本发明属于非平稳非线性表面肌电信号处理及下肢运动动作分类的
技术领域：
：，具体涉及一种基于单通道肌电信号的人体下肢运动动作分类辨识方法。
背景技术：
：：人体肢体运动是人类日常生活活动中的重要组成部分，针对特殊人群(如偏瘫患者或老龄人群等)的日常生活活动(尤其是下肢运动如行走、站立、下蹲或坐等)，往往需要外部辅助才能顺利完成。大量学者正在从事有关动力辅助机器人系统的研究，以满足上述人群的日常生活运动辅助的需求。由于表面肌电信号(emg)可以直接表示日常生活活动的电生理反应，因此这类系统大多数是采用emg信号作为信号源。肌电信号是一种复杂的非平稳非线性的生理电信号，可以表征人体肌肉收缩过程中神经肌肉系统的生理活动。基于emg信号的生物反馈与下肢运动的关系的是动力辅助机器人系统关注的重点。因此，提出一种鲁棒的基于emg信号下肢运动动作的分类方法是非常必要的。运动单元通常包括运动神经元和运动神经元支配的骨骼肌纤维。肌肉收缩的力量是由激活的运动单元的数量来调节，而测量获取的任意单一肌肉群处的emg信号均是由多个运动单元的激活和大量的噪声叠加形成的。因此，emg信号中存在着严重的噪声污染，难以直接用其进行分类。传统的方法是利用emg信号的时间和频率特征来检测不同的膝盖运动模式，例如平均绝对值(mav)、均方根(rms)、过零率(zc)、平均频率(mnf)和中值频率(mdf)。emg信号的频率是随时间变化的，而传统的分析方法无法准确地描述其时间依赖性，为了解决这一问题，后续的研究提出了一些emg信号特征提取模型，包括傅里叶变换(ft)、小波变换(wt)、自回归(ar)和功率谱估计(pse)。小波变换考虑了信号的时频域特征，其在大多数情况下的分类准确率都比傅里叶变换等高。许多研究表明了emg特征提取中的小波分析在模式识别方面的许多优点且在emg运动状态分类中已经有了广泛的应用，但是很少有将其用在单个emg通道的膝关节运动状态分类中。申请号为201610326948.5的中国专利公开了一种用于人体下肢表面肌电信号的辨识方法，该方法公开了肌电信号的预处理方法(包括工频干扰滤波、基线漂移滤波和高斯白噪声滤波三种方法)，以及特征提取算法(小波变换和奇异值分解相结合)。该专利申请提出的肌电信号的辨识方法，并未与实际应用紧密结合，也不能直接用于信号源为单一通道下肌电信号的人体下肢运动动作分类辨识。技术实现要素：本发明的目的，就是针对上述问题，提供一种基于小波变换和奇异值分解的特征提取方法，用于对单通道emg信号条件下不同下肢运动动作(行走支撑、行走摆动、腿部伸展和腿部弯曲)进行分类。本方法采用的emg信号来源于下肢内侧肌的肌肉，用于从所有下肢肌肉群组织处获取的emg信号。小波变换和奇异值分解是模式识别中重要的特征提取方法，但是小波变换和奇异值分解结合的方法用于对单通道emg信号条件下四种下肢运动动作(行走支撑、行走摆动、站立和下蹲)分类是本发明首次提出的。本发明的技术方案为：基于单通道肌电信号的人体运动动作分类辨识方法，其特征在于，包括以下步骤：s1、数据获取：通过单一肌电通道捕捉人体在特定运动动作条件下下肢肌肉群处肌电信号，得到一个单通道的肌电数据；所述肌电数据是一个时间维度上的向量s(t)，s(t)＝(x1,x2...xn)；需要特别说明的是，本方案中所提出的数据收集实验由悉尼科技大学(universityoftechnologysydney,uts)人类研究伦理委员会批准，包括14名健康且未受过训练的受试者进行三个与膝关节运动相关的实验过程，腿部伸展(简称为“坐-站”)、腿部弯曲(简称为“站-坐”)、行走支撑和行走摆动，同时监测并记录来自检测到的腿内侧肌肉的emg信号，信号的采样率为1khz。实验在两个独立的实验范式下进行，即“起立-坐下”实验范式和“行走”实验范式。被试随机的进行这些运动过程。实验要求被试每个动作保持一秒的运动间隔，每两个动作之间有五秒的休息时间。每次运动反复的进行五次，避免被试因随机误差导致的实验不规范。对于“起立-坐下”，被试随机的从站或坐开始运动。此外，这个不同运动阶段之间有15分钟的休息时间。在实验过程中，提出了一种音调定时的方法，该定时遵循自动音调，每个运动中动作的开始与听觉音的开始匹配，以便提醒其开始和停止其运动。通过两个运动阶段，我们获得了四种类型的emg数据集。s2、对获取的肌电数据进行预处理：s21、用截止频率为20hz的高通滤波器对步骤s1获得的肌电数据进行滤波；s22、将人体下肢运动动作分为腿部伸展、腿部弯曲、行走支撑和行走摆动四类，获取上述四类动作的单一通道肌电数据；s23、重复上述步骤获取多个目标在所述四个不同动作下的肌电数据，并将所有相同动作下获得的数据段作为一组数据，得到四类动作状态的数据，该数据能表征上述四类人体下肢运动动作，具有统计学差异；s3、小波变换：对步骤s22中获得的每组数据的样本分别应用五级小波变换算法，分解为cd1、cd2、cd3、cd4、cd5和ca5，每个分量的对应频带为256～512hz、128～256hz、64～128hz、32～64hz、16～32hz；can，，n＝1,2,…,5，代表的是信号的低频成分，cdm，m＝1,2,…,n，代表的是信号的高频成分；s4、奇异值分解：对步骤s3中获得的每一层小波系数进行奇异值分解，将其压缩成一个特征参数，以得到更加简单有效的特征输入，最终获得的特征矩阵为：其中，i是运动动作的样本数，j是每个样本得到的特征维数；s5、以步骤s4中获得的特征矩阵为样本，采用支持向量机对特征样本进行训练，并生成支持向量机分类器用于对人体运动动作分类辨识。大多数emg信号分类方法都只考虑了时域或者频域的信息，这样得到的特征的信息相对较少，不能有很好的分类效果，而基于时频域信息的小波变换可以将信号分解成不同的尺度，并从时域和频域提取更多的信息。奇异值分解在提取重要的特征方面具有很好的效果。本发明提出了一种小波变换和奇异值分解相结合的方法。提取每个运动状态信号的时间和频域信息，然后对每一层的小波系数进行奇异值分解，得到可用于有效分类的特征。多分类问题可以看成是多个二分类问题，我们使用了经典的支持向量机(supportvectormachine，svm)分类器进行分类。进一步的，所述步骤s5中，生成支持向量机分类器用于对人体运动动作分类辨识的具体方法为：先采用第一支持向量机分类器将人体运动动作分为站立和行走两类，站立类包括腿部伸展和腿部弯曲，行走类包括行走支撑和行走摆动；再采用第二支持向量机分类器对站立类进行辨识，区分腿部伸展(从坐到站)和腿部弯曲(从站到坐)两类动作，采用第三支持向量机分类器对行走类进行辨识，区分行走支撑和行走摆动两类动作。更进一步的，所述步骤s1中，单通道的肌电信号的具体定义为：与日常下肢运动动作(包括腿部伸展(从坐到站)、腿部弯曲(从站到坐)、行走支撑和行走摆动)相关的某一单一下肢肢体肌肉群处获取的表面肌电信号；与日常下肢运动动作相关的下肢肌肉群包括：长收肌、股薄肌、股直肌、股外侧肌、股内侧肌、缝匠肌、股二头肌、半腱肌、半膜肌、长伸肌、趾长伸肌、胫骨前肌、腓骨长肌、腓骨短肌。所述步骤s21中，肌电信号的预处理方法具体为：(1)用截止频率为20hz的高通滤波器对步骤s1获得的肌电数据进行滤波；(2)亦可以采用如专利号为201610326948.5的中国专利中公开的肌电信号预处理方法，包括工频干扰滤波、基线漂移滤波和高斯白噪声滤波三种方法。三种滤波方法和20hz的高通滤波方法可根据信号品质条件任意组合使用，且无先后顺序要求。所述步骤s3中，小波变换算法具体不局限于五层分解，亦可包括二层或以上小波分解分量。本发明的有益效果为，本发明基于小波变换和奇异值分解相结合的特征提取方法，根据提取到的肌电信号的小波变换-奇异值特征，然后用于对单通道emg信号条件下不同下肢运动动作(行走支撑、行走摆动、腿部伸展和腿部弯曲)进行分类。本方法采用的emg信号来源于内侧肌的肌肉，因为它主要与肌肉疲劳相关，并且对人机接口的研究具有重要意义。小波变换和奇异值分解都是模式识别中重要的特征提取方法，且在emg运动状态分类中取得了不错的效果，但是小波变换和奇异值分解结合的方法在下肢活动分类中还没有很好的相关报道。本方法首先根据角度传感器通道的数据作为参考，人工的对运动状态信号进行划分，然后对信号进行5层小波变换得到小波系数，对每一层小波系数进行svd分解作为emg信号的特征。支持向量机(svm)是最大化分类间隔的一种分类器，能够对线性和非线性数据进行很好的分类，本发明的方法采用树状的svm二分类器将多分类问题转化成多个二分类问题。与传统技术相比，本发明还具有如下优点：(1)本发明进一步针对具体的日常下肢运动动作(行走支撑、行走摆动、腿部伸展(从坐到站)和腿部弯曲(从站到坐))进行多分类辨识，公开一种基于支持向量机的四分类方法；(2)本发明进一步限定信号源为单一通道下肌电信号，所获取的肌电信号是与日常下肢运动动作(包括腿部伸展(从坐到站)、腿部弯曲(从站到坐)、行走支撑和行走摆动)相关的某一单一下肢肢体肌肉群处获取的表面肌电信号，单一通道的好处是最大化减少了设备与人体的接触性，具有较大应用前景。附图说明图1为本发明的流程图；具体实施方式下面结合附图，详细描述本发明的技术方案：本发明首先进行了下肢活动肌电信号数据采集实验。共有14名健康且未受过训练的被试参与实验，被试在数据采集之前都获得了知情同意书。在数据采集过程中，将一个电极放置在内侧肌肉组并将测角仪放置在膝关节上。datalog设备mwx8(http://www.biometricsltd.com/datalog.htm)用于肌电信号数据采集，它包括8个数字通道和4个模拟通道。一个数字通道用于监测和记录肌电信号的采集，另一个用于记录检测到的膝关节的测角数据。数据首先通过microsd卡获取并存储在mwx8内部存储器中。然后利用蓝牙适配器由实时datalog软件进行数据传输，用于本发明的离线分析。采样率为1khz。为了最小化电极与皮肤之间的阻抗，在实验前，将目标电极放置位置上的头发和死皮细胞从皮肤表面剃光。剃光后，用酒精清洗皮肤，待其干燥后将电极置于目标皮肤上。本实验电极采用双极电极(sx230)，它提供了一个具有固定电极间距离的整体电极，可以得到连续的高质量结果，并有效地限制了电极间串扰的风险。emg放大器的输入阻抗超过10,000,000m欧姆。受试者进行三个与膝关节运动相关的实验过程，腿部伸展(称为“从坐到站”)、腿部弯曲(称为“从站到坐”)和摆动(称为“行走”与“支撑”)，同时监测并记录来自检测到的腿的内侧肌肉的emg信号。实验有两个运动阶段，起立-坐下和行走。被试随机的进行这些运动过程。实验要求被试每个动作保持一秒的运动间隔，每两个动作之间有五秒的休息时间。每次运动反复的进行五次，避免被试因某些个别因素导致的实验不规范。对于起立-坐下运动，被试随机的从站或坐开始运动。此外，这个不同运动阶段之间有15分钟的休息时间。在实验过程中，提出了一种音调定时的方法，该定时遵循自动音调，每个运动中动作的开始与听觉音的开始匹配，以便提醒其开始和停止其运动。通过两个运动阶段，我们获得了四种类型的emg数据集。为了验证本发明所提出的小波变换和奇异值分解相结合的特征提取以及树状多分类svm分类器在基于单通道的下肢活动分类中的性能，以及提高分类模型的鲁棒性和对不同被试数据的泛化能力。在预处理阶段，原始肌电信号通过截止频率为20hz的巴特沃斯高通滤波器。我们忽略被试信息，根据测角数据，将表示不同的动作状态肌电信号进行分段，把所有被试的表示相同动作的肌电信号段存储在同一个数据集中，作为同一类样本。于是，我们分别得到了表征四类动作的数据集。为了得到肌电信号的时频域特征，应用五级小波分解将信号分为cd1、cd2、cd3、cd4、cd5和ca5,每个分量的对应频带为256～512hz、128～256hz、64～128hz、32～64hz、16～32hz。can(n＝1,2,…,5)代表的是信号的低频分量，cdn(n＝1,2,…,n)代表的是信号的高频分量。之后通过奇异值分解计算每个分量的奇异值，表1显示了每个分量的奇异值的平均值和方差值。基于这些结果进行方差分析，表明下肢运动中这六个成分具有明显的不同。表1每个分量的奇异值的平均值和方差值table3.themeanandstdresultsoftime-frequencyfeaturesbywt-basedsvdapproachbasdeonexperimentaltrallsfromallparticipantsonthevastusmedialismuscle.为了对四类不同的运动状态的特征进行分类，我们采用树状的基于径向基核函数的支持向量机分类器。根节点处的svm分类器区分起立-坐下和行走这两个运动阶段，两个叶节点处的svm分别区分从坐到站、从站到坐和行走、支撑。统计所有的svm分类器的错误样本，作为总的错误率。实验一共收集了260次运动片段，其中从坐到站40次，由站到坐40次，行走90次，支撑90次。为了使所得结果更加稳定，本发明采用5折交叉验证的方式，并将迭代50次的平均结果作为最终结果。具体地，样本被随机的分成5组，保留一个子集作为验证数据，剩下的四个子集用于训练，五个子集中都要用于验证数据。基于这种方法，得到的最终的分类准确率为91.85％±0.88％。。当前第1页12当前第1页12