一种基于肌电信号的双向递归肌电特征选择方法与流程

本发明涉及信号处理与人机交互领域，特别涉及一种基于肌电信号的双向递归肌电特征选择方法。

背景技术：

随着科技的发展，人机交互的研究与应用受到越来越多的学者关注。其中，手势识别作为人机交互的一个主要分支，是人机交互领域的重要研究课题之一。人机交互中的手势对使用者来说具有便捷、交互性强、表达内容丰富等优点，一直是人机交互领域的首要选择。肌电信号是在人体肌肉活动过程中产生的一种生物电信号，是不同的运动单位动作电势在肌肉纤维和细胞组织中传导叠加的综合结果。肌电信号主要是通过提取肌电特征进行手势识别，选择合适的肌电特征进行组合可以获得更高的手势识别率。

鉴于此需要一种肌电特征选择方法，通过意大利经济学家帕累托的关键少数法则，利用20％的最佳肌电特征代替余下80％的肌电特征所做的贡献，在取得最佳效果的同时减少资源损耗，并提高识别效率。

技术实现要素：

本发明提供了一种基于肌电信号的双向递归肌电特征选择方法，可以从多种肌电特征中，通过前向动态递归特征选择(fdrfs)和后向动态过滤特征选择(bdffs)分别得到前向和后向最佳肌电特征组合，然后将它们取交集得到最佳肌电特征组合。

为解决上述技术问题，根据发明内容，采用如下技术方案为一种基于肌电信号的双向递归肌电特征选择方法，具体包括以下步骤：

步骤1：通过n个肌电特征向量构建肌电特征集；

步骤2：计算每个肌电特征向量的方差以及互信息，剔除肌电特征集中无贡献的机电特征向量或者评分最低的前m1(m1<0.1n)个肌电特征向量，得到第一次迭代肌电特征集合；

步骤3：从过滤后肌电特征总集中随机挑选一定数量的肌电特征向量构建随机肌电特征集，计算随机肌电特征集的组合数和识别率；

步骤4：剔除候选肌电特征集中相对冗余特征；

步骤5：更新动态递归系数，确定候选肌电特征集；

步骤6：重复步骤3–步骤5，直至动态递归系数达到最大迭代次数，输出前向最佳肌电特征组合；

步骤7：输入n个肌电特征构建的肌电特征集，确定反向肌电特征组合；

步骤8：计算肌电特征子集的识别率，确定后向候选肌电特征集；

步骤9：重复步骤8，直至达到迭代条件，输出后向最佳肌电特征组合；

步骤10：通过取前向最佳肌电特征组合和后向最佳肌电特征组合的交集得到最佳肌电特征集。

作为优选，步骤1中所述初始肌电特征集为迭代次数为h∈[0,stepmax]，b为输入肌电特征向量个数，b∈[0,n]，为初始肌电特征集；

所述初始肌电特征集为：

其中，xi，i∈[1,n]为第i个肌电特征向量，为l维度向量，具体定义为：

其中，xi,j，i∈[1,n]，j∈[1,l]为第i个肌电特征向量中第j个肌电特征。

作为优选，步骤2中所述每个肌电特征向量的方差为：

其中，xi表示第i组特征向量，l表示特征向量中的样本数，xi,j表示特征向量中第i个样本值，μ(xi)表示该特征向量的平均值；

步骤2中所述计算每个原始肌电特征的互信息为：

其中，y表示手势的标签向量，p(xi,j,y)表示xi与y两个变量之间的联合概率密度分布函数，p(xi)和p(y)分别表示xi和y两者的边缘概率分布；

步骤2中所述剔除肌电特征集中无贡献或贡献小的肌电特征向量，具体为：

var(x)＜α或i(x；y)＜β认为是贡献小的肌电特征向量，其中α,β分别是方差阈值和互信息阈值；

从步骤1的特征集合中筛选出贡献小的肌电特征向量，然后剔除贡献小较低的前m1(m1<0.1n)个肌电特征向量；

步骤2中所述第一次迭代肌电特征集合为：

t1^k＝{x1,x2,…,xk,k<n}

作为优选，步骤3中所述随机挑选一定数量的过滤后肌电特征向量构建随机肌电特征集为：

从t1^k中任意挑选组(p1·k)种组合肌电特征特征向量，其中，p1为第一动态递归系数，q为降采样系数；

利用支持向量机(svm)f(·)计算所有特征向量组合的识别率具体计算过程为：

将训练集输入到svm中，得到决策边界：

其中，为拉格朗日算子对偶最优解，k(xi,x)为高斯核函数，b^*为最优截距，yi∈y；

再将测试集输入到svm中，可计算出

为前向第一次迭代中第一个特征向量组合的识别率；

选择识别率最高特征向量组合作为该批次下的次优特征向量组合，并放入候选肌电特征集中：

作为优选，步骤4中所述剔除候选肌电特征集中相对冗余特征，具体过程为：

将步骤3得到的s1中挑选p1·p2·kl种肌电特征向量剔除，使得余下特征组合的f(·)相对最优sacc¹；其中，p2为第二动态递归系数；

从t1^k减去过滤后的s1作为第二次迭代的肌电特征集合供下一步选择；

作为优选，步骤5中所述更新动态递归系数为：

p1＝p1-δ，p2保持不变，δ为系数步长；

步骤5中所述确定候选肌电特征集为：

从步骤4中得到第二次迭代特征集合中按照步骤3中方法挑选特征的组合，每种组合均与步骤4中所述候选特征子集s1取并集，并利用f(·)计算此时所有特征组合的将最高的组合作为最优特征组合放入候选肌电特征集s2中；

作为优选，步骤6中所述动态递归系数达到最大迭代次数为：p1·k＜1达到最大迭代次数即stepmax时；

步骤6中所述前向最佳肌电特征组合为

作为优先，步骤7所述输入n个特征组合而成的肌电特征集为rtsⁿ，确定反向肌电特征组合，为后向初始肌电特征集；

步骤7所述确定肌电特征组合，具体为：

所述肌电特征集进行每一种特征的依次剔除，余下所有特征形成肌电特征子集，具体如下：

作为优选，通过f(·)计算步骤8中所有后向肌电特征子集的识别率为s为迭代次数，具体计算过程如下：

将训练集输入到svm中，得到决策边界：

其中，为拉格朗日算子对偶最优解，k(xi,x)为高斯核函数，b^*为最优截距，yi∈y；为后向第一次迭代中第一个肌电特征组合的识别率；

利用f(·)计算每一种肌电特征子集的识别率选出识别率最高mracc¹的特征组合作为本轮候选肌电特征子集rs1，此时认为特征xi相对余下所有特征是最不相关的，将其从rt1ⁿ中剔除得到供下一步选择；

作为优选，步骤9中所述迭代条件为：

或者时停止，η为识别率阈值，为第s次迭代后的特征数；

后向最佳肌电特征组合为

本发明优点在于，可以提供一种更好的特征选择方法，通过前向动态递归和反向动态过滤两个方向对肌电总集进行特征选择，将两个方向各自得到的最优特征组合取交集，得到最终的最优特征组合，该特征组合满足最大相关和最小冗余的要求。

附图说明

图1：为本发明方法的流程图；

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

本发明的具体实施方式采用如下技术方案为一种基于肌电信号的双向递归肌电特征选择方法，具体包括以下步骤：

步骤1：通过21个肌电特征向量构建肌电特征集；

步骤1中所述初始肌电特征集为

所述初始肌电特征集具体为：

其中，xi，i∈[1,21]为第i个肌电特征向量，为200维度向量，具体定义为：

其中，xi,j，i∈[1,21]，j∈[1,200]为第i个肌电特征向量中第j个肌电特征。

步骤2：计算每个肌电特征向量的方差以及互信息，剔除肌电特征集中无贡献的机电特征向量或者评分最低的前2个肌电特征向量，得到第一次迭代肌电特征集合；

步骤2中所述每个肌电特征向量的方差为：

其中，xi表示第i个特征向量，xi,j表示第i特征向量中第j个样本值，μ(xi)表示该特征向量的平均值；

步骤2中所述计算每个原始肌电特征的互信息为：

其中，y表示手势的标签向量，p(xi,j,y)表示xi与y两个变量之间的联合概率密度分布函数，p(xi)和p(y)分别表示xi和y两者的边缘概率分布；

步骤2中所述剔除肌电特征集中无贡献或贡献小的肌电特征向量，具体为：

var(x)＜0.1或i(x；y)＜0.2认为是贡献小的肌电特征向量；

从步骤1的特征集合中筛选出贡献小的肌电特征向量，然后剔除贡献小较低的前2个肌电特征向量；

步骤2中所述第一次迭代肌电特征集合为：

t1¹⁸＝{x1,x2,…,x18}

步骤3：从过滤后肌电特征总集中随机挑选一定数量的肌电特征向量构建随机肌电特征集，计算随机肌电特征集的组合数和识别率；

步骤3中所述随机挑选一定数量的过滤后肌电特征向量构建随机肌电特征集为：

p1＝0.35，q＝5，从t1¹⁸中任意挑选3712组6种组合肌电特征特征向量，；

利用支持向量机(svm)f(·)计算所有特征向量组合的识别率具体计算过程为：

将训练集输入到svm中，得到决策边界：

其中，为拉格朗日算子对偶最优解，k(xi,x)为高斯核函数，b^*为最优截距，yi∈y；

再将测试集输入到svm中，可计算出为前向第一次迭代中第一个特征向量组合的识别率；

选择识别率最高特征向量组合作为该批次下的次优特征向量组合，并放入候选肌电特征集中：

步骤4：剔除候选肌电特征集中相对冗余特征；

步骤4中所述剔除候选肌电特征集中相对冗余特征，具体过程为：

令p2＝1将步骤3得到的s1中挑选p1·p2·6种肌电特征向量剔除，使得余下特征组合的f(·)相对最优sacc¹；

从t1^k减去过滤后的s1作为第二次迭代的肌电特征集合供下一步选择；

步骤5：更新动态递归系数，确定前向候选肌电特征集；

步骤5中所述更新动态递归系数为：

p1＝p1-δ，p2保持不变，δ取0.01；

步骤5中所述确定候选肌电特征集为：

从步骤4中得到第二次迭代特征集合中按照步骤3中方法挑选特征的组合，每种组合均与步骤4中所述候选特征子集s1取并集，并利用f(·)计算此时所有特征组合的将最高的组合作为最优特征组合放入候选肌电特征集s2中；

步骤6：重复步骤3–步骤5，直至动态递归系数达到最大迭代次数，输出前向最佳肌电特征组合；

步骤6中所述动态递归系数达到最大迭代次数为：p1·k＜1达到最大迭代次数即stepmax＝7时；

步骤6中所述前向最佳肌电特征组合为

步骤7：输入肌电特征集rtsⁿ，确定反向肌电特征组合；

步骤7所述输入21个肌电特征组合而成的肌电特征集为rtsⁿ，确定反向肌电特征组合；为后向初始肌电特征集；

步骤7所述确定肌电特征组合，具体为：

所述肌电特征集进行每一种特征的依次剔除，余下所有特征形成肌电特征子集，具体如下：

步骤8：计算肌电特征子集的识别率，确定后向候选肌电特征集；

通过f(·)计算步骤8中后向肌电特征子集的识别率为s为迭代次数；具体计算如下：

将训练集输入到svm中，得到决策边界：

其中，为拉格朗日算子对偶最优解，k(xi,x)为高斯核函数，b^*为最优截距，yi∈y；

为后向第一次迭代中第一个肌电特征组合的识别率；

利用f(·)计算每一种肌电特征子集的识别率选出识别率最高mracc¹的特征组合作为本轮候选肌电特征子集rs1，此时认为特征xi相对余下所有特征是最不相关的，将其从rt1²¹中剔除得到供下一步选择；

步骤9：重复步骤8，直至达到迭代条件，输出后向最佳肌电特征组合；

步骤9中所述迭代条件为：

或者时停止，为第s次迭代后的特征数；

后向最佳肌电特征组合为以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

步骤10：通过取前向最佳肌电特征组合和后向最佳肌电特征组合的交集得到最佳肌电特征集，最佳肌电特征集为soptimal。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。