基于小波包變換的表面肌電信號(hào)模式識(shí)別

摘 要：采用小波包變換的方法對(duì)表面肌電信號(hào)sEMG進(jìn)行了多尺度分解，并提取小波包分解系數(shù)的能量值構(gòu)建特征矢量，采用四種方法設(shè)計(jì)多類最小二乘支持向量機(jī)(LS-SVM)分類器，對(duì)8種表面肌電信號(hào)進(jìn)行了模式分類。實(shí)驗(yàn)結(jié)果表明，采用四種多類分類方法的LS-SVM分類器對(duì)8種表面肌電信號(hào)的平均識(shí)別率在90%以上，LS-SVM分類準(zhǔn)確率明顯優(yōu)于傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)分類器。

關(guān)鍵詞：表面肌電信號(hào); 小波包變換; LS-SVM; 模式識(shí)別

中圖分類號(hào)：TN911.7-34 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：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

表面肌電信號(hào)(surface Electromyographic Signal，sEMG)是從肌肉表面通過(guò)電極引導(dǎo)、放大、記錄下來(lái)的神經(jīng)肌肉系統(tǒng)活動(dòng)時(shí)的非平穩(wěn)一維時(shí)間序列生物電信號(hào)，能夠反映神經(jīng)肌肉的活動(dòng)［1］。肌電信號(hào)不僅在臨床醫(yī)學(xué)、運(yùn)動(dòng)醫(yī)學(xué)等領(lǐng)域被廣泛應(yīng)用，而且成為人工假肢和功能性神經(jīng)電刺激的理想控制信號(hào)［2］。

傳統(tǒng)的表面肌電信號(hào)模式識(shí)別方法是提取時(shí)域特征用作模式識(shí)別，這些方法僅僅在時(shí)域中分析數(shù)據(jù)，并且將肌電信號(hào)視為平穩(wěn)信號(hào)或分段平穩(wěn)信號(hào)，而肌電信號(hào)在本質(zhì)上是一種具有非平穩(wěn)特性的生理信號(hào)，因此在對(duì)多類肌電信號(hào)動(dòng)作進(jìn)行識(shí)別時(shí)很難得到理想的分類結(jié)果；而小波分析是一種有效的多分辨率時(shí)頻分析方法，是分析非平穩(wěn)信號(hào)的有力工具［3］。它的不足是在高頻段的頻率分辨率較低， 導(dǎo)致在一些應(yīng)用中， 不能滿足實(shí)際要求。小波包的概念是在小波變換的基礎(chǔ)上提出來(lái)的， 它提供了一種更為精細(xì)的信號(hào)分析方法， 將信號(hào)高頻部分進(jìn)行進(jìn)一步分解， 即對(duì)高頻部分也用二分濾波器進(jìn)行分解， 所以能根據(jù)信號(hào)的特征選取相應(yīng)頻帶與信號(hào)頻譜匹配， 進(jìn)一步提高了時(shí)頻分辨率， 因此小波包分析具有更廣泛的應(yīng)用價(jià)值。

對(duì)于多自由度肌電控制假肢，尋找一個(gè)好的模式分類器是關(guān)鍵，支持向量機(jī)［4-5］(SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來(lái)的一種新的機(jī)器學(xué)習(xí)方法，具有堅(jiān)實(shí)理論基礎(chǔ)、全局優(yōu)化、泛化性能好等優(yōu)點(diǎn)。最小二乘支持向量機(jī)(Least Squares Support Vector Machines)是Suyken在SVM基礎(chǔ)上提出的一種改進(jìn)方法［6］。LS-SVM用等式約束代替了SVM中的不等式約束， 并且在訓(xùn)練分類時(shí)， 常用的損失函數(shù)是誤差平方和損失函數(shù)。這使問(wèn)題變成求解一個(gè)典型的線性KKT系統(tǒng)， 它的計(jì)算效率大大高于傳統(tǒng)支持向量機(jī)中求解一個(gè)凸二次規(guī)劃問(wèn)題的效率。

本文采用小波包變換方法提取表面肌電信號(hào)的小波系數(shù)的能量作為特征矢量，采用LS-SVM設(shè)計(jì)多類分類器，對(duì)肌電信號(hào)的模式識(shí)別進(jìn)行了研究。研究結(jié)果表明，采用四種方法設(shè)計(jì)的支持向量機(jī)分類器能很好地識(shí)別出8種表面肌電信號(hào)動(dòng)作，平均識(shí)別率在90%以上，識(shí)別的結(jié)果明顯優(yōu)于傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)。

1 基于小波包變換的特征參數(shù)提取

1.1 小波分解

小波變換是傅里葉變換的新發(fā)展［3］。它在高頻時(shí)使用短窗口，在低頻時(shí)使用寬窗口，將信號(hào)分解成低頻的粗略部分與高頻的細(xì)節(jié)部分，然后只對(duì)低頻細(xì)節(jié)再做第二次分解，分解成低頻部分與高頻部分，而不對(duì)高頻部分做第二次分解。小波包分析是從小波分析延伸出來(lái)的一種對(duì)信號(hào)進(jìn)行更加細(xì)致的分析與重構(gòu)的方法。它將頻帶進(jìn)行多層次劃分，對(duì)小波變換沒(méi)有細(xì)分的高頻部分進(jìn)行進(jìn)一步分解，并能夠根據(jù)被分析信號(hào)的特征，自適應(yīng)地選擇頻帶，使之與信號(hào)頻譜相匹配，從而提高了處理信號(hào)的能力。

小波包分解中，分解層數(shù)的增加可使信號(hào)的高頻成分和低頻成分的分解都達(dá)到很精細(xì)的程度。信號(hào)S的表示如圖1所示。其中，L表示低頻;H表示高頻。

經(jīng)N層樹型小波包分解后可以得到信號(hào)在各頻段內(nèi)的特征信息，即原肌電動(dòng)作信號(hào)的能量被分解到2n個(gè)正交頻帶上。

1.2 特征參數(shù)提取

在進(jìn)行特征提取時(shí)，將表面肌電信號(hào)利用小波包進(jìn)行3級(jí)分解，如果S代表原肌電信號(hào)，經(jīng)過(guò)分解就可以得到第3級(jí)的8組分解系數(shù)，即S=S1+S2+S3+S4+S5+S6+S7+S8。由于不同動(dòng)作在同一塊肌肉上的表面肌電信號(hào)幅度、能量是不同的。因此不同動(dòng)作模式的表面肌電信號(hào)經(jīng)小波包分解后在各頻帶上的投影是不同的，所以將表面肌電信號(hào)在各頻帶投影序列的能量作為每類動(dòng)作的特征向量，用來(lái)進(jìn)行分類識(shí)別。

2 多類模式最小二乘支持向量機(jī)分類器

2.1 LS-SVM基本原理

Suykens提出的LS-SVM是在傳統(tǒng)SVM基礎(chǔ)上的一種改進(jìn)算法，它是通過(guò)求解一個(gè)線性規(guī)劃問(wèn)題得到?jīng)Q策函數(shù)。對(duì)于給定的樣本集有：

2.2 多類模式支持向量機(jī)分類器的設(shè)計(jì)

目前，對(duì)于多類分類問(wèn)題，SVM的解決途徑主要是通過(guò)構(gòu)造多個(gè)SVM二值分類器并將它們組合起來(lái)實(shí)現(xiàn)多類分類。常見(jiàn)的構(gòu)造方法是“一對(duì)一”、“一對(duì)多”、糾錯(cuò)編碼(Error correcting output code，ECOC)、最小輸出編碼［7］(Minimum Output Coding，MOC)等。

2.2.1 一對(duì)多(1-a-r)

在該分類方法中對(duì)n個(gè)類別僅需構(gòu)造n個(gè)支持向量機(jī)，每一個(gè)支持向量機(jī)分別將某一類的數(shù)據(jù)從其他類別中分離出來(lái)。在測(cè)試時(shí)，取決策函數(shù)輸出值最大的類別為測(cè)試樣本的類別。

2.2.2 一對(duì)一(1-a-1)

在該分類方法中，各個(gè)類別之間構(gòu)造分類器，對(duì)n個(gè)類別共需構(gòu)造n(n-1)/2個(gè)分類器，每個(gè)分類器函數(shù)的訓(xùn)練樣本是相關(guān)的兩個(gè)類，組合這些兩類分類器并使用投票法，得票最多的類為樣本點(diǎn)所屬的類。

2.2.3 ECOC-SVM

ECOC是Bose和RayChaudhuri在1960年提出的一種分布式輸出碼［4-5，7］，具體過(guò)程如下：將由1和0組成的一個(gè)碼矩陣設(shè)為Mqs。其中，q為類別數(shù);s為待訓(xùn)練的分類器數(shù)，當(dāng)Mqs=1(Mqs=0)時(shí)，表示此樣本相對(duì)于第q類而言是作為正例(負(fù)例)來(lái)訓(xùn)練第s個(gè)分類器fs的。

2.2.4 MOC-SVM

最小輸出編碼(MOC)，是在糾錯(cuò)輸出編碼方法基礎(chǔ)上進(jìn)行的一種改進(jìn)［4-5，7］。在最小輸出編碼方法中，采用能夠?qū)δ骋欢囝惙诸悊?wèn)題進(jìn)行分類的最小數(shù)目的兩類分類機(jī)，并且兩類分類機(jī)的順序是固定的。能達(dá)到這個(gè)目的的兩類分類機(jī)的選擇原則，就是在二進(jìn)制數(shù)的基礎(chǔ)上建立的。

由于采用的是最小數(shù)目的二類分類機(jī)，所以MOC算法的訓(xùn)練速度比ECOC的速度有明顯的改進(jìn)，精度也比ECOC算法高。而且它的一個(gè)顯著特點(diǎn)就是拒分率大大降低了，所以MOC算法是這些方法中比較有效的一種多類分類方法。

3 實(shí)驗(yàn)研究

為了驗(yàn)證四種多類分類方法設(shè)計(jì)的LS-SVM分類器的分類性能，分別用四種方法設(shè)計(jì)的LS-SVM分類器對(duì)8種肌電信號(hào)進(jìn)行了分類實(shí)驗(yàn)。另外，為了與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)分類方法進(jìn)行比較，進(jìn)行了支持向量分類與RBF神經(jīng)網(wǎng)絡(luò)分類實(shí)驗(yàn)。實(shí)驗(yàn)時(shí)按前述特征參數(shù)的提取方法，首先對(duì)sEMG信號(hào)進(jìn)行多尺度小波包分解，提取由小波包分解系數(shù)的能量值作為信號(hào)特征矢量，采用LS-SVM分類器實(shí)現(xiàn)動(dòng)作識(shí)別，本文所有肌電信號(hào)數(shù)據(jù)來(lái)源于MIT-BIH數(shù)據(jù)庫(kù)。

3.1 四種不同方法設(shè)計(jì)的分類器對(duì)表面肌電信號(hào)分類實(shí)驗(yàn)

對(duì)于多類支持向量機(jī)分類器的設(shè)計(jì)，本文采用了前述四種不同的多類分類器構(gòu)造方法。分別用四種不同的支持向量機(jī)分類器對(duì)同樣的樣本進(jìn)行了實(shí)驗(yàn)，結(jié)果如圖2所示。

圖2實(shí)驗(yàn)結(jié)果表明，四種方法設(shè)計(jì)的LS-SVM分類器中，MOC方法的分類精度最高，而且有著明顯的優(yōu)勢(shì)。

3.2 支持向量機(jī)與RBF神經(jīng)網(wǎng)絡(luò)分類比較試驗(yàn)

為了比較支持向量機(jī)和傳統(tǒng)方法分類的分類效果，把LS-SVM分類結(jié)果與傳統(tǒng)分類方法RBF神經(jīng)網(wǎng)絡(luò)分類的結(jié)果進(jìn)行了比較，結(jié)果如圖3所示。LS-SVM分類器采用的是MOC方法設(shè)計(jì)的分類器參數(shù)設(shè)置。

圖3的實(shí)驗(yàn)結(jié)果表明，用MOC方法設(shè)計(jì)的支持向量機(jī)分類器的分類精度高于用RBF神經(jīng)網(wǎng)絡(luò)的分類精度，LS-SVM分類器要明顯優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)分類器。

4 結(jié) 論

針對(duì)表面肌電信號(hào)的非平穩(wěn)特征，采用小波包方法對(duì)表面肌電信號(hào)做多尺度分解，從中提取小波包分解系數(shù)的能量值作為信號(hào)的特征向量，提取的特征穩(wěn)定，易于識(shí)別。采用四種算法設(shè)計(jì)LS-SVM分類器對(duì)其進(jìn)行模式分類。實(shí)驗(yàn)結(jié)果表明，MOC方法設(shè)計(jì)的分類器的分類精度要明顯高于其他三種方法，而且MOC方法設(shè)計(jì)的SVM分類器識(shí)別的結(jié)果明顯優(yōu)于傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)；這主要是因?yàn)橹С窒蛄繖C(jī)兼顧了訓(xùn)練誤差和推廣能力，在解決小樣本、非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)，而神經(jīng)網(wǎng)絡(luò)方法往往陷入過(guò)學(xué)習(xí)，即所謂的風(fēng)險(xiǎn)最小化。

參 考 文 獻(xiàn)

［1］OSKOEI M A， HU H. Myoelectric control systems-a survey [J]. Biomedical Signal Process and Control (Elsevier)， 2007， 2(4): 275-294.

［2］MOHAMMADREZA Asghari Oskoei， HU Huo-sheng. Support vector machine-based classification scheme for myoelectric control applied to upper limb [J]. IEEE Transactions on Biomedical Engineering， 2008， 55(8): 165-169.

［3］LUCAS Marie-Francoise， GAUFRIAU Adrien， PASCUAL Sylvain， et al. Multi-channel surface EMG classification using support vector machines and signal-based wavelet optimization [J]. Biomedical Signal Process and Control(Elsevier)， 2008，3(2): 169-174.

［4］Vladimir N Vapnik.統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)[M].張學(xué)工，譯.北京：清華大學(xué)出版社，2000.

［5］VAPNIK V N. An overview of statistical learning theory [J]. IEEE Transactions on Neural Networks， 1999， 10(5): 988-999.

［6］SUYKENS J A K， GESTEL T V， BRABANTER J D， et al. Least squares support vector machines [M]. Singapore: World Scientific， 2002.

［7］鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法:支持向量機(jī)[M].北京：科學(xué)出版社，2004.

［8］ENGLEHART K， HUDGINS B， PARKER P A. A wavelet-based continuous classification scheme for multifunction myoelectric control [J]. IEEE Trans. on Biomed. Eng.， 2001， 48(3): 302-310.

［9］ENGLEHART K， HUDGINS B. A robust， real-time control scheme for multifunction myoelectric control [J]. IEEE Trans. Biomed. Eng.， 2003， 50(7): 848-854.

［10］AJIBOYE A B， WEIR R F. A heuristic fuzzy logic approach to EMG pattern recognition for multifunctional prosthesis control [J]. IEEE Trans. Neural Syst. Rehabil. Eng.， 2005， 13(3): 280-291.

作者簡(jiǎn)介：

王 玲 女，1977年出生，陜西蒲城人，碩士，講師。主要研究方向?yàn)殡娮訙y(cè)量及自動(dòng)化。