[发明专利]基于粒子群优化-支持向量机的肌电信号步态识别方法

摘要

本发明涉及一种基于粒子群优化-支持向量机的肌电信号步态识别方法。本发明利用粒子群优化算法，优化支持向量机的惩罚参数和核函数参数，从而优化支持向量机的性能，实现有效识别分类。首先对采集的下肢肌电信号进行小波模极大值去噪；其次对消噪后的肌电信号提取时域特征，得到特征样本；然后利用利用粒子群优化算法进行支持向量机的参数优化，得到误差最小的一组最优参数，构造分类器；最后将肌电信号特征样本集输入分类器随对步行状态进行分类识别。本发明方法兼顾分类的准确性和自适应性，计算过程简单、高效，在下肢运动状态识别领域具有广阔的应用前景。

主权项

基于粒子群优化‑支持向量机的肌电信号步态识别方法，其特征在于该方法包括如下步骤：步骤(1)，下肢肌电信号的样本获取；按肌肉群在行走时步态动作不同阶段的作用和贡献大小，以及对表面肌电信号采集设备的敏感程度，选择大腿上具代表性的四块肌肉，通过肌电采集仪拾取的下肢行走时肌肉的原始肌电信号；采用小波模极大值去噪方法，首先对肌电信号进行小波分解，然后根据小波系数的奇异性，利用信号与噪声模极大值在小波尺度上的不同变化特性，分离出信号与噪声，最后重构消噪后的肌电信号样本数据；实现对含有噪声的肌电信号进行消噪处理，即去除白噪声并保留奇异点信息；具体如下：首先，对含噪信号进行离散小波变换；先对采集的原始肌电信号进行4层小波分解，基小波选用紧支集双正交小波sym8，得到尺度s上位置x处的含噪信号f的离散小波变换Wf(s,x)；其次，求取含噪信号的Lip指数；信号的奇异点就是信号中的突变点，Lip指数是表征信号局部奇异点特征的一种量度，定义如下：设正整数n，n≤α≤n+1，如果存在正整数A＞0及n次多项式p_n(x)，使得|f(x)‑p_n(x‑x₀)|≤A|x‑x₀|^α   (1)对于x∈(x₀‑δ,x₀+δ)成立，则称f(x)在x₀点是Lipα的；α越大，该点的光滑度越高；α越小，该点的奇异性越大；再次，保留有用信号点；信号f(x)的Lip指数与小波模极大值(小波模极大值需满足|Wf(s,x)|≤|Wf(s,x₀)，x₀为小波变换在尺度s下的局部模极大值点)需满足${\log }_2\left|W_{2^j}f\left(t\right)\right|\≤{\log }_{2}k+\mathrm{j\α}---\left(2\right)$其中，t为时间，j为小波尺度，k∈Rⁿ；对一般信号α≥0，小波变换的模极大值将随着尺度j的增大而增大；而对于白噪声α＜0，其模极大值随着尺度j的增大而减小；因此利用不同尺度间小波变换模极大值变换的规律，去除幅度随尺度的增加而减小的点(对应噪声的极值点)，保留幅度随尺度增加而增大的点(对应有用信号的极值点)；最后，对Wf(s,x₀)进行小波重构，得到小波模极大值去噪后的肌电信号样本；步骤(2)，下肢肌电信号的特征提取；对于步骤(1)获取的肌电信号，通过提取其积分肌电值、绝对值方差时域特征，得到特征向量的样本集；具体如下：积分肌电值的计算式为$I_i=\frac{1}{N}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\left|x_{\left(i\right)}\right|---\left(3\right)$这里，x(i),i＝0,1,2,…,N‑1为一长度N的肌电信号时间样本序列，i为每组采样点数；绝对值方差的定义如下：$N_i=\frac{1}{N-1}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{(x_{\left(i\right)}-I_i)}^2---\left(4\right)$其中I_i为肌电信号的积分肌电值；由此，得到四路肌电信号的八个特征参数，构成一组特征向量Z；步骤(3)，构造基于PSO‑SVM的分类器；用PSO对SVM进行参数优化选择，得到SVM误差最小的一组惩罚参数及核函数参数；具体如下：一、在每一次迭代过程中，粒子通过个体极值和全局极值更新自身的速度和位置，更新公式如下：$V_{\mathrm{id}}^{k+1}=w{V}_{\mathrm{id}}^k+c_1{r}_1(P_{\mathrm{id}}^k-X_{\mathrm{id}}^k)+c_2{r}_2(P_{\mathrm{gd}}^k-X_{\mathrm{id}}^k)$        (5)$X_{\mathrm{id}}^{k+1}=X_{\mathrm{id}}^k+V_{\mathrm{id}}^{k+1}$式中，w为惯性权重；d＝1,2,...,D为空间维数，i＝1,2,...,n为粒子数；k为当前迭代次数；表示在第i个粒子的飞行速度，表示第i个粒子的位置；和分别表示第i个粒子的个体最优解和全局最优解；这里第d维的位置变化范围为速度变化范围为在迭代中若X_id超出边界值，则将其设为边界值‑x_max或x_max；c₁和c₂为学习因子(或加速因子)，分别代表将每个粒子推向个体极值和全局极值位置的统计加速项的权值，在[0,4]范围内中取值；r₁和r₂为分布于[0,1]之间的随机数；二、支持向量机SVM；SVM的基本思想是将向量映射到一个更高维的特征空间，在这个空间里建立一个使不同类型数据点间隔最大的面，即最大间隔超平面；通过设定适当的核函数K(z_i,z)进行非线性变换将输入空间变换到一个高维空间，然后在这个新空间中求取最优线性分类面；SVM的输出分类决策函数为：$f\left(Z\right)=\mathrm{sgn}(\mathrm{wz}+b)=\mathrm{sgn}(\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{a}_i{y}_{i}K(z_i,z)+b),0\≤a_i\≤C---\left(6\right)$a_i为每个训练样本所对应的拉格朗日系数；K(z_i,z)为核函(K(z_i,z)＝exp(‑|z_i‑z|^2/g^2))；C为惩罚参数，b∈R为偏置；三、基于PSO的SVM参数优化：选择径向基核函数，PSO优化SVM就是优化支持向量机的惩罚参数C和核函数半径参数g，使优化后的SVM更好地进行识别分类；四、PSO优化SVM流程如下：(1)给定参数空间内随机生成m个粒子的初始数值；生成的粒子即SVM参数，选用一定样本输入确定参数的SVM模型；(2)确定SVM的分类决策函数值；(3)对选定的参数即粒子进行适应度的计算评价；(4)若不满足终止条件，则采用PSO算法对粒子的位置、速度进行迭代更新，生成新一代的粒子，转向(2)；(5)若满足终止条件，则输出最优参数，重新训练SVM，作为最终的分类器进行识别分类；这样，经过以上PSO优化算法，就得到了SVM的惩罚参数C和核函数半径参数g的最优值，用于SVM的训练和分类预测；步骤(4)，下肢肌电信号的步态识别；将步骤(2)提取的肌电信号特征样本集，随机分成训练样本和测试样本两组；训练集用于训练PSO优化后的SVM建立模型；测试集用于输入SVM分类器进行识别，得到识别结果。