当前位置：首页> 正在进行安全检测...

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．ｓｃａｌｅ　ｍａｘｉｍａｌ　Ｌｙａｐｕｎｏｖ　ｅｘｐｏｎｅｎｔ，ＭＳＭＬＥ）特征，并利用ＭＳＭＬＥ和支持向　量机（ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ，ＳＶＭ），对人体前臂的　内翻、外翻、握拳、展拳、上切和下切６类动作的表面　肌电信号进行识别。本方法克服了以往研究只是　在单尺度上提取表面肌电信号的非线性特征的不　足，结合多尺度分析方法，提取的ＭＳＭＬＥ特征将在　多个尺度上度量的ＭＬＥ联合起来，更为全面和准确　地反映了不同的动作表面肌电信号的内在非线性　特性以及它们之间的差异，从而更有助于其模式　识别。　１　表面肌电信号识别方法　１．１　动作表面肌电信号采集　针对人体手臂的运动特点，采集内翻、外翻、握　拳、展拳、上切和下切等６类动作的表面肌电信号。　所用仪器是ＭＥＧＡ公司生产的ＭＥ６０００表面肌电信　号采集仪，带通频率为８—５００　Ｈｚ，采样频率为１　ｋＨｚ，通道数为４，通道１为掌长肌，通道２为指浅屈　肌，通道３为肱桡肌，通道４为指伸肌。每个通道有　３个电极，电极为三点式差动输入，并相距１５　ｍｍ左　右。此实验总共采集了５个健康受试者的数据，得　到了受试者的同意。实验之前，受试者状态良好，　无任何疲劳。每个受试者每类动作采集６Ｏ组数据，　每组数据持续时间为１　Ｓ，即每个通道含１　０００点　数据。　１．２基于希尔伯特－黄变换的多尺度分解　希尔伯特－黄变换（Ｈｉｌｂｅｒｔ－Ｈｕａｎｇ　ｔｒａｎｓｆｏｒｍ，　ＨＨＴ）根据信号自身的特点，通过经验模态分解　（ｅｍｐｉｒｉｃａｌ　ｍｏｄａｌ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ），将信号分解　成多个固有模态函数（ｉｎｔｒｉｎｓｉｃ　ｍｏｄｅ　ｆｕｎｃｔｉｏｎ，ＩＭＦ）　和１个剩余分量，即多尺度分解；然后利用希尔伯特　变换求各个ＩＭＦ的瞬时频率，构造希尔伯特谱，对　信号进行分析…　。　ＩＭＦ满足两个条件：一是ＩＭＦ的正、负极点数之　和与其零点数相等，或最多相差１；二是由极值所形　成的上下包络线的均值为零。具有这种特点的函　数，可用来计算瞬时频率。令　（　）为分解后得到的　ＩＭＦ，由希尔伯特变换得到其对应的虚部为　∞　，Ｙ（ｔ）＝１ｒ　ＰＶｌ（ｔ一７）～　（ｆ）ｄＴ　Ｊ一　（１）　式中，ＰＶ表示柯西主值。　实部和虚部组成的解析信号为　（ｔ）＝　（ｔ）＋ｊＹ（ｆ）＝Ｕ（ｔ）ｅ坤“　（２）　由此，可计算瞬时频率为　ｆ）＝（２　）　ｄ妒（　）／ｄｔ　（３）　信号　（ｔ）的ＥＭＤ过程包括以下步骤。　步骤１：找到　（ｔ）的最大值和最小值，由三阶　样条插值分别得到上下包络线，求上下包络线平均　值，得ｍ　（￡）。　步骤２：令ｈ　（￡）＝　（ｔ）一ｍ　（ｆ），判断ｈ，（￡）　是否符合ＩＭＦ条件，若不符合，继续对ｈ　（　）进行步　骤１操作，直至符合，并记为Ｃ。（　），即分解出信号　的第一阶ＩＭＦ。　步骤３：求出余项　（　）一ｃ　（ｔ），对余项进行步　骤１和步骤２操作，求得Ｃ：（ｆ），依此类推，直到分　解出ｃ　（ｔ）和剩余分量ｒ。当ｒ是单调或常值函数，则　分解结束。信号可以表示为一系列ＩＭＦ和剩余分　量之和，即　（ｆ）＝Ｃ　（ｔ）＋…＋Ｃ　（ｔ）＋ｒ　（４）　ＨＨＴ能够对信号进行自适应多尺度分解。由　于从信号本身的尺度特征出发对信号进行分解，该　方法具有良好的局部适应性，加上瞬时频率的引　入，便可以从时频两方面同时对信号进行分析，增　加了处理信号的灵活性和有效性。应用ＨＨＴ方法　的ＥＭＤ，对原始信号进行多尺度分解。　在所采集的动作表面肌电信号中，每组数据含　有４个通道数据。利用ＨＨＴ方法，对每个通道数据　进行ＥＭＤ，分解出８个ＩＭＦ分量和１个剩余分量，　这些分量所在的尺度分别记为ｃ１，…，Ｃ８和Ｒ。表　面肌电信号的ＥＭＤ如图１所示：被分解信号为受试　者内翻动作某个通道的数据，即原始信号；　表示原　始信号尺度，即原始尺度。由图１可知，ＥＭＤ将信　
１期　邹晓阳，等：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　Ｘ　Ｃｌ　Ｃ２　——　帅　帅　Ｉ１ｌｌｒ　Ｃ３　Ｃ４　Ｃ５　Ｃ６　Ｃ７　Ｃ８　Ｒ　０　ｌ０Ｏ　２００　３００　４００　５００　６００　７００　８００　９００　ｌ０００　时　日Ｊ／ｍｓ　图１原始信号的经验模态分解　Ｆｉｇ．１　ＥＭＤ　ｏｆ　ｏｒｉｇｉｎａｌ　ｓｉｇｎａｌ　号从高频到低频进行了多尺度分解。　１．３　ＭＳＭＬＥ特征　ＭＬＥ能够定量地表示非线性动力系统在其相　空间中的稳定状态，决定相邻轨线是否能靠近并形　成稳定轨道或稳定定点，可作为表征非线性系统的　特征。记ＭＬＥ值为Ａ，不同的Ａ对应于不同的运动　状态，如表１所示　。　表１运动类型和相应的ＭＬＥ值　Ｔａｂ．１　Ｔｙｐｅｓ　ｏｆ　ａｃｔｉｏｎ　ａｎｄ　ｔｈｅ　ｃＯｒｒｅｓｐｏｎｄｉｎｇ　ＭＬＥ　ｖａｌｕｅ　运动形式　ＭＬＥ　稳定的不动点　Ａ＜０　稳定的极限环　Ａ＝０　混沌　０＜Ａ＜∞　噪声　Ａ＝０ｔ）　利用非线性时间序列分析方法计算Ａ，首先对　所研究的动力系统建立相空间，即所谓的相空间重　构。一般利用延迟坐标法对时间序列进行相空间　重构。对时间序列｛ｓ　｝（ｎ＝１，…，Ⅳ）进行ｍ维重　构，则相空间中的一个点可由嵌入向量　＝（ｓ　一（　一１）　，ｓ　一（　一２）　，…，ｓ　一　，ｓ　）　（５）　表示，其中ｎ≥（ｍ一１）　＋１，相轨迹为　Ｓ　＝　［　（Ｊ，ｌ一１）　＋１，ｓ（ｍ一１）　＋２，…，　Ⅳ］　＝　（６）　重构相空间的参数延迟时间ｒ和嵌入维数ｍ　很重要，笔者根据对人体表面肌电信号的已有研　究㈨，取ｍ＝６和ｒ＝１对时间序列进行相空间重　构，计算Ａ。　计算ＭＬＥ值的方法有Ｗｏｌｆ方法、小数据量法　等。Ｗｏｌｆ方法对数据的要求很高，比如数据长度要　足够大，且不受噪声影响。小数据量法计算快，对　嵌入维、延迟时间、数据长度和噪声等具有较好的　鲁棒性，比较适合于计算生物医学信号的ＭＬＥ值，　但无法准确计算纯噪声序列的ＭＬＥ值，而且序列的　信噪比越低，噪声的影响越显著。笔者利用Ｋａｎｔｚ　提出的稳健算法来计算ＭＬＥ值，这种算法计算简　便，无需在演化过程中置换向量，因而使计算结果　更准确，其基本原理如下¨　。　在重构相空间中选择时间序列的一个点　选　择距离小于占的所有近邻点，计算所有近邻点到参　考轨迹距离的平均值（是相对时间Ａｎ的函数）。对　很多的ｎ。值，重复计算平均值，然后计算　１　，　１　、　５（　）　善　（　一　１）　（７）　式中，参考点　是嵌入向量，／Ｘ（ｓ　。）是ｓ　。直径ｓ内　的近邻点集合。　如果对于Ａｎ的某个范围函数Ｓ（Ａｎ）表现出稳　定的线性增长，则它的斜率是每个时间步的ＭＬＥ值　的估计。　利用非线性时间序列分析方法，分别计算ＥＭＤ　分解后每个尺度的ＭＬＥ值；所有尺度的ＭＬＥ组成　ＭＳＭＬＥ特征，用于对动作表面肌电信号进行识别。　１．４基于ＳＶＭ的识别　ＳＶＭ是由Ｖａｐｎｉｃ于２０世纪９０年代提出的一　种新的机器学习理论，是建立在统计学习理论的ＶＣ　维理论和结构风险最小化原理基础上的。根据有　限的样本信息，在模型的复杂性和学习能力之间寻　求最佳折中，以期获得最好的推广能力　１６］。ＳＶＭ　的基本原理是寻找一个满足分类要求的最优分类　超平面，在保证分类精度的同时，能够使超平面两　侧的空白区域最大化，实现对线性可分数据的最优　分类。对于非线性问题，通过引入核映射方法，将　低维空间中的非线性问题转化为高维空间的线性　可分问题来解决。　在利用ＳＶＭ对动作表面肌电信号进行识别时，　每类动作的前３０组数据放在一起构成训练集，后　３０组数据放在一起构成测试集。本研究所用ＳＶＭ　的工具箱为ＯＳＵ—ｓｖｍ３．００。　首先对ＭＳＭＬＥ特征进行核主元分析（ｋｅｒｎｅｌ　ｐｒｉｎｃｉｐａｌ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ，ＫＰＣＡ）降维，然后输入　ＳＶＭ进行模式识别。主元分析方法基于数据的二　
１０　２　１　１　４　３　４　计算每组数据的４个通道数据的ＭＬＥ值，组成　１２　ｌ３　ｌ４　１５　１６　８　８　７　７　％　ｍ　Ｄ　８　８　　１７　７　７　１８　ｍ　０　８　８　８　７　７　０　ｍ　８　８　ｍ　３　讨论　从表２的尺度　栏可以看到受试者４的平均识　别率为１００％，说明该受试者的６类动作全部被正　确识别。５个受试者的平均识别率的平均值达到　特征更能够反映６６类动作的差别，有更好的识　别率。　从表３中可以看到，利用４～１８维的ＭＳＭＬＥ　识别，平均识别率最小为９２．８％，最大为１００％，识　别效果都比原始数据好而且平均识别率数值相差　不大，具有一定的稳定性。为了比较，对每个受试　９３．６％。结果表明，从非线性角度出发，不同动作属　于不同的动力系统，具有不同的动力学特性，ＭＬＥ　是一个能够较好识别不同动作的特征。　者，ＭＳＭＬＥ的平均识别率减去原始信号ＭＬＥ的平　均识别率，利用得到的差值作图，如图３所示。可以　很直观地看到，ＭＳＭＬＥ特征的识别效果明显较好。　利用ＭＳＭＬＥ进行识别，受试者１的平均识别率提　高最为显著，接下来依次是受试者２、受试者３、受试　者５和受试者４。图３中受试者４的平均识别率差　ＥＭＤ后，不同尺度上的识别率不同，其中ｃ１～　ｃ４这４个尺度上的识别率较高。从表２的尺度ｃ１　～ｃ４栏可以看到，这４个尺度上的识别率都在９１％　以上，Ｃ１上的识别率达到９７％，高于原始信号的识　别率９３．６％。这说明，通过分解后，某些尺度上的　值为一０．６％和０，这是因为该受试者的原始信号　
１期　邹晓阳，等：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　图２　Ｃ１一　尺度的平均识别率　Ｆｉｇ．２　Ｍｅａｎ　ｒｅｃｏｇｎｉｉｔｏｎ　ａｃｃｕｒａｃｙ　ｆｒｏｍ　ｓｃａｌｅ　Ｃ１　ｔｏ　ｓｃａｌｅＲ　ＭＬＥ平均识别率为１，即全部测试样本被正确识别；　而受试者４的ＭＳＭＬＥ的平均识别率在ＭＳＭＬＥ为　