[发明专利]一种基于多层次神经肌肉耦合特征信息融合的分类方法

说明书

本发明涉及一种基于多层次神经肌肉耦合特征信息融合的分类方法，包括：多通道脑肌电信号的同步采集；预处理；多层次神经肌肉耦合特征提取；基于典型相关分析的特征融合和基于流形多类核最小平方误差的特征分类，分别提取脑‑脑、脑‑肌、肌‑肌耦合特征、传统脑肌电信号特征，对提取的特征信息进行特征融合，然后采用基于流形多类核最小平方误差算法训练分类器并对不同的动作进行分类。该方法克服了传统的基于生物电信号的动作识别方法中未全面考虑脑‑脑、肌‑肌、脑‑肌、脑肌电信号协作进行运动控制的缺点，在基于生物电信号的动作识别中具有良好的应用前景。

技术领域

本发明涉及一种基于多层次神经肌肉耦合特征信息融合的分类方法，属于模式识别领域。

背景技术

大脑运动皮层通过脊髓和周围神经控制骨骼肌运动，使肢体完成特定动作；而肢体运动信息经本体感受器传入躯体感觉皮层又反过来影响大脑的活动，皮层和肌肉之间具有天然的对应和因果关系。肌电信号是肢体动作时最直接相关的生理信号，脑电信号和肌电信号分别体现了大脑对肌肉的运动控制信息和肌肉功能的响应信息，两者活动状态的相干分析可以反映脑电与肌电之间的相互作用，运用生理电信号耦合分析为理解运动控制过程提供了理论基础。

1995年Conway等人发现运动过程中皮层脑电与相关肌电存在脑肌相干性，研究者开始采用不同的分析方法(如相干性、格兰杰因果、互信息、传递熵等)建立脑电与肌电信号间的连接关系，获取大脑运动意识驱动与肌肉运动响应之间的功能联系，并提取耦合特征，采用分类器进行分类。Xi等将符号传递熵和图论结合构建脑肌耦合网络，并提取了网络特征用于K近邻算法训练分类器，用于运动疲劳的检测，结果表明该方法在运动疲劳检测中具有较高的准确率。席旭刚等采用小波变换与相干性分析方法对采集到的肌电信号提取特征向量，输入到支持向量机分类器，对手部的多个动作进行分类，结果表明该方法能够以较高识别率区分伸腕、屈腕、展拳、握拳这四种动作。除此之外，研究者可以直接提取脑肌电信号特征进行分类，葛荣祥等分别提取了脑电信号的时域统计量以及肌电信号的积分肌电值、样本熵等特征向量对手部动作进行识别。Wang等提取肌电信号的均方根、平均频率和带谱熵等特征实现了对肌肉疲劳的分类。

以上研究都是从单一的层次提取脑肌之间的功能联系特征，为提取更有效的特征，本发明提出基于多层次神经肌肉耦合特征信息融合的分类方法，分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征，对提取的特征信息进行特征融合，然后训练分类器对不同的动作进行分类，从神经系统的内源角度为动作识别提供一种新的方法。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于多层次神经肌肉耦合特征信息融合的分类方法，分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征，对提取的特征信息进行特征融合，然后训练分类器对不同的动作进行分类。

为实现上述目的，本发明的技术方案是：

一种基于多层次神经肌肉耦合特征信息融合的分类方法，包括以下步骤：

步骤一和步骤二：多通道脑肌电信号的同步采集与预处理；

具体为：同步采集受试者的多通道脑肌电信号，并对采集的脑肌电信号进行预处理；

步骤三：多层次神经肌肉耦合特征提取；

具体为：分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征。其中，脑-脑耦合特征选用脑-脑耦合网络中的网络强度、聚类系数和特征路径长度；脑-肌耦合特征选用脑肌两两通道间的互信息；肌-肌耦合特征选用两两通道间的皮尔逊相关系数；传统肌电信号特征选用均方根、均值频率；传统脑电信号特征选用排列熵和功率谱。

步骤四：基于典型相关分析的特征融合；

对步骤三中提取的所有脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征采用典型相关分析方法进行特征融合，分别在标准动作时和训练时提取样本特征向量组成样本空间X和Y。