[发明专利]用于下肢肌电假肢控制的多信息融合运动模式识别方法

权利要求书

1.一种用于下肢肌电假肢控制的多信息融合运动模式识别方法，其特征是，包括下列步骤：通过提取人体在运动时肌肉的肌电信号，计算肌电信号奇异值和功率谱熵作为模式识别的特征参数，利用支持向量机SVM建立动作识别模型，从而全面准确的区分下蹲、站起、伸膝和行走四种常见的动作模态。

2.如权利要求1所述的用于下肢肌电假肢控制的多信息融合运动模式识别方法，其特征是，肌电信号奇异值是矩阵所固有的特征，矩阵奇异值分解的定义如下：

假设M是k*e的矩阵，k＞e，秩为r，r≤e，则存在e*e正交矩阵Z和k*k正交矩阵Q，使得：

Q^TMZ＝∑

∑是k*e的非负对角阵：Σ=S00S,]]>S＝diag(ε₁，ε₂，ε₃，......ε_r)

其中，diag表示对角矩阵，ε₁，ε₂，ε₃，......ε_r连同ε_r+1＝ε_r+2＝……ε_e＝0称为M的奇异值，Z、Q的列向量分别为M的左、右奇异向量；

功率谱熵定义如下：用U＝{u₁，u₂，u₃，......，u_n}，n≥1，表示某不确定性系统，其中，各取值概率集合用P表示，

p＝{p₁，p₂，p₃，......，p_n}，0≤p_i≤1，i＝1，2，3......，n

且Σi=1npi=1]]>

那么，系统的信息熵表示为：

H=-Σi=1npilnpi]]>

信号经过FFT变换后得的功率谱的熵便称为功率谱熵；肌电信号功率谱熵计算方法如下：

1)对信号进行FFT变换，得到其离散傅立叶变换X(w_i)，w_i为第i个频率点；

2)计算其功率谱密度为：

p(wi)=1N|X(wi)|2]]>

其中，X(w_i)为第i个频率点的傅里叶变换，N为所取点的个数，p(w_i)为功率谱密度；

3)接下来计算信号的功率谱密度分布函数p_i，即取值概率：

pi=p(wi)Σip(wi);]]>

4)计算信号的功率谱熵：

H=-Σi=1npilnpi]]>

其中，p_i为第3)步中计算出来的第i个点的功率谱密度分布函数即取值概率。

3.如权利要求1所述的用于下肢肌电假肢控制的多信息融合运动模式识别方法，其特征是，利用SVM分类过程如下：

考虑n个训练样本的线性回归问题，设训练数据集(x_i，y_i)，i＝1，……，1，是第i个样本的输入模式，y_i对应于第i个样本的期望输出，首先用一非线性变换将输入的信号值X＝(x₁，x₂，...，x₁)转化到某个高维空间中，然后在变换空间求最优分类面，这种变换，只需一个内积函数(x_i·y_j)，i，j＝1，...，l，x_i，y_j∈X，X为输入的信号值；选用高斯径向基核函数RBF来进行转换，其表达式如下：

K(x_i，x_j)＝exp{-γ|x_i-x_j |²}

其中，K(x_i，x_j)为所选的核函数，γ为核参数，需要用交叉验证的方式寻找最佳值，这样，原样本空间就被映射到了高维特征空间中，这个高维特征空间中构造最优决策函数：

y＝w×K(x_i，x_j)+b

y为输出，x_i，x_j∈X为输入信号值，w，b为所需求的参数；这样，非线性估计函数转化为高维特征空间的线性估计函数；定义R：

R=12||w||2+c·R∂mp]]>

式中，||w||²是控制模型的复杂度，c是正规化参数，控制对超出误差样本的惩罚程度；为误差控制函数；利用结构风险最小化原则，寻找w，b就是最小化R；因此，分类函数表示为：

y=Σi=1laiK(xi,xj)+b=Σi=1laiexp{-γ|xi-xj|2}+b]]>

式中，y为输出，α_i为拉格朗日系数；b为超平面的基本参量，输入肌电信号的特征参数，输出为动作类型；建立模型并检验分类结果。