正在进行安全检测...
时间:2023-11-19 03:27:24 下载该word文档
31卷1期 中 国 生 物 医学工程学报 V01.31 No.1 2012年2月 Chinese Journal of Biomedical Engineering February 2012 基于多尺度最大李雅普诺夫指数的表面肌电信号模式识别 邹晓阳 雷 敏 (上海交通大学振动冲击噪声研究所,上海200240) 摘 要:为了提高动作表面肌电信号的识别率,提出一种将最大李雅普诺夫指数和多尺度分析结合的方法。从非 线性和非平稳的角度出发,引入多尺度最大李雅普诺夫指数特征,并应用到人体前臂6类动作表面肌电信号的模 式识别中。首先利用希尔伯特.黄变换,对原始信号进行经验模态分解,即多尺度分解;然后利用非线性时间序列 分析方法,计算多尺度最大李雅普诺夫指数;最后将多尺度最大李雅普诺夫指数作为特征向量,输入支持向量机进 行识别。平均识别率达到97.5%,比利用原始信号的最大李雅普诺夫指数进行识别时提高了3.9%。结果表明,利 用多尺度最大李雅普诺夫指数对动作表面肌电信号进行模式识别效果良好。 关键词:表面肌电信号;最大李雅普诺夫指数;希尔伯特-黄变换;支持向量机;模式识别 中图分类号R318.04 文献标志码A 文章编号0258—8021(2012)01-0007-06 Pattern Recognition of Surface Electromyography Signal Based on Multi-Scale Maximal Lyapunov Exponent ZOU Xiao—Yang LEI Min (Institute of Vibration,Shock and Noise,Shanghai Jiao Tong University,Shanghai 200240,China) Abstract:To increase the recognition accuracy of action surface electromyography(SEMG)signal,a method combining the maximal Lyapunov exponent and multi—scale analysis was proposed.Considering the nonlinear and non-stationary characteristic of SEMG,a multi—scale maximal Lyapunov exponent(MSMLE)feature was introduced and applied to the pattern recognition of six types forearm action SEMG signals.First step was to decomposite original signal using Hilbert-Huang transform(HHT),known as muhi—scale decomposition.Then, MSMLE was calculated by nonlinear time series analysis method.At last,eigenvector MSMLE was input into support vector machine(SVM)for recognition.The mean recognition accuracy reached 97.5%,which was 3.9%greater than that obtained from maximal Lyapunov exponent of original signa1.Results showed that the proposed method was effective and precise in the pattern recognition of action SEMG signals. Key words:surface e1ectr0myography (SEMG); maximal Lyapunov exponent;Hilbert.Huang transform (HHT);support vector machine(SVM);pattern recognition 引言 肌肉收缩模式.这些模式的差别反映在动作表面肌 电信号特征的差异上,提取这些特征可以区分肢体 表面肌电信号与肌肉活动情况和功能特性之 的不同动作模式。因此,动作表面肌电信号的识 间存在着不同程度的关联性,在一定程度上反映了 别,对于如假肢控制和人一计算机交互系统等很多应 神经肌肉的状况和活动情况。动作表面肌电信号 用都非常重要 。表面肌电信号具有非周期、非 与肢体运动直接相关,肢体的不同动作具有不同的 随机、非线性和对初始条件敏感等混沌特性 。 doi:l0.3969/j,issn.0258-8021.2012,01.002 收稿日期:2011-l0-19,录用日期:2011 11.22 基金项目:国家自然科学基金(10872125);机械系统与振动国家重点实验室基金(MSV.MS-2010-08);教育部留学回国人员科研启动基金; 高等学校学科创新引智计划(B06012) 通信作者。 E-mail:leimin@sjtu.edu.ca
中 国生物医学工程学报 非线性指标用于动作表面肌电信号的模式识别得 到了深入研究。例如,蔡立羽等利用掌长肌和肱桡 肌两道表面肌电信号的分维数,对握拳、展拳、前臂 旋前、前臂旋后等4类动作的识别率达90%以 上 。针对表面肌电信号的非稳定特性,时频分析 方法被广泛用于表面肌电信号的处理中 。罗志 增等将时频分析方法用于动作表面肌电信号的模 式识别,利用小波变换提取特征和隐马尔可夫模型 分类,上翻、下翻、内旋和外旋4类动作的识别率均 在90%以上 。 动作表面肌电信号的模式识别包含两个主要 部分,一是提取有效的特征,二是形成分类决策的 算法 。笔者在已有研究的基础上,提出将最大李 雅普诺夫指数(the maximal Lyapunov exponent, MLE)和多尺度分析方法结合起来,形成多尺度最 大李雅普诺夫指数(multi.scal