[發明專利]極限學習機-隱馬爾科夫模型的手勢肌電信號識別方法

在審

• 申請號: 201810552241.5
• 申請日: 2018-05-31
• 公開（公告）號: CN108776783A
• 公開（公告）日: 2018-11-09
• 發明（設計）人: 郭敏;馬欣欣;肖冰
• 申請（專利權）人: 陜西師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06K9/66
• 代理公司: 西安永生專利代理有限責任公司 61201
• 代理人: 申忠才

1.一種極限學習機-隱馬爾科夫模型的手勢肌電信號識別方法，其特征在于它是由以下步驟組成：

(1)對采集到的手勢肌電信號進行分幀預處理

從UCI數據庫中提取手勢肌電信號手勢數據集，按下式進行分幀預處理：

式(1)中N_x為信號總長度，N₀為相鄰的兩幀間的重疊長度，N_f為一幀的長度，N_frames至少為5，得到不同的經分幀預處理后的幀信號；

(2)分解幀信號

將各幀信號進行總體經驗模態分解，每個幀信號得到10個固有模態函數，分解幀信號的方法如下：

1)將不同標準差的高斯白噪聲添加到幀信號中，得到一個信號x_i：

x_i＝x+ω_i (2)

式(2)中ω_i為高斯白噪聲，ω_i中的標準差為0.01～0.4，i為有限的正整數，x為幀信號如下：

式(3)中C_k為固有模態函數分量，r為殘余分量，K取10；

2)對信號x_i作經驗模態分解，得到固有模態函數分量為C_k,i，其中k是分解尺度為有限的正整數；

3)再次加入高斯白噪聲ω_i，重復步驟1)、2)，直到完成I次分解，I為分解次數，取值為5～20；

4)將每次得到的固有模態函數作平均運算，得到總體經驗模態分解的固有模態函數分量如下：

(3)提取時域特征

提取幀信號經步驟(2)得到的前3階固有模態函數的均方根、平均幅值和標準差時域特征值，均方根為：

式(5)中RMS為均方根值，C_k為第k次試驗得到的固有模態函數分量，N為C_k的長度；平均幅值MAV為：

標準差SD為：

式(7)中μ為C_k的均值；

(4)分類器識別信號

將步驟(3)得到的時域特征值送入極限學習機-隱馬爾科夫模型分類器中進行分類，輸出分類識別結果，該分類器由極限學習機和隱馬爾科夫模型構成，極限學習機的輸出端與隱馬爾科夫模型的輸入端相連。

2.根據權利要求1所述的極限學習機-隱馬爾科夫模型的手勢肌電信號識別方法，其特征在于在分類器識別信號步驟(4)中，所述的極限學習機和隱馬爾科夫模型分類器進行分類，分類方法如下：

1)將步驟(3)得到的時域特征值送入設定好傳遞函數和神經元個數的極限學習機中進行分類，其中選取傳遞函數為sin、sig和hardlim，神經元個數為50、100、150、180和200，取傳遞函數中的任意一個與神經元個數中的任意一個組合，輸出端輸出標簽a_j，j為有限的正整數；

2)將所有標簽a_j組成一個向量如下：

將a_J送入隱馬爾科夫模型的輸入端進行分類測試，在隱馬爾科夫模型的輸出端輸出手勢肌電信號的測試標簽b_m，將測試標簽與已知標簽c_m進行對比，得到手勢肌電信號識別率w如下：

式(9)中，m為已知標簽c_m的長度。