2025《表面肌电信号的特征提取及选择分析案例》2600字.docxVIP

PAGE51

PAGE51

表面肌电信号的特征提取及选择分析案例

目录

TOC\o1-3\h\u22966表面肌电信号的特征提取及选择分析案例 1

88791.1时域特征 1

56881.2特征选择 2

163031.2.1LDA分类算法 2

104401.2.2SVM分类算法 3

102261.2.3特征选择结果 4

1.1时域特征

特征提取阶段从时域提取10个特征。时域特征被测量为时间的函数。时域特征由于其实现简单、计算简单等优点，在肌电下肢运动识别中得到了广泛应用。所有时域特性都可以实时实现。下面是基于时域的10个特征。

表3-110个时域特征

时域特征

公式

波形长度(WL)

QUOTEWL=i=1N-1|xi+1

斜率变化率(SSC)

SSC

fx

方差(VAR)

QUOTEVAR=1N-1I=1

均方根(RMS)

RMS=

平均绝对值(MAV)

MAV=

上分位数（Quantile75)

n=0.75?N+1

自回归系数(AR)

x

取p=4既AR模型的阶数为4，则这属于四个不同的时域特征。

1.2特征选择

在表面肌电下肢动作识别中，特征选择是很重要的一步。最优特征对于实现表面肌电信号的分析和识别具有重要意义。将10个时域特征通过LDA分类法和SVM分类法对四个下肢动作进行识别，选择识别最优与最差的四个时域特征作为集成学习识别特征。

根据原理，机器学习算法可分为生成模型和判别模型。提出了一种基于线性判别分析和支持向量机(SVM)的步态识别方法。线性判别分析有时也叫Fisher线性判别，本质上是一种监督学习的降维技术，也就是说其数据集的每个样本都有一个类别输出。线性判别分析的基本原理是类间均值最大化，类内方差最小化。意思是数据投影在低维上，投影后同类数据的投影点尽可能近，不同类型数据的投影点中心点尽可能远，完成最佳的分类结果。支持向量机是在特征空间中寻找最佳的分离超平面，以最大化训练集正负样本之间的间隔，其针对小样本统计估计和预测学习的最佳理论和识别方法，对得到的识别量应用支持向量机进行步态识别和分类。

1.2.1LDA分类算法

LDA是分类中最常用的方法之一。这种分析技术是由RAFisher在1936年首次提出的。这种分类方法的主要目标是找到标记属性的线性组合，这些属性完全分离或表征两类或两类以上的事件或对象。该结果作为数据集维数的约简实现。它也被称为典型变量分析或Fisher线性判别分析。这是在模式识别，统计和机器学习中实现的基本数学技术之一。LDA可以很容易地处理类中频率不等的数据，性能的检查是基于随机生成的测试数据。它提高了类间和类内方差的比率，从而保证了最大的可分性。

若要使同类样例的投影点尽可能靠近，要保证同类样例投影点的协方差QUOTEωT0ω+ωT1ωωT0ω+

J=QUOTE||ωTu0-ωTu1||22ωT

类间散度矩阵：

QUOTESw=0+1=

类内离散矩阵：

QUOTESb=(u0-u

J=QUOTEωTSbωωT

由拉格朗日乘子法可知：

QUOTESbω=λSwω

QUOTESbω=λ(u0-u

可求得投影方向的向量QUOTEωω：

QUOTEω=Sw-1(u0

1.2.2SVM分类算法

支持向量机(SVM)是一种基于定义决策边界的决策平面的模型。决策平面将一组对象分成不同的类。大多数分类任务并不像线性分类那样简单，往往需要更复杂的结构来获得最佳的分离。最优的分离是基于可用的用例正确分类新目标(测试用例)。这种绘制分隔线来分类不同类别的对象的分类任务称为超平面分类器。支持向量机可以处理这样复杂的任务。对象使用数学函数(内核)进行映射。对对象进行分类的过程称为映射。支持向量机(SVM)是一种通过在多维空间中构造超平面来执行任务的分类方法。这个方法将案例从不同的类中分离出来。支持向量机可以是回归和分类。它使用多个连续和分类变量(分类变量被转换为虚拟变量)。

在样本空间中，划分决策面用线性方程表示为：

QUOTEωTx+b=0ωTx+b=0

样本空间中任意一点到这个决策面的距离可由下式计算：

QUOTEr=ωTx+b|ω