基于ga-bp神经网络下肢平地行走步态识别方法
【专利摘要】本发明公开了一种基于GA-BP神经网络下肢平地行走步态识别方法。本发明首先对采集到的下肢连续平地行走动作的四路表面肌电信号进行消噪滤波和时域特征值提取，得到其特征向量样本集。然后用GA对BP神经网络进行优化，得到BP神经网络误差最小的一组完整初始权值和阈值。最后将提取的特征值随机分成训练样本和测试样本两组，并用训练样本来训练GA优化之后的BP神经网络；用测试样本输入训练好的BP神经网络分类器，进行识别分类。采用本发明使得肌电信号的时域特征容易提取、特征明显、具有良好表达能力。
【专利说明】基于GA-BP神经网络下肢平地行走步态识别方法
【技术领域】
[0001]本发明涉及一种人体运动模式识别方法，特别涉及基于下肢平地行走时肌电信号特征值的GA-BP神经网络步态识别的方法。
【背景技术】
[0002]步态体现出下肢行走运动的姿态，是下肢行走状态统称。它与人体结构与功能、运动协调组织、行为及心理活动都有着重要的关系，是人体生命活动中最基本的动作。常步态(normal gait)是指健康人体下肢有自己感觉最自然、最舒适的姿态行走时的步态，它具有周期性以及协调和均衡的特点。
[0003]人体表面肌电信号是一种低频的微弱生物信号，在本质上是一种具有非平稳、非高斯特性的生理信号，在拾取、调理、采集过程中，不可避免地会引入许多干扰，通过合适的信号消噪、特征值提取和模式识别方法可区分下肢平地行走的步态。
[0004]人体下肢步态模式识别方法的研究从上世纪90年代开始，取得了许多成果。例如Mumse与Saka提出了一种时空相关匹配的方法用于区别不同的步态；南安普顿大学的Foster等提出采用区域度量的方法解决步态识别问题。随着人工神经网路的发展，国内有人使用神经网络对肌电信号提取出的特征值进行分类，最后得到了较好的效果。然而现在大部分方法的共同理论基础是经典统计学，采用的是研究样本数目趋于无穷大时的渐进理论。然而在实际问题中，样本数目往往有限，故这些在理论上有显著长处的分类方法在实际应用中的表现却可能不尽人意，例如传统的BP神经网络分类容易出现局部最小值以及分类效果不理想。本发明采用一种遗传算法优化之后的BP神经网络来更好地进行模式识别和分类。
【发明内容】
[0005]本发明就是针对传统BP神经网络分类的不足，采用GA (遗传算法)优化BP神经网络的初始权值和阈值，使优化后的BP神经网络对肌电信号提取出的特征值进行识别分类，从而提高正确识别率。
[0006]本发明的目的可以通过以下技术方案实现:
[0007]本发明包括以下步骤:
[0008]步骤1.对采集到的下肢连续平地行走动作的四路表面肌电信号进行消噪滤波和时域特征值提取，得到其特征向量样本集。
[0009]步骤2.用GA对BP神经网络进行优化，得到BP神经网络误差最小的一组完整初始权值和阈值。
[0010]步骤3.将步骤I中提取的特征值随机分成训练样本和测试样本两组，并用训练样本来训练GA优化之后的BP神经网络；用测试样本输入训练好的BP神经网络分类器，进行识别分类。
[0011]其中步骤I中四路肌电信号的消噪滤波采用空域相关滤波，具体步骤归结如下:[0012](I)对含噪信号进行离散小波变换，对采集的原始肌电信号进行5层小波分解，基小波选用双正交样条小bior 1.5，得到尺度j上位置η处的含噪信号f的离散小波变换Wf (j, η)。
[0013](2)求取各尺度与其相邻尺度的相关系数Corr2 (j, n) = Wf (j, n) Wf (j+1, η)。
[0014](3)将C0rr2(j，n)归一化到Wf(j，n)的能量上去，得到归一化后的相关系数NewCorr2 (j, η)。计算方法为:
【权利要求】
1.基于GA-BP神经网络下肢平地行走步态识别方法，其特征在于该方法的具体步骤是: 步骤1.对采集到的下肢连续平地行走动作的四路表面肌电信号进行消噪滤波和时域特征值提取，得到其特征向量样本集； 步骤2.用GA对BP神经网络进行优化，得到BP神经网络误差最小的一组完整初始权值和阈值； 步骤3.将步骤I中提取的特征值随机分成训练样本和测试样本两组，并用训练样本来训练GA优化之后的BP神经网络；用测试样本输入训练好的BP神经网络分类器，进行识别分类。
2.根据权利要求1所述的基于GA-BP神经网络下肢平地行走步态识别方法，其特征在于:步骤I中的消噪滤波采用空域相关滤波，具体是: (1)对含噪信号进行离散小波变换，对采集的原始肌电信号进行5层小波分解，基小波选用双正交样条小bior 1.5，得到尺度j上位置η处的含噪信号f的离散小波变换Wf (j, η)； (2)求取各尺度与其相邻尺度的相关系数
3.根据权利要求1所述的基于GA-BP神经网络下肢平地行走步态识别方法，其特征在于:步骤I中时域特征值提取为积分肌电值和绝对值方差，两个特征值的定义及提取如下: 积分肌电值Xiallg,其计算式为:
4.根据权利要求1所述的基于GA-BP神经网络下肢平地行走步态识别方法，其特征在于:步骤2所述的用GA对BP神经网络进行优化，具体是: (1)种群初始化:个体编码方法为实数编码，每个个体均为一个实数串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4部分组成；个体包含了神经网络全部权值和阈值，在网络结构已知的情况下，就可以构成一个结构、权值、阈值确定的神经网络； (2)适应度函数的确定 根据个体得到BP神经网络的初始权值和阈值，用训练数据训练BP神经网络后预测系统输出，把预测输出和期望输出之间的误差绝对值和E作为个体适应度值F，计算公式为:
5.根据权利要求1-4中任一项所述的基于GA-BP神经网络下肢平地行走步态识别方法，其特征在于:步骤2和步骤3中所述的BP神经网络即误差反向传播的神经网络，其算法基本思想是梯度下降法；它采用梯度搜索技术，以期使网络的输出值与期望输出值的误差均方值为最小；对优化之后的BP神经网络进行训练，以方差值样本为例，用于训练BP网络包括输入层神经元、隐含层输出神经元和输出神经元； BP网络的训练过程如下:正向传播是输入信号从输入层经隐含层传向输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传播； 网络学习算法如下: (O前向传播:计算网络的输出 Wij为输入层第i个神经元和隐含层第j个神经元的联接权值，Xi为输入层第i个神经元向输出层第j个神经元的输出，隐含层神经元的输入Xj为所有Xi的加权之和:
【文档编号】G06K9/00GK103699873SQ201310433056
【公开日】2014年4月2日 申请日期:2013年9月22日 优先权日:2013年9月22日
【发明者】马玉良, 马云鹏, 佘青山, 张启忠, 孟明 申请人:杭州电子科技大学