基于lda算法的表面肌电信号识别方法
【专利摘要】本发明公开了一种基于LDA算法的表面肌电信号识别方法，用以识别多达八类的抓握手势。本发明百先仅利用两枚肌电电极从受试者前臂相关肌肉处采集相应手势的表面肌电信号，然后以重叠加窗的方式分割原始肌电信号，从各个窗中提取绝对均值(MAV)、方差(VAR)和4阶AR系数作为原始肌电特征;再利用LDA算法对原始肌电特征进行降维，最大限度地去除冗余信息并保留有用信息，获得降维后特征;然后对前后相邻窗口的降维特征求平均值，再输入LDA分类器，实现八类抓握手势的有效识别。本发明针对多类手势的肌电信号识别率高，且整个信号处理过程计算简单，耗时少，满足肌电控制系统的实时性要求。
【专利说明】基于LDA算法的表面肌电信号识别方法
【技术领域】
[0001]本发明涉及模式识别领域，特别涉及在多类抓握手势的情形中，对表面肌电信号的判断识别，可应用于控制肌电假手以及其他人机交互接口。
【背景技术】
[0002]表面肌电信号(surface electromyography, sEMG)是一种与神经肌肉活动相关的生物电信号。当运动指令经由神经中枢系统传导至相关肌纤维时，会引起肌纤维上电位变化并发生肌纤维的收缩，该电位变化在皮肤表面处发生时间和空间上的叠加而形成表面肌电信号，可通过表面肌电电极采集下来。表面肌电信号包含了肌肉收缩的模式以及收缩强度等信息，不同的肢体动作对应不同的肌电信号，通过分析表面肌电信号就可以判别出该信号所对应的具体动作模式。因此表面肌电信号被广泛运用于医学诊断、运动康复等领域，尤其在仿人型肌电假手控制中，表面肌电信号作为控制源驱动假手做出各种抓握手势获得了广泛的研究和关注。例如Huang等采用方差、过零点数、AR模型系数和谱估计作为特征，利用BP网络尝试识别8类手势:三指捏取、侧边捏取、钩取、强力抓取、圆柱抓取、中心抓取、手掌伸展和腕部弯曲，获得离线测试平均85%的识别率和在线测试平均71%的识别率。杨大鹏仅使用波形长度(W/L)作为肌电特征，利用SVM识别成功识别了圆柱抓取、球形抓取、侧别捏取和三指捏取四类抓握手势，获得在线95%以上的识别率。Matixme等利用反问PCA算法较好地识别了强力抓取、三指捏取和侧边捏取三类手势，获得平均94%的识别率。可见在手势类别较少时，识别率较高；手势类别较多时，识别率下降的较多。因此有必要探索一种能够以较高识别率准确识别多类抓握手势的肌电识别算法。
【发明内容】
[0003]针对上述技术问题，本发明旨在至少在一定程度上解决上述技术问题。
[0004]为了以较高的识别率准确识别八类抓握手势，包括圆柱抓取、钩取、侧边捏取、指向、球形抓取、三指捏取、精确捏取和放松姿态，本发明提出了一种基于LDA算法的肌电信号判别方法。百先利用两枚模块式双极差分电极从相应的前臂肌肉上采集表面肌电信号；然后以重叠加窗的方式分割原始肌电信号，从各个窗中提取绝对均值(MAV)、方差(VAR)和4阶AR系数作为原始肌电特征；再利用LDA算法对原始肌电特征进行降维，最大限度地去除冗余信息并保留有用信息，获得降维后特征；然后对前后相邻窗口的降维特征求平均值，再输入LDA分类器，实现八类抓握手势的有效识别。
[0005]本发明采用如下技术方案:
[0006]基于LDA算法的表面肌电信号识别方法，该方法包括如下步骤:
[0007]步骤1，清洁皮肤，刮除所选肌肉处表皮的汗毛，用清水洗净并用棉签蘸取医用酒精擦拭皮肤；
[0008]步骤2，采集受试者前臂表面肌电信号，受试者做出圆柱抓取、钩取、侧边捏取、指向、球形抓取、三指捏取、精确捏取和放松姿态八类抓握手势，使用两枚肌电电极获取各手势的肌电数据并存储。
[0009]步骤3对肌电信号进行加窗分割，对各手势原始肌电数据采用重叠加窗的方式进行分割，得到窗口样本。此处窗口长度定义为250ms，窗口增量为50ms。
[0010]步骤4，计算窗口样本的肌电特征，选择绝对均值、方差和4阶AR系数计算窗口样本的肌电特征，所述绝对均值、方差和4阶AR系数计算公式分别如下:
【权利要求】
1.基于LDA算法的表面肌电信号识别方法，其特征在于，该方法包括如下步骤:步骤1，清洁皮肤，刮除所选肌肉处表皮的汗毛，用清水洗净并用棉签蘸取医用酒精擦拭皮肤；步骤2，采集受试者前臂表面肌电信号，受试者做出圆柱抓取、钩取、侧边捏取、指向、球形抓取、三指捏取、精确捏取和放松姿态八类抓握手势，使用两枚肌电电极获取各手势的肌电数据并存储。步骤3，对肌电信号进行加窗分割，对各手势原始肌电数据采用重叠加窗的方式进行分割，得到窗口样本。此处窗口长度定义为250ms，窗口增量为50ms。步骤4，计算窗口样本的肌电特征，选择绝对均值、方差和4阶AR系数计算窗口样本的肌电特征，所述绝对均值、方差和4阶AR系数计算公式分别如下:绝对均值:MAV方差:=4 阶 AR 系数:X1 = I|=: τ Wi其中N=250，为窗口内数据点个数，ak(k=l，2，3，4)为AR系数，Wi为白噪声残差;步骤5，对肌电特征进行降维处理，利用LDA算法对求得的肌电特征列向量进行降维处理；步骤6，求取各手势降维后的特征列向量的平均值，作为在降维后的向量空间中，表征该手势的类别向量； 步骤7，计算来自测试数据的一个窗口样本的肌电特征并进行降维处理，输入分类器中比较其与步骤6中各手势类别向量的欧氏距离，来判断该肌电特征属于何种手势。
2.根据权利要求1所述的基于LDA算法的表面肌电信号识别方法，其特征在于:所述降维处理基于寻找一个合适的投影矩阵W，使原始数据集M(PXq)经过W变换后得到在新坐标系空间下的表示，能有效减少原始数据集的维数，并较好地区分开原始数据集中的不同类数据，具体步骤为:步骤501，计算类间散列矩阵SwIl-Sw = If,； ILlinT - uJ (?；步骤502，计算类内散列矩阵Sb = Efsrl MlCul-1iXu,- Uj1步骤503，计算投影矩阵Wdgf.W * W;喜.隱 'iiiii1- _?_irt 靜上述三式中,C表示数据的类别，Ni表示每一类别的样本数,IHj表示每一类中各个数据，是一个列向量，Ui表示各类别的平均值，u表示所有类别数据的总平均值。在求解投影矩阵W的过程中，首先求出S/SB的特征值，按降序排列后然后取前K个特征值对应的特征向量组成W矩阵即可；步骤504，将原始数据集经过矩阵W进行投影变换V=WtM式中Y(RXS)为投影后得到的新矩阵，其各列数据的维数由P降至R(R≤p，R≤C-1)。
3.根据权利要求2所述的基于LDA算法的表面肌电信号识别方法，其特征在于:所述肌电特征降维维数为7维。
【文档编号】G06K9/62GK103440498SQ201310365328
【公开日】2013年12月11日 申请日期:2013年8月20日 优先权日:2013年8月20日
【发明者】王念峰, 陈雨龙, 张宪民 申请人:华南理工大学