[发明专利]基于支持向量数据描述的膝上假肢多运动模式识别方法

摘要

本发明涉及一种基于支持向量数据描述的膝上假肢多运动模式识别方法。目前的肌电信号分类算法都存在各种不足。本发明采用支持向量数据描述方法，提出具有多模式特征提取能力的动态模型，实现各种模式特征空间的自适应调整。该方法首先获取人体下肢肌电信号样本数据，再建立支持向量数据描述多类分类器，然后判断测试样本的归属，并进行支持向量数据描述增量学习，包括样本添加和样本删减。本发明方法较好地满足膝上下肢假肢控制中的多运动模式识别要求，克服了支持向量数据描述离线训练方式无法有效处理反映对象特性改变的样本数据等缺点，该方法在智能假肢控制的多模式识别中具有广阔的应用前景。

主权项

1、基于支持向量数据描述的膝上假肢多运动模式识别方法，其特征在于该方法包括以下步骤：步骤(1)获取人体下肢肌电信号样本数据，具体是：首先通过肌电信号采集仪拾取人体下肢肌电信号，再采用空域相关滤波方法对含有干扰噪声的肌电信号进行消噪，然后采用多尺度分析方法对消噪后的肌电信号进行特征提取，将消噪后的小波系数在各尺度上的相对能量均值构成的向量作为肌电信号的特征T₁，T1=Σn=1NsW(l,n)Ns,]]>l＝1，2，…，L其中，W(l，n)表示尺度l上位置n处消噪后的小波系数，N_s为采样点数，L为分解的尺度；对M种细分运动模式进行特征提取后，每种细分运动模式下对应的特征值构成一组特征向量，每组特征向量作为一种细分运动模式对应的样本x_i^k，k为细分运动模式的序号，k＝1，2，…，M，i为样本的序号，i＝1，2，…，N_k，N_k为第k种细分运动模式中样本的个数；步骤(2)建立支持向量数据描述多类分类器：对M种细分运动模式对应的样本数据分别采用支持向量数据描述算法进行训练，建立M个不同类别的最小包含超球S_k，k＝1，2，…，M，用球心a_k和半径R_k描述最小包含超球S_k，每个最小包含超球作为分类器中的一类；ak=Σi=1Nkαikφ(xik),]]>k＝1，2，…，M，Rk2=K(xqk,xqk)-2Σi=1NkαikK(xqk,xik)+Σi=1NkΣj=1NkαikαjkK(xik,xjk),]]>k＝1，2，…，M，α_i^k和α_j^k为Lagrange乘子，φ(x_i^k)为样本x_i^k从低维空间到高维空间的非线性映射；x_q^k是位于最小包含超球S_k上的点，q为样本的序号，q∈{1，2，…，N_k}；K(x_i^k，x_j^k)为核函数，K(xik,xjk)=φ(xik)·φ(xjk),]]>j为样本的序号，j＝1，2，…，N_k；步骤(3)判断测试样本的归属：分别计算输入的测试样本x在特征空间中的映射到各个最小包含超球球心的距离与该最小包含超球半径的比值DR_k(x)DRk(x)=Dk(x)Rk,]]>k＝1，2，…，M，其中D_k(x)是测试样本x分别到各个最小包含超球球心的距离；取DR_k(x)最小值对应的最小包含超球作为测试样本的归属，完成该测试样本的识别；步骤(4)支持向量数据描述增量学习，具体步骤包括①样本添加，具体步骤如下：a.对于第k类运动模式而言，首先选择两个训练样本，组成初始工作样本集为T₂^k，T2k={x1k,x2k},]]>采用支持向量数据描述算法得到对应的最小包含超球S₂^k，此时的两个样本均为支持向量，它们完成支持向量集合和非支持向量集合的初始化，即SV2k={x1k,x2k},]]>NSV2k∪SV2k=T2k;]]>b.获取一个新的训练样本x₃^k后，如果其在特征空间中的映射到最小包含超球球心的距离与最小包含超球半径的比值DR(x₃^k)小于1，令S3k=S2k,]]>SV3k=SV2k;]]>如果DR(x₃^k)大于等于1，将其加入到工作样本集合中，即T3k=SV2k∪x3k,]]>按照步骤(2)方法重新训练出新的最小包含超球S₃^k，即确定最小包含超球S₃^k的球心和半径；c.依照步骤b方法进行到第n-1步时，n≥4，当前最小包含超球对应的支持向量集合为SV_n-1^k，是SV_n-1^k中的支持向量，|SV_n-1^k|表示支持向量的数目；在第n个训练样本x_n^k获取后，如果DR(x_n^k)小于1，令Snk=Sn-1k,]]>SVnk=SVn-1k]]>如果DR(x_n^k)大于等于1，令Tnk=SVn-1k∪xnk,]]>按照步骤(2)方法重新训练出新的最小包含超球S_n^k及其向量集合SV_n^k和NSV_n^k；d.重复上述步骤c，在线处理完所有N_k个样本；②样本删减，具体步骤如下：e.第n个训练样本x_n^k获取后，如果n＞N_max，选择删减的样本：首先计算原工作集T_n-1^k中各个样本在特征空间的映射到最小包含超球球心的距离D(x_i^k)，xik∈Tn-1k,]]>然后选择其中距离最小值D_min^k，Dmink=min(D(xik)|xik∈Tn-1k),]]>对应的样本为待删除的旧样本x_old；f.如果旧样本x_old在集合NSV_n-1^k中，则将其移出训练集合；如果旧样本x_old在集合SV_n-1^k中，把x_old从训练样本集合中移出，按照步骤(2)方法重新训练出新的最小包含超球，即确定最小包含超球的球心和半径；g.将训练样本个数更新为n^=n-1,]]>重复步骤e、f、g。