基于支持向量机的表面肌电信号多类手部动作识别方法
【技术领域】
[0001] 本发明涉及一种基于支持向量机的表面肌电信号多类手部动作识别方法，属于模 式识别技术领域。
【背景技术】
[0002] 特征提取对于肌电信号模式识别问题的最终识别率有着至关重要的影响。肌电信 号特征可以分为时域，频域，时频域三种，其中时域特征包括一些基于信号幅值的特征，频 域特征包括一些基于信号功率谱的特征，而时频域特征包括一些经过小波分析技术提取出 的特征。时域特征存在对非静态信号不鲁棒，对信号幅值变化较为敏感等缺陷，频域特征存 在对经过一些预处理步骤（如全波校正）后的信号不鲁棒的缺陷，此外一些文献表明单一 频域特征性能较差。本文通过构建包括时域，频域和时频域特征的高性能混合多特征集，来 克服不同域单一特征的固有缺陷。
[0003] 多通道肌电信号提取出的多特征集会存在高维度的特性，维度过高会导致模型推 广能力的下降，同时极大地增加计算负载。一般通过特征降维来解决数据维度过高的问题， 常见的数据降维方法主要分为三类：特征选择，特征映射和特征聚类。特征选择试图从原特 征集中选取一个更具有代表性的特征子集，特征映射通过将特征从原始高维空间映射到一 个低维空间来降低特征维度，特征聚类从原始特征产生多个聚类，用聚类质心的来取代原 始特征集，作为一种新的低维度表述形式。本文通过一种基于互信息的最小冗余最大相关 性特征选择方法来完成特征空间降维。
[0004] 模式识别方法的选择同样在很大程度上影响肌电模式识别问题的最终准确率。已 有工作表明支持向量机在肌电模式识别方面有着较好的性能。在对Atzori等人发布的 NinaPro数据集基准测试结果中，非线性支持向量机是多种线性和非线性分类器中唯一一 种能够在变换特征情况下依然能够持续获得高识别率的分类器。国内已有涉及支持向量机 进行肌电模式识别的发明，大多使用较为经典的线性核、径向基核、多项式核、sigmoid核等 等核函数。ijstiiri等人提出了一种基于皮尔逊VII函数的广义核函数，本发明通过使用皮 尔逊VII广义核函数，在一定程度上提高了识别准确率。
【发明内容】
[0005] 本发明的目的在于针对现有技术的不足，提供一种基于支持向量机的表面肌电信 号多类手部动作识别方法，通过构建一种新型特征集和引入皮尔逊VII广义核函数，提高 了手部动作识别的准确性。
[0006] 本发明的目的是通过以下技术方案来实现的：一种基于支持向量机的表面肌电信 号多类手部动作识别方法，包括如下步骤：
[0007] (1)数据获取，预处理，分割，训练集测试集的划分，包括以下子步骤：
[0008] (1. 1)获取多通道肌电数据；
[0009] (1. 2)对数据进行平滑滤波；
[0010] (1· 3)使用100ms，150ms，200ms，250ms四种长度的采样窗口对数据进行采样分 害J，其中采样窗口的移动步长为窗口长度的25%;
[0011] (1. 4)根据评估方法，将数据样本划分为训练集和测试集；
[0012] (2)特征提取，归一化和自动特征选择，包括以下子步骤：
[0013] (2. 1)对每个采样窗口内的数据，提取一种多特征的特征集；
[0014] (2. 2)对特征进行归一化处理；
[0015] (2. 3)应用基于最小冗余最大相关性（MinimumRedundancyMaximum Relevance,MRMR)准则的自动特征选择算法进行特征选择；
[0016] (3)基于皮尔逊VII广义核支持向量机的多类手部动作识别，包括以下子步骤：
[0017] (3. 1)设计基于皮尔逊VII广义核（PearsonVIIUniversalKernel，PUK)的支 持向量机分类器；
[0018] (3. 2)使用训练集数据样本，展开网格搜索参数优化过程，搜索最优的分类器参 数；
[0019] (3. 3)使用步骤3. 2得到的最优分类器参数和所有的训练集数据样本，训练分类 丰旲型；
[0020] (3. 4)将测试集数据样本依次输入分类模型，输出分类结果。
[0021] 进一步地，步骤1. 1中，数据来源为NinaPro开源数据集1内的10通道肌电数据。
[0022] 进一步地，步骤1. 2中，使用50毫秒长度的窗口对数据进行均值平滑滤波。
[0023] 进一步地，步骤2. 1中的特征集包含19种特征，它们是：信号幅值的绝对值之和 (IEMG)，信号幅值的绝对平均值（MAV)，改进信号幅值的绝对平均值1 (MMAV1)，改进信号幅 值的绝对平均值2 (MMAV2)，信号均方根（RMS)，估计肌肉收缩力非线性检测器（v-order)， 估测肌肉收缩力的对数检测器（LOG)，波形长度（WL)，幅值平均变化值（AAC)，波形长度标 准差（WL-DASDV)，Willison幅值（WAMP)，自回归系数（ARC)，绝对平均值斜率（MAVSLP)，功 率谱的平均功率（MNP)，Daubechiesl小波变换边界（MDWT-DB1)，基于Daubechiesl小波的 多分辨率小波分析（MRWA-DB1)，小波包变换后信号的均值（DWPT-MEAN)，小波包变换后信 号标准差（DWPT-SD)，自回归余数残差29种统计量（ARR-29)。
[0024] 进一步地，步骤2. 2中对训练特征集和测试特征集采用不同的特征归一化方法：
[0025] 对训练特征集的归一化方法为，用训练特征集每一列减去其自身的均值并除以其 方差；
[0026] 对测试特征集的归一化方法为，用测试特征集样本每一列减去训练特征集对应列 的均值并除以训练特征集对应列的方差；
[0027] 其具体公式为：
[0028]
[0029]
[0030] 其中train为训练集，test为测试集。
[0031] 进一步地，步骤2. 3中所述基于最小冗余最大相关性准则的自动特征选择算法， 其基本原理为：
[0032] 设存在一个特征子集S，S中每一列特征^到类标签c的依赖性D定义为：
[0033]
[0034] S中特征两两之间的冗余R定义为：
[0035]
[0036] 上述公式中，I为互信息，两个离散变量X和Y之间互信息的计算公式为：
[0037]
[0038] 最小冗余最大相关性特征选择算法试图找到一个特征子集S，其满足拥有最大的 依赖性D，最小的冗余R，即满足：
[0039] maxΦ(D，R)，Φ=D-R
[0040] 实际的手势识别实验中，根据"在整个分类模型训练过程中测试集信息始终保持 未知"的模式识别原则，对训练特征集和测试特征集的特征选择使用不同的策略，具体步骤 为：
[0041] 对训练特征集的特征选择，主要是应用基于最小冗余最大相关性准则的自动特征 选择算法，选取最优的N维子集S。将子集中每一维特征对应于原始特征集中的序号保存下 来；
[0042] 对测试特征集的特征选择，直接应用对训练集特征选择时保存下来的序号。
[0043] 进一步地，步骤3. 1具体为：采用皮尔逊VII广义核函数作为支持向量机的核函 数，对于支持向量机的具体原理描述如下：
[0044] 对于η个样本的训练样本集D= {(Xi,y;)| Rp,乃e{-1，1}}二，其中Xi为一个 训练样本，yi为样本χ标签；
[0045] 设变换Φ(·)将输入空间映射到特征空间上，将数据分成两类的线性超平面可以 定义为：
[0046] ωXφ(x)+b= 0ωeRp,beR(1)
[0047] 支持向量机试图找到一个最优的超平面，可以最好地划分训练数据集中的两类数 据，这个优化过程等价于求解下列二次规划问题：
[0050] 其中α为拉格朗日乘子，Ce[0,①