基于lda算法的表面肌電信號識別方法
【專利摘要】本發明公開了一種基于LDA算法的表面肌電信號識別方法，用以識別多達八類的抓握手勢。本發明百先僅利用兩枚肌電電極從受試者前臂相關肌肉處采集相應手勢的表面肌電信號，然后以重疊加窗的方式分割原始肌電信號，從各個窗中提取絕對均值(MAV)、方差(VAR)和4階AR系數作為原始肌電特征;再利用LDA算法對原始肌電特征進行降維，最大限度地去除冗余信息并保留有用信息，獲得降維后特征;然后對前后相鄰窗口的降維特征求平均值，再輸入LDA分類器，實現八類抓握手勢的有效識別。本發明針對多類手勢的肌電信號識別率高，且整個信號處理過程計算簡單，耗時少，滿足肌電控制系統的實時性要求。
【專利說明】基于LDA算法的表面肌電信號識別方法
【技術領域】
[0001]本發明涉及模式識別領域，特別涉及在多類抓握手勢的情形中，對表面肌電信號的判斷識別，可應用于控制肌電假手以及其他人機交互接口。
【背景技術】
[0002]表面肌電信號(surface electromyography, sEMG)是一種與神經肌肉活動相關的生物電信號。當運動指令經由神經中樞系統傳導至相關肌纖維時，會引起肌纖維上電位變化并發生肌纖維的收縮，該電位變化在皮膚表面處發生時間和空間上的疊加而形成表面肌電信號，可通過表面肌電電極采集下來。表面肌電信號包含了肌肉收縮的模式以及收縮強度等信息，不同的肢體動作對應不同的肌電信號，通過分析表面肌電信號就可以判別出該信號所對應的具體動作模式。因此表面肌電信號被廣泛運用于醫學診斷、運動康復等領域，尤其在仿人型肌電假手控制中，表面肌電信號作為控制源驅動假手做出各種抓握手勢獲得了廣泛的研究和關注。例如Huang等采用方差、過零點數、AR模型系數和譜估計作為特征，利用BP網絡嘗試識別8類手勢:三指捏取、側邊捏取、鉤取、強力抓取、圓柱抓取、中心抓取、手掌伸展和腕部彎曲，獲得離線測試平均85%的識別率和在線測試平均71%的識別率。楊大鵬僅使用波形長度(W/L)作為肌電特征，利用SVM識別成功識別了圓柱抓取、球形抓取、側別捏取和三指捏取四類抓握手勢，獲得在線95%以上的識別率。Matixme等利用反問PCA算法較好地識別了強力抓取、三指捏取和側邊捏取三類手勢，獲得平均94%的識別率。可見在手勢類別較少時，識別率較高；手勢類別較多時，識別率下降的較多。因此有必要探索一種能夠以較高識別率準確識別多類抓握手勢的肌電識別算法。

【發明內容】

[0003]針對上述技術問題，本發明旨在至少在一定程度上解決上述技術問題。
[0004]為了以較高的識別率準確識別八類抓握手勢，包括圓柱抓取、鉤取、側邊捏取、指向、球形抓取、三指捏取、精確捏取和放松姿態，本發明提出了一種基于LDA算法的肌電信號判別方法。百先利用兩枚模塊式雙極差分電極從相應的前臂肌肉上采集表面肌電信號；然后以重疊加窗的方式分割原始肌電信號，從各個窗中提取絕對均值(MAV)、方差(VAR)和4階AR系數作為原始肌電特征；再利用LDA算法對原始肌電特征進行降維，最大限度地去除冗余信息并保留有用信息，獲得降維后特征；然后對前后相鄰窗口的降維特征求平均值，再輸入LDA分類器，實現八類抓握手勢的有效識別。
[0005]本發明采用如下技術方案:
[0006]基于LDA算法的表面肌電信號識別方法，該方法包括如下步驟:
[0007]步驟1，清潔皮膚，刮除所選肌肉處表皮的汗毛，用清水洗凈并用棉簽蘸取醫用酒精擦拭皮膚；
[0008]步驟2，采集受試者前臂表面肌電信號，受試者做出圓柱抓取、鉤取、側邊捏取、指向、球形抓取、三指捏取、精確捏取和放松姿態八類抓握手勢，使用兩枚肌電電極獲取各手勢的肌電數據并存儲。
[0009]步驟3對肌電信號進行加窗分割，對各手勢原始肌電數據采用重疊加窗的方式進行分割，得到窗口樣本。此處窗口長度定義為250ms，窗口增量為50ms。
[0010]步驟4，計算窗口樣本的肌電特征，選擇絕對均值、方差和4階AR系數計算窗口樣本的肌電特征，所述絕對均值、方差和4階AR系數計算公式分別如下:
【權利要求】
1.基于LDA算法的表面肌電信號識別方法，其特征在于，該方法包括如下步驟:步驟1，清潔皮膚，刮除所選肌肉處表皮的汗毛，用清水洗凈并用棉簽蘸取醫用酒精擦拭皮膚；步驟2，采集受試者前臂表面肌電信號，受試者做出圓柱抓取、鉤取、側邊捏取、指向、球形抓取、三指捏取、精確捏取和放松姿態八類抓握手勢，使用兩枚肌電電極獲取各手勢的肌電數據并存儲。步驟3，對肌電信號進行加窗分割，對各手勢原始肌電數據采用重疊加窗的方式進行分割，得到窗口樣本。此處窗口長度定義為250ms，窗口增量為50ms。步驟4，計算窗口樣本的肌電特征，選擇絕對均值、方差和4階AR系數計算窗口樣本的肌電特征，所述絕對均值、方差和4階AR系數計算公式分別如下:絕對均值:MAV方差:=4 階 AR 系數:X1 = I|=: τ Wi其中N=250，為窗口內數據點個數，ak(k=l，2，3，4)為AR系數，Wi為白噪聲殘差;步驟5，對肌電特征進行降維處理，利用LDA算法對求得的肌電特征列向量進行降維處理；步驟6，求取各手勢降維后的特征列向量的平均值，作為在降維后的向量空間中，表征該手勢的類別向量； 步驟7，計算來自測試數據的一個窗口樣本的肌電特征并進行降維處理，輸入分類器中比較其與步驟6中各手勢類別向量的歐氏距離，來判斷該肌電特征屬于何種手勢。
2.根據權利要求1所述的基于LDA算法的表面肌電信號識別方法，其特征在于:所述降維處理基于尋找一個合適的投影矩陣W，使原始數據集M(PXq)經過W變換后得到在新坐標系空間下的表示，能有效減少原始數據集的維數，并較好地區分開原始數據集中的不同類數據，具體步驟為:步驟501，計算類間散列矩陣SwIl-Sw = If,； ILlinT - uJ (?；步驟502，計算類內散列矩陣Sb = Efsrl MlCul-1iXu,- Uj1步驟503，計算投影矩陣Wdgf.W * W;喜.隱 'iiiii1- _?_irt 靜上述三式中,C表示數據的類別，Ni表示每一類別的樣本數,IHj表示每一類中各個數據，是一個列向量，Ui表示各類別的平均值，u表示所有類別數據的總平均值。在求解投影矩陣W的過程中，首先求出S/SB的特征值，按降序排列后然后取前K個特征值對應的特征向量組成W矩陣即可；步驟504，將原始數據集經過矩陣W進行投影變換V=WtM式中Y(RXS)為投影后得到的新矩陣，其各列數據的維數由P降至R(R≤p，R≤C-1)。
3.根據權利要求2所述的基于LDA算法的表面肌電信號識別方法，其特征在于:所述肌電特征降維維數為7維。
【文檔編號】G06K9/62GK103440498SQ201310365328
【公開日】2013年12月11日 申請日期:2013年8月20日 優先權日:2013年8月20日
【發明者】王念峰, 陳雨龍, 張憲民 申請人:華南理工大學