一种基于肌电特征优化的下肢动作识别方法及系统

1.本发明属于动作识别技术领域，尤其涉及一种基于肌电特征优化的下肢动作识别方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.基于表面肌电信号的下肢动作识别技术，具有安全、实时、便捷的特点，被广泛应用于运动医学、生物医学、康复工程、智能假肢等诸多领域。
4.下肢动作识别技术通常都包括特征提取、处理和基于特征进行分类等多个阶段。例如，中国专利cn110238863b提出一种基于脑电
‑
肌电信号的下肢康复机器人控制方法及系统，利用脑电
‑
肌电相干性分析，进行3种简单的下肢动作识别。中国专利cn107092861b提出了一种基于压力与加速度传感器的下肢动作识别方法，在提取到所需特征后，采取降维处理，将48维特征降低至5维，并通过简单的svm分类器识别了6种简单的下肢动作。重庆大学自动化研究所石欣等提出了一种基于表面肌电信号的下肢运动特征提取与分类方法，通过简单的特征融合，利用semg离线识别了5种简单的下肢动作。
5.包括以上实现方法在内的现有技术中，下肢动作相应肌电信号的特征处理过程中，一部分研究人员对特征进行降维处理，导致在降低特征冗余度的同时会丢失部分有效特征，虽然能减少数据量、提高识别速度，但会使动作的区分度降低，识别率下降；一部分研究人员对提取到的特征不作处理，进行简单的特征融合后，输入分类器识别，虽然保留了全部有效信号，但是会导致识别速度慢、延迟高、时效性差，不具备实际的推广应用价值。在分类器训练模型过程中，部分人员利用最原始的支持向量机，进行简单的分类，不具备参数寻优的过程，识别率得不到保障，而通过遗传算法来进行参数寻优，可以获得较好的参数，识别率得到一定提升，但传统遗传算法选择算子易陷入局部最优解，适应性差，不宜用于实际的动作识别。


技术实现要素：

6.为克服上述分类方法识别率低、适应性差、实际应用价值不高的缺点，本发明提供了一种基于肌电信号特征优化的下肢动作识别方法及系统，引入了基于肌肉与运动相关度的加权特征优化算法，在降低特征冗余度的同时保留尽可能多的有用信息，在提高识别速度的同时提高了识别率。
7.为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
8.一种基于肌电特征优化的下肢动作识别方法，包括以下步骤：
9.实时获取下肢动作对应的多个肌电信号；
10.对所述多个肌电信号，分别进行主特征段信号提取；
11.对每个主特征段信号，分别进行特征提取，并根据肌电信号能量与动作之间相关
度进行特征优化；
12.将优化后的多个特征融合得到特征向量，基于所述特征向量，采用预训练的下肢动作识别模型进行下肢动作识别。
13.进一步地，获取下肢多个肌电信号后，还对所述多个肌电信号进行去噪预处理：小波变换阈值去噪法、数字滤波阈值去噪法去除基线漂移、高频噪声以及低频噪声，利用陷波器去除50hz工频干扰。
14.进一步地，所述主特征段信号提取采用分帧能量法：
15.对肌电信号进行分帧，并计算每帧内信号的总能量；
16.若某帧内的总能量大于设定阈值，且之后的设定个数的帧内总能量均大于该设定阈值，则将该帧作为一个动作段的起始帧；
17.提取自起始帧起设定时间的肌电信号得到主特征段信号。
18.进一步地，所述根据肌电信号能量与动作之间相关度进行特征优化包括：
19.提取主特征段信号的特征；
20.获取所述主特征段信号中每块肌肉对应通道的信号能量值；
21.根据每个通道的信号能量值占所有通道信号能量累加和的比重，计算所述通道在该主特征段信号的权重；
22.将主特征段信号的每个通道信号的特征根据所述权重进行加权优化，得到优化后的特征。
23.进一步地，所述下肢动作识别模型基于支持向量机分类器进行训练得到。
24.进一步地，在基于所述支持向量机分类器进行训练时，采用基于锦标赛和排序相结合的遗传算法进行参数优化。
25.进一步地，所述参数优化的过程包括：
26.(1)确定初始种群数，基于根据训练数据特征提取、优化和融合得到的特征向量，计算种群内个体的适应度；
27.(2)按照适应度对种群内个体进行依次从小到大的排序；
28.(3)将排序好的个体按顺序分为多个等级；
29.(4)根据优者多选劣者少选的原则，在保证优秀个体全都存在的情况下尽可能的考虑种群的多样性，将所述多个等级个体分别按照设定概率进行选择，然后进行个体插补，以及交叉变异，得到新种群；
30.(5)计算种群的适应度，若适应度未达到目标值，则重复步骤(2)
‑
(5)，直至适应度达到目标值，此时的惩罚因子和核参数的数值应用于支持向量机。
31.一个或多个实施例提供了一种基于肌电信号特征优化的下肢动作识别系统，包括：
32.信号获取模块，用于实时获取下肢动作对应的多个肌电信号；
33.信号预处理模块，用于对所述多个肌电信号，分别进行主特征段信号提取；
34.特征提取模块，用于对每个主特征段信号，分别进行特征提取；
35.特征优化模块，用于对所提取特征根据肌电信号能量与动作之间相关度进行特征优化；
36.特征融合模块，用于将优化后的多个特征融合得到特征向量；
37.动作识别模块，用于基于所述特征向量，采用预训练的下肢动作识别模型进行下肢动作识别。
38.一个或多个实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述基于肌电信号特征优化的下肢动作识别方法。
39.一个或多个实施例提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现所述基于肌电信号特征优化的下肢动作识别方法。
40.以上一个或多个技术方案存在以下有益效果：
41.提出了基于肌肉与运动相关度的加权特征优化方法，根据每一处肌电信号中不同通道能量值的比重对每一个通道进行加权，使得同一处肌肉的肌电信号对于不同动作的区分度更强；通过对特征进行加权优化，可有效降低相同特征在不同动作下的冗余度，提高特征的区分度，获得包含所有有效信息的最优特征向量，并具有提高复杂动作识别率的特点，并且利用单一信号种类表面肌电信号就可以识别复杂的6种下肢动作。
42.通过锦标赛与排序相结合改进遗传算法，解决了选择算子容易陷入局部最优解的难题，获得适应性强的全局最优解，保留有用信息更全面，从而具有更好的适应性，便于实际应用。通过改进识别过程中的两个步骤，提高了下肢动作识别的时效性、准确性，增强了分类模型的适应性，并且通过在线动作识别，对所提方法进行了在线验证，获得了较高的在线动作识别率，具有较强的实际应用价值。
43.通过分帧能量法提取主特征段信号，降低数据量，减少特征提取的时间，提高特征精度，保证系统实时性。
44.使用复合小波去噪法和陷波器对信号进行预处理降噪，可有效去除肌电信号的高频噪声、基线漂移以及50hz工频干扰。
附图说明
45.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
46.图1为本发明实施例中一种基于肌电信号特征优化的下肢动作识别方法流程图；
47.图2为本发明实施例中表面肌电信号的降噪示意图；
48.图3为本发明实施例中针对右腿抬动作表面肌电信号的活动段检测示意图；
49.图4为本发明实施例中针对右腿抬动作表面肌电信号的主特征段提取示意图；
50.图5为本发明实施例中6种动作下8组肌肉的小波包系数能量特征优化前后对比示意图；
51.图6为本发明实施例中改进遗传算法后种群适应度的收敛曲线示意图。
具体实施方式
52.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
53.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根
据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
54.实施例一
55.本实施例公开了一种基于肌电信号特征优化的下肢动作识别方法，可以利用8通道semg信号，准确识别抬/放右腿、抬/放左腿、由坐到站、由站到坐6种下肢动作。所述方法包括离线动作识别分类模型训练阶段和在线动作识别阶段，如图1所示，离线动作识别分类模型训练阶段主要包括信号的采集、预处理、特征提取与基于肌肉与运动相关度的加权特征优化、特征融合、分类模型训练步骤；在线动作识别阶段包括信号采集、预处理、特征提取与基于肌肉与运动相关度的加权特征优化、特征融合等，并将融合后的特征输入离线动作识别分类模型中，对下肢动作进行实时识别。
56.(一)离线分类模型训练阶段
57.步骤1：获取下肢动作对应的多处肌肉的肌电信号。
58.本实施例中，采集4位受试者做6种下肢动作时8块肌肉的表面肌电信号：左/右腿股直肌，左/右腿股二头肌，左/右腿胫骨前肌，左/右腿腓肠肌。
59.步骤2：对所述肌电信号进行预处理，并提取主特征段信号。
60.表面肌电信号semg预处理包括信号的降噪以及主特征段信号提取两大部分。semg信号是一种非平稳、非线性的微弱电信号，常伴有噪声、干扰，因此去除噪声、干扰将极大限度的提高数据的质量，得到较高的动作识别率。去除噪声、干扰后的semg是较为纯净光滑的，但是其中存在诸多无用静息信号，增加了信号处理的难度，导致时效性的降低。因此，在冗长的semg信号中提取出数据量少但包含一次动作绝大部分有效信号的主特征段信号，会提高动作识别的时效性。本实施例采用小波变换阈值去噪法、数字滤波阈值去噪法去除表面肌电信号的基线漂移、高频噪声与低频噪声，并利用陷波器去除50hz工频干扰，利用分帧能量法提取主特征段信号。
61.所述步骤2具体包括：
62.步骤2.1：采用小波变换阈值去噪法、数字滤波阈值去噪法去除基线漂移、高频噪声以及低频噪声，利用陷波器去除50hz工频干扰，经过两个步骤，得到光滑且信噪比低的纯净信号，降噪效果如图2所示。
63.步骤2.2：对降噪后的信号进行基于分帧能量法的主特征段信号提取：
64.本实施例所提取的主特征段信号为：动作活动段起始点后0.5s至2.5s内的数据，所有用于后续研究的semg信号长度均为2s信号。提取主特征段信号时，需检测到动作的起始点，信号分帧能量法，可有效检测信号的起始点。
65.基于分帧能量法的主特征段信号提取具体步骤如下：
66.(1)选择合适的帧长和帧移，对信号进行分帧：
67.(m
‑
1)
×
i+l＝n
ꢀꢀ
(1)
68.其中m为信号的总帧数，i为增量帧步长，l为帧长，即每帧的信号长度，n为信号的总长度。
69.(2)计算每帧信号的总能量en(i)：
[0070][0071]
(3)以平稳站立时的信号能量为基准，计算自适应阈值th：
[0072][0073]
(4)如果在某一帧内的en大于th，并且在此后的3个帧内皆大于th，则该帧就是该段信号动作段的起始帧。
[0074]
(5)截取信号动作段起始点0.5s后的2s数据，得到主特征段信号：
[0075][0076]
其中，sn为所检测到的起始点，fs为起始点帧数，f
s
为采样频率，msn为起始点后0.5s的采样点，men为msn采样点后2s的采样点，则msn到men的信号为主特征段信号。
[0077]
采用信号分帧能量法提取出主特征段信号，缩短了需要处理的信号长度，减少数据量，有助于提高动作识别的时效性，起始点的监测见图3，通过计算静息状态的能量总和，得到自适应阈值，并通过该阈值判断右腿抬动作的起点与结束点。如图4所示，表面肌电信号划分为起始段信号、主特征段信号、以及结束段信号，提取出主特征段信号，用于特征提取与优化。
[0078]
步骤3：对主特征段信号进行特征提取与特征优化：
[0079]
本实施例将提取时域特征与时频域特征等4个特征，并且考虑到肌电信号的复杂性以及平稳性，所提取特征在不同动作下差异性小，因此考虑将特征进行基于肌肉与运动相关度的加权优化，提高相同特征在不同动作下的区分度，降低数据冗余度，增加特征区分度，有利于动作识别率的提升。
[0080]
所述步骤3具体包括：
[0081]
步骤3.1：本实施例所提取的特征见表1。
[0082]
表1semg动作识别相关生理响应特征
[0083][0084]
表1中4种特征的计算方式如下：
[0085][0086]
[0087][0088][0089]
其中，x
i
是表面肌电信号第i个采样点的幅值，m为信号分帧后的窗口总数，n为窗口长度，当x≥th时f(x)＝1，否则f(x)＝0，s
j
为第j个窗口的小波包系数。
[0090]
步骤3.2：基于肌肉与运动相关度的加权特征优化，计算下肢在进行不同动作时每块肌肉对应通道的信号能量值，建立能量表，获得贡献度；依据能量表中的贡献度，计算肌肉与运动相关度，并建立肌肉与运动相关度表，获得相关系数；依据相关系数，赋予每个通道不同权重，完成每个特征的优化。具体实施步骤如下：
[0091]
(1)将提取的主特征段信号记为x，并取绝对值得到absx；
[0092]
(2)计算每个通道的信号能量值，即幅值和，得到sumabsx
i
，其中i＝1,2,...,n，为通道的序号，本实施例采用8通道，因此n＝8，并建立能量表，见表2；
[0093]
(3)将所有通道的能量加和，得到sumabsx，其中，每个通道的权重计算方式为：
[0094][0095]
其中，c
i
为第i通道的优化系数，i为通道的序号，n为通道总数，建立特征优化系数表，见表3；
[0096]
(4)所提特征与特征优化系数c
i
相乘，得到优化后的特征。
[0097][0098]
其中，feature
i
分别代表提取的semg
mav
、semg
rms
、semg
wa
和semg
ec1
特征，feature
i
为经过优化之后的特征。特征经过加权优化之后，在同一动作下的不同通道之间，特征的冗余度降低了；在不同动作下的相同通道之间，特征的区分度增强了。关于右腿抬动作的小波包系数能量特征semg
ec1
优化前后对比图见图5，从图中可以看到，原始的小波包系数能量特征semg
ec1
优化前的冗余度高，难区分，经过肌肉与运动相关度的加权特征优化后，得到冗余度低、区分度高的wfo
‑
ec1特征。
[0099]
表2能量表
[0100][0101]
表3肌肉与运动相关度
[0102][0103]
步骤4：对遗传算法做出改进，以此寻找最优svm参数：
[0104]
本实施例利用遗传算法求取最优解的能力来优化惩罚因子c和核参数g，为保证遗传算法求取的解为全局最优解，利用锦标赛与排序相结合的方法对遗传算法做出改进，建立等级淘汰制度，将种群内的个体按照适应度大小进行排序，分为较差、中等、良好、优秀四个等级，并在进行下一代选择时，按照一定比例对四种等级的种群进行选择，既保证了种群优秀个体所占比重大，又维持了种群的多样性。
[0105]
所属步骤4具体实施过程如下：
[0106]
(1)确定初始种群数，将融合特征向量x
p
作为遗传算法的训练数据，计算种群内个体的适应度，将记录着种群各参数及适应度的矩阵记为oldpop；
[0107]
(2)按照适应度值对种群内个体进行依次从小到大的排序，并记录为矩阵sortpop；
[0108]
(3)将排序好的个体按顺序分为较差、中等、良好、优秀四个等级,并依次表示为c
bad
,c
mid
,c
well
,c
good
，且c＝c
bad
+c
mid
+c
well
+c
good
，c为总种群数。
[0109]
(4)根据优者多选劣者少选的原则，在保证优秀个体全都存在的情况下尽可能的考虑种群的多样性，将较差、中等、良好、优秀四个等级个体分别按照p,p+δ,p+2δ,p+3δ(0<p<1,0<δ<1)的概率进行选择。
[0110]
(5)将按照比例选择的个体重新组合，得到新种群newpop，此时种群所包含的个体记为：
[0111]
c
new
＝[c
bad
×
p]+[c
mid
×
(p+δ)]+[c
well
×
(p+2δ)]+[c
good
×
(p+3δ)]
ꢀꢀ
(11)
[0112]
(6)步骤(4)会舍弃一部分种群，致使种群矩阵不完整，因此需要在newpop进行插补。插补原则采取优胜劣汰原则，若c
‑
c≤c
good
，则从c
good
中随机挑选c
‑
c个个体加入到新的种群newpop中，若c
‑
c≥c
good
，则将c
good
中的全部个体插补到新的种群中，并且选取c
well
中的c
‑
c
‑
c
good
个随机个体插补到newpop，使newpop的种群数为c，并在newpop中进行交叉变异，得到更优秀的后代。
[0113]
(7)采用5折交叉验证法来计算种群的适应度，若适应度未达到目标值，则重复步骤(2)
‑
(6)，直至适应度达到目标值，记录此时的惩罚因子c和核参数g的数值，得到bestc,bestg。
[0114]
(8)将bestc,bestg应用于支持向量机，得到改进遗传算法
‑
支持向量机(iga
‑
svm)的训练网络，并通过训练集训练最佳分类模型classifymodel，最后将测试集输入到classifymodel，得到最佳的动作识别率。
[0115]
本实施例通过改进遗传算法，种群的平均收敛速度和平均适应度明显高于优化前
的遗传算法，见图6，从图中可以看到，改进的遗传算法的平均适应度的收敛速度快、适应度高，用改进的遗传算法优化支持向量机，得到iga
‑
svm。
[0116]
步骤5：将步骤1获取到的表面肌电信号，经过步骤2的预处理提取主特征段信号，步骤3的特征提取和优化，步骤4对遗传算法作出改进并优化分类器，完成了6种下肢动作的离线分类测试，实现了下肢动作的高识别率识别，分类结果见表4。
[0117]
表4测试分类结果
[0118][0119]
从表中可以看到，应用特征优化与改进遗传算法
‑
支持向量机分类器使6种下肢动作的平均识别率达到了94.75％。
[0120]
本实施例利用8个通道的传感器采集8路semg信号，以94.75％的高识别率成功识别6种日常生活中的下肢动作，大大提高了下肢动作的识别率。
[0121]
(二)在线动作识别阶段
[0122]
上述动作识别方法可应用于下肢外骨骼机器人的康复平台，通过识别示教者的下肢动作，带动患者做康复运动。
[0123]
通过离线动作识别阶段训练出下肢6种动作的识别模型，并将该模型应用于在线动作识别阶段。
[0124]
具体的，将离线动作识别阶段的下肢6种动作的识别模型通过matlab打包为动态链接库，向该模型输入实时采集的新数据，会返回具体的动作指令。
[0125]
实时采集新数据的获取与处理具体步骤如下：
[0126]
步骤1：首先利用csharp编写上位机软件，连接delsys trigno的服务器，以此获取肌电传感器的数值信号。
[0127]
步骤2：选择与离线动作识别相对应的8通道，放于下肢8块肌肉处：左/右腿股直肌，左/右腿股二头肌，左/右腿胫骨前肌，左/右腿腓肠肌，并采集表面肌电信号。
[0128]
步骤3：对肌电信号进行预处理操作，利用小波变换阈值去噪、数字滤波阈值去噪和陷波器去除50hz工频干扰相结合的方法对信号进行降噪处理，并利用分帧能量法提取主特征段信号。
[0129]
步骤4：对于提取到的主特征段信号进行特征提取与基于肌肉与运动相关度的加权特征优化，与离线动作识别阶段的特征提取相同，同样是提取时域特征与时频域特征等4个特征，并将特征进行加权优化，得到具有低数据冗余度、高特征区分度的所有有效特征。
[0130]
步骤5：将离线动作识别阶段的下肢6种动作的识别模型通过matlab打包为动态链接库，并将该动态链接库植入于csharp编写的上位机软件；并将步骤4所提到的4种特征，融
合为特征向量，并输入到该动作识别模型中，完成在线动作识别，通过验证，在线动作识别的平均识别率达到了90.6％，具体分类结果见表5，其中动作1
‑
6分别表示抬右腿、放右腿、抬左腿、放左腿、由坐而站、由站而坐。
[0131]
表5在线动作识别测试分类结果
[0132][0133]
需要说明的是，在线动作识别阶段可识别的动作限于离线动作识别阶段的6种下肢动作，当离线动作识别的动作数越多时，在线动作识别数也越多，具有可行性。
[0134]
实施例二
[0135]
本实施例的目的是提供一种基于肌电信号特征优化的下肢动作识别系统。
[0136]
一种基于肌电信号特征优化的下肢动作识别系统，包括：
[0137]
信号获取模块，用于实时获取下肢动作对应的多个肌电信号；
[0138]
信号预处理模块，用于对所述多个肌电信号，分别进行主特征段信号提取；
[0139]
特征提取模块，用于对每个主特征段信号，分别进行特征提取；
[0140]
特征优化模块，用于对所提取特征根据肌电信号能量与动作之间相关度进行特征优化；
[0141]
特征融合模块，用于将优化后的多个特征融合得到特征向量；
[0142]
动作识别模块，用于基于所述特征向量，采用预训练的下肢动作识别模型进行下肢动作识别。
[0143]
实施例三
[0144]
本实施例的目的是提供一种电子设备。
[0145]
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
[0146]
实时获取下肢动作对应的多个肌电信号；
[0147]
对所述多个肌电信号，分别进行主特征段信号提取；
[0148]
对每个主特征段信号，分别进行特征提取与特征优化，并将优化后的多个特征融合得到特征向量；
[0149]
基于所述特征向量，采用预训练的下肢动作识别模型进行下肢动作识别。
[0150]
实施例四
[0151]
本实施例的目的是提供一种计算机可读存储介质。
[0152]
计算机可读存储介质，其上存储有计算机程序，上位机软件等，该程序被处理器执行以下步骤：
[0153]
实时获取下肢动作对应的多个肌电信号；
[0154]
对所述多个肌电信号，分别进行主特征段信号提取；
[0155]
对每个主特征段信号，分别进行特征提取与特征优化，并将优化后的多个特征融
合得到特征向量；
[0156]
基于所述特征向量，采用预训练的下肢动作识别模型进行下肢动作识别。
[0157]
实施例二至四所涉及的各步骤均与实施例一相对应，具体实施方式可参见实施例一的相关说明部分。
[0158]
以上一个或多个技术方案提供了一种基于肌电信号特征优化的下肢动作识别方法及系统，提出基于肌肉与运动相关度的加权特征优化算法，在降低特征冗余度的同时保留尽可能多的有用信息，在提高识别速度的同时提高了识别率，有利于在线识别的推广应用；通过锦标赛与排序相结合改进遗传算法，解决了选择算子容易陷入局部最优解的难题，获得适应性强的全局最优解，保留有用信息更全面，从而具有更好的适应性，便于实际应用。通过改进识别过程中的两个步骤，提高了下肢动作识别的时效性、准确性，增强了分类模型的适应性，并且通过在线动作识别，对所提方法进行了在线验证，获得了较高的在线动作识别率，具有较强的实际应用价值。
[0159]
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
[0160]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改、改进或变形仍在本发明的保护范围以内。