基于PCA与核LDA的表面肌电信号特征识别

基于PCA与核LDA的表面肌电信号特征识别
李莉;李华;李建
【摘要】针对表面肌电信号的非线性和非平稳性等特点,提出了一种主元分析与核LDA判别分析相结合的表面肌电信号特征识别新方法;通过虚拟仪器采集桡侧腕屈肌和肱桡肌两路表面肌电信号,并提取其特征参数平均绝对值和均方根,采用主元分析法对表面肌电信号特征参数进行压缩降维,应用核LDA判别分析法对降维后的数据进行分类识别;经过实验表明,该方法将表面肌电信号的特征参数由4维降到2维,减小了数据的冗余度,能够成功的从表面肌电信号中识别握拳、展拳、手腕内翻和手腕外翻四种动作,识别率高达96％.
【期刊名称】《计算机测量与控制》
【年(卷),期】2014(022)002
【总页数】3页(P575-577)
【关键词】主元分析;核LDA;表面肌电信号;模式识别;降维
【作者】李莉;李华;李建
【作者单位】河南工程学院计算机科学与工程系,郑州 450007;河南工程学院计算机科学与工程系,郑州 450007;河南工程学院计算机科学与工程系,郑州 450007【正文语种】中文
【中图分类】TP212.3
0 引言
表面肌电信号(SEMG)是人体自主运动时从骨骼肌表面通过电极记录下来的生物电
信号［1］。

国外学者S.P.Arjunan 等人应用双支持向量机(TSVM)对低级别的手
指弯曲动作进行有效的识别，识别率在82%～95%之间［2］;国内学者黄鹏程等
人采用幅值立方法提取SEMG 特征参数，应用BP 神经网络对手指运动模式进行
分类，分类识别率达75%［3］。

主元分析(PCA)以其能够对高维数据进行有效地数据压缩和特征提取的功能，在表面肌电信号处理中逐渐得到应用［4］。

核判别分析(KLDA)是在线性判别分析(LDA)基础上加入核函数思想，用来处理非线性数据，达到分类识别的目的［5-9］。

为了减少程序的计算量并针对SEMG 数据非线性特点，应用主元分析法对SEMG 特征数据进行降维，排除数据中相互重叠的部分，
然后采用核LDA判别分析对降维后的数据进行分类识别，与LDA 相比，此方法
能够有效减少数据量，同时也大大提高了识别率。

1 主元分析方法
PCA 的基本思想是:通过一个正交化线性变换，把数据变换到一个新的坐标系统中，使得这一数据的任何投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。

设样本数据的特征总数目为M，样本个数为N，样本空间X=［x1，x2，…，xM］，经PCA 处理后的矩阵为V
［10-12］。

PCA 分析步骤如下:
步骤1:对每一维m=1，2，…，M 计算经验均值，将得到的均值放入M ×1 维的
经验均值向量um中:
步骤2:求各样本与经验均值向量的差值向量B:
其中h 是一个全1 的1 × N 维的行向量。

步骤3:计算协方差矩阵C:
步骤4:计算协方差矩阵的特征向量和特征值，特征向量按照特征值由大到小排列
的矩阵就是投影变换矩阵。

在M 维的样本空间中，有M 个主元，根据式计算主
元的比率Z，按照比率大于等于90%，选取前P(P ＜M)个对偏差贡献大的主元构成向量D。

步骤5:计算正交变换后的矩阵V:
2 SEMG 基于核LDA 判别分析的特征识别方法
为了满足处理非线性数据的要求，采用核函数与线性判别分析(LDA)相结合的核LDA 判别分析法来识别握拳、展拳、手腕内翻和手腕外翻四种动作的SEMG 信号。

经PCA 处理后的样品空间X 的特征总数目为P(P ＜M)，样本个数为N，样品类
别为c。

核Fisher 的基本思想是用非线性函数ψ 实现由样本空间X 到特征空间F 的映射。

通过非线性映射，样本空间X=［x1，x2，…，xN］T 映射为特征空间
ψ(x)=［ψ(x1)，ψ(x2)，…，ψ(xN)］T，并在特征空间进行Fisher 判别分析达到
对非线性数据分类识别的目的［13-16］。

两类分类的具体方法如下:
步骤1:计算特征空间均值向量、样本类内离散度矩阵、总类内离散度矩阵和样本
类间离散度矩阵。

步骤2:求在特征空间上最优投影方向w* 。

设投影直线方向为w，定义Fisher 准
则函数为:
使得JF(w)取得最大值的w* 为
步骤3:选取核函数，求ψ(x)在w* 上的投影y。

新算法采用高斯径向基函数作为核函数。

ψ(x)在w* 上的投影y 为:
考虑到w 可由ψ(x1)，ψ(x2)，…，ψ(xN)线性表示，即:
最终特征空间上ψ 在w 上的投影变换为K(·，x)在α 上的投影y，即:
步骤4:求在投影空间上的分割阈值y0。

˜mi(i=1，2)为投影后的各类别的平均值，满足
3 表面肌电信号采集系统
表面肌电信号采集系统主要由检测电极、信号调理电路、数据采集板卡以及LABVIEW 框架下的计算机系统组成。

系统框图如图1 所示。

实验室条件下，应用仪表放大器AD620 和运算放大器OPA347，设计了一套放大倍数250 倍，10～1 000 Hz 的带通滤波差分输入肌电信号采集与调理电路。

将采集到的两路SEMG信号放大滤波后输入数据采集板卡进行采样，采样频率为3 000 Hz。

受试者做以下四种动作:手掌内翻手掌外翻、握拳和展拳。

每种动作重复2 次，每次维持5 s。

图2 为采集到的SEMG 信号。

图1 肌电信号采集系统结构框图
图2 表面肌电信号图
4 实验结果分析
实验中，每种动作模式采集10 s SEMG 信号数据，采样频率为2 000 Hz。

将各
个动作的SEMG 数据分为两个部分，前5 s SEMG 数据作为训练样本，后5 s 数
据作为测试样本。

应用PCA 得到SEMG 数据各主成分解释方差如图3 所示。

图3 各主成分解释方差柱状图
前两个主元所解释的方差占到总方差的100%，第三、四主元所解释的方差为0。

因此可以将四维的SEMG 数据降为二维的数据矩阵。

图4 为SEMG 数据在前两个主成分构成的体系内的分布。

应用LDA 和PCA +KLDA 对测试样本进行识别，识别结果如图5 所示。

从图5 可知，利用PCA+KLDA 分类器对4 种动作的SEMG 信号的平均识别正确率在96%以上，只有握拳和内翻有一小部分误识，与LDA 分类器相比有较高的识别率。

5 结束语
SEMG 信号的非线性特点使得在应用线性分类器时往往不能达到理想的识别效果，而且数据的特征维数较大也会带来运算上的压力。

因此，提出了一种主元分析和核LDA 相结合的方法。

由实验结果可得，运用此方法不仅降低了SEMG 特征空间的维数，由4 维降到2 维，而且动作平均识别率高达96%，展拳、手腕内翻都达到100%正确率，只有握拳和手腕外翻出现一部分误识，与LDA 相比具有识别正确
率高、运算速度快和鲁棒性能好等特点。

图4 SEMG 数据在前两个主成分构成的体系内分布
图5 LDA 和PCA+KLDA 分类结果图
参考文献:
【相关文献】
［1］Arjunan S P，Kumar D K，Naik G R.A machine learning based method for classification of fractal features of forearm SEMG using Twin Support Vector Machines ［A］.32nd Annual International Conference of the IEEE EMBS［C］.Buenos Aires，2010:4821-4824.
［2］Khezri M，Jahed M.A Neuro－ Fuzzy Inference System for sEMG－Based Identification of Hand Motion Commands ［J］.IEEE Transactions on Industrial Electronics，2011，58 (05):1952-1960.
［3］Ryait H S，Arora A S，Agarwal R.Interpretations of Wrist/Grip Operations From SEMG Signals at Different Locations on Arm ［J］.IEEE Transactions on Biomedical Circuits and Systems，2010，4 (02):101-111.
［4］Levi J.Englehart H K，Hudgins B.A Comparison of Surface and Intramuseular Myoelectric Signal Classification［J］.IEEE Transactions on Biomedical Engineering，2007，54 (05):847-853.
［5］张启忠，席旭刚，罗志增.基于表面肌电信号形态特征的多模式识别研究［J］.传感技术学报，2012，12 (25):1636-1642.
［6］黄鹏程，杨庆华，鲍官军，等.基于幅值立方和BP 神经网络的表面肌电信号特征提取算法［J］.中国机械工程，2012，23 (11):1332-1336.
［7］袁明，罗志增.基于排列组合熵的表面肌电信号特征分析［J］.杭州电子科技大学学报，2012，32 (01):64-67.
［8］杨亮，潘凤鸣，林鸿飞.基于组块分析的评价对象识别及其应用［J］.广西师范大学学报:自然科学版，2011，29 (1):151-156.
［9］杨颖娴.基于PCA 算法和小波包变换的人脸识别技术［J］.微电子学与计算机，2011，28 (1):92-94.
［10］郭一娜，王清华.利用柔性神经树的实时肌电信号手势识别模型［J］.计算机工程与应用，2012，48 (17):207-210.
［11］周丽红，杨鹏，耿艳利，等.基于肌电信号的行走步态周期识别方法与实验系统的设计［J］.计算机测量与控制，2011，19(8):1965-1967.
［12］万脯，蒋大林，邓峰，等.基于KL 和核Fisher 判别的车位检测方法［J］.计算机工程，201137 (08):204-206.
［13］张红涛，毛罕平，韩绿化.基于核Fisher 判别分析的粮虫特征压缩方法［J］.江苏大学学报，2012，33 (01):16-20.
［14］周欣，吴瑛.核Fisher 判别分析在数字信号分类中的应用［J］.北京邮电大学学报，2011，34 (01):35-39.
［15］周欣，吴瑛.基于KPCA 和LDA 的信号调制识别［J］.系统工程与电子技术，2011，33 (07):1611-1616.
［16］程波，刘光远.基于小波变换与神经网络的表面肌电信号的情感识别［J］.计算机应用，2008，28 (2):333-335.。