專利名稱：多指多自由度假手用肌電控制能力檢測訓(xùn)練方法
技術(shù)領(lǐng)域：
本發(fā)明屬于假手用肌電控制能力檢測方法領(lǐng)竭，尤其是一種 在安裝多自由度肌電假手前，用于截肢者肌電控制能力檢測和訓(xùn) 練提高肌電控制能力的多指多自由度假手用肌電控制能力檢測訓(xùn)練 方法。
背景技術(shù)：
假手是為恢復(fù)人手的形態(tài)和功能，以補(bǔ)償截肢造成的缺損而制作 和裝配的人工手。假手是一種重要的上肢假肢，不僅前臂截肢患者需 要安裝假手來代償缺失的人手功能，即使上臂或者肩離斷的截肢者安裝的上肢假肢，也需要有假手作為末端操作器。據(jù)2006年抽樣統(tǒng)計， 中國有2412萬肢體殘疾人，按截肢者占80/^推算，截肢者有200萬， 其中上肢截肢者約占29%，有58萬人，可見假手有很大的市場需求。 假手的種類很多，通過提取殘肢表面肌電信號(surface Electromyography, sEMG)控制的肌電假手，因仿生性能好，而得到 廣泛應(yīng)用。肌電假手的控制方式可分為三類閾值控制、比例控制和模 式識別控制。閾值控制肌電假手是當(dāng)肌電幅值超過設(shè)定閾值時控 制假手運(yùn)動，這種方法因簡單、可靠而廣被采用，目前市場上應(yīng) 用的肌電假手大多數(shù)都采用這種方法。比例控制肌電假手是可以 根據(jù)肌電強(qiáng)弱來選擇假手相應(yīng)的速度和握力等級，這個方法在假 手握取到物體之前，實(shí)行比例速度調(diào)節(jié)。閾值和比例控制方法的 理論依據(jù)是肌電信號(Electromyography, EMG)可近似成一種具 有可控方差的零均值高斯過程，其方差與肌肉收縮強(qiáng)度成正比。 閾值和比例控制利用的是EMG功率信息，比較適合控制單自由 度假手。目前市場上手部有一個自由度的多自由度上肢假肢(其它為腕或肘等關(guān)節(jié)的自由度)都是通過切換開關(guān)來控制不同關(guān)節(jié) 運(yùn)動的。對于多指多自由度假手，因手指間組合方式多而不能采 用固定模式的順序控制，因?qū)M合動作時不同手指運(yùn)動實(shí)時性要 求高，所以更不可能采用時間上有明顯滯后的串行切換開關(guān)控制， 只能采用基于模式識別的肌電控制方法。我們在已經(jīng)公開的發(fā)明專利CN101036601A和授權(quán)的發(fā)明實(shí)用新型專利CN2746890Y中發(fā)明的基于模式識別的二自由度肌電假手控制方法就是為了提高 二自由度肌電假手控制的實(shí)時性，利用AR模型提取兩個通道 sEMG特征，然后將AR模型系數(shù)作為BP神經(jīng)網(wǎng)絡(luò)分類器輸入， 識別張開/合攏、腕上/下翻、腕左/右旋和停止7個動作。基于模式識別的肌電控制方法的優(yōu)點(diǎn)是可以從較少通道的 sEMG中，得到控制多于sEMG通道數(shù)的信號，而且不同動作之 間沒有時間上的延遲，實(shí)時性高。但是基于模式識別的肌電控制 方法個體差異性比較大，通過對sEMG進(jìn)行模式識別，識別出運(yùn) 動模式的正確率不僅與截肢位置、截斷肌肉保留情況及其縫合方 式等多種因素有關(guān)，而且與電極安放的位置、肌肉的強(qiáng)壯程度、 采用的sEMG特征及分類器的算法等因素有關(guān)。即使是基于閾值控制和比例控制的單自由度肌電假手對截肢 者自身的截肢位置、sEMG強(qiáng)度及控制肌肉收縮的能力都是有一 定要求，譬如要求截肢者sEMG的幅度要大于100毫伏才能安裝， 對于sEMG沒有達(dá)到標(biāo)準(zhǔn)或者控制能力較差的，則利用肌電檢測 儀進(jìn)行反饋訓(xùn)練，如果訓(xùn)練仍然達(dá)不到標(biāo)準(zhǔn)的，則不能安裝肌電 假手。基于模式識別的肌電控制上肢假肢，利用的不僅僅是肌電 幅值的信號，因此安裝前，對截肢者要進(jìn)行更多的測試與分析， 選擇識別成功率最高的sEMG特征提取方法和分類器，并且進(jìn)行 增強(qiáng)sEMG幅度、提高sEMG識別成功率和識別成功率穩(wěn)定性的 sEMG反饋訓(xùn)練，使更多的截肢者能夠成功安裝基于模式識別的 肌電控制多自由度上肢假肢。目前，市場上只有為安裝基于閾值 控制和比例控制的肌電上肢假手配套的肌電反饋訓(xùn)練裝置，但是 沒有為安裝基于模式識別的肌電控制多指多自由度假手配套的肌 電控制能力檢測訓(xùn)練方法及裝置。發(fā)明內(nèi)容本發(fā)明的目的是提供一種為安裝基于模式識別的肌電控制多 指多自由度假手用肌電控制能力檢測訓(xùn)練方法，本發(fā)明不局限于肌 電控制多指多自由度假手，同樣也適于肌電控制多自由度上肢假肢。本發(fā)明的技術(shù)方案是多指多自由度假手用肌電控制能力檢測 訓(xùn)練方法，其特征是包括下列步驟…用信號采集模塊采集殘肢表面肌電信號數(shù)據(jù)，當(dāng)數(shù)據(jù)的噪聲均 勻，信號幅值大于噪聲幅值的5倍以上，且信號持續(xù)時間大于0.5秒 時，此時的數(shù)據(jù)可以作為合適的信號數(shù)據(jù)；…利用信號分析模塊對采集的數(shù)據(jù)進(jìn)行濾波處理、時域、頻域和 時頻域的分析，分析結(jié)果在界面上以圖形方式顯示；…利用離線識別模塊對采集的的殘肢表面肌電信號數(shù)據(jù)進(jìn)行訓(xùn) 練網(wǎng)絡(luò)和識別待識別數(shù)據(jù)，首先，依次用各種分類器和特征值選項的 組合進(jìn)行訓(xùn)練和識別，分類器和特征值的各參數(shù)取默認(rèn)值；然后，取 識別效果最好的分類器和特征值選項，對其各參數(shù)微調(diào)，當(dāng)識別率達(dá) 到92%或以上時，此時的分類器和特征值選項及其具體參數(shù)便是最優(yōu) 分類器和最優(yōu)特征值選項組合；…根據(jù)確定的最優(yōu)分類器和特征值選項的組合，利用在線識別模 塊和控制訓(xùn)練模塊讓患者進(jìn)行控制訓(xùn)練和在線訓(xùn)練。所述的信號采集模塊設(shè)置有采樣頻率、放大倍數(shù)和采樣時間參數(shù)。所述的信號分析模塊包括時域分析、頻域分析和時頻域分析。 所述的離線識別模塊包括單分類器、混合分類器和特征提取選項。所述的在線識別模塊包括單分類器、混合分類器和特征提取選項。所述的控制訓(xùn)練模塊包括在線訓(xùn)練模塊、假手控制模塊和下載模塊。所述的時域分析方法包括全波整流、短時平均能量、絕對值積 分、平均絕對值、短時上升過零間隔、過零點(diǎn)數(shù)、斜率變化率、均值、 方差、均方根、移動平均值、自相關(guān)分析；頻域分析包括AR模型估 計功率譜、功率譜密度；時頻域分析包括短時傅立葉變換和小波變換。所述的單分類器包括BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、隱馬爾可 夫模型、概率神經(jīng)網(wǎng)絡(luò)、學(xué)習(xí)矢量量化網(wǎng)絡(luò)、支持向量機(jī)、模糊神經(jīng)網(wǎng)絡(luò)；所述特征提取選項包括有時域特征、小波變換特征、AR模型 系數(shù)特征、倒譜系數(shù)特征、小波包變換特征、短時傅立葉變換特征； 所述混合分類器包括Bagged-BP混合分類器、AB-RBF混合分類器、 HMM-RBF混合分類器和HMM-SVM混合分類器。 通過有源肌電電極進(jìn)行信號采集。本發(fā)明的效果是提供一種為安裝基于模式識別的肌電控制 多指多自由度假手用肌電控制能力檢測訓(xùn)練方法及裝置，本發(fā)明不局 限于肌電控制多指多自由度假手，同樣也適于肌電控制多自由度上 肢假肢。下面結(jié)合附圖和實(shí)施例對本發(fā)明做進(jìn)一步的說明。


圖l是本發(fā)明硬件框圖；圖2是圖1中有源電極電路原理框圖；圖3是本發(fā)明的軟件系統(tǒng)各模塊組成的主框圖；圖4是圖3中的信號分析模塊包含的分析方法的框圖；圖5是圖3中的離線識別模塊包含的分類器與特征提取選項框圖；圖6是本發(fā)明HMM分類器識別系統(tǒng)框圖；圖7是SVM分類器識別系統(tǒng)框圖； 圖8是本發(fā)明Bagged-BP混合分類器的實(shí)現(xiàn)步驟圖； 圖9是AB算法的第一階段示意圖； 圖IO是AB算法的第二階段示意圖；圖11是基于HMM-RBFN的混合sEMG辨識系統(tǒng)的原理圖； 圖12是基于HMM-SVM的混合sEMG辨識系統(tǒng)的原理圖。
具體實(shí)施方式
本發(fā)明的基于模式識別的肌電控制多指多自由度假手配套的 肌電控制能力檢測訓(xùn)練方法及裝置包括硬件和軟件兩大部分。圖1中，硬件主要有四個由源肌電電極、 一個A/D數(shù)據(jù)采集卡 和一個PC機(jī)組成。有源肌電電極的作用是提取肌肉收縮傳導(dǎo)到皮表的EMG，并且對其進(jìn)行放大濾波，然后通過A/D數(shù)據(jù)采集卡轉(zhuǎn)成數(shù) 字信號傳送到PC機(jī)。4個有源肌電電極用護(hù)腕分別固定于拇短伸肌、 指伸肌、指淺屈肌和尺側(cè)腕屈肌4塊肌肉肌腹上方。需要注意的是， 對于殘端較短的截肢者，根據(jù)殘留肌肉的情況，也可以選擇只用2個 或者3個表面電極分別固定在能夠檢測出EMG的肌肉肌腹上方。圖2中，有源肌電電極包括電極片、三運(yùn)放前置差動放大器、50Hz 工頻帶阻濾波器、低通濾波器、高通濾波器和主放大器。圖3中，軟件由(1)信號采集模塊、(2)信號分析模塊、(3) 離線識別模塊、(4)在線識別模塊和(5)控制訓(xùn)練模塊五個部分組 成。本發(fā)明主要目的是用于殘疾人假手的控制訓(xùn)練和實(shí)時控制 一般 流程為用信號采集模塊采集sEMG數(shù)據(jù)；然后，對采集的數(shù)據(jù)進(jìn)行初 步分析，以確定信號具有可分性和具有最優(yōu)可分性的特征值；再次， 利用離線識別系統(tǒng)對采集的的sEMG數(shù)據(jù)進(jìn)行訓(xùn)練網(wǎng)絡(luò)和識別待識 別數(shù)據(jù)，以確定最優(yōu)分類器和最優(yōu)特征值選項及其各具體參數(shù)的選 擇；然后可以用確定的最優(yōu)分類器和特征值選項的組合讓患者進(jìn)行控 制訓(xùn)練和在線訓(xùn)練。信號采集模塊主要用于sEMG采集、顯示和存儲，在數(shù)據(jù)采集前 可以對采樣頻率、采樣時間和放大倍數(shù)等參數(shù)進(jìn)行設(shè)置，并且還可以 對基線飄移、工頻信號干擾和高低通濾波等進(jìn)行預(yù)處理來去除sEMG 中的干擾信號。信號采集模塊采用巴特沃滋(Butterworth)軟件濾波 器，去除500Hz以上和2Hz以下的噪聲信號，并且采用雙向?yàn)V波方 法以消除由于濾波引起的移相，其傳遞函數(shù)為—0.245 + 0.245Z-1 + 0.7349Z-2 + 0.7349Z-3 1 (l-0.9752Z-1 +2.95Z-2 -2.9749Z-3"106 ()u ,7、 0.1667 + 0.1667Z—1+0.5Z—j 。、 2 l + 0.3333Z-2圖4中，信號分析模塊主要用于對信號采集模塊采集到的sEMG 進(jìn)行時域、頻域和時頻域分析。信號分析模塊包含的時域分析方法有: 全波整流(FWR)、短時平均能量(STAE)、絕對值積分(IAV)、平 均絕對值(MAV)、短時上升過零間隔(ZCT)、過零點(diǎn)數(shù)(ZC)、斜率變化率(SSC)、均值(MV)、方差(VAR)、均方根(RMS)、移 動平均值(MOV)和自相關(guān)分析；信號分析模塊包含的頻域分析方 法有AR模型估計功率譜、功率譜密度(PSD);信號分析模塊包含 的時頻域分析方法有短時傅立葉變換(STFT)、小波變換(WT)。 圖5中，離線識別模塊主要用于識別方法的對比研究。離線識別 模塊主要包括sEMG特征提取選項(31)和分類器(32)，而且特征 提取選項和分類器的參數(shù)可以根據(jù)需要進(jìn)行設(shè)置(默認(rèn)情況下，訓(xùn)練 網(wǎng)絡(luò)和識別時，對各參數(shù)無需另外設(shè)置，若用于做各算法的對比研究 時在可選擇的范圍內(nèi)修改各參數(shù))。離線識別模塊包含的特征提取選項(31)有時域特征(TD)G11)、小波變換特征(WT)(312)、自回歸模型系數(shù)特征(AR)(313)、 倒譜系數(shù)特征(CEP) (314)、小波包變換特征(WPT) (315)、短時 傅立葉變換特征(STFT) (316)。時域特征(TD) (311)又包含絕對平均值(MAV)、過零點(diǎn)數(shù)(ZC)、斜率變化數(shù)(SSC)和波形長度(WL) 4個參數(shù)，這4個參 數(shù)組合為時域特征向量。以sEMG為4個通道時為例，時域特征向量 形式如下x—「x1 ，x1 ,;c1 ,x、…，x4 ，x4,x4 ,jc4,1 (3) 這四個參數(shù)的定義如下(1) 絕對平均值(Mean Absolute Value， MAV)xm4「 二"^2jIX" (4)其中，x,為第/點(diǎn)的sEMG值，TV為分析樣本長度。(2) 過零點(diǎn)數(shù)(Zero Crossings, ZC)&c =Z[sgn(-Wi)nk -A,] (5)其中sgnW = io 其它 (6)其中x,、 x^為第/點(diǎn)及汁l點(diǎn)的sEMG值，7V為分析樣本長度。
(3) 斜率變化數(shù)(Slope Sign Changes, SSC)
x: = Z sgn[(x, - A-i)x " - xw )] (7)
其中，x。 x,_,、 ^分別為/^"及其前后相鄰點(diǎn)的sEMG值，iV 為分析樣本長度。sgn函數(shù)的定義同過零點(diǎn)數(shù)。
(4) 波形長度(Waveform Length, WL)
x肌=— x/| (8)
其中、、《+1為第/點(diǎn)及/+1點(diǎn)的sEMG值，7V為分析樣本長度。 自回歸模型系數(shù)(Autoregressive， AR) (313)
、=-Z"J"+A (9)
其中x,是第/點(diǎn)的EMG值，p是AR模型的階數(shù)。&是AR模型 的系數(shù)。e,是第/點(diǎn)的殘差白噪聲。采用的4階AR模型，取模型的 AR系數(shù)^,"1,…,4作為特征值
= ["，" :,. ，"，，" :] (10)
倒頻譜系數(shù)(Cepstrum， CEP) (314)簡稱為倒譜，定義為信號 x⑦的Z變換的幅度的對數(shù)的反Z變換，艮口
c(O = z->g I z[柳I] = z->g I x(力I] (11)
當(dāng)z僅在單位圓上取值時，前p階倒譜系數(shù)可由戶階AR模型系
數(shù)通過迭代得到，艮口
ct = -a A: = 1
7=1 &
式中，/ 為AR模型階數(shù)，^，hl，…,^為AR模型系數(shù)。q,hl,…，p 為前P階倒譜系數(shù)。
首先求得信號前P階倒譜系數(shù)，然后將各通道倒譜系數(shù)組合為倒譜特征向量。當(dāng)/^4時，得到倒譜特征向量形式如下
<formula>formula see original document page 11</formula> (13)
短時傅里葉變換(316)為
<formula>formula see original document page 11</formula> (14)
本發(fā)明采用64點(diǎn)Hamming窗對每通道信號作短時傅立葉變換， 窗口重合長度為32點(diǎn)。然后求短時傅立葉變換系數(shù)矩陣的奇異值， 設(shè)奇異值長度為m，則單個樣本的短時傅立葉變換特征可如下表示
<formula>formula see original document page 11</formula> (15)
小波變換(312)是時頻域分析方法，它將時域的一維信號變換 至?xí)r間-頻率尺度的二維空間，是傅立葉變換的新發(fā)展。傳統(tǒng)傅氏級 數(shù)的系數(shù)不能反映信號的局部特性，而小波變換在高頻時使用短窗
口，在低頻時使用寬窗口，因此小波變換系數(shù)具有更為豐富的信號子: 息。
小波變換變?yōu)?lt;formula>formula see original document page 11</formula>
(16)
本發(fā)明首先分別求出W點(diǎn)sEMG在尺度"",…時的連續(xù)小波變 換系數(shù)，得到大小為iVx5的系數(shù)矩陣，然后計算系數(shù)矩陣的奇異值， 最后將各通道系數(shù)矩陣的奇異值組合為該iV點(diǎn)sEMG的小波變換特 征向量。
本發(fā)明采用4階Coiflet母小波進(jìn)行小波分解，最后得到樣本的 小波分解特征向量為
r : ， , XvtY3 , Xw/4 ， XmY5 ， ， , 、'1 ， 乂viV2 ， Xwf3 , 乂mV4 ， Xw'5 ] (17)
小波包變換的最大特點(diǎn)在于信號按一定的時頻分辨率分解到不 同的頻段，并將信號的時頻成分相應(yīng)投影到所有代表不同頻段的正交小波包空間；小波包空間的完整性和正交性確保信號經(jīng)過小波包變換 之后，信息量完整無缺，并隨著分解層次的增加，正交小波包空間的 個數(shù)呈指數(shù)增加，正交小波包變換將對信號的時頻特性描述得愈加精 細(xì)。
本發(fā)明先用5階Symmlet母小波進(jìn)行丄層小波包分解，然后分 別計算2^個葉節(jié)點(diǎn)的能量構(gòu)成一個2^維向量，最后將各通道的能量向 量組合成小波包分解特征向量。實(shí)驗(yàn)中取丄=2，則單個樣本的小波包 變換特征向量(WPT) (315)為
<formula>formula see original document page 12</formula> (18)
分類器(32)包括多層感知器神經(jīng)網(wǎng)絡(luò)(BP) (321)、徑向基 神經(jīng)網(wǎng)絡(luò)(RBF) (322)、隱馬爾可夫模型(HMM) (323)、概率神 經(jīng)網(wǎng)絡(luò)(PNN) (324)、學(xué)習(xí)矢量量化網(wǎng)絡(luò)(LVQ) (325)、支持向量 機(jī)(SVM) (326)、模糊神經(jīng)網(wǎng)絡(luò)(FNN) (327)。
多層感知器神經(jīng)網(wǎng)絡(luò)(321) —般選用誤差反向傳播(errorBack Propagation, BP)算法的三層前饋神經(jīng)網(wǎng)絡(luò)，所以又稱為BP神經(jīng)網(wǎng) 絡(luò)。輸入層節(jié)點(diǎn)數(shù)等于特征向量的維數(shù)，輸出層節(jié)點(diǎn)數(shù)等于訓(xùn)練樣本 類別總數(shù)，其他的分類器的輸入層與輸出層定義未特殊說明皆與此相 同。隱層節(jié)點(diǎn)數(shù)(隱層節(jié)點(diǎn)數(shù)"/2/學(xué)習(xí)速率/r/動量常數(shù)m)采用k-fold 交叉驗(yàn)證的方法來確定，首先采用k-fold (k=10)交叉驗(yàn)證方法初選， 然后手動細(xì)調(diào)。經(jīng)過比較，分類器的參數(shù)默認(rèn)設(shè)定為 w/2=30//r=0.3/m=0.9。中間層傳遞函數(shù)為對數(shù)Sigmoid函數(shù)(Logsig)， 輸出層傳遞函數(shù)為線性傳遞函數(shù)(Pureline)。網(wǎng)絡(luò)采用自適應(yīng)學(xué)習(xí)速 率動量梯度下降反向傳播算法進(jìn)行訓(xùn)練，訓(xùn)練的最大迭代次數(shù)為300。 網(wǎng)絡(luò)采用均方誤差作為性能指標(biāo)，其值取為0.0001。中間層傳遞函數(shù) 如下所示
<formula>formula see original document page 12</formula> (19)
徑向基神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Networks, RBF-NN) (322)是以函數(shù)逼近理論為基礎(chǔ)而構(gòu)造的前向網(wǎng)絡(luò)。RBF網(wǎng)絡(luò)也有三層輸入層不執(zhí)行任何變換，僅用于接受輸入樣本；隱層 采用徑向基函數(shù)，實(shí)現(xiàn)輸入空間向更高維空間的非線性映射；輸出層 在該新的空間中對隱層輸出進(jìn)行線性加權(quán)。RBF網(wǎng)絡(luò)采用了指數(shù)遞減 的局部非線性函數(shù)(如高斯函數(shù))。RBF網(wǎng)絡(luò)隱層采用高斯徑向基傳 遞函數(shù)，其表達(dá)式為
/ = exp
(20)
式中，c是高斯函數(shù)的中心，a是高斯函數(shù)的寬度。 RBF網(wǎng)絡(luò)的輸出層采用線性傳遞函數(shù)。RBF網(wǎng)絡(luò)的擴(kuò)展常數(shù)(基 函數(shù)的寬度)和隱層最大節(jié)點(diǎn)數(shù)均采用k-fold (k=10)交叉驗(yàn)證方法 進(jìn)行優(yōu)選。訓(xùn)練過程中，開始時網(wǎng)絡(luò)隱層的神經(jīng)元個數(shù)為零，然后每 迭代一次，隱層就添加一個神經(jīng)元，直至達(dá)到設(shè)定的最大節(jié)點(diǎn)數(shù)(100) 或網(wǎng)絡(luò)的均方誤差小于目標(biāo)值(0.01)。實(shí)際訓(xùn)練中，我們默認(rèn)選取 隱層節(jié)點(diǎn)數(shù)(高斯函數(shù)中心個數(shù))為60，擴(kuò)展常數(shù)(基函數(shù)的寬度) 為13。
隱馬爾可夫模型(Hidden Markov Model, HMM) (323)是在 Markov鏈基礎(chǔ)上發(fā)展起來的一種用參數(shù)表示的用于描述隨機(jī)過程統(tǒng) 計特性的概率模型。它是一個雙重隨機(jī)過程。因?yàn)閟EMG是連續(xù)信號， 為充分利用信號的信息特征，本發(fā)明選用連續(xù)HMM模型(按照觀測 值概率矩陣S的統(tǒng)計特性，可將HMM分為離散HMM和連續(xù)HMM)， 又由于sEMG是時變信號，所以選用了左-右型HMM模型(根據(jù)狀 態(tài)轉(zhuǎn)移矩陣^的形式，HMM可分為各態(tài)遍歷模型和左-右模型)。
在連續(xù)HMM模型中，觀測值為高斯型概率密度函數(shù)，則該連續(xù) HMM模型可表示為hO7，」，"。其中p:為初始概率矢量；A為狀 態(tài)轉(zhuǎn)移矩陣；&觀測值概率矩陣，5^Wo),…,Zv(0)]，其中
~(o)=》,(21)
/=1
其中，O:觀測向量(Dxr)， D為維數(shù)，r為觀測序列長度；M: 每個狀態(tài)包含的混合高斯元個數(shù)；。,第J'個狀態(tài)的第/個混合高斯 元的權(quán)值(混合系數(shù))；G:表示正態(tài)高斯概率密度函數(shù)； 第J'個狀態(tài)的第/個混合高斯元的均值矢量；第J個狀態(tài)的第/個混 合高斯元的均值矢量。
對于左-右型HMM，初始概率分布矢量默認(rèn)為
4 (22)
在迭代過程中，初始概率分布矢量中為0的元素始終為0，不作 任何調(diào)整。
可選參數(shù)及其默認(rèn)值分別為混合數(shù)取3;狀態(tài)數(shù)取4;迭代次 數(shù)取3。
圖6中，對單個連續(xù)HMM的訓(xùn)練步驟如下(1 )首先輸入模 型的狀態(tài)數(shù)《(實(shí)際訓(xùn)練中默認(rèn)取4)，初始概率分布/7，初始狀態(tài)轉(zhuǎn)
移概率矩陣A迭代誤差e，迭代最大步數(shù)S (實(shí)際訓(xùn)練中默認(rèn)取3)
和觀察矢量序列CK多觀測樣本)；(2)由《均值算法估計初始高斯
混合密度參數(shù)^， &，巧,，獲得連續(xù)HMM的初始模型^; (3) 用多觀測樣本重估公式計算模型各參數(shù)^， ^， &，巧,，經(jīng)過/次迭 代，獲得結(jié)果模型I。
支持向量機(jī)(Support Vector Machine, SVM) (326)方法建立在 統(tǒng)計學(xué)習(xí)理論的KC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上。支持向量機(jī) 核函數(shù)采用滿足Mercer條件的徑向基核函數(shù)(Radial Basis Function K6rnds)
《(X，y) = eXp[-y||x-y||2],y>0 (23)
其中，y為核函數(shù)參數(shù)。實(shí)際訓(xùn)練中，核函數(shù)選用徑向基核函數(shù)， 核函數(shù)參數(shù)(y)取0.6，懲罰因子(C)取0.5。
圖7是SVM分類器識別系統(tǒng)框圖，SVM考慮的是二值分類情 況，在解決sEMG運(yùn)動辨識等多值分類問題時，須將兩分類器擴(kuò)展為 多值分類器，較常用的方法有 一對一、 一對多、有向無環(huán)圖等。其 中"一對一"更適合工程實(shí)際，且單個SVM訓(xùn)練規(guī)模小、訓(xùn)練數(shù)據(jù) 均衡，易于擴(kuò)展。因此，本實(shí)施例中選用"一對一"方法，對A類動 作兩兩構(gòu)造SVM分類器，獲得A(yt-l)/2個支持向量機(jī)。在識別時， SVM對輸入樣本進(jìn)行"多數(shù)投票表決"。SVM訓(xùn)練采用SMO算法。概率神經(jīng)網(wǎng)絡(luò)(Probability Neural Network, PNN) (324)屬于前 饋神經(jīng)網(wǎng)絡(luò)，有2個隱層，主要用于模式分類。它用高斯核的Parzen 窗函數(shù)計算給定樣本的分類后驗(yàn)概率，實(shí)現(xiàn)Bayes分類。各模式單元具有相同的輸入， 一般模式單元的個數(shù)等于訓(xùn)練樣本 的個數(shù)，求和單元的個數(shù)等于類別數(shù)。每個模式單元先求輸入向量與 權(quán)向量w的距離，用高斯核函數(shù)實(shí)現(xiàn)非線性映射; -0) = exp(-|卜-ft)『/2(72) A:",2,…，c (24)其中c為分類類別數(shù)，)為訓(xùn)練樣本個數(shù)。選擇不同的方差可以得到不同的分類器。例如『oo時接近線性 分類器；fO時趨近近鄰分類器。實(shí)際訓(xùn)練中默認(rèn)取a=0.55。求和單元根據(jù)多元正態(tài)核函數(shù)的混合估計出類條件概率密度附A"1,2,…，C (25)y.=i其中，^為輸入向量大小，《為混合百分比。
Z 7T) = 1 A: = 1，2,…，c (26)輸出單元代表了屬于某類的最大概率，從而實(shí)現(xiàn)Bayes基于最小 風(fēng)險估計的特點(diǎn)c P*=Sv/、0/ hl，2，…，c (27)其中，",是每類的先驗(yàn)概率，《為錯分時的損失函數(shù)。 當(dāng)基于最小風(fēng)險決策時，選擇的類別/應(yīng)使/ = argminl^^{/^。學(xué)習(xí)矢量量化網(wǎng)絡(luò)(Learning Vector Quantization, LVQ)(325)是一種自適應(yīng)數(shù)據(jù)分類方法，它是通過有監(jiān)督的學(xué)習(xí)來提高網(wǎng)絡(luò) 對輸入矢量分類的正確率。 LVQ算法的完整描述為Stepl:采用《均值聚類初始化聚類中心；Step 2:采用表決方法標(biāo)注每一聚類。所謂表決方法是指在一 個聚類中，當(dāng)屬于類別A的數(shù)據(jù)點(diǎn)占多數(shù)時，則該聚類即被標(biāo)注 成類別^Step3:隨機(jī)選擇一個待訓(xùn)練的輸入矢量x，并找出使llx-wll =min的H直；Step 4:若x和^屬于同一類，則按下式更新v^:AwA=77(uJ (28)否則，按下式更新v^△w4=-70-wj (29)其中，學(xué)習(xí)速率"(默認(rèn)取0.5)為小的正常數(shù)，并隨每次迭代按樣(y^1,2，…)遞減。Step 5:當(dāng)?shù)螖?shù)大于100，則學(xué)習(xí)結(jié)束；否則，返回Step 3。 實(shí)際訓(xùn)練中，網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)默認(rèn)選擇為20，學(xué)習(xí)速率為0.5。模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy Neural Network, FNN) (327)是人工神經(jīng) 網(wǎng)絡(luò)(Artifical Neural Network, ANN)與模糊推理系統(tǒng)(Fuzzy Inference System, FIS)的結(jié)合。本發(fā)明采用Sugeno模糊模型，它是 一種非線性模型，宜于表達(dá)系統(tǒng)的動態(tài)特征，也是最常用的模糊推理 模型?？蛇x算法有簡單減法聚類法和優(yōu)化算法，算法的公共參數(shù)有 Radii (可選范圍為0 1，默認(rèn)為0.5)和類別數(shù)(即待訓(xùn)練識別的動 作種類)，對于優(yōu)化算法還要設(shè)置參數(shù)訓(xùn)練步數(shù)(默認(rèn)取5)和初始 步長(默認(rèn)取0.5)。另外，根據(jù)實(shí)際的訓(xùn)練識別效果，又結(jié)合具體信號特征構(gòu)造了四 個混合分類器Bagged-BP混合分類器(328)、 AB-RBF混合分類器 (329)、 HMM-RBF混合分類器(3210)和HMM-SVM混合分類器 (3211)。Bagged-BP混合分類器Bagging算法名字來源于BootstrapAggregation(自舉)，是一種將弱分類器(本發(fā)明選擇BP網(wǎng)絡(luò))組 合成強(qiáng)分類器的方法。在這里取小波分解系數(shù)(WT)特征訓(xùn)練子 BP分類器。各個子BP網(wǎng)絡(luò)的參數(shù)(隱層節(jié)點(diǎn)數(shù)w/7/學(xué)習(xí)速率/r/ 動量常數(shù)m)均相同，首先采用k-fold (k=10)交叉驗(yàn)證方法初 選，然后手動細(xì)調(diào)確定。中間層傳遞函數(shù)為對數(shù)Sigmoid函數(shù) (Logsig)，輸出層傳遞函數(shù)為線性傳遞函數(shù)(Pureline)。網(wǎng)絡(luò)采 用自適應(yīng)學(xué)習(xí)速率動量梯度下降反向傳播算法進(jìn)行訓(xùn)練，訓(xùn)練的 最大迭代次數(shù)為100。網(wǎng)絡(luò)采用均方誤差作為性能指標(biāo)，其值取 為0.001。
Bagged-BP初始訓(xùn)練集包括180個樣本。訓(xùn)練時，從原始訓(xùn)練 樣本集中共有放回地抽取30輪，每輪隨機(jī)抽取120個樣本，共訓(xùn) 練得到30個子預(yù)測函數(shù)(BP網(wǎng)絡(luò))。識別結(jié)果由30個子預(yù)測函 數(shù)通過投票產(chǎn)生。本發(fā)明采用相對多數(shù)投票法，不管票數(shù)是否超 過半數(shù)，得票數(shù)最多就確定結(jié)果。
圖8是Bagged-BP混合分類器的實(shí)現(xiàn)步驟(1)給定訓(xùn)練樣本 x,及相應(yīng)的類別標(biāo)簽乂.，訓(xùn)練樣本數(shù)m，抽取樣本輪數(shù)r，令初始輪 數(shù)F0; (2 )從初始訓(xùn)練集中隨機(jī)抽取"(取w=2m/3)個樣本組成 第f輪子訓(xùn)練集；(3)在子訓(xùn)練集上訓(xùn)練子分類器(BP網(wǎng)絡(luò))；(4) 得到第r輪的子分類器預(yù)測函數(shù)/z,;(5)如果Kr， f什l，轉(zhuǎn)(2)，
否則，轉(zhuǎn)(6); (6)按相對多數(shù)投票規(guī)則將各預(yù)測函數(shù)/77,/22,...,
/^組合生成最終的預(yù)測函數(shù)//。
AB-RBF混合分類器AB (Attribute-Bagging)算法與Bagging
算法在概念上具有相似性，它通過對樣本特征進(jìn)行隨機(jī)擾動來集 成分類器。AB算法的基本思想是給定一個由iV維特征向量組
成、樣本個數(shù)為M的原始數(shù)據(jù)集S，隨機(jī)投影出由w (w< )維
特征向量子集組成的訓(xùn)練數(shù)據(jù)《；將此過程獨(dú)立地重復(fù)r次，得
到r個獨(dú)立的"維特征矢量子集數(shù)據(jù)集S" ={《，《,. ，《}。用這些特 征矢量數(shù)子集數(shù)據(jù)分別獨(dú)立訓(xùn)練子分類器(本發(fā)明選擇RBF網(wǎng) 絡(luò))，并根據(jù)這些分類器(子RBF網(wǎng)絡(luò))在訓(xùn)練數(shù)據(jù)上的分類精 度對r個子分類器(子RBF網(wǎng)絡(luò))進(jìn)行排序，取精度最高的一部 分(設(shè)為丄，1<<70參加投票。在進(jìn)行識別時，用這Z個精度最 高的子分類器(子RBF網(wǎng)絡(luò))分別對樣本進(jìn)行識別，然后按照多數(shù)投票規(guī)則綜合丄個子分類器的結(jié)果，做出最終判決。
圖9是AB算法的第一階段示意圖。AB算法實(shí)現(xiàn)分兩步第一
階段通過測試不同維數(shù)W下的特征向量子集訓(xùn)練得的分類器的精度 來確定最優(yōu)的維數(shù)"*。由于受原始特征向量本身冗余度和相關(guān)性的影 響，問題不同，丫也會不同。第二階段優(yōu)選出基于"^ ={《，《.， ■，《 }
的r個子分類器中精度最高的丄個參與判決時的投票，舍棄其余識別
精度不高的子分類器。
第一階段確定最優(yōu)維數(shù)"' (1 )給定訓(xùn)練樣本X,及相應(yīng)的類別標(biāo)簽乂，測試樣本集《及相 應(yīng)的類別標(biāo)簽O"訓(xùn)練樣本數(shù)71^，單個特征矢量維數(shù)7V，抽取樣本輪 數(shù)r'，設(shè)初始輪數(shù)^0，設(shè)特征子集初始維數(shù)為1; (2)從初始訓(xùn) 練集中隨機(jī)抽取"維組成第^輪特征子訓(xùn)練集《；(3)在子訓(xùn)練集 上訓(xùn)練子分類器；(4 )得到第f輪的子分類器預(yù)測函數(shù)《；(5 ) 如果/<r'， ？=&1，轉(zhuǎn)(2);否則，轉(zhuǎn)(6); (6)按相對多數(shù)投票
規(guī)則將各預(yù)測函數(shù)《(t=l，2,...,r')組合生成最后的預(yù)測函數(shù)《。在測 試樣本集W》上測試《的精度，r個子分類器均參與投票。為獲得好
的精度曲線，取尺次重復(fù)測試結(jié)果的均值作為該預(yù)測函數(shù)的精度 ; (7)如果"<7V， "="+1 ，轉(zhuǎn)(2);否則，轉(zhuǎn)(8); ( 8 )取("'"I ~ = ^ax^p"。 圖10是是AB算法的第二階段示意圖。 第二階段優(yōu)選分類器
(1)給定訓(xùn)練樣本x,及相應(yīng)的類別標(biāo)簽"，訓(xùn)練樣本數(shù)M，單
個特征矢量維數(shù)iv，抽取樣本輪數(shù)r，設(shè)初始輪數(shù)f 0，特征子集維
數(shù)(2)從初始訓(xùn)練集中隨機(jī)抽取Z維組成第f輪的特征子訓(xùn)練 集《；(3)在子訓(xùn)練集上訓(xùn)練子分類器；(4)得到第f輪的子分 類i預(yù)測函數(shù)《.；(5 )在訓(xùn)練樣本集上測試《.的精度，取〖次重 復(fù)測試結(jié)果的^值作為該預(yù)測函數(shù)的精度《；"(6)如果Kr， H+l， 轉(zhuǎn)(2);否則，轉(zhuǎn)(6); (7)對精度r:.(二i,…，r)從大到小排序，取
精度最大的丄個預(yù)測函數(shù)組成最終預(yù)測"序列(/Ci,…,^Ue[i,…,r]，參 與識別階段的投票；其余(r-丄)個預(yù)測函數(shù)^舍棄"。
HMM-RBF混合分類器在構(gòu)造HMM-RBF混合分類器時，提 取樣本數(shù)據(jù)的時域特征用于HMM的訓(xùn)練，提取樣本數(shù)據(jù)的小波 變換特征用于RBF網(wǎng)絡(luò)的訓(xùn)練。對于RBF網(wǎng)絡(luò)，直接提取在動作開始后的256點(diǎn)信號作5級 連續(xù)小波分解。對于HMM模型，截取動作開始后的4幀信號， 每幀信號長度為64點(diǎn)。提取每幀信號時域特征并歸一化，然后將 4幀信號特征向量作為一個觀察值，形成4個觀察值序列。
在sEMG識別中，選用左-右型、連續(xù)HMM模型。模型狀態(tài) 數(shù)為4，每狀態(tài)觀察值概率矩陣由5個高斯概率密度函數(shù)聯(lián)合決 定。
對于左-右型HMM，初始概率分布向量；？取為戶=[1，0，0，0]， 實(shí)際計算中，不對參數(shù)p進(jìn)行估計。狀態(tài)轉(zhuǎn)移概率矩陣^初值隨 意選取。而每狀態(tài)觀察值概率矩陣B(即高斯概率密度函數(shù)參數(shù)) 初值由分段《均值方法確定。HMM的訓(xùn)練采用多個觀測值序列 的Baum-Welch重估算法。對于6類手指動作，每類手指動作訓(xùn) 練一個HMM模型，得到由6個HMM模型組成的HMM模型庫。
對于RBF網(wǎng)絡(luò)，通過k-fold (k=10)交叉驗(yàn)證的方法，最后 確定不同實(shí)驗(yàn)對象RBF網(wǎng)絡(luò)的擴(kuò)展常數(shù)和隱層最大節(jié)點(diǎn)數(shù)。默認(rèn) 擴(kuò)展常數(shù)取13，隱層最大節(jié)點(diǎn)數(shù)取60。
圖ll是基于HMM-RBFN的混合sEMG辨識系統(tǒng)的原理圖首 先將4通道sEMG進(jìn)行預(yù)處理后提取時域特征訓(xùn)練HMM模型庫，提 取小波變換特征訓(xùn)練RBF網(wǎng)絡(luò)。在識別時，對未知信號作預(yù)處理和 特征提取后，分別輸入訓(xùn)練好的HMM模型庫。對于HMM模型，計 算各動作對應(yīng)的HMM模型與未知信號的匹配程度，排除概率小的類 后，得到候選類別集C。對于RBF網(wǎng)絡(luò)，則直接得到唯一的類別判 別結(jié)果《。然后將RBFN的判別結(jié)果與HMM的候選類別集進(jìn)行比 較，如果《在候選類別集C中，則將^作為最終判別結(jié)果；否則， 取候選集C中概率最大的類別。作為最終判別結(jié)果。
HMM -SVM混合分類器在構(gòu)造HMM-SVM混合分類器時， 提取樣本數(shù)據(jù)的時域特征用于HMM的訓(xùn)練，提取樣本數(shù)據(jù)的小 波變換特征用于SVM的訓(xùn)練。對于SVM直接提取在動作開始后 的256點(diǎn)信號作5級連續(xù)小波分解。對于HMM模型，截取動作 開始后的4幀信號，每幀信號長度為64點(diǎn)。提取每幀信號時域特 征并歸一化，然后將4幀信號特征向量作為一個觀察值，形成4 個觀察值序列。圖12是基于HMM-SVM的混合sEMG辨識系統(tǒng)的原理圖。 HMM-SVM混合分類器中SVM模型采用"一對一"方法進(jìn)行構(gòu) 造，系統(tǒng)的整體流程與HMM-RBFN略有不同，具體如下首先 將4通道sEMG進(jìn)行預(yù)處理后提取時域特征訓(xùn)練HMM模型庫、 提取小波變換系數(shù)特征訓(xùn)練SVM模型，對于6類問題，得到15 個子SVM分類器。在識別時，對未知信號作預(yù)處理和提取時域 特征后，輸入訓(xùn)練好的HMM模型庫，計算各動作對應(yīng)的HMM 模型與未知信號的匹配程度，排除概率小的類后，得到候選類別 集C (含概率較高的3類動作)。然后提取樣本的小波變換系數(shù)特 征，用候選類別集對應(yīng)的3個SVM模型對其進(jìn)行辨識，通過多 數(shù)投票即得最后的判決結(jié)果。在識別階段，由于只要對候選類別 集對應(yīng)的3個SVM進(jìn)行判決，而不是所有的15個SVM模型， 大大提高了識別的效率。
HMM模型的設(shè)置及訓(xùn)練方法與HMM-RBF混合模型相同。 SVM采用"一對一"策略進(jìn)行構(gòu)造，對t類動作(假設(shè)A:取6) 兩兩構(gòu)造SVM分類器，獲得15個支持向量機(jī)。在識別時，候選 類別對應(yīng)的3個SVM對輸入樣本進(jìn)行"多數(shù)投票表決"。SVM選 用徑向基核函數(shù)，訓(xùn)練采用SMO算法。其中徑向基核函數(shù)參數(shù)y 和懲罰因子C采用k-fold交叉驗(yàn)證方法確定。
在線識別模塊(4)可以對sEMG進(jìn)行動態(tài)采集與在線識別，主 要用于假手的實(shí)時控制。在線識別模塊的主界面及其包含的sEMG特 征提取方法和分類器與離線識別模塊相同，具體參看離線識別模塊部 分。
控制訓(xùn)練模塊(5):控制訓(xùn)練模塊包括在線訓(xùn)練模塊(51)、 假手控制模塊(52)和下載模塊(53)三個部分組成。
在線訓(xùn)練模塊(51)可以將在線識別模塊從sEMG中識別出來的 動作以計算機(jī)虛擬手的形式在顯示屏中顯示出來，通過視覺反饋即將 安裝多指多自由度假手的截肢者，提高其進(jìn)行sEMG識別率訓(xùn)練的積 極性和主動性。虛擬手為仿人手，有一個手掌和五個手指，分別對應(yīng) 人的大拇指、食指、中指、無名指和小指。拇指有兩個指節(jié)，其它四指各有三個指節(jié)。結(jié)合實(shí)際生活中人手的實(shí)際功能，虛擬手的拇指和 食指可以獨(dú)立運(yùn)動，另外三指則一起運(yùn)動。此虛擬手可以完成人手的 各種基本動作。
假手控制模塊(52)控制的對象是假手，在線訓(xùn)練模塊可以將在 線識別模塊從sEMG中識別出來的動作以計算機(jī)虛擬手的形式在植 到假手的DSP控制芯片上，而且直接用計算機(jī)控制假手的動作通過 USB接口把A/D采集卡與PC機(jī)連接，RS232串口把PC機(jī)和假手機(jī) 械本體(HIT靈巧手)連接實(shí)現(xiàn)患者實(shí)時控制假手的目的，可通過 PC機(jī)顯示屏和假手本體的實(shí)際動作實(shí)現(xiàn)視覺反饋，來幫助患者進(jìn)行 手部動作的訓(xùn)練。
下載模塊(53)則可以把訓(xùn)練好的sEMG特征提取和分類器通過 RS232串口下載到假手控制芯片內(nèi)，使假手可以脫離計算機(jī)，利用集 成在假手上的DSP控制系統(tǒng)直接提取與識別sEMG對應(yīng)的截肢者想 要做的動作，然后控制多指多自由度假手進(jìn)行相應(yīng)動作，實(shí)現(xiàn)假手的 功能。需要注意的是，為每個截肢者提供動作識別率最高和最穩(wěn)定的 個性化的sEMG特征提取選項和分類器及其參數(shù)(當(dāng)各動作的平均識 別率達(dá)到92%，而且連續(xù)50次動作的識別率都可以穩(wěn)定在這個標(biāo)準(zhǔn) 以上時，則此時的識別率最高和最穩(wěn)定。)，是本發(fā)明的意義和目的。 而這么多可能組合的算法和選擇的過程，即使最新的DSP處理器也 無法完成，因此本發(fā)明利用計算機(jī)來完成最佳特征提取方法和分類器 選擇及其參數(shù)設(shè)置這些復(fù)雜煩瑣的工作，當(dāng)適合該截肢者最佳特征提 取方法和分類器選擇及其參數(shù)設(shè)置完畢后，只將這部分算法移植到 DSP控制系統(tǒng)中，不僅可以減低控制系統(tǒng)的復(fù)雜度，也可以提高控制 的系統(tǒng)的運(yùn)行速度。
權(quán)利要求
1、多指多自由度假手用肌電控制能力檢測訓(xùn)練方法，其特征是包括下列步驟---用信號采集模塊采集殘肢表面肌電信號數(shù)據(jù)，當(dāng)數(shù)據(jù)的噪聲均勻，信號幅值大于噪聲幅值的5倍以上，且信號持續(xù)時間大于0.5秒時，此時的數(shù)據(jù)可以作為合適的信號數(shù)據(jù)；---利用信號分析模塊對采集的數(shù)據(jù)進(jìn)行濾波處理、時域、頻域和時頻域的分析，分析結(jié)果在界面上以圖形方式顯示；---利用離線識別模塊對采集的的殘肢表面肌電信號數(shù)據(jù)進(jìn)行訓(xùn)練網(wǎng)絡(luò)和識別待識別數(shù)據(jù)，首先，依次用各種分類器和特征值選項的組合進(jìn)行訓(xùn)練和識別，分類器和特征值的各參數(shù)取默認(rèn)值；然后，取識別效果最好的分類器和特征值選項，對其各參數(shù)微調(diào)，當(dāng)識別率達(dá)到92％或以上時，此時的分類器和特征值選項及其具體參數(shù)便是最優(yōu)分類器和最優(yōu)特征值選項組合；---根據(jù)確定的最優(yōu)分類器和特征值選項的組合，利用在線識別模塊和控制訓(xùn)練模塊讓患者進(jìn)行控制訓(xùn)練和在線訓(xùn)練。
2、 根據(jù)權(quán)利要求1所述的多指多自由度假手用肌電控制能力檢 測訓(xùn)練方法，其特征是所述的信號采集模塊設(shè)置有采樣頻率、放大倍 數(shù)和采樣時間參數(shù)。
3、 根據(jù)權(quán)利要求1所述的多指多自由度假手用肌電控制能力檢 測訓(xùn)練方法，其特征是所述的信號分析模塊包括時域分析、頻域分析 和時頻域分析。
4、 根據(jù)權(quán)利要求1所述的多指多自由度假手用肌電控制能力檢 測訓(xùn)練方法，其特征是所述的離線識別模塊包括單分類器、混合分類 器和特征提取選項。
5、 根據(jù)權(quán)利要求1所述的多指多自由度假手用肌電控制能力檢 測訓(xùn)練方法，其特征是所述的在線識別模塊包括單分類器、混合分類 器和特征提取選項。
6、 根據(jù)權(quán)利要求1所述的多指多自由度假手用肌電控制能力檢 測訓(xùn)練方法，其特征是所述的控制訓(xùn)練模塊包括在線訓(xùn)練模塊、假手 控制模塊和下載模塊。
7、 根據(jù)權(quán)利要求1或3所述的根據(jù)權(quán)利要求1所述的多指多自 由度假手用肌電控制能力檢測訓(xùn)練方法，其特征是所述的時域分析方 法包括全波整流、短時平均能量、絕對值積分、平均絕對值、短時上升過零間隔、過零點(diǎn)數(shù)、斜率變化率、均值、方差、均方根、移動平均值、自相關(guān)分析；頻域分析包括AR模型估計功率譜、功率譜密 度；時頻域分析包括短時傅立葉和小波變換。
8、 根據(jù)權(quán)利要求1或4或5所述的多指多自由度假手用肌電控 制能力檢測訓(xùn)練方法，其特征是所述的單分類器包括BP神經(jīng)網(wǎng)絡(luò)、 徑向基神經(jīng)網(wǎng)絡(luò)、隱馬爾可夫模型、概率神經(jīng)網(wǎng)絡(luò)、學(xué)習(xí)矢量量化網(wǎng) 絡(luò)、支持向量機(jī)、模糊神經(jīng)網(wǎng)絡(luò)；所述特征提取選項包括有時域特征、 小波變換特征、AR模型系數(shù)特征、倒譜系數(shù)特征、小波包變換特征、 短時傅立葉變換特征；所述混合分類器包括Bagged-BP混合分類器、 AB-RBF混合分類器、HMM-RBF混合分類器和HMM-SVM混合分 類器。
9、 根據(jù)權(quán)利要求1所述的多指多自由度假手用肌電控制能力檢 測訓(xùn)練方法，其特征是通過有源肌電電極進(jìn)行信號采集。
全文摘要
一種為安裝基于模式識別的肌電控制多指多自由度假手用肌電控制能力檢測訓(xùn)練方法。技術(shù)方案是包括下列步驟用信號采集模塊采集殘肢表面肌電信號數(shù)據(jù)；利用信號分析模塊對采集的數(shù)據(jù)進(jìn)行初步分析，以確定采集的殘肢表面肌電信號具有可分性和具有最優(yōu)可分性的特征值；利用離線識別模塊對采集的的殘肢表面肌電信號數(shù)據(jù)進(jìn)行訓(xùn)練網(wǎng)絡(luò)和識別待識別數(shù)據(jù)，以確定最優(yōu)分類器和最優(yōu)特征值選項及其各具體參數(shù)的選擇；根據(jù)確定的最優(yōu)分類器和特征值選項的組合，利用在線識別模塊和控制訓(xùn)練模塊讓患者進(jìn)行控制訓(xùn)練和在線訓(xùn)練。
文檔編號A61F2/54GK101317794SQ20081010168
公開日2008年12月10日 申請日期2008年3月11日 優(yōu)先權(quán)日2008年3月11日
發(fā)明者王人成, 王愛明, 羅志增, 蔡付文, 鄭雙喜 申請人:清華大學(xué)