专利名称：基于emd样本熵的表面肌电信号识别方法
技术领域：
本发明属于模式识别领域，涉及一种肌电信号模式识别方法，特别涉及一种应用于肌电假手，基于肌电信号的上肢多运动模式识别方法。
背景技术：
表面肌电信号(Surface electromyography, sEMG)是从人体骨骼肌表面通过表面肌电拾取电极记录下来的、与神经肌肉活动相关的生物电信号，其中蕴涵着很多与肢体运动相关联的信息，不同的肢体动作具有不同的肌肉收缩模式，肌电信号特征也将有所差异，通过对这些特征的分析就可以区分肢体的不同动作模式，因此，它不仅被广泛运用于临床诊断、运动医学等领域，还成为假肢控制和功能性神经电刺激的理想控制信号。随着对 肌电信号产生机理的研究，研究者们发现sEMG具有非周期、非平稳、非线性等混沌特性，近年来运用非线性指标来识别动作表面肌电信号的模式也得到了深入的研究，例如王人成等利用Hausdorff维区别了伸腕、屈腕和旋腕3个动作；胡晓等利用GP算法的信息维识别了腕正旋、腕反旋两个动作；邹晓阳、雷敏等将最大李雅普诺夫指数和多尺度分析方法结合起来，然后利用支持向量机较好的识别了人体前臂的内翻、外翻、握拳、展拳、上切和下切六类动作；澳大利亚皇家墨尔本理工大学的Naik，Genesh R. Kumar, Dinesh K等提取手部各类动作的肌电信号的分形维特征，然后结合支持向量机识别手部各个动作，取得了较高的识别率等。这些非线性算法都很好的解决了肌电信号的特征提取问题，然而这些特征提取方法需要长时间稳定的sEMG信号，抗噪能力较弱，对肌电假手就不能很好的实时控制。
发明内容
为实现对残肢患者手腕运动模式的正确识别，快速精准的控制肌电假手，本发明提出了一种基于经验模态分解(Empirical mode decomposition, EMD)样本熵的肌电信号识别方法。首先从相关肌肉组上采集相应的表面肌电信号，然后运用能量阈值确定sEMG的动作信号进行经验模态分解(EMD)，依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的内蕴模式函数(Intrinsic Mode Function, IMF)分量求和作为有效肌电信号，求取样本熵，然后将样本熵作为特征向量输入主轴核聚类分类器，实现肌电信号的上肢多运动模式识别。为了实现以上目的，本发明方法主要包括以下步骤
步骤(I).获取人体上肢肌电信号样本数据，具体是首先通过肌电信号采集仪拾取人体上肢肌电信号，再运用能量阈值确定动作的起始位置和终止位置作为动作肌电信号。步骤(2).将步骤(I)获取的sEMG动作信号进行经验模态分解，然后依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的MF分量进行迭加作为有效肌电信号。所述经验模态分解(EMD)，具体算法如下
EMD是一种自适应的信号处理方法，非常适合处理非线性非平稳信号，它基于一个基本的假设条件，即所要分析的信号是由许多不同的内蕴模式函数相互叠加而成。不同时间尺度的各种模式将会根据其自身的特征尺度进行分解，分解后的每种模式是相互独立的，在连续的过零点间不存在其他极值点。所以每一个IMF都要满足以下两个判断条件整组IMF数据中极值点和过零点的数目相等或最多相差I ;信号的局部极大值包络线和局部极小值包络线的均值为O。对信号蝴,用EMD分解成各MF步骤为
(1)首先确定信号的所有极值点，包括极大值点和极小值点。然后对所有极大值点和所有极小值点分别用三次样条插值曲线连接起来，这样便确定信号的上包络线~(幻和下包络线XiswW ,记上、下包络线的均值为《U (X)。则
mU(O = (^Ci) + (O) 12(I)
(2)用信号X⑩减去上、下包络线的均值,即
S11(I) = X(I) - W11 (O(2)
此时看suW是不是满足MF的两个条件，满足则把％( )赋给;不满足则把S11W看作原始信号在重复以上过程，直至JT次循环后得到的％⑷满足頂F的两个条件，并记
C1 if) = Sik { ·)(3)
(3)记剩余信号=,将其作为新的序列，重复上面步骤，直至提取出所有的MF。此时原始信号最终分解为《个MF和一个剩余分量。记
^)=2^.(0+^(0 ⑷
J=I
式中Cj(S)为第个MF分量；rjt)为余项。信号在分解的过程中保留了原来的特性，这些MF分量频率从大到小，包含着不同的特征时间尺度，将信号的特征信息在不同的分辨率下表现出来，从而可以选取信号的MF分量组成新的特征信息。所述频率有效度方法，具体算法如下
为了自适应的选取前若干个IMF分量，本发明采用了基于瞬时频率的有效信息统计
法，定义第i层的内蕴模式分量IMFi的频率有效度马=V 。其中，％为丽i中瞬时频率
落在2(Γ350范围内的点数h力总的信号采样点数，Si表示在指定频率段的有效信息量。由于EMD分解的各层IMF分量的频率逐层减小，它们的频率有效度也各不相同，因而通过设定频率有效度马的值可以选取不同的前若干个MF分量。步骤(3).将步骤(2)获取的肌电信号进行特征提取，求取其样本熵作为肌电信号特征。所述样本熵，具体算法如下
样本熵是在近似熵的基础上，RiChman提出的一种改进的时间序列复杂度测量方法。本发明采用了快速样本熵，其计算步骤如下
(I)设有效肌电信号时间序列 }含有i/个数据，分别为· (1) , x(2) - -. x(N)。(2)将序列( }按顺序组成一组,w维矢量，
权利要求
1.基于EMD样本熵的表面肌电信号识别方法，其特征在于该方法包括如下步骤 步骤(I).获取人体上肢肌电信号样本数据，具体是首先通过肌电信号采集仪拾取人体上肢肌电信号，再运用能量阈值确定动作的起始位置和终止位置作为动作肌电信号；步骤(2).将步骤(I)获取的动作肌电信号信号进行经验模态分解，然后依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的内蕴模式函数分量进行迭加作为有效肌电信号；具体如下 1)对肌电信号,用经验模态分解，分解成各内蕴模式函数分量之后，如下式所示； ^')=^€//)+ φ) /=1 式中c/0为第个内蕴模式函数分量；(O为余项； 2)为了自适应的选取前若干个内蕴模式函数分量，设计基于瞬时频率的有效信息统计法，定义第i层的内蕴模式分量的频率有效度Si =HiSn ;其中，％为MFi中瞬时频率落在2(Γ350范围内的点数，η为总的信号采样点数，Bi表示在指定频率段的有效信息量；由于经验模态分解的各层内蕴模式分量的频率逐层减小，它们的频率有效度也各不相同，因而通过设定频率有效度马的值可以选取不同的前若干个内蕴模式分量； 3)依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的内蕴模式函数分量进行迭加作为有效肌电信号； 步骤(3).将步骤(2)获取的有效肌电信号进行特征提取，求取其样本熵作为肌电信号特征； 步骤(4).以步骤(3)所求得的样本熵作为特征向量输入基于主轴核聚类算法的聚类分类器，获得识别结果； 所述的主轴核聚类算法的聚类分类器设计如下 根据肌电信号样本熵分布特征，设计基于样本和核的相似性度量的算法一主轴核聚类算法，具体是 设一个J维矢量样本集Z =( /-，类别数为e，定义主轴核函数为K-j (^. = ^ J — 1,2,-- ■ ,C 式中Vj' = (Ui^ti),设％为第头的子集，则式为子集％的均值，Si为％的协方差矩阵,轴％=(' “')是样本协方差矩阵爲的七个最大特征值所对应的本征向量系统，其中七表示j类动作的维数； 任一样本X与一个轴％之间的相似程度可以用ζ与μ头主轴之间的欧氏距离的平方来度量 L2 (x,Kj-) = [(J - Uj) - Uj-U](x-Uj)f [(J-Uj) - U/J] Cx- .)] 式中4是巧类样本的均值向量；任一样本 与某个类主轴的欧氏距离不受特征量纲选取的影响，并且平移不变，而且也反应了特征的相关性；通过对训练数据的聚类分析，用已知动作训练集分别求取的每个动作的主轴核函数为相应类的聚类主轴，每个聚类主轴都是一个rf维矢量；如果给定矢量属于第J类，那么它到第J类聚类主轴的欧氏距离最小；因此，如果要判定矢量属于哪一类，只要计算它到哪一类聚类主轴的欧氏距离最小即可。
全文摘要
本发明提出了一种基于EMD样本熵的表面肌电信号识别方法。本发明首先从相关肌肉组上采集相应的表面肌电信号sEMG，然后运用能量阈值确定sEMG的动作信号进行经验模态分解，依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的内蕴模式函数分量进行迭加作为有效肌电信号，求取样本熵，最后将样本熵作为特征向量输入基于主轴核聚类算法的聚类分类器，实现肌电信号的上肢多运动模式识别。本发明中样本熵能够从较短的时间序列中揭示动作表面肌电信号的复杂性，很好的表现肌电信号的细微变化情况，抗干扰能力强，算法简单，计算速度较快，特别适合肌电信号的实时处理。
文档编号A61B5/0488GK102961203SQ20121052701
公开日2013年3月13日 申请日期2012年12月10日 优先权日2012年12月10日
发明者席旭刚, 朱海港, 罗志增, 张启忠, 佘青山 申请人:杭州电子科技大学