[發明專利]用于下肢肌電假肢控制的多信息融合運動模式識別方法

無效

• 申請號: 201210168814.7
• 申請日: 2012-05-28
• 公開（公告）號: CN102722643A
• 公開（公告）日: 2012-10-10
• 發明（設計）人: 劉秀云;邱爽;徐瑞;楊軼星;明東;綦宏志;萬柏坤
• 申請（專利權）人: 天津大學
• 主分類號: G06F19/00
• 分類號: G06F19/00;A61F2/72
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉國威

1.一種用于下肢肌電假肢控制的多信息融合運動模式識別方法，其特征是，包括下列步驟：通過提取人體在運動時肌肉的肌電信號，計算肌電信號奇異值和功率譜熵作為模式識別的特征參數，利用支持向量機SVM建立動作識別模型，從而全面準確的區分下蹲、站起、伸膝和行走四種常見的動作模態。

2.如權利要求1所述的用于下肢肌電假肢控制的多信息融合運動模式識別方法，其特征是，肌電信號奇異值是矩陣所固有的特征，矩陣奇異值分解的定義如下：

假設M是k*e的矩陣，k＞e，秩為r，r≤e，則存在e*e正交矩陣Z和k*k正交矩陣Q，使得：

Q^TMZ＝∑

∑是k*e的非負對角陣：Σ=S00S,]]>S＝diag(ε₁，ε₂，ε₃，......ε_r)

其中，diag表示對角矩陣，ε₁，ε₂，ε₃，......ε_r連同ε_r+1＝ε_r+2＝……ε_e＝0稱為M的奇異值，Z、Q的列向量分別為M的左、右奇異向量；

功率譜熵定義如下：用U＝{u₁，u₂，u₃，......，u_n}，n≥1，表示某不確定性系統，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，系統的信息熵表示為：

H=-Σi=1npilnpi]]>

信號經過FFT變換后得的功率譜的熵便稱為功率譜熵；肌電信號功率譜熵計算方法如下：

1)對信號進行FFT變換，得到其離散傅立葉變換X(w_i)，w_i為第i個頻率點；

2)計算其功率譜密度為：

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

其中，X(w_i)為第i個頻率點的傅里葉變換，N為所取點的個數，p(w_i)為功率譜密度；

3)接下來計算信號的功率譜密度分布函數p_i，即取值概率：

pi=p(wi)Σip(wi);]]>

4)計算信號的功率譜熵：

H=-Σi=1npilnpi]]>

其中，p_i為第3)步中計算出來的第i個點的功率譜密度分布函數即取值概率。

3.如權利要求1所述的用于下肢肌電假肢控制的多信息融合運動模式識別方法，其特征是，利用SVM分類過程如下：

考慮n個訓練樣本的線性回歸問題，設訓練數據集(x_i，y_i)，i＝1，……，1，是第i個樣本的輸入模式，y_i對應于第i個樣本的期望輸出，首先用一非線性變換將輸入的信號值X＝(x₁，x₂，...，x₁)轉化到某個高維空間中，然后在變換空間求最優分類面，這種變換，只需一個內積函數(x_i·y_j)，i，j＝1，...，l，x_i，y_j∈X，X為輸入的信號值；選用高斯徑向基核函數RBF來進行轉換，其表達式如下：

K(x_i，x_j)＝exp{-γ|x_i-x_j?|²}

其中，K(x_i，x_j)為所選的核函數，γ為核參數，需要用交叉驗證的方式尋找最佳值，這樣，原樣本空間就被映射到了高維特征空間中，這個高維特征空間中構造最優決策函數：

y＝w×K(x_i，x_j)+b

y為輸出，x_i，x_j∈X為輸入信號值，w，b為所需求的參數；這樣，非線性估計函數轉化為高維特征空間的線性估計函數；定義R：

R=12||w||2+c·R∂mp]]>

式中，||w||²是控制模型的復雜度，c是正規化參數，控制對超出誤差樣本的懲罰程度；為誤差控制函數；利用結構風險最小化原則，尋找w，b就是最小化R；因此，分類函數表示為：

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

式中，y為輸出，α_i為拉格朗日系數；b為超平面的基本參量，輸入肌電信號的特征參數，輸出為動作類型；建立模型并檢驗分類結果。