[发明专利]基于多核支持向量机的肌电信号分类方法

摘要

本发明涉及一种基于多核支持向量机的肌电信号分类方法。对于分布复杂的样本，基于单核支持向量机的分类性能，在分类精度和支持向量的数目上容易受到影响。本发明方法是将多核支持向量机方法与二叉树组合策略相结合，具体步骤是：通过肌电信号采集仪拾取人体下肢的肌电信号；采用小波系数尺度间相关性消噪法对含有干扰噪声的肌电信号进行消噪；对消噪后的肌电信号进行特征提取，利用消噪后的小波系数得到肌电信号的特征；基于多核支持向量机的分类操作。本发明方法可以较好地满足下肢假肢控制中的多分类要求，兼顾分类的准确性和实时性，该方法在智能假肢控制的多运动模式识别中具有广阔的应用前景。

主权项

1.基于多核支持向量机的肌电信号分类方法，其特征在于该方法包括以下步骤：步骤(1)通过肌电信号采集仪拾取人体下肢的肌电信号；步骤(2)采用小波系数尺度间相关性消噪法对含有干扰噪声的肌电信号进行消噪，具体步骤包括：a.用离散二进小波变换求出含噪肌电信号在尺度j上位置k处的小波变换系数W(j，k)，j＝1，2，…，J，J＝log₂N；N为信号长度，J为分解的最大尺度；b.计算各尺度噪声小波变换的标准方差c.对每个小波分解尺度j，j＝1，2，…，J，具体是：①计算相关系数Cor(j，k)及其规范化系数NCor(j，k)，方法如下Cor(j，k)＝W(j，k)gW(j+1，k)NCor(j,k)=Cor(j,k)PW(j)PCor(j)]]>其中，PW(j)为W(j，k)在第j级的能量，PCor(j)为Cor(j，k)在第j级的能量，k＝1，2，…，N；②对于k＝1，2，L，N_s，引入一个与尺度相关的系数因子λ(j)≥1，通过比较NCor(j，k)和λ(j)W(j，k)的绝对值，提取肌电信号的边缘信息，具体是：如果|NCor(j，k)|≥λ(j)|W(j，k)|，那么认为该点为信号的边缘，将该点的小波系数W(j，k)赋值给各尺度下被抽取的小波系数相应的位置保存起来，然后将该点的小波系数W(j，k)和相关系数Cor(j，k)都置为0；否则，对应点的W(j，k)和相关系数Cor(j，k)保持不变；③设W(j，k)被抽取出K个边缘点后变为W′(j，k)，如果W′(j，k)的能量满足则对尺度j循环终止；否则，重复步骤①、②和③；τ(j)为噪声能量因子；d.将处理后得到的各尺度下被抽取的小波系数经过离散二进小波的逆变换得到消噪后的肌电信号，j＝1，2，…，J；步骤(3)对消噪后的肌电信号进行特征提取，利用消噪后的小波系数得到肌电信号的特征T_jTj=Σk=1NW~(j,k)2N,]]>j＝1，2，…，J-1其中，表示尺度j上位置k处被抽取的小波系数，N为信号长度，J为分解的最大尺度；步骤(4)基于多核支持向量机的分类操作，具体步骤是：a.求解基于多核支持向量机二类分类问题给定n维欧氏空间的训练样本集其中i＝1，2，…，l，l为样本数，为输入值，y_i∈{+1，-1}为类标号；多核支持向量机算法本质上是用M个核函数凸组合，记为有d_m≥0且输入值x_i通过映射m＝1，2，…，M，从输入空间映射到高维特征空间，其中D_m表示为M维特征空间的维数，将其表示为下面的优化问题min12(Σm=1M||wm||2)2+CΣi=1lξi]]>w.r.t.s.t.    ξ_i≥0，i＝1，2，…，l其中，C为惩罚系数，w_m＝d_mw′_m，d_m≥0，m＝1，2，…，M和b.利用二叉树组合策略解决多类分类问题对于一个c类的模式识别问题，给定n维欧氏空间的训练样本集其中i＝1，2，…，l，l为样本数，为输入值，y_i∈Y＝{1，2，…，c}为类标号；定义第y_k∈Y类的第k个样本点与第y_l∈Y类的第l个样本点之间的距离为i＝1，2，…，N_k；j＝1，2，…，N_l，其中N_k为样本集S中y_k类的训练样本数，N_l为S中y_l类的训练样本数；然后，定义第y_k类与第y_l类之间的距离为对每个类，根据上式分别计算它与c-1个其他类之间的距离，得到相应的距离矩阵DD=D(y1,y2)D(y1,y3)...D(y1,yc)D(y2,y1)D(y2,y3)...D(y2,yc).........D(yc,y1)D(yc,y2)...D(yc,yc-1)]]>对矩阵D每一行中的c-1个距离值按由大到小的顺序排列，得到对应的距离排序矩阵根据矩阵第一列元素的大小(i＝1，2，…，c)，按照由大到小的顺序对相应的类标号重新编号，即(i＝1，2，…，c)最大者对应的类标号记为1，而最小者对应的类标号记为c；最终得到所有类别的排列为y₁，y₂，…，y_c；由此，将c类分类问题转化为c-1个二类分类器来解决。