[发明专利]极限学习机-隐马尔科夫模型的手势肌电信号识别方法

摘要

一种极限学习机‑隐马尔科夫模型的手势肌电信号识别方法，由采集到的手势肌电信号进行分帧预处理、分解帧信号、提取时域特征、分类器识别信号组成。由于本发明采用了极限学习机对当前时刻特征进行分类得到识别结果的特性，隐马尔科夫模型分析时间序列的信号，具备时序建模的特点。本发明具有训练速度快、泛化能力强、识别率高等优点，可用于手势肌电信号的分类。

主权项

1.一种极限学习机‑隐马尔科夫模型的手势肌电信号识别方法，其特征在于它是由以下步骤组成：(1)对采集到的手势肌电信号进行分帧预处理从UCI数据库中提取手势肌电信号手势数据集，按下式进行分帧预处理：式(1)中Nx为信号总长度，N0为相邻的两帧间的重叠长度，Nf为一帧的长度，Nframes至少为5，得到不同的经分帧预处理后的帧信号；(2)分解帧信号将各帧信号进行总体经验模态分解，每个帧信号得到10个固有模态函数，分解帧信号的方法如下：1)将不同标准差的高斯白噪声添加到帧信号中，得到一个信号xi：xi＝x+ωi     (2)式(2)中ωi为高斯白噪声，ωi中的标准差为0.01～0.4，i为有限的正整数，x为帧信号如下：式(3)中Ck为固有模态函数分量，r为残余分量，K取10；2)对信号xi作经验模态分解，得到固有模态函数分量为Ck,i，其中k是分解尺度为有限的正整数；3)再次加入高斯白噪声ωi，重复步骤1)、2)，直到完成I次分解，I为分解次数，取值为5～20；4)将每次得到的固有模态函数作平均运算，得到总体经验模态分解的固有模态函数分量如下：(3)提取时域特征提取帧信号经步骤(2)得到的前3阶固有模态函数的均方根、平均幅值和标准差时域特征值，均方根为：式(5)中RMS为均方根值，Ck为第k次试验得到的固有模态函数分量，N为Ck的长度；平均幅值MAV为：标准差SD为：式(7)中μ为Ck的均值；(4)分类器识别信号将步骤(3)得到的时域特征值送入极限学习机‑隐马尔科夫模型分类器中进行分类，输出分类识别结果，该分类器由极限学习机和隐马尔科夫模型构成，极限学习机的输出端与隐马尔科夫模型的输入端相连。