[发明专利]一种基于滤波器组的脑瘫儿童步态相位识别方法

权利要求书

1.一种基于滤波器组的脑瘫儿童步态相位识别方法，其特征在于包括：

原始信号获取阶段，其中获取脑瘫儿童的表面肌电的原始信号；

预处理阶段，其中对接收到的原始信号进行预处理；

特征库建立阶段，其中基于log-gabor滤波器组对预处理后的表面肌电信号进行多频段滤波，并且基于线性判别分析进行特征提取来建立特征库；其中，在log-gabor滤波器组中，基于中心频率设置以0.2的间隔，并在0.2-1之间对中心频率进行取值；选择互信息熵值最大的前80个作为提取的特征；

分类阶段，其中采用极限学习机作为分类器，从特征库里挑出来的特征子集和对应的标签信息作为训练样本，进行ELM建模，以评估脑瘫儿童正常行走过程中步态相位分类；

其中：

基于log-gabor滤波器组对表面肌电信号X∈R^N×L×S进行多频段滤波，设置一维log-gabor滤波器的传递函数为

其中，ω₀表示滤波器的中心频率，而σ/ω₀则控制滤波器的波形比例；其中采用K个不同中心频率的log-gabor滤波器对表面肌电信号X∈R^N×L×S进行滤波，从表面肌电信号得到K组新的数据，K为正整数，即

针对每个log-gabor滤波后的信号采用线性判别分析进行特征提取，对于K个log-gabor滤波器，可得到K组可分特征[Z⁽¹⁾,Z⁽²⁾,...,Z^(K)]∈R^d×S×K；其中，设线性判别投影矩阵为W∈R^NL×d，则经过投影可得到类内最小和类间最大的可分特征其中，是将所有通道拉直为向量得到的数据；

其中：

通过计算每个特征的互信息熵，并以熵的大小作为选择准则，设z_j∈R^S是特征库中的第j个特征向量，y∈R^S则是对应的标签信息，则该特征向量对应的互信息熵则为I(z_j；y)＝H(y)-H(y|z_j)；其中H(y)＝-∑P(y)log₂P(y)是标签的信息熵，H(z_i|y)是条件熵，即：

H(y|z_j)＝-∑P(y|z_j)log₂ P(y|z_j)；

采用极限学习机作为分类器，并将特征库里挑出来的特征子集和对应的标签信息y作为训练样本，对ELM网络的权值β进行学习：

其中是隐层的输出，而θ是平衡系数；

其中，对于ELM，选择三层结构，即输入层、中间层、输出层；输入层到中间层的连接权值是从-1到1随机产生的，而中间层到输出层的权值则根据公式计算获得。

2.根据权利要求1所述的基于滤波器组的脑瘫儿童步态相位识别方法，其特征在于，在预处理阶段中，首先选择小波去噪技术对原始信号进行处理，随后运用椭圆形带通滤波器和/或最小二乘带阻滤波器对小波去噪之后的信号进行处理。

3.根据权利要求2所述的基于滤波器组的脑瘫儿童步态相位识别方法，其特征在于，滤波器带宽定在20-350Hz带宽下运用椭圆形带通滤波器，在55-65Hz下运用FIR最小二乘带阻滤波器。

4.根据权利要求1至3之一所述的基于滤波器组的脑瘫儿童步态相位识别方法，其特征在于，在ELM建模中，训练集与测试集划分比例为2:1。

5.根据权利要求1至3之一所述的基于滤波器组的脑瘫儿童步态相位识别方法，其特征在于，在ELM建模中，神经网络隐藏层数目设置为1000，正则化系数设置为10。