基于线性判别分析的表面肌电信号动作模式识别.pdf

《基于线性判别分析的表面肌电信号动作模式识别.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第27卷第2期河南工程学院学报（自然科学版）Vol．27，Ｎo．22015年6月JOURＮALOFHEＮAＮIＮSTITUTEOFEＮGIＮEERIＮGJun．2015基于线性判别分析的表面肌电信号动作模式识别镡建军（山西省原平市垃圾处理中心，山西原平03４100）摘要：表面肌电信号（SEMG）属于非平稳的生物电信号，特点是信号微弱、易受干扰．为了有效提取表面肌电信号（SEMG）特征、更好地识别人体上肢运动的模式，针对表面肌电信号的特点提出了一种线性判别分析人体前臂运动特征的识别方法．通过虚拟仪器同时采集桡侧腕屈肌和肱桡肌两路的表面肌电信号，取平均绝对值（MA

2、V）和均方根（RMS）为特征参数，应用线性判别分析（LDA）方法对样本特征矩阵进行模式识别．与其他特征识别方式的对比实验表明，此方法的动作识别率更高，能够成功地从表面肌电信号中识别握拳、展拳、手腕内翻和手腕外翻４种动作，动作的平均识别率达到了99．5%．关键词：表面肌电信号；线性判别分析；模式识别；特征提取中图分类号：TＰ391．４文献标志码：A文章编号：167４-330X（2015）02-00４6-05［1］表面肌电信号（SEMG）是通过电极从人体骨骼肌表面记录下来的神经肌活动发放的生物电信号，应用已［2］经深入到临床医学、运动控制、生物医学与康复工程等诸多

3、领域．在肌电控制中，最关键的是如何有效地提取［3］［４］SEMG特征进而有效识别肢体动作．Maｈdi等采用一种自适应神经模糊推理系统识别手部动作命令，动作［5］识别率达到92%；罗志增等采用小波包变换和学习向量量化对手部握拳、展拳、伸腕和屈腕这４种动作进行［6］识别，识别正确率为96%；宋爱国等采用四通道采集SEMG信号，利用小波变换和BＰ神经网络来识别SEMG信号8种动作，动作平均识别率为96．25%．但是，在SEMG信号的特征提取和动作模式识别中仍然存在特征向量维数过高、数据冗余度大、分类器复杂、鲁棒性差和识别率低等问题．为此，提出了一种线性判别分析法（L

4、ine-arDiscriminantAnalysis，LDA）对表面肌电信号进行运动特征识别．在肌电信号模式识别中，LDA分类器的准确［7］率不输于前面提到的那些复杂的判别方法，而且还具有易于实现、训练更迅速等优点．1*+,-样本采集和特征表示1.1SＥMG样本采集SEMG信号采集系统主要由SEMG检测电极、SEMG信号调理电路、DAQ板卡和LabVIEW框架下的计［8-10］算机系统组成．在实验室条件下，用仪表放大器AD8222和运算放大器OＰA４3４7设计了一套高输入阻抗、高共模抑制比的差分输入SEMG信号采集与调理电路，调理电路的放大倍数为250倍，通频

5、带为10~1000Hｚ．用Ag／AgＣl贴片电极作为SEMG传感器，将差分式电极分布于桡侧腕屈肌和肱桡肌上，参考电极贴到桡腕关节处．受试者做握拳、展拳、手腕内翻和手腕外翻４种动作．采样频率为2000Hｚ，采样时间5s，采集到的SEMG信号如图1所示．收稿日期：2015-03-29作者简介：镡建军（1973-），男，山西原平人，助理工程師，主要从事数据采集与处理方面的研究．第2期镡建军：基于线性判别分析的表面肌电信号动作模式识别·４7·图1采集到的两路SＥMG波形Ｆig.1CollectedtwochannelSＥMGwaveforms1.2SＥMG信号的特征提

6、取对于连续的SEMG信号分类，与频域特征和时-频特征相比，时域特征能够获得相对较好的分类特性，具有计算简单、获取迅速等优点．对时域信号数据进行数学运算和统计可以得到SEMG特征，主要有平均绝对值和均方根．平均绝对值（MeanAbsoluteValue，MAV）是SEMG信号时域分析中的典型特征参数，可以通过SEMG信号的平均绝对值来设定阈值，进而判断肌肉是否动作．平均绝对值定义式如下：Nj1Y=

7、x

8、，j=1，2，…，I，（1）（jMAV）∑kjNjk=1式中，I为样本数据段数，x为第j段第k个样本数据，N为该段的样本数，这里选取N=100.kjjj均方根（R

9、ootMeanSquare，RMS）可以用来衡量SEMG信号的大小，定义式如下：Nj12Y=x，j=1，2，…，I，（2）（jRMS）∑kj槡Njk=1式中，I为样本数据段数，x为第j段第k个样本数据，N为该段的样本数，这里选取N=100.kjjj2*+,-动作模式识别算法线性判别分析（LDA）也被称为Fisｈer线性判别（FisｈerLinearDiscriminant，FLD），是模式识别中的经典［11］算法．线性判别分析的基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果．SEMG运动模式特征样本集合Φ为｛Y，Y

10、，…，Y｝，Y==［Y，Y，…，12I