[发明专利]基于支持向量多元分类的下肢动作模式的识别方法

说明书

技术领域：

本发明涉及一种下肢动作模式的识别方法，尤其涉及一种基于支持向量多元分类的下肢动作模式的识别方法。

背景技术：

为控制自动机械，再现人体真实运动，作为智能机器人发展重点之一的智能肢体动作辅助系统或交互式、示教式遥操作系统，通常的控制方法需要事先测量或描述操作者各肢体部位及关节的动作和位置。其中应用较广泛的是利用多种传感器如角度、速度、加速度以及力传感器等获得被描述肢体的运动学和动力学数据。这种方法不可避免地涉及到多传感器信息融合问题，同时随传感器种类和个数的增加，系统的复杂度及成本会迅速上升。

从功能需求分析，智能系统就是要完成如同正常人类肢体所应该完成的任务。从人体动作的运动学描述来看，一个复杂肢体动作可以视为是由几种常见的简单动作片段，根据一定的规则组合而成。因此，只要可以识别出这些简单的动作片段，就可以给智能系统提供控制指令。

当前国内外已有大量的研究，期望利用肌电信号来判断肢体运动状况，从研究成果上来看，多集中在人体上肢运动，并取得了较好的识别效果。但是上肢肌电信号是相对平稳而连续的高斯信号，下肢肌电信号却是典型的时变非平稳信号，而且经常夹杂较大的下肢运动噪声，因此，如何利用肌电信号快速准确地识别出下肢的动作模式存在一定的难度。

本发明利用小波变换方法提取肌电信号不同节律的时变信息，克服传统肌电信号谱分析的不足，为肌电信号的动态分析和下肢动作模式的识别提供鲁棒性好且易于识别的特征向量。

发明内容：

为克服现有技术的上述缺陷，本发明基于支持向量多元分类的下肢动作模式的识别方法提出一种基于核聚类简化的支持向量多元分类算法，从而降低因数据集合不平衡性引起的分类错误，并在保证分类器泛化性能的同时简化分类器的支持向量。

为实现上述技术目的，本发明采用的技术方案如下：一种基于支持向量多元分类的下肢动作模式的识别方法，该方法的主要步骤为：首先是采集肌电信号，接着对采集的信号进行预处理，其后进行信号的时域及频域特征提取，接着对信号进行PCA主元分析，分析后依据足底压力信号的压力值将压力信号分为支撑目标集与摆动目标集，随后简化SVM多元分类器对目标集数据进行分类而后输出识别结果，其特征在于：对预处理后的信号进行时域及频域特征提取时利用一个小的移动窗口对信号进行采样，同时将计算分散到小的时间段内进行；肌电信号特征向量空间建立时在时域上选择肌电均方根值、绝对值平均以及方差三个分段统计值为特征值，在频域上采用Mallat分解方法获取频域特征值。

本发明基于支持向量多元分类的下肢动作模式的识别方法与现有技术相比，具有如下有益效果：该方法通过在时频平面上表述信号的时变特征，能够更清晰地反映出信号的频率特性随时间的变化规律，能将原始信号按照时间对应关系分解到不同频带上或对信号进行不同的精度表达；能同时提供关于信号时域和频域的两方面信息，从而达到有效的信号处理目的。

附图说明：

图1是本发明基于支持向量多元分类的下肢动作模式的识别方法的框图。

图2是本发明基于数据流分割和移动窗口概念的模式识别策略。

图3是本发明起立过程256点肌电信号的Mallt分解。

具体实施方式：

以下结合附图1至3对本发明基于支持向量多元分类的下肢动作模式的识别方法作进一步描述。

本发明基于支持向量多元分类的下肢动作模式的识别方法首先是肌电信号的采集，及对采集的信号进行预处理。

人体在运动过程中，肌电信号的幅值和频率都随时间的改变而改变，而这种时变性正是识别动作的有力武器，采用有效的识别策略，就可以对人体动作模式进行连续识别。传统的动作模式识别策略通常事先选定一个用于判断的时间长度t_d，在该时间段内信息采样完全完成后，对这采集到的数据进行特征值提取，并进而做动作识别判断。由于该方法将特征提取和动作判断统一放到一段时间内处理，而在采样过程中，处理器只用于控制A/D转换进行采样，因此增加了系统对动作的反应时。本发明根据“数据流分割”和“移动窗”的概念，利用一个小的移动窗口对信号进行采样，同时将计算分散到小的时间段内进行，提出如图2所示的下肢动作模式识别方法。