[發明專利]一種MEMD張量線性拉普拉斯判別的肌電特征提取方法

有效

• 申請號: 201711012999.1
• 申請日: 2017-10-26
• 公開（公告）號: CN107808166B
• 公開（公告）日: 2020-08-11
• 發明（設計）人: 佘青山;馬鵬剛;席旭剛;蔣鵬
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;A61F2/72
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.一種MEMD張量線性拉普拉斯判別的肌電特征提取方法，其特征在于該方法包括如下步驟：

步驟(1)基于多變量經驗模態分解的濾波處理：

首先使用多變量經驗模態分解算法對多通道肌電信號同時進行分解，得到一系列尺度上的本征模態函數IMF分量，然后根據肌電信號的有效頻帶范圍選取包含有用信息的本征模態函數IMF分量，最后對各個通道上的有用分量分別進行疊加得到對應的重構信號；其中肌電信號的有效頻帶范圍為5-500Hz；每個尺度上的本征模態函數IMF分量對應不同的頻段信息，如果每個本征模態函數IMF分量的頻段落在5-500Hz范圍內，就認為是包含了有用信息的本征模態函數IMF分量；

步驟(2)基于小波包的肌電張量表示：

采用小波包變換方法對重構后的肌電信號進行張量表示，構建具有時間、空間、頻率、任務四個維度的張量數據；經過M層小波包變換后，每個肌電信號樣本得到2^M個頻帶成分，對應的張量數據具有四維結構：通道數×頻帶數×采樣點數×任務次數，記為A∈R^{channel×frequency×time×trial}；通道數即channel，頻帶數即frequency，采樣點數即time，任務次數即trial；

步驟(3)基于張量拉普拉斯判別的投影矩陣計算：

對于步驟(2)得到的張量數據，采用張量拉普拉斯判別方法計算得到對應的最佳投影矩陣；

給定一組肌電信號樣本的n階張量A_i，i＝1,2,...,N，N為總的樣本數量，s_i為張量A_i的標簽，N_s為第s類的樣本數量，總類別數量為c；如果存在一組最優正交投影矩陣k＝1,2,...,n，那么投影后的張量Y_i表示為：

其中，Y_i具有最小類內方差和最大類間方差，T表示轉置，×_k表示張量與矩陣的乘積；

張量線性拉普拉斯判別方法旨在尋找投影正交矩陣U_k，同時要求最小化類內離散度α和最大化類間離散度β，優化目標用Fisher準則函數表示如下:

式中，這里||·||表示L₂范數，是第s類的均值，Ω_s＝{A_i|s_i＝s}為第s類投影后樣本的集合，ω_i為第i個樣本的權重；其中為所有投影后樣本的均值，Ω＝{A_i,i＝1,2,...,N}為全部樣本的集合，ω^s為第s類的權重；

公式(2)中，U_i(i＝1,2,...,n)采用迭代算法進行求解，對基于矩陣的降維方法進行擴展，在張量中重新定義α和β，并且進行k階展開:

其中，是張量的展開，為的均值；

其中，為所有Z_i的均值；

通過k階展開后，類內離散度和類間離散度重新表示為:

其中，是類內離散度矩陣的k階展開，為類間離散度矩陣的k階展開；于是，U_k的求解如下式:

通過固定其他參量得到和將其帶入公式(9)求解，重復這個過程直至收斂；

步驟(4)肌電特征的生成和選擇：

根據步驟(3)計算出投影矩陣U_k(k＝1,2,...,n)后，將肌電張量數據分成訓練集A_tr和測試集A_ts，然后分別投影到該投影矩陣中，得到如下張量特征：

其中，G_tr和G_ts分別為訓練集和測試集的張量特征；接下來，對張量特征進行矩陣化，然后采用Fisher分數方法對高維特征進行降維，根據最佳平均分類準確率確定最終的特征維數。