一种基于共模型成分分析的零再训练方法
【技术领域】
[0001] 本发明属于生物信息技术领域，具体涉及一种基于共模型成分分析的零再训练方 法。
【背景技术】
[0002] 肌电假肢手技术起源于上世纪40年代，在60年代前苏联开始有商用肌电假肢手 出现。经过近60年的发展，肌电假肢手技术取得长足的进步。但报告显示目前的商用假肢 手的接受率很低（约30%)。目前商用肌电假肢手所使用的控制方法是基于肌电幅值的简 单控制方法。这种控制方法一般将一对肌电电极置于一对拮抗肌上面用于控制一个自由度 的运动。如果要进行多自由度的控制，患者可采用co-contraction的方法进行不同自由度 间的切换。这种不自然的、序贯的控制策略用于控制多自由度灵巧假肢手具有很大的局限 性。
[0003] 从上世纪80年代学术界开始发展基于肌电模式识别的控制策略来解决这一问 题。这种控制方法使患者的动作意图与假肢手运动有更直接的对应关系。通过先进的信号 处理和模式识别算法，可以区分出多种动作模式的肌电特征，从而可用于控制多自由度灵 巧假肢手。通过提取区分性能良好的特征和设计合适的分类器，对10类以上的动作可有高 达95%的识别率。
[0004] 然而，虽然论文报道效果很好，但因实际使用的障碍这一控制策略目前还没应用 到商用肌电假肢上。在实验室开展的肌电模式识别研宄在实验中会特意让受试者保持特定 的作用力，手臂位置不变，实验时间较短。但是，这一理想情况和假肢的实际使用情况并不 符合。在肌电假肢的实际使用中，使用者动作力的变化、手臂位置的变化和长时间使用均会 造成肌电信号的变化。因此前期在理想条件下取得的研宄成果，也就无法满足实际情况的 使用要求。
[0005] 考虑不同天的假肢使用，由于如上所描述的肌电信号的变化，一般当天训练得到 的分类器模型只适用于当天的使用，前一天得到的模型很难直接应用在后一天。因此每一 天患者重新戴上假肢时都要训练分类器，这给假肢的使用造成很大不便。另一方面，虽然肌 电信号在天与天之间会发生变化，但考虑到患者仍在做同一组动作，电极位置也不会发生 显著变化，可以假设当中肌电信号存在共性，这样不同天训练得到的分类器模型就存在一 些共有成分（即不变成分）。这共有成分具有更好的泛化能力与鲁棒性，有希望能够直接适 用于不同天的肌电模式识别，从而解决每天假肢使用时都要重新训练的问题。
[0006] 因此，本领域的技术人员致力于开发一种能够实现肌电假肢控制的零再训练的方 法。
【发明内容】
[0007] 有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是利用肌电假肢前期多 个分类器模型的共有成分，实现肌电假肢控制的零再训练。
[0008] 零再训练是指肌电假肢经过前期多天的训练使用后，无需再做训练即可进行肌电 假肢的使用。
[0009] 本发明利用共模型成分分析方法，求取前期训练得到的LDA分类器模型的共有成 分，并将此共有成分构造的LDA分类器直接用于后期肌电假肢的使用，从而实现了肌电假 肢控制的零再训练。
[0010] 本发明提供的一种基于共模型成分分析的零再训练方法，用于肌电控制假肢，包 括以下步骤：
[0011] 1)肌电控制假肢经过S天的训练与使用，存储了S天LDA分类器模型；
[0012] 2)计算目标函数；
[0013] 3)采用共模型成分分析方法计算最优投影矩阵w* ;
[0014] 4)根据最优投影矩阵w*，计算S天LDA分类器模型的共有成分的参数；
[0015] 5)利用步骤4)得到的S天LDA分类器模型的共有成分的参数构造LDA分类器；
[0016] 6)从S+1天开始，使用肌电控制假肢时，采用最优投影矩阵w*对提取的特征投影， 使用步骤5)构造的LDA分类器进行识别。
[0017] 进一步地，步骤1)S天LDA分类器模型参数为（yu，I：j，i= 1，2, ? ? ?，C;j= 1，2,...，S，其中yu为各个动作类别特征样本的均值向量，2u各个动作类别特征样本的 协方差矩阵，C表示动作类别数，S表示训练天数。
[0018] 进一步地，步骤2)的目标函数，是指采用线性投影矩阵W投影后的S天LDA分类 器模型的差异性。
[0019] 进一步地，步骤2)的目标函数的计算方法如下：
【主权项】
1. 一种基于共模型成分分析的零再训练方法，用于肌电控制假肢，其特征在于，该方法 包括以下步骤： 1) 所述肌电控制假肢经过S天的训练与使用，存储了S天LDA分类器模型； 2) 计算目标函数； 3) 采用共模型成分分析方法计算最优投影矩阵w* ; 4) 根据所述最优投影矩阵w*，计算所述S天LDA分类器模型的共有成分的参数； 5) 利用步骤4)得到的所述S天LDA分类器模型的共有成分的参数构造LDA分类器； 6) 从S+1天开始，使用所述肌电控制假肢时，采用所述最优投影矩阵w*对提取的特征 投影，使用步骤5)构造的LDA分类器进行识别。
2. 如权利要求1所述的基于共模型成分分析的零再训练方法，其特征在于，步骤1)所 述S天LDA分类器模型参数为Ui」，2^.)，i= 1，2, ...，C;j= 1，2, ...，S，其中yiJ为 各个动作类别特征样本的均值向量，2u所述各个动作类别特征样本的协方差矩阵，C表示 动作类别数，S表示训练天数。
3. 如权利要求2所述的基于共模型成分分析的零再训练方法，其特征在于，步骤2)所 述的目标函数，是指采用线性投影矩阵w投影后的S天LDA分类器模型的差异性。
4. 如权利要求2所述的基于共模型成分分析的零再训练方法，其特征在于，步骤2)所 述的目标函数的计算方法如下：
其中，L(w)为用KL散度表示的目标函数，w表示线性投影矩阵；
表示对于动作类别i所述S天LDA分类器模型参数的均 值；
其中d表示投影后的S天LDA分类器模型的维数；det表示求矩阵的行列式；tr表示求矩阵的迹；||用于将前后两个正态分布的参数^1^」，'/2^)与叫>//^,1/1>^)分开 ； 当且仅当对于所有动作类别S天LDA分类器参数均相等时目标函数L(w)为0。
5. 如权利要求4所述的基于共模型成分分析的零再训练方法，其特征在于，步骤3)采 用共樽型成分分析方法计算最优投影矩阵w*的方法为：
其中wTw=I为线性投影矩阵W的正交性约束。
6. 如权利要求5所述的基于共模型成分分析的零再训练方法，其特征在于，步骤3)计 算最优投影矩阵时为满足正交性约束，采用在李群与李代数空间操作的优化算法。
7. 如权利要求1所述的基于共模型成分分析的零再训练方法，其特征在于，对于动作 类别i，步骤4)根据所述最优投影矩阵w*，所述S天LDA分类器模型的共有成分的参数为： (w#凡,14^E;>v*)，其中
f>_表示对于动作类别i所述S天LDA 分类器模型参数的均值。
8. -种基于共模型成分分析的零再训练方法，用于采用脑机接口的装置，其特征在于， 该方法包括以下步骤： 1) 所述采用脑机接口的装置，经过S天的训练与使用，存储了S天LDA分类器模型； 2) 计算目标函数； 3) 采用共模型成分分析方法计算最优投影矩阵w* ; 4) 根据所述最优投影矩阵w*，计算所述S天LDA分类器模型的共有成分的参数； 5) 利用步骤4)得到的所述S天LDA分类器模型的共有成分的参数构造LDA分类器； 6) 从S+1天开始，使用所述采用脑机接口的装置时，采用所述最优投影矩阵w*对提取 的特征投影，使用步骤5)构造的LDA分类器进行识别。
9. 如权利要求8所述的基于共模型成分分析的零再训练方法，其特征在于，步骤2)所 述的目标函数，是指采用线性投影矩阵w投影后的S天LDA分类器模型的差异性。
10. 如权利要求8所述的基于共模型成分分析的零再训练方法，其特征在于，对于动作 类别i，步骤4)根据所述最优投影矩阵w*，所述S天LDA分类器模型的共有成分的参数为：
表示对于动作类别i所述S天LDA 分类器模型参数的均值。
【专利摘要】本发明提供的一种基于共模型成分分析的零再训练方法，用于肌电控制假肢，包括以下步骤：经过S天的训练与使用，存储了S天LDA分类器模型；计算目标函数；采用共模型成分分析方法计算最优投影矩阵w*；计算S天LDA分类器模型的共有成分的参数；利用共有成分的参数构造LDA分类器；从S+1天开始，采用最优投影矩阵w*对提取的特征投影，使用构造的LDA分类器进行识别。本发明提供的零再训练方法，避免每天使用前进行训练，便于肌电假肢佩戴者的使用，节省了训练时间；采用共模型成分分析方法，求取前期训练得到的分类器模型的共有成分，将此共有成分构造的分类器直接用于后期肌电假肢的使用，从而实现了肌电假肢控制的零再训练。
【IPC分类】G06F19-00
【公开号】CN104809329
【申请号】CN201510095192
【发明人】朱向阳, 刘建伟, 盛鑫军, 张定国
【申请人】上海交通大学
【公开日】2015年7月29日
【申请日】2015年3月3日