[发明专利]一种基于高斯混合模型的肌电动作识别在线更新算法

摘要

本发明涉及一种基于高斯混合模型的肌电动作识别在线更新算法，可以有效抑制肌电信号统计特性发生变化对检测准确性的影响，提供了一种有效的算法来提高肌电控制系统的泛化能力。同时，在进行分类器参数更新时，不需要保留原始训练样本，只需要对训练后的参数，如权值、均值和方差进行更新，可以很大程度的减少对存储空间的要求，更符合实际的应用需求。

主权项

1.一种基于高斯混合模型的肌电动作识别在线更新算法，其特征在于，包括以下步骤：步骤一：模型初始化，包括以下子步骤：子步骤一：设当前肌电控制系统动作类别总数为C。对于每种动作，其训练样本的个数为Mc。高斯混合模型的高斯分量的个数为K(K≥1)；子步骤二：对于类别c(c＝1,…,C),利用M_c组肌电信号特征对其对应的高斯混合模型的参数进行估计，得到类别c高斯混合模型的初始化的结构参数w_c,k，μ_c,k，∑_c,k，k＝1,..,K，其中w_c,k是第c类中第k个高斯分量的权重且满足条件μ_c,k是第c类中第k个高斯分量的均值，∑_c,k是第c类中第k个高斯分量的方差；其中，当使用k‑means算法进行参数估计时，参数计算方法如下：N_c,k为类别c中第k个分量的样本个数，且满足Xi为属于第c类中第k个高斯分量的第i个样本；步骤二：参数在线更新，包括以下子步骤：子步骤一：对于已知属于类别c(c＝1,2….,C)的输入肌电信号特征X，利用当前的高斯混合模型对其进行后验概率计算，计算公式如(4)所示：通过上述公式找出后验概率最大的高斯分量；假设X是一个D维向量，则子步骤二：假设后验概率最大的高斯分量为第c类中的第k个，则利用X对类别c的第k个高斯分量的结构参数进行在线更新，包括以下步骤：(1)假设当前类别c的训练样本，即步骤一中的样本，总数为Mc，其中第k个高斯分量的样本总数为Nc,k，则第k个高斯分量的参数更新算法如下：其中，μ_c,k'，Σ_c,k'和w_c,k'为更新后的均值、方差和权重。N_c,k表示步骤一中的类别c中的第k个高斯分量的样本总数，表示新输入的样本X，X₁到分别表示步骤一中的类别c中的第k个高斯分量所包括的样本；在利用上述算法对类别c的结构参数更新时，除第k个分量外，其他分量的均值和方差均不需要发生改变，权值wc,j'按以下方式更新：(2)其中当高斯分量的个数为1时，高斯混合模型退化为高斯分类器。此时，仅需要对类别c的均值和方差按下式进行更新：其中，Mc，μc和Σc为类别c原始的样本量、均值和方差，μc'和Σc'为更新后类别c的均值和方差。步骤三：当参数更新完成后，输入新的测试样本，即新的多通道的表面肌电信号，完成肌电信号的模式识别，输出此肌电信号所对应的动作。