[发明专利]基于特征类可分性指标的人体日常行为肌电特征选择方法

摘要

本发明公开了一种基于特征类可分性指标的人体日常行为肌电特征选择方法。首先，采集了人体下肢活动中四路表面肌电信号，然后计算了10种提取每路肌电信号的10个肌电特征形成肌电特征池，对静态动作、步态动作、静态转换动作的三大类分别计算10个肌电信号特征各自的特征类可分性指标，从肌电特征池中选择特征类可分性指标高于0.6的肌电特征组成静态动作肌电特征组，特征类可分性指标高于0.5的肌电特征组成步态动作肌电特征组，特征类可分性指标高于0.2的肌电特征组成静态转换动作肌电特征组。根据特征类可分性指标可以最大限度的利用各个特征，不会造成特征信息的浪费或冗余，大大降低了算法的复杂度，使分类效果更好。

主权项

1.基于特征类可分性指标的人体日常行为肌电特征选择方法，其特征在于，该方法包括如下步骤：步骤(1).在人体做日常行为动作时采集人体腓肠肌、胫骨前肌、股内肌、股外肌共4路肌电信号；日常行为动作包括静态动作,步态动作,静态转换动作，静态动作包括站、坐、蹲、躺；步态动作包括平地走、上楼梯、下楼梯、跑步；静态转换动作包括站‑坐、坐‑站、站‑蹲、蹲‑站、坐‑躺、躺‑坐；步骤(2).提取样本数为N的每路肌电信号x_i的平均幅值MA，方差VAR，威尔逊振幅WAMP，u(x)表示阶跃函数，T为阈值；自回归系数AR；中位频率MF，f_i和h_i分别为频率和频谱强度；平均功率频率MPF，P(f_i)为基点信号的功率谱；小波能量系数EWT，F_j是小波能量的系数，K是第j层分解系数，W_j,k是第j层分解系数的第k个系数；小波包能量系数EWP；模糊熵FE，其中m定义了数据的维数，D_ij是两个样本的相似度，r是D_ij中指数函数的宽度，称为平均相似度；排列熵PE，n指样本点数，共10个肌电特征形成肌电特征池；步骤(3).对静态动作计算步骤2提取的10个肌电信号特征各自的特征类可分性指标，选择特征类可分性指标J高于0.6的肌电特征组成静态动作肌电特征组；步骤(4).对步态动作计算步骤2提取的10个肌电信号特征各自的特征类可分性指标，选择特征类可分性指标指标J高于0.5的肌电特征组成步态动作肌电特征组；步骤(5).对静态转换动作计算步骤2提取的10个肌电信号特征各自的特征类可分性指标，选择特征类可分性指标指标J高于0.2的肌电特征组成静态转换动作肌电特征组；所述的肌电信号特征的特征类可分性指标具体计算如下：设有肌电信号训练样本特征向量x₁,x₂,...x_K，其中K_i个属于类别ω_i，即K_i为第i类的样本数，记为C为总类数，K为总样本数，记ωi类的肌电均值向量为mi，有记所有类肌电特征的均值向量为m，有肌电信号特征各自的类间离散矩阵SB与类内离散矩阵SW,公式如下：然后计算tr(SB),tr(Sw)分别表示矩阵SB和Sw的迹，特征类可分性指标J由下式得到：