伸拳、腕伸、腕屈四种动作进行分类，取得了较好的结果，然而支持向量机存在计算时间长，容易出现局部最优解等情况。反向传播神经网络(BP)通过实验数据正向传播、误差反向传播来训练神经网络，进行运动分类时会出现权值参数设置繁琐、且训练速度慢等缺点。黄广斌提出了一种单隐层前馈的神经网络算法，即极限学习机(ELM)，学习速度比BP神经网络要快，准确率也较高，但ELM权重参数和隐含层神经元个数会对分类结果产生较大的影响。核极限学习机(KELM)将正则化系数和核函数引入ELM，可以解决ELM随机选择权重参数和隐含层神经元个数所造成的分类结果稳定性差等问题。刘傲等使用粒子群算法(PSO)优化核极限学习机的惩罚参数和核函数，能够取得较优的分类性能，但PSO在寻优过程中容易陷入局部最优，导致收敛精度降低，从而使分类性能下降。高相铭等使用人工蜂群算法(ABC)优化核极限学习机的惩罚参数和核函数，分类准确度较高，虽然具有全局寻优能力强，参数少等优点，但易陷入局部最优。杜晔等使用麻雀搜索算法(SSA)优化核极限学习机的惩罚参数和核函数，局部寻优能力较强，但全局寻优能力有待加强，分类准确率有待提高。

发明内容

本发明的目的在于提供一种基于表面肌电信号的下肢运动识别方法及系统，该方法及系统有利于提高下肢运动模式识别的准确率。

为实现上述目的，本发明采用的技术方案是：一种基于表面肌电信号的下肢运动识别方法，包括以下步骤：

步骤1、采集不同运动模式下的表面肌电信号并进行预处理，提取时域、频域和非线性特征；

步骤2、使用人工蜂群算法-麻雀搜索算法混合优化核极限学习机的惩罚参数和核参数，得到最优核极限学习机分类器；

步骤3、利用优化后的分类器进行识别。

进一步地，所述步骤1具体包括以下步骤：

步骤1.1、采集不同运动模式下股内侧肌、半腱肌、股二头肌和股直肌的表面肌电信号，对获取的表面肌电信号进行包括噪声滤除的预处理，并进行分段；

步骤1.2、提取分段后肌电信号的积分肌电值IEMG、均方根值RMS、均值频率MPF、中值频率MF、模糊熵FuzzyEn，组成20维特征向量，其计算方法如下：