[發明專利]一種基于高斯混合模型的肌電動作識別在線更新算法

有效

• 申請號: 201811327411.6
• 申請日: 2018-11-08
• 公開（公告）號: CN109359622B
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 周升麗;尹奎英;阮婷
• 申請（專利權）人: 西北工業大學;中國電子科技集團公司第十四研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 華金

本發明涉及一種基于高斯混合模型的肌電動作識別在線更新算法，可以有效抑制肌電信號統計特性發生變化對檢測準確性的影響，提供了一種有效的算法來提高肌電控制系統的泛化能力。同時，在進行分類器參數更新時，不需要保留原始訓練樣本，只需要對訓練后的參數，如權值、均值和方差進行更新，可以很大程度的減少對存儲空間的要求，更符合實際的應用需求。

技術領域

本發明涉及信號處理和模式識別領域，尤其是一種基于高斯分類器的肌電動作識別在線更新算法，適用于解決肌電控制系統泛化能力有限的問題。

背景技術

目前，表面肌電信號已被廣泛應用于飛行控制、康復醫療、肌電假肢、虛擬游戲、機器人操控等領域。要利用表面肌電信號完成對相應終端的控制，其中最重要的環節就是對表面肌電信號進行模式識別，即根據人體表面肌電信號特征判斷出肢體的運動模式，從而驅動受控結構進行相應的動作。而由于表面肌電信號的統計特性存在時變的特點。不僅不同受試者執行同一動作的肌電信號水平會有差異，對同一個受試者，在不同時刻采集的肌電信號有可能會不一致。引起肌電信號發生變化的因素包括電極表面導電性的改變、電極位置的變化、肌肉疲勞、甚至是肢體姿勢的變化等。從而造成肌電控制系統泛化能力有限。

在這種情況下，利用靜態訓練樣本訓練的分類器如果不利用新輸入樣本進行修正的話，其識別準確度會隨著測試樣本的采集時間或者受試者的改變而大幅下降。而傳統的基于批量學習的分類器，為了更好的適應新輸入樣本，通常采用重新訓練的方式以獲取新的分類器參數。其缺陷是需要一定的存儲空間保存歷史數據，且需要較長的訓練時間。因此，迫切需要一種具有在線學習能力的分類器，可以充分借鑒已有的知識，并利用新的知識對分類器的結構參數進行更新，使得更新后的分類器對樣本具有更好的適應能力。

發明內容

本發明解決的技術問題是：針對肌電控制系統泛化能力有限的問題，本發明提出了一種基于在線學習的高斯混合模型分類器。其優點是分類器的參數較少，易于拓展，且進行參數更新時計算量較小，可以在一定程度上解決肌電控制系統泛化能力下降的問題。本發明提供了一種有效的算法，可以有效提高肌電控制系統的泛化能力，抑制個體差異性和外部環境對檢測準確性的影響。

本發明的技術方案是：一種基于高斯混合模型的肌電動作識別在線更新算法，包括以下步驟：

步驟一：模型初始化，包括以下子步驟：

子步驟一：設當前肌電控制系統動作類別總數為C。對于每種動作，其訓練樣本的個數為M_c。高斯混合模型的高斯分量的個數為K(K≥1)；

子步驟二：對于類別c(c＝1,…,C),利用M_c組肌電信號特征對其對應的高斯混合模型的參數進行估計，得到類別c高斯混合模型的初始化的結構參數w_c,k，μ_c,k，∑_c,k，k＝1,..,K，其中w_c,k是第c類中第k個高斯分量的權重且滿足條件μ_c,k是第c類中第k個高斯分量的均值，∑_c,k是第c類中第k個高斯分量的方差；

其中，當使用k-means算法進行參數估計時，參數計算方法如下：

N_c,k為類別c中第k個分量的樣本個數，且滿足Xi為屬于第c類中第k個高斯分量的第i個樣本；

步驟二：參數在線更新，包括以下子步驟：

子步驟一：對于已知屬于類別c(c＝1,2…,C)的輸入肌電信號特征X，利用當前的高斯混合模型對其進行后驗概率計算，計算公式如(4)所示：

通過上述公式找出后驗概率最大的高斯分量；假設X是一個D維向量，則