專利名稱：：基于多核支持向量機的肌電信號分類方法
技術(shù)領域：
：本發(fā)明屬于模式識別
技術(shù)領域：
，涉及一種用于肌電信號處理中具有高識別率和實時性的多種類分類方法。
背景技術(shù)：
：佩戴假肢是截肢者康復的重要方式，可以從外形和活動能力上不同程度地恢復其正常狀態(tài)，有利于全面提高殘疾人士的生活質(zhì)量和社會參與能力。在實際生活中，人體下肢的運動可以劃分為水平行走、上臺階、下臺階、站立、坐下、起立、轉(zhuǎn)彎、慢跑等多個運動模式，因而需要下肢假肢控制能以較高的準確性和實時性識別出多個運動模式。肌電信號(Electromyography，EMG)作為一種重要的運動生物力學信息源，與肌肉的活動狀態(tài)和功能狀態(tài)之間存在著不同程度的關(guān)聯(lián)性，已在運動醫(yī)學、康復醫(yī)療等領域中得到研究。通過對EMG的分析，提取反映運動意愿的有效特征，利用EMG實現(xiàn)包括水平行走、上臺階、下臺階、站立等多個運動模式的識別和運動控制，是目前下肢假肢技術(shù)研究的一個熱點。肌電信號的多運動模式識別實際上解決的是一個多分類問題。由于神經(jīng)網(wǎng)絡具有并行分布信息、自學習及實現(xiàn)復雜的非線性映射，被認為是解決EMG運動模式識別問題的一個強有力的工具，已取得了一些良好的應用效果。然而，由于神經(jīng)網(wǎng)絡學習算法是利用梯度下降法調(diào)節(jié)權(quán)值使得目標函數(shù)達到極小，而目標函數(shù)僅為給定輸入和相應輸出的平方和，導致了神經(jīng)網(wǎng)絡過分強調(diào)克服學習錯誤而泛化性能不強。同時，神經(jīng)網(wǎng)絡存在局部極小點、結(jié)構(gòu)選擇過分依賴于經(jīng)驗等，限制其在EMG多模式分類中的發(fā)展和應用。近年來，由于支持向量機(SupportVectorMachine，SVM)能夠較好地解決神經(jīng)網(wǎng)絡等傳統(tǒng)學習理論的缺點和不足，近年來國內(nèi)外學者將SVM與不同的特征提取方法有效結(jié)合，很大程度上提高了EMG多運動模式識別的準確性和泛化性能。國外，Lucas等采用基于最小分類誤差標準來優(yōu)化母小波參數(shù)的離散小波變換方法與SVM結(jié)合，對6個手部動作進行識別，平均錯分類率達到5%。Castellini等針對AHP(ActiveHandProsthesis)控制，分別比較了高斯核SVM、神經(jīng)網(wǎng)絡和局部加權(quán)投影回歸(LocallyWeightedProjectionRegression)法對前臂EMG的分類以及抓取力的預測效果，實驗結(jié)果驗證了SVM在處理小樣本問題的優(yōu)越性。國內(nèi)，崔建國等采用小波變換和SVM對前臂8個動作的EMG進行識別，取得的識別率明顯優(yōu)于BP、Elman和RBF神經(jīng)網(wǎng)絡。羅志增等采用基于相關(guān)性分析的特征提取與二叉樹SVM的混合算法，以較高識別率區(qū)分了手部的幾種動作模式，分類結(jié)果優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡分類器。SVM在EMG運動模式識別的應用實際上是一個多類分類問題，目前的研究工作大多集中在對單個核函數(shù)的構(gòu)造和多類問題的組合策略上。然而，對于分布復雜的樣本，基于單核的支持向量機的性能主要取決于核函數(shù)的構(gòu)造及其參數(shù)的選擇，而常規(guī)的交叉驗證或考察訓練集等參數(shù)確定方法相當費時且存在很大的隨意性，因此在分類精度和支持向量的數(shù)目上容易受到影響。由于采集的下肢肌電信號是針對不同部位淺層肌肉的多數(shù)據(jù)源，采用單核支持向量機的分類效果還不是太理想。而多核支持向量機獲得的混合核可使數(shù)據(jù)信息在特征空間得到更充分的表示，不僅可以提高分類精度，而且能減少支持向量的數(shù)目，已在生物序列數(shù)據(jù)的分類上取得了良好的效果。將支持向量機應用于下肢肌電信號的多運動模式識別領域，屬于多類分類問題，其分類效果不僅與支持向量的數(shù)目有關(guān)，而且與多類分類器的組合策略有關(guān)。由于多核支持向量機需要對多個核函數(shù)的權(quán)重和參數(shù)進行相應的優(yōu)化，導致多核支持向量機在大規(guī)模數(shù)據(jù)集下學習和決策效率比單核支持向量機相對要低，因此還需要設計有效的組合策略與多核支持向量機結(jié)合，以提高其性能，即分類準確性和實時性。實際上，不同受試者同一動作的肌電信號有區(qū)別，且同一受試者在不同時間所做的同一動作也會有差異，實際應用迫切要求提高對復雜運動模式的分類性能。因此，本發(fā)明采用多核支持向量機(MultipleKernelSupportVectorMachine,MKSVM)和二叉樹組合策略，構(gòu)造基于多核支持向量機的分類方法，提高多運動模式分類的準確性和實時性。
發(fā)明內(nèi)容本發(fā)明的目的就是針對現(xiàn)有技術(shù)的不足，提供一種基于多核支持向量機的肌電信號分類方法。本發(fā)明的核心思想是根據(jù)多核支持向量機方法和二叉樹組合策略，設計了基于多核支持向量機的分類方法，不僅可以減少支持向量的數(shù)目，提高分類精度，而且有利于減少學習和分類時間，兼顧多類問題分類的準確性和實時性。為了實現(xiàn)以上目的，本發(fā)明方法主要包括以下步驟步驟(1)通過肌電信號采集儀拾取人體下肢的肌電信號；步驟(2)采用小波系數(shù)尺度間相關(guān)性消噪法對含有干擾噪聲的肌電信號進行消噪；小波系數(shù)尺度間相關(guān)性消噪法為成熟的信號消噪方法；步驟(3)對消噪后的肌電信號進行特征提取，利用消噪后的小波系數(shù)得到肌電信號的特征Tj其中，表示尺度j上位置k處被抽取的小波系數(shù)，N為信號長度，J為分解的最大尺度。步驟(4)基于多核支持向量機的分類操作，具體是對于一個c類的模式識別問題，給定η維歐氏空間的訓練樣本集S={(X,,>-,)}.,，其中i=l，2，…，1，1為樣本數(shù)，為輸入值，yieY={1，2，…，c}為類標號。根據(jù)模式識別理論，兩個樣本向量之間的距離是它們相似度的一種很好度量，對應同一類別的樣本在特征空間中聚集在一起，而不同類別的樣本互相距離得較遠。定義第ykeY類的第k個樣本點χ丨與第yieY類的第1個樣本點χ/之間的距離為其中，Nk為樣本集S中yk類的訓練樣本數(shù)，N1為S中yi類的訓練樣本數(shù)。接下來，定義第yk類與第Y1類之間的距離D(yk，Yl)為對每個類，分別計算該類與c-1個其他類之間的距離，得到相應的距離矩陣D。對矩陣D每一行中的c-1個距離值按由大到小的順序排列，得到對應的距離排序矩陣β。根據(jù)矩陣0第一列元素的大小力(i=1，2，…，c)，按照由大到小的順序?qū)ο鄳念悩颂栔匦戮幪?，即A1(i=1,2,…，c)最大者對應的類標號記為1，而最小者對應的類標號記為c。最終得到所有類別的排列為yi，y2，…，y。。由此，根據(jù)二叉樹原理，將c類分類問題轉(zhuǎn)化為c-1個二類分類器來解決。在二叉樹結(jié)構(gòu)中，每一個節(jié)點上只把某一個類別和其他類別加以分開，即從根節(jié)點開始，沿樹的路徑依次得到的類別標簽為yi，y2，···，[。在求解二叉樹各內(nèi)節(jié)點的MKSVM分類決策函數(shù)時，算法步驟如下首先，以第Y1類樣本為正樣本集，以其他類樣本為負樣本集，構(gòu)造根節(jié)點處的MKSVM二類分類器；其次，以第y2類樣本為正樣本集，以其他類樣本為負樣本集，構(gòu)造第二個內(nèi)節(jié)點處的MKSVM二類分類器；依次下去，可得到基于二叉樹的MKSVM多分類方法。本發(fā)明與已有的針對肌電信號的多類別分類方法相比，具有如下優(yōu)點1、減少支持向量的數(shù)目根據(jù)支持向量機的分類時間與支持向量數(shù)目成正比這一原理，本方法可以有效減少支持向量的數(shù)目，不僅提高泛化性能，而且有利于減少學習和分類時間。2、提高分類精度本方法在多個核函數(shù)構(gòu)成的混合核空間實現(xiàn)數(shù)據(jù)分類，針對多數(shù)據(jù)源或異構(gòu)數(shù)據(jù)集，較之標準的單核支持向量機具有優(yōu)越性，可以提高分類準確性。3、提高分類的實時性結(jié)合二叉樹組合策略和多核支持向量機理論而設計的分類方法，采用有效的決策樹型分類策略，可以兼顧分類的精度和速度，適合于實時性要求的多類分類應用。本發(fā)明方法可以較好地滿足下肢假肢控制中的多分類要求，兼顧分類的準確性和實時性，該方法在智能假肢控制的多運動模式識別中具有廣闊的應用前景。具體實施例方式人體下肢的運動可以劃分為水平行走、上臺階、下臺階、站立、坐下、起立、轉(zhuǎn)彎、慢跑等多種運動模式。考慮到假肢迫切要實現(xiàn)的基本功能，本文以水平行走、上臺階、下臺階、站立等4種運動模式為例進行說明，因此設計的多類分類器需要識別的模式共有4種?；诙嗪酥С窒蛄繖C的肌電信號分類方法的實施主要包括四個步驟(1)下肢肌電信號的采集；(2)消噪處理；(3)特征提??；(4)基于多核支持向量機的分類操作。下面逐一對各步驟進行詳細說明。步驟一下肢肌電信號的采集。設計的下肢信息獲取系統(tǒng)通過表面電極來拾取下肢EMG信號，然后對提取的信號進行信號濾波、放大等預處理，最后通過A/D轉(zhuǎn)換采集到PC機上。通過比較各肌肉在各個運動模式下的不同肌電信號的變化趨勢，找出變化趨勢特征明顯的信號，選取最具代表性的腿部肌肉肌電信號作為研究對象。實驗中，采用Noraxon公司的MyoTrace400肌電信號采集儀來拾取大腿信號，同時采集大腿上4塊肌肉群(股內(nèi)側(cè)肌、半腱肌、闊筋膜張肌和長收肌)對應的肌電信號。步驟二消噪處理。小波系數(shù)尺度間相關(guān)性消噪法能夠保留信號突變點位置攜帶的重要信息，且對噪聲有很好的濾波效果。為了提高傳統(tǒng)的小波系數(shù)尺度間相關(guān)性消噪法的精度，通過引入與尺度相關(guān)的系數(shù)因子和噪聲能量因子，對傳統(tǒng)的小波系數(shù)尺度間相關(guān)性消噪法進行改進，并用于肌電信號的消噪處理。具體操作是1)用離散二進小波變換求出含噪肌電信號在尺度j上位置k處的小波變換系數(shù)W(j,k),j=1,2,…，J，J=Iog2N;N為信號長度，J為分解的最大尺度。2)計算各尺度噪聲小波變換的標準方差2。3)對每個小波分解尺度j(j=1，2，…，J)，執(zhí)行以下步驟①計算相關(guān)系數(shù)Cor(j，k)及其規(guī)范化系數(shù)NCor(j，k)，方法如下Cor(j，k)=ff(j,k)gff(j+1，k)NCor{j,k)=Cor{j,k)PW(j)]jPCor(j)其中能量，PCor(j)為Cor(j,k)在第j級的能量，k=1，2，…，N。②對于k=1,2,L，Ns，引入一個與尺度相關(guān)的系數(shù)因子λ(j)≤1，通過比較NCor(j,k)和λ(j)ff(j,k)的絕對值，提取肌電信號的邊緣信息，具體是如果|NCor(j，k)I彡λ(j)|ff(j,k)I，那么認為該點為信號的邊緣(即信號的重要部分)，將該點的小波系數(shù)W(j，k)賦值給各尺度下被抽取的小波系數(shù)幻相應的位置保存起來，然后將該點的小波系數(shù)W(j，k)和相關(guān)系數(shù)Cor(j，k)都置為O；否則，對應點的W(j，k)和相關(guān)系數(shù)Cor(j,k)保持不變。③設W(j，k)被抽取出K個邊緣點后變?yōu)閃'(j,k)，如果將W'(j,k)完全看成是由噪聲構(gòu)成的，則W'(j，k)的能量取為但是，由于W'(j，k)是由肌電信號和噪聲的小波變換共同構(gòu)成的，因此考慮到肌電信號與噪聲在不同尺度下的能量大小的不同變化，引入一個噪聲能量因子τ(j)，使得噪聲閾值的選取更加合理。如果0.95PW{j)<T(j){N-K)a]，則對尺度j循環(huán)終止；否則，重復步驟①、②和③。4)將前面步驟處理后得到的各尺度下被抽取的小波系數(shù)妒(_/,幻，經(jīng)過離散二進小波的逆變換得到消噪后的肌電信號，j=1,2,…，J0在實驗中，對采集的原始肌電信號進行5層小波分解，基小波選用雙正交樣條小波biorl.5。在改進的小波系數(shù)尺度間相關(guān)性消噪法中，需要設定某一噪聲閾值，以信號的80個只含有噪聲的點估計噪聲在各層的方差，并以此10倍作為噪聲能量閾值。對于權(quán)重因子λ(j)和τ(j)，選取經(jīng)驗值取得較好的效果λ(1)=1.15，λ(2)=1.06，λ(3)=λ(4)=λ(5)=1，τ(1)=1.15，τ(2)=1·3，τ(3)=1·5，τ(4)=1·7，τ(5)=1.75。步驟三特征提取。將原始EMG經(jīng)離散二進小波變換得到的小波系數(shù)記為W(j，k)，經(jīng)小波系數(shù)尺度間相關(guān)性消噪后，被抽取的小波系數(shù)幻是肌電信號的最主要部分在各尺度上的體現(xiàn)，保留了重要信息，能夠更清晰地表示EMG的特征。因此，將爐C/,幻在各尺度上的平方和構(gòu)成的向量作為EMG的特征，但考慮到受試者在每次下肢運動時肌肉能量可能有較大差別，將妒(_/,幻各尺度上的能量除以信號長度，求取相對均值構(gòu)成的向量作為特征向量，如下式所示。其中，W(j,幻表示尺度j上位置k處被抽取的小波系數(shù)，N為信號長度，J為分解的最大尺度。在改進的小波系數(shù)尺度間相關(guān)性消噪法中采用了5層小波分解，選用前三個尺度的相關(guān)系數(shù)，根據(jù)公式(1)計算出各運動模式下的特征值。由于每路肌電信號對應的特征值有3個，同時采集大腿上4塊肌肉群，因此每種運動模式對應12個特征值，每個樣本由一組12維的特征向量構(gòu)成。步驟四基于多核支持向量機的分類操作標準的多核支持向量機(MultipleKernelSupportVectorMachine,MKSVM)算法是針對二類問題的分類的。給定n維歐氏空間的訓練樣本集{(X,，只)}。，其中i=1，2，…，1，1為樣本數(shù)，x^r1為輸入值，ei+i-i丨為類標號。多核支持向量機算法本質(zhì)上是用！個核函數(shù)凸組合，記為圧化+；^；^夂^伐乂)，有dm彡0且;二1。輸入值11通過映射0辦)^]^"，111=1,2,…，M，從輸入空間映射到高維特征空間(①iOq)，◎2(Xi)，…，①M(Xi))，這里Dm表示為M維特征空間的維數(shù)。實際上，當M=1時，多核支持向量機演變成標準的單核支持向量機。根據(jù)多核支持向量機的基本原理，可以將其表示為下面的優(yōu)化問題其中，C為懲罰系數(shù)，wffl=dfflw'ffl,dffl彡0，^=1，2,..,似和^^=|(!,=1由式⑵得到對偶，可等價于minyw.r.t.yeR,ae股‘s.t.0彡a彡1C，Ja,少,=0(3)11'-Za'a/>''>'.yK'(x"x/)"Za'^^m=1,2,...，M丄！，i--\"I其中，Kffl(Xi,x,.)=〈(Xi)，叭(Xj)>是核函數(shù)。為了解決式⑶，可以先解決下面的鞍點問題M廣1//)‘^“一(4)m=\L=Y+^d,-Xa,a;y,yJKm(x,,x;)-Xa,-T1ii=\;=1V'8其中，0<a<1C和Z二a,>>,=0，i=1，2，…，1，dm>0和=1，m=12，...，M。式(4)題w.r.t.0eR，deMm又等價于求解下面的半無限線性規(guī)劃(Semi-InfiniteLinearProgram,SILP)問max9M(MJs.t.d>o，yd",二i’2X》0(5)0<a<ic，^a,y,=0i=\求解SILP可得到MKSVM關(guān)于二類分類問題的解。但是，對于多運動模式識別問題，還必須重新構(gòu)造MKSVM多分類方法來求解。對于一個c類的模式識別問題，給定n維歐氏空間的訓練樣本集=，其中i=l，2，…，1，1為樣本數(shù)，為輸入值，yiGY=u，2，…，c}為類標號。根據(jù)模式識別理論，兩個樣本向量之間的距離是它們相似度的一種很好度量，對應同一類別的樣本在特征空間中聚集在一起，而不同類別的樣本互相距離得較遠。定義第ykGY類的第k個樣本點x丨與第yieY類的第1個樣本點x/之間的距離為52(x;,x/)=|x;—x/『(6)i=1,2,...，Nk;j=1,2,…，隊其中，Nk為樣本集S中yk類的訓練樣本數(shù)，隊為S中yi類的訓練樣本數(shù)。接下來，定義第yk類與第yi類之間的距離為D(yk,yl)=mm(S(xik,xJ)\i=l2,---,Nk;j^\,2,---,Nl)(7)對每個類，根據(jù)公式(7)分別計算它與c-1個其他類之間的距離，得到如下距離矩陣'D(y^y2)D(yry3)D(yyc)D(y1,y])D(y2,y3)D(y2,yc)D=⑶D{yc,y,)D(yc.,y2)…D(yc,yc_l)_對矩陣D每一行中的c-1個距離值按由大到小的順序排列，得到對應的距離排序矩陣辦。根據(jù)矩陣辦第一列元素的大小力(i=1，2，…，c)，按照由大到小的順序?qū)ο鄳念悩颂栔匦戮幪?，即Ai(i=1,2,-",c)最大者對應的類標號記為1，而最小者對應的類標號記為c。最終得到所有類別的排列為yi，y2，，[。由此，根據(jù)二叉樹原理，可以將c類分類問題轉(zhuǎn)化為c-1個二類分類器來解決。在二叉樹結(jié)構(gòu)中，每一個節(jié)點上只把某一個類別和其他類別加以分開，即從根節(jié)點開始，沿樹的路徑依次得到的類別標簽為yi，y2，，[。在求解二叉樹各內(nèi)節(jié)點的MKSVM分類決策函數(shù)時，算法步驟如下首先，以第yi類樣本為正樣本集，以其他類樣本為負樣本集，構(gòu)造根節(jié)點處的MKSVM二類分類器；其次，以第y2類樣本為正樣本集，以其他類樣本為負樣本集，構(gòu)造第二個內(nèi)節(jié)點處的MKSVM二類分類器；依次下去，可得到基于二叉樹的MKSVM多分類方法。由于c-1個二類MKSVM分類器是根據(jù)樣本向量之間的距離由大到小排列的，新模式產(chǎn)生時，只需按照二叉樹由高到低進行搜索，可在很大程度上降低樣本的重復訓練量。該方法結(jié)合多核支持向量機理論和二叉樹組合策略設計了基于MKSVM的多種類分類方法，在支持向量數(shù)目、分類精度和速度上優(yōu)于傳統(tǒng)的單核支持向量機分類方法，兼顧肌電信號多模式分類的準確性和實時性要求。權(quán)利要求基于多核支持向量機的肌電信號分類方法，其特征在于該方法包括以下步驟步驟(1)通過肌電信號采集儀拾取人體下肢的肌電信號；步驟(2)采用小波系數(shù)尺度間相關(guān)性消噪法對含有干擾噪聲的肌電信號進行消噪，具體步驟包括a.用離散二進小波變換求出含噪肌電信號在尺度j上位置k處的小波變換系數(shù)W(j，k)，j＝1，2，…，J，J＝log2N；N為信號長度，J為分解的最大尺度；b.計算各尺度噪聲小波變換的標準方差c.對每個小波分解尺度j，j＝1，2，…，J，具體是①計算相關(guān)系數(shù)Cor(j，k)及其規(guī)范化系數(shù)NCor(j，k)，方法如下Cor(j，k)＝W(j，k)gW(j+1，k)<mrow><mi>NCor</mi><mrow><mo>(</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mi>Cor</mi><mrow><mo>(</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><msqrt><mfrac><mrow><mi>PW</mi><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow></mrow><mrow><mi>PCor</mi><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow></mrow></mfrac></msqrt></mrow>其中，PW(j)為W(j，k)在第j級的能量，PCor(j)為Cor(j，k)在第j級的能量，k＝1，2，…，N；②對于k＝1，2，L，Ns，引入一個與尺度相關(guān)的系數(shù)因子λ(j)≥1，通過比較NCor(j，k)和λ(j)W(j，k)的絕對值，提取肌電信號的邊緣信息，具體是如果|NCor(j，k)|≥λ(j)|W(j，k)|，那么認為該點為信號的邊緣，將該點的小波系數(shù)W(j，k)賦值給各尺度下被抽取的小波系數(shù)相應的位置保存起來，然后將該點的小波系數(shù)W(j，k)和相關(guān)系數(shù)Cor(j，k)都置為0；否則，對應點的W(j，k)和相關(guān)系數(shù)Cor(j，k)保持不變；③設W(j，k)被抽取出K個邊緣點后變?yōu)閃′(j，k)，如果W′(j，k)的能量滿足則對尺度j循環(huán)終止；否則，重復步驟①、②和③；τ(j)為噪聲能量因子；d.將處理后得到的各尺度下被抽取的小波系數(shù)經(jīng)過離散二進小波的逆變換得到消噪后的肌電信號，j＝1，2，…，J；步驟(3)對消噪后的肌電信號進行特征提取，利用消噪后的小波系數(shù)得到肌電信號的特征Tj<mrow><msub><mi>T</mi><mi>j</mi></msub><mo>=</mo><mfrac><msqrt><msubsup><mi>&Sigma;</mi><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></msubsup><mover><mi>W</mi><mo>~</mo></mover><msup><mrow><mo>(</mo><mi>j</mi><mo>,</mo><mi>k</mi><mo>)</mo></mrow><mn>2</mn></msup></msqrt><mi>N</mi></mfrac><mo>,</mo></mrow>j＝1，2，…，J-1其中，表示尺度j上位置k處被抽取的小波系數(shù)，N為信號長度，J為分解的最大尺度；步驟(4)基于多核支持向量機的分類操作，具體步驟是a.求解基于多核支持向量機二類分類問題給定n維歐氏空間的訓練樣本集其中i＝1，2，…，l，l為樣本數(shù)，為輸入值，yi∈{+1，-1}為類標號；多核支持向量機算法本質(zhì)上是用M個核函數(shù)凸組合，記為有dm≥0且輸入值xi通過映射m＝1，2，…，M，從輸入空間映射到高維特征空間，其中Dm表示為M維特征空間的維數(shù)，將其表示為下面的優(yōu)化問題min<mrow><mfrac><mn>1</mn><mn>2</mn></mfrac><msup><mrow><mo>(</mo><munderover><mi>&Sigma;</mi><mrow><mi>m</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></munderover><msub><mrow><mo>|</mo><mo>|</mo><msub><mi>w</mi><mi>m</mi></msub><mo>|</mo><mo>|</mo></mrow><mn>2</mn></msub><mo>)</mo></mrow><mn>2</mn></msup><mo>+</mo><mi>C</mi><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><msub><mi>&xi;</mi><mi>i</mi></msub></mrow>w.r.t.s.t.ξi≥0，i＝1，2，…，l其中，C為懲罰系數(shù)，wm＝dmw′m，dm≥0，m＝1，2，…，M和b.利用二叉樹組合策略解決多類分類問題對于一個c類的模式識別問題，給定n維歐氏空間的訓練樣本集其中i＝1，2，…，l，l為樣本數(shù)，為輸入值，yi∈Y＝{1，2，…，c}為類標號；定義第yk∈Y類的第k個樣本點與第yl∈Y類的第l個樣本點之間的距離為i＝1，2，…，Nk；j＝1，2，…，Nl，其中Nk為樣本集S中yk類的訓練樣本數(shù)，Nl為S中yl類的訓練樣本數(shù)；然后，定義第yk類與第yl類之間的距離為對每個類，根據(jù)上式分別計算它與c-1個其他類之間的距離，得到相應的距離矩陣D<mrow><mi>D</mi><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mi>D</mi><mrow><mo>(</mo><msub><mi>y</mi><mn>1</mn></msub><mo>,</mo><msub><mi>y</mi><mn>2</mn></msub><mo>)</mo></mrow></mtd><mtd><mi>D</mi><mrow><mo>(</mo><msub><mi>y</mi><mn>1</mn></msub><mo>,</mo><msub><mi>y</mi><mn>3</mn></msub><mo>)</mo></mrow></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><mi>D</mi><mrow><mo>(</mo><msub><mi>y</mi><mn>1</mn></msub><mo>,</mo><msub><mi>y</mi><mi>c</mi></msub><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mi>D</mi><mrow><mo>(</mo><msub><mi>y</mi><mn>2</mn></msub><mo>,</mo><msub><mi>y</mi><mn>1</mn></msub><mo>)</mo></mrow></mtd><mtd><mi>D</mi><mrow><mo>(</mo><msub><mi>y</mi><mn>2</mn></msub><mo>,</mo><msub><mi>y</mi><mn>3</mn></msub><mo>)</mo></mrow></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><mi>D</mi><mrow><mo>(</mo><msub><mi>y</mi><mn>2</mn></msub><mo>,</mo><msub><mi>y</mi><mi>c</mi></msub><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd><mtd></mtd><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd><mtd></mtd><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mo>.</mo></mtd><mtd><mo>.</mo></mtd><mtd></mtd><mtd><mo>.</mo></mtd></mtr><mtr><mtd><mi>D</mi><mrow><mo>(</mo><msub><mi>y</mi><mi>c</mi></msub><mo>,</mo><msub><mi>y</mi><mn>1</mn></msub><mo>)</mo></mrow></mtd><mtd><mi>D</mi><mrow><mo>(</mo><msub><mi>y</mi><mi>c</mi></msub><mo>,</mo><msub><mi>y</mi><mn>2</mn></msub><mo>)</mo></mrow></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><mi>D</mi><mrow><mo>(</mo><msub><mi>y</mi><mi>c</mi></msub><mo>,</mo><msub><mi>y</mi><mrow><mi>c</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>)</mo></mrow></mtd></mtr></mtable></mfenced><mo></mo></mrow>對矩陣D每一行中的c-1個距離值按由大到小的順序排列，得到對應的距離排序矩陣根據(jù)矩陣第一列元素的大小(i＝1，2，…，c)，按照由大到小的順序?qū)ο鄳念悩颂栔匦戮幪?，?i＝1，2，…，c)最大者對應的類標號記為1，而最小者對應的類標號記為c；最終得到所有類別的排列為y1，y2，…，yc；由此，將c類分類問題轉(zhuǎn)化為c-1個二類分類器來解決。FSA00000157353000011.tif,FSA00000157353000013.tif,FSA00000157353000014.tif,FSA00000157353000015.tif,FSA00000157353000016.tif,FSA00000157353000017.tif,FSA00000157353000021.tif,FSA00000157353000023.tif,FSA00000157353000024.tif,FSA00000157353000025.tif,FSA00000157353000026.tif,FSA00000157353000027.tif,FSA00000157353000028.tif,FSA000001573530000210.tif,FSA000001573530000211.tif,FSA000001573530000212.tif,FSA000001573530000213.tif,FSA000001573530000214.tif,FSA000001573530000215.tif,FSA000001573530000216.tif,FSA000001573530000217.tif,FSA000001573530000218.tif,FSA000001573530000219.tif,FSA000001573530000220.tif,FSA00000157353000032.tif,FSA00000157353000033.tif,FSA00000157353000034.tif,FSA00000157353000035.tif全文摘要本發(fā)明涉及一種基于多核支持向量機的肌電信號分類方法。對于分布復雜的樣本，基于單核支持向量機的分類性能，在分類精度和支持向量的數(shù)目上容易受到影響。本發(fā)明方法是將多核支持向量機方法與二叉樹組合策略相結(jié)合，具體步驟是通過肌電信號采集儀拾取人體下肢的肌電信號；采用小波系數(shù)尺度間相關(guān)性消噪法對含有干擾噪聲的肌電信號進行消噪；對消噪后的肌電信號進行特征提取，利用消噪后的小波系數(shù)得到肌電信號的特征；基于多核支持向量機的分類操作。本發(fā)明方法可以較好地滿足下肢假肢控制中的多分類要求，兼顧分類的準確性和實時性，該方法在智能假肢控制的多運動模式識別中具有廣闊的應用前景。文檔編號G06K9/62GK101859377SQ20101019747公開日2010年10月13日申請日期2010年6月8日優(yōu)先權(quán)日2010年6月8日發(fā)明者佘青山,孟明,羅志增,馬玉良申請人:杭州電子科技大學