基于小波包变换表面肌电信号模式识别.docVIP

基于小波包变换表面肌电信号模式识别 　　摘 要：采用小波包变换的方法对表面肌电信号sEMG进行了多尺度分解，并提取小波包分解系数的能量值构建特征矢量，采用四种方法设计多类最小二乘支持向量机(LS-SVM)分类器，对8种表面肌电信号进行了模式分类。实验结果表明，采用四种多类分类方法的LS-SVM分类器对8种表面肌电信号的平均识别率在90%以上，LS-SVM分类准确率明显优于传统的RBF神经网络分类器。 　　关键词：表面肌电信号; 小波包变换; LS-SVM; 模式识别 　　中图分类号：TN911.7-34 文献标识码：A 　　文章编号：1004-373X(2011)17-0122-03 　　 　　Surface EMG Signal Mode Recognition Based on Wavelet Package Transform 　　WANG Ling 　　(Shaanxi Vocational and Technical College, Xi’an 710100, China) 　　Abstract： The surface electromyographic signal is analyzed by wavelet package transform. The feature vectors are built by extracting the energy value of the wavelet package coefficients. The multi-class least squares support vector machine classifier is designed by using four kinds of multi-class classification approach. The LS-SVM classifier is applied to the classification of eight movements with recording of the surface EMG. Experimental results show that the average recognition rate is over 90%, and the classification accuracy of LS-SVM classifier is significantly better than RBF neural network classifier. 　　Keywords： surface electromyographic signal; wavelet package transform; LS-SVM; pattern recognition 　　 　　0 引 言 　　表面肌电信号(surface Electromyographic Signal,sEMG)是从肌肉表面通过电极引导、放大、记录下来的神经肌肉系统活动时的非平稳一维时间序列生物电信号，能够反映神经肌肉的活动［1］。肌电信号不仅在临床医学、运动医学等领域被广泛应用，而且成为人工假肢和功能性神经电刺激的理想控制信号［2］。 　　传统的表面肌电信号模式识别方法是提取时域特征用作模式识别，这些方法仅仅在时域中分析数据，并且将肌电信号视为平稳信号或分段平稳信号，而肌电信号在本质上是一种具有非平稳特性的生理信号，因此在对多类肌电信号动作进行识别时很难得到理想的分类结果；而小波分析是一种有效的多分辨率时频分析方法，是分析非平稳信号的有力工具［3］。它的不足是在高频段的频率分辨率较低, 导致在一些应用中, 不能满足实际要求。小波包的概念是在小波变换的基础上提出来的, 它提供了一种更为精细的信号分析方法, 将信号高频部分进行进一步分解, 即对高频部分也用二分滤波器进行分解, 所以能根据信号的特征选取相应频带与信号频谱匹配, 进一步提高了时频分辨率, 因此小波包分析具有更广泛的应用价值。 　　对于多自由度肌电控制假肢，寻找一个好的模式分类器是关键，支持向量机［4-5］(SVM)是在统计学习理论基础上发展起来的一种新的机器学习方法，具有坚实理论基础、全局优化、泛化性能好等优点。最小二乘支持向量机(Least Squares Support Vector Machines)是Suyken在SVM基础上提出的一种改进方法［6］。LS-SVM用等式约束代替了SVM中的不等式约束, 并且在训练分类时, 常用的损失函数是误差平方和损失函数。这使问题变成求解一个典型的线性KKT系统, 它的计算效率大大高于传统支持向量机中求解一个凸二次规划问题的效率。 　　本文采用小波包变换方法提取表面肌电信号的小波系数的能