[发明专利]用于手部动作识别的脑电和肌电信号混沌特征融合方法

摘要

本发明涉及用于手部动作识别的脑电和肌电信号混沌特征融合方法。现有的方法识别率不高。本发明方法从混沌动力学系统角度提取脑电与肌电对应相应手部动作时混沌特征的两个参数：最大Lyapunov指数和关联维数，融合归一化后输入SVM分类器实现对手部动作的识别，具体包括三个步骤：(1)提取消噪后脑电和肌电信号混沌特征的最大Lyapunov指数和关联维数；(2)脑电和肌电信号特征参数融合和归一化处理；(3)采用支持向量机方法，得到手部动作分类识别的结果。本发明方法从混沌动力学系统角度对脑电和肌电信号进行了分析，提取了描述了对应手部动作混沌特征的特征参数，实现了对手部动作的识别，提高了识别率，为实际的应用提供了途径。

主权项

1.用于手部动作识别的脑电和肌电信号混沌特征融合方法，其特征在于该方法包括三个步骤：(1)提取消噪后脑电和肌电信号混沌特征的最大Lyapunov指数和关联维数；(2)脑电和肌电信号特征参数融合和归一化处理；(3)采用支持向量机方法，得到手部动作分类识别的结果；具体方法是：步骤(1)提取信号混沌特征的最大Lyapunov指数和关联维数；A.提取最大Lyapunov指数是利用信号的最优时延t_d和嵌入维数m，根据最优时延t_d和嵌入维数m的得到，具体过程有：a.求取最优时延t_d和嵌入维数m混沌时间序列x＝{x_i|i＝1，2，..，N}以时延t嵌入维m，重构相空间为X＝{X_i|X_i＝[x_i，x_i+1，...，x_i+(m-1)t，]^T，i＝1，2，...，M}，则嵌入时间序列的关联积分为C(m,N,ra,t)=2M(M-1)Σ1≤i≤j≤Mθ(ra-dij)---(1)]]>其中，M＝N-(m-1)t为相空间的点数；根据BDS统计结论得到N和m，r_a的合理估计，这里取N＝3000，m＝2，3，4，5，r_a＝a×0.5σ，r_a＞0，a＝1，2，3，4，σ为x时间序列的标准差，d_ij是中间变量；d_ij＝||X_i-X_j||，θ(u)=0,u<0θ(u)=1,u≥0---(2)]]>关联积分是个累积分布函数，表示相空间中任意两点之间距离小于r_a的概率；这里点与点之间的距离用矢量之差的无穷范数表示；将关联积分定义式(1)C(m，N，r_a，t)式改成C(X，r_a)形式，定义检验统计量S₁(m，N，r_a，t)＝C(x，r_a)-C^m(X，r_a)                (3)令X^k，s＝{X_i|i＝s，s+k，s+2k，...}，s＝1，2，...，k(4)x^k，s＝{x_i|i＝s，s+k，s+2k，...}，s＝1，2，...，k  (5)这里X^k，s与x^k，s分别是X与x中k个不相交的子集，k为独立于时延的常数；因从统计量定义式(3)的近似表达式为S1(m,N,ra,t)=1kΣs=1kC(xk,s,ra)-[1kΣs=1kC(Xk,s,ra)]m---(6)]]>k是权衡计算精度与速度额可调参数；当k＝1时，(6)式与(3)式等价；实际中(6)式的计算过程为：把时间序列x＝{x₁，x₂，...x_N}按照重构时延参数t分解成t个互不重迭的子序列，即x¹＝{x_i|i＝1，t+1，...，N-t+1}x²＝{x_i|i＝2，t+2，...，N-t+2}     (7)......x^t＝{x_i|i＝t，2t，...，N}这里N为t的整数倍；计算(6)式定义的统计量采用分块平均的策略，即S2(m,N,ra,t)=1tΣs=1t[Cs(m,N/t,ra,t)-Csm(m,N/t,ra,t)]---(8)]]>令N→∞有S2(m,N,ra,t)=1tΣs=1t[Cs(m,ra,t)-Csm(m,ra,t)]---(9)]]>选择最大和最小的两个半径r_a定义差量ΔS₂(m，t)＝max{S₂(m，r_a，t)}-min{S₂(m，r_a，t)}(10)ΔS₂(m，t)度量了S₂(m，r_a，t)～t对所有半径的最大偏差；同样定义知ΔS₁(m，t)＝max{S₁(m，r_a，t)}-min{S₁(m，r_a，t)}(11)计算S‾2=116Σm=25Σa=14S2(m,ra,t)---(12)]]>ΔS‾2(t)=14Σm=25ΔS2(m,t)---(13)]]>同样定义知S‾2=116Σm=25Σa=14S1(m,ra,t)---(14)]]>ΔS‾1(t)=14Σm=25ΔS1(m,t)---(15)]]>综上，最优时t_d取ΔS₁(m，t)～t的第一个局部极小点；最优嵌入窗t_w是的周期点；其中，t_w＝(m-1)t_d，嵌入维数b.根据最优时延t_d和嵌入维数m得到最大Lyapunov指数设混沌时间序列为{x₁，x₂，...x_N}，嵌入维数m，最优时延t_d＝J.Δt，J为整数，Δt为采样间隔，则重构相空间X_j＝(x_j，x_j+J，...，x_j+(m-1)J)∈R^m，(j＝1，2，...，M)其中N＝M+(m-1)J1)对时间序列{x_p，p＝1，2，...，N}进行FFT变换，计算平均周期P；2)采用步骤a方法同时计算出最优时延t_d和嵌入维数m；3)根据最优时延t_d和嵌入维数m重构相空间{X_j，j＝1，2，...，M}4)找相空间中每个点X_j的最近邻点并限制短暂分离，即dj(0)=minj^||Xj-Xj^||,|j-j^|>P---(16)]]>5)对相空间中每个点X_j，计算出该邻点对的i个离散时间步后的距离d_j(i)dj(i)=|Xj+i-Xj^+i|,i=1,2,...,min(M-j,M-j^)---(17)]]>6)可用下面公式求最大的Lyapunov指数y(i)=1i·Δt·1(m-i)Σj=1M-ilndj(i)dj(0)---(18)]]>B.提取关联维数的具体方法是：从一个时间间隔一定的单变量时间序列x₁，x₂，x₃....出发，构造一批n维的矢量，支起一个嵌入空间，n≥2D+1，D为吸引子的维数，就可以在拓扑等价的意义下恢复原来的动力学性态；用时间序列计算吸引子关联维；对于n维重构混沌动力系统，奇怪吸引子由点y_j所构成，y_j＝(x_j，x_j+t，x_j+2t，...，x_j+(n-1)t)，t为时间延迟；在构造好矢量y_j之后，以两个矢量的最大分量差作为距离|yi-yj|=max1≤k≤n|yik-yjk|---(19)]]>规定：凡是距离小于给定正数r的矢量，称为有关联的矢量；设重构相空间中有N个点、计算其中有关联的矢量对数即关联积分，其公式定义为：Cn(r)=12NΣi,j=11θ(r-|yi-yj|)---(20)]]>其中θ为Heaviside单位函数θ(u)={0,u≤01,u>0---(21)]]>已经知道，关联积分C_n(r)在r→0时与r存在以下关系limr→0Cn(r)∞rD---(22)]]>其中D为关联维数，由上式有近似数值.计算关系式DGP=lnCn(r)lnr---(23)]]>步骤(2)特征参数融合和归一化处理把上面的脑电和肌电特征参数融合共得到同一动作的特征向量，然后进行归一化处理，使各向量在0～1范围内，具体是先把脑电和肌电最大Lyapunov指数和关联维数组成一个向量，然后是用这个向量除以脑电和肌电的所有特征参数之和，即得到归一化的特征向量；步骤(3)支持向量机的手部动作识别使用“一对多”SVM多分类算法对手部动作模式进行识别实验，选用径向基做核函数；将伸腕、屈腕、握拳、展拳四种手部动作的样本集分别标记为B1＝1，B2＝2，B3＝3，B4＝4；先使用B1、B4训练SVM3，训练完SVM3后，将B1、B4合并为A1，进而比较A1与B2、B3的距离即将A1类样本对应其它几类样本的距离和求平均，然后找出类间距离最小的两类A1、B3训练出SVM2，并且将其并为C1类，再将C1和B2作为两类训练，最后得到SVM1；完成SVM训练后，可获得SVM多类分类面；通过测试，确认该分界面的有效性；在测试样本属于哪一类的过程中，从SVM1开始，逐层向上，直到符号函数为正的为止，得到类别。