阅读说明：本技术 基于lda算法的表面肌电信号的通道选取方法 (LDA algorithm-based channel selection method for surface electromyographic signals ) 是由 王念峰 张新浩 张宪民 于 2019-08-28 设计创作，主要内容包括：本发明公开了一种基于LDA算法的表面肌电信号的通道选取方法。对于确定数量的肌电信号通道组合,从胫骨前肌、腓骨长肌和比目鱼肌,腓肠肌外侧肌肉,小腿内侧的腓肠肌内侧肌肉,小腿后侧的腓肠肌内侧肌肉这6个待选的的肌电信号通道中挑出不同的组合,用基于LDA算法的准确率计算算法计算每种通道组合对脚踝的放松、背屈、跖屈、外翻和内翻5种动作模式的平均识别率。通过对每种通道组合的平均识别率进行比较,得到最优的通道组合。通过基于LDA算法的识别率计算,确定最优肌电信号通道组合,相比于通过经验确定通道组合,本发明更加科学和准确,能够使用较少的肌电信号通道实现对脚踝5种动作模式以较高的识别率进行识别。(the invention discloses a channel selection method of a surface electromyogram signal based on an LDA algorithm. For the myoelectric signal channel combinations with the determined number, different combinations are selected from 6 myoelectric signal channels to be selected, namely tibialis anterior muscle, peroneal long muscle, soleus muscle, gastrocnemius lateral muscle, gastrocnemius medial muscle on the inner side of the lower leg and gastrocnemius medial muscle on the rear side of the lower leg, and the average recognition rate of 5 action modes of relaxing, dorsiflexion, plantarflexion, eversion and inversion of the ankle of each channel combination is calculated by using an accuracy calculation algorithm based on an LDA (linear discriminant analysis) algorithm. And comparing the average recognition rate of each channel combination to obtain the optimal channel combination. Compared with the method for determining the channel combination through experience, the method is more scientific and accurate, and can realize the recognition of 5 ankle action modes with higher recognition rate by using fewer myoelectric signal channels.)

基于LDA算法的表面肌电信号的通道选取方法

技术领域

本发明涉及模式识别领域，特别涉及一种基于LDA算法的表面肌电信号的通道选取方法。可用于脚踝动作模式识别中的肌电电极位置的选择或其他动作模式的肌电电极位置的选择。

背景技术

表面肌肉电信号(surface electromyography,SEMG)简称表面肌电信号或肌电信号，是通过表面电极采集的肌肉活动时所产生的生物电信号。在脚踝要做出相应的运动时，小腿的肌肉会产生动作电位来诱发肌肉的收缩，这些信号经过皮下组织的传导最终可以在皮肤表面被表面电极检测到。表面肌电信号包含了相应动作的信息，而且表面肌电信号的检测属于无创检测，较为方便。

脚踝的康复锻炼对脚踝的损伤的恢复有着重要的意义。脚踝的康复一般会让康复者用脚踝做出放松、背屈、跖屈、外翻和内翻这几种动作。通过肌电信号判断出脚踝的动作，可以将动作信息提供给相应的显示或者康复辅助设备，让康复训练的过程更加简单和直观。

LDA算法全称是线性判别分析，是一种典型的模式识别算法。将不同动作模式的肌电信号的特征组合向量用LDA算法进行训练，可以有效判断不同的动作模式。

人类拥有复杂的肌肉系统，小腿上的许多肌肉都与脚踝的运动有关。在实际的使用中，能够通过较少的肌肉上的肌电信号实现较高识别率的识别是非常重要的，所以往往要挑选肌电信号通道。在肌电信号的模式识别的研究和应用中，并没有很多对于选择如何选择有效肌肉的研究，更多的是基于人体运动学的经验进行选择。

发明内容

针对上述存在的技术问题，本发明提出了一种基于LDA算法的表面肌电信号的通道选取方法。脚踝的放松、背屈、跖屈、外翻和内翻被当作5种识别模式。通过对动作模式识别率的统计比较，在小腿的主要肌肉，胫骨前肌、腓骨长肌、比目鱼肌、腓肠肌外侧肌肉、小腿内侧的腓肠肌内侧肌肉和小腿后侧的腓肠肌内侧肌肉这6个待选的通道中挑选出最优的肌电信号通道组合。

本发明的目的至少通过如下技术方案之一实现。

基于LDA算法的表面肌电信号的通道选取方法，包括如下步骤：

步骤S1、用酒精对小腿上胫骨前肌、腓骨长肌、比目鱼肌、腓肠肌外侧肌肉、小腿内侧的腓肠肌内侧肌肉、小腿后侧的腓肠肌内侧肌肉6个部位进行清洁，并在6个部位上固定表面肌电电极，上述6个部位为6个待选的肌电信号通道；

步骤S2、受试者坐在椅子上，大腿和小腿得到相应的支撑；只活动脚踝关节，做出放松、背屈、跖屈、外翻和内翻五种动作模式，用表面肌电传感器即肌电电极采集各个肌电信号通道的每种动作模式的肌电信号数据并以TXT格式保存到电脑；

步骤S3、选定肌电信号通道数量为m的m通道组合，则对于m个肌电信号通道的选取，总共有n种通道组合，其中，m＝1,…,6；

步骤S4、对每种m通道组合的肌电信号数据进行数据分割，得到若干段肌电信号数据，定义每段肌电信号数据为一个数据窗口，对数据窗口计算绝对均值(MAV)、方差(VAR)、均方根(RMS)、波长(WL)、威尔逊幅值(WAMP)、过零点值(ZC)、样本熵(SE)、自回归系数(AR)、平均频率(MNF)和中值频率(MDF)这10种特征；

步骤S5、对于每一种m通道组合，利用LDA算法进行训练和识别，统计每种m通道组合对放松、背屈、跖屈、外翻和内翻五种动作模式的平均识别率；

步骤S6、比较n种m通道组合的平均识别率，最高平均识别率对应的m通道组合被作为最优的m通道组合。

进一步地，步骤S2中，肌电电极的采集频率范围为500-1000Hz。

进一步地，步骤S4中，对每种m通道组合的肌电信号数据进行数据分割是指以每200毫秒的肌电数据为一段，将采集的连续的肌电信号分为若干段。

进一步地，步骤S4中，每段肌电信号数据有100-200个肌电数据。

进一步地，步骤S4中，对于一种m通道组合的肌电信号数据可以得到10种特征，10种特征以不同数量随机组合，总共可以得到1023种特征组合。

进一步地，步骤S5中，利用LDA算法对每种特征组合的特征组合向量数据进行训练和识别，求取每种特征组合对5种动作模式的识别率，然后对1023种特征组合对5种动作模式的识别率求平均值，将这个平均值作为这一种m通道组合的肌电信号数据对5种动作模式的平均识别率。

进一步地，根据数据窗口中的肌电数据计算出各种特征，每种特征组合的各种特征组成一个向量，定义为特征组合向量；利用LDA算法对每种特征组合的特征组合向量进行训练和识别，对于1023种特征组合中的一种特征组合，将基于采集到的所有分别属于5种动作模式的肌电信号数据计算出的特征组合向量分为两部分，前半部分进行训练，后半部分用来识别；所述训练过程为：对前半部分分别属于5种动作模式的特征组合向量用LDA算法进行训练，得到对特征组合向量进行降维操作的降维矩阵和每种动作模式类别的标签点向量。

进一步地，通过LDA算法得到对特征组合向量进行降维操作的降维矩阵和每种动作模式类别的标签点向量的步骤具体如下：

S5.1、用LDA算法计算特征组合向量的类间散列矩阵S_B：

其中，T表示矩阵转置，m_i是第i个动作模式类别用于训练的特征组合向量的个数，也就是第i个动作模式类别的肌电信号进行分割，求取特征组合向量后，前半部分用于训练的特征组合向量的个数，C是动作模式的类别数量，μ是所有特征组合向量的平均向量，μ_i是属于第i个动作模式类别的特征组合向量的平均向量，i指动作模式类别的编号；

S5.2、计算类内散列矩阵S_W：

其中，T表示矩阵转置，x_j是属于第i种动作模式的第j个特征组合向量，j指特征组合向量的编号；

S5.3、计算投影矩阵，定义J(W)如下，J(W)越大，则降维后的向量的分类性越好；通过使得J(W)最大求得最佳的降维矩阵：

其中，T表示矩阵转置，投影矩阵即降维矩阵W应能使J(W)取得最大值，求取W的方法是先求的特征值和特征向量，根据特征值由大到小对特征向量进行排序，然后取前t个特征向量组成投影矩阵，t代表的是降维后的数据维度，当需要降维的特征组合向量的维度大于要识别的动作模式的类别数量时，规定降维后的数据维度t为C-1；当需要降维的特征组合向量的维度小于要识别的动作模式的类别数量时，规定降维后的数据维度为特征组合向量的维度减去1；当需要降维的特征组合向量维度为1维时则降维后的数据维度t＝1；

S5.4、用μ_i乘以降维矩阵W，得到每种类别的标签点向量。

进一步地，通过所述降维矩阵进行降维后同类别的特征组合向量的欧氏距离变小，不同类别的特征组合向量的欧氏距离变大。

进一步地，利用LDA算法对每种特征组合的特征组合向量进行训练和识别，所述识别过程为：对于用于识别的特征组合向量，先和降维矩阵W相乘进行降维，通过比较降维后的特征组合向量和标签点向量的欧氏距离得出这个特征组合向量所属的类别；将LDA算法判断出的动作模式类别和特征组合向量实际属于的动作模式类别进行比对，统计出这种特征组合对5种动作模式的识别率。

相比于现有技术，本发明的优点在于：

通过基于LDA算法的识别率计算，确定最优肌电信号通道组合，相比于通过经验确定通道组合，更加科学和准确，能够使用较少的肌电信号通道实现对脚踝5种动作模式以较高的识别率进行识别。

附图说明

图1为本发明实施例中的基于LDA算法的表面肌电信号的通道选取方法的流程图。

具体实施方式

下面结合附图和实施例对本发明的具体实施作进一步详细的说明。

实施例：

如图1所示，基于LDA算法的表面肌电信号的通道选取方法，包括如下步骤：

步骤S1、用酒精对小腿上胫骨前肌、腓骨长肌、比目鱼肌、腓肠肌外侧肌肉、小腿内侧的腓肠肌内侧肌肉、小腿后侧的腓肠肌内侧肌肉6个部位进行清洁，并在6个部位上固定表面肌电电极，上述6个部位为6个待选的肌电信号通道。

步骤S2、受试者坐在椅子上，大腿和小腿得到相应的支撑；只活动脚踝关节，做出放松、背屈、跖屈、外翻和内翻五种动作模式，用表面肌电传感器即肌电电极采集各个肌电信号通道的每种动作模式的肌电信号数据并以TXT格式保存到电脑；所述肌电电极的采集频率范围为500-1000Hz。

步骤S3、选定肌电信号通道数量为m的m通道组合，则对于m个肌电信号通道的选取，总共有n种通道组合，其中，m＝1,…,6。

步骤S4、对每种m通道组合的肌电信号数据进行数据分割，即以每200毫秒的肌电数据为一段，将采集的连续的肌电信号分为若干段，得到若干段肌电信号数据，每段肌电信号数据有100-200个肌电数据，定义每段肌电信号数据为一个数据窗口，对数据窗口计算绝对均值(MAV)、方差(VAR)、均方根(RMS)、波长(WL)、威尔逊幅值(WAMP)、过零点值(ZC)、样本熵(SE)、自回归系数(AR)、平均频率(MNF)和中值频率(MDF)这10种特征；对于一种m通道组合的肌电信号数据可以得到10种特征，10种特征以不同数量随机组合，总共可以得到1023种特征组合。

步骤S5、对于每一种m通道组合，根据数据窗口中的肌电数据计算出各种特征，每种特征组合的各种特征组成一个向量，定义为特征组合向量；利用LDA算法对每种特征组合的特征组合向量进行训练和识别，对于1023种特征组合中的一种特征组合，将基于采集到的所有分别属于5种动作模式的肌电信号数据计算出的特征组合向量分为两部分，前半部分进行训练，后半部分用来识别。所述训练过程为：对前半部分分别属于5种动作模式的特征组合向量用LDA算法进行训练，得到对特征组合向量进行降维操作的降维矩阵和每种动作模式类别的标签点向量。通过LDA算法得到对特征组合向量进行降维操作的降维矩阵和每种动作模式类别的标签点向量的步骤具体如下：

S5.1、用LDA算法计算特征组合向量的类间散列矩阵S_B：

其中，T表示矩阵转置，m_i是第i个动作模式类别用于训练的特征组合向量的个数，也就是第i个动作模式类别的肌电信号进行分割，求取特征组合向量后，前半部分用于训练的特征组合向量的个数，C是动作模式的类别数量，μ是所有特征组合向量的平均向量，μ_i是属于第i个动作模式类别的特征组合向量的平均向量，i指动作模式类别的编号；

S5.2、计算类内散列矩阵S_W：

其中，T表示矩阵转置，x_j是属于第i种动作模式的第j个特征组合向量，j指特征组合向量的编号；

S5.3、计算投影矩阵，定义J(W)如下，J(W)越大，则降维后的向量的分类性越好；通过使得J(W)最大求得最佳的降维矩阵：

其中，T表示矩阵转置，投影矩阵即降维矩阵W应能使J(W)取得最大值，求取W的方法是先求的特征值和特征向量，根据特征值由大到小对特征向量进行排序，然后取前t个特征向量组成投影矩阵，t代表的是降维后的数据维度，当需要降维的特征组合向量的维度大于要识别的动作模式的类别数量时，规定降维后的数据维度t为C-1；当需要降维的特征组合向量的维度小于要识别的动作模式的类别数量时，规定降维后的数据维度为特征组合向量的维度减去1；当需要降维的特征组合向量维度为1维时则降维后的数据维度t＝1；

S5.4、用μ_i乘以降维矩阵W，得到每种类别的标签点向量。

通过所述降维矩阵进行降维后同类别的特征组合向量的欧氏距离变小，不同类别的特征组合向量的欧氏距离变大。

所述识别过程为：对于用于识别的特征组合向量，先和降维矩阵W相乘进行降维，通过比较降维后的特征组合向量和标签点向量的欧氏距离得出这个特征组合向量所属的类别；将LDA算法判断出的动作模式类别和特征组合向量实际属于的动作模式类别进行比对，统计出这种特征组合对5种动作模式的识别率。

求取每种特征组合对5种动作模式的识别率，然后对1023种特征组合对5种动作模式的识别率求平均值，将这个平均值作为这一种m通道组合的肌电信号数据对5种动作模式的平均识别率；统计每种m通道组合对放松、背屈、跖屈、外翻和内翻五种动作模式的平均识别率。

步骤S6、比较n种m通道组合的平均识别率，最高平均识别率对应的m通道组合被作为最优的m通道组合。