表面肌電信號(hào)的特征提取及選擇分析案例目錄TOC\o"1-3"\h\u22966表面肌電信號(hào)的特征提取及選擇分析案例 188791.1時(shí)域特征 156881.2特征選擇 2163031.2.1LDA分類算法 2104401.2.2SVM分類算法 3102261.2.3特征選擇結(jié)果 41.1時(shí)域特征特征提取階段從時(shí)域提取10個(gè)特征。時(shí)域特征被測(cè)量為時(shí)間的函數(shù)。時(shí)域特征由于其實(shí)現(xiàn)簡(jiǎn)單、計(jì)算簡(jiǎn)單等優(yōu)點(diǎn)，在肌電下肢運(yùn)動(dòng)識(shí)別中得到了廣泛應(yīng)用。所有時(shí)域特性都可以實(shí)時(shí)實(shí)現(xiàn)。下面是基于時(shí)域的10個(gè)特征。表3-110個(gè)時(shí)域特征時(shí)域特征公式波形長(zhǎng)度(WL)QUOTEWL=i=1N-1|xi+1斜率變化率(SSC)SSCfx方差(VAR)QUOTEVAR=1N-1I=1均方根(RMS)RMS=平均絕對(duì)值(MAV)MAV=上分位數(shù)（Quantile75)n=0.75?N+1

自回歸系數(shù)(AR)x取p=4既AR模型的階數(shù)為4，則這屬于四個(gè)不同的時(shí)域特征。1.2特征選擇在表面肌電下肢動(dòng)作識(shí)別中，特征選擇是很重要的一步。最優(yōu)特征對(duì)于實(shí)現(xiàn)表面肌電信號(hào)的分析和識(shí)別具有重要意義。將10個(gè)時(shí)域特征通過LDA分類法和SVM分類法對(duì)四個(gè)下肢動(dòng)作進(jìn)行識(shí)別，選擇識(shí)別最優(yōu)與最差的四個(gè)時(shí)域特征作為集成學(xué)習(xí)識(shí)別特征。根據(jù)原理，機(jī)器學(xué)習(xí)算法可分為生成模型和判別模型。提出了一種基于線性判別分析和支持向量機(jī)(SVM)的步態(tài)識(shí)別方法。線性判別分析有時(shí)也叫Fisher線性判別，本質(zhì)上是一種監(jiān)督學(xué)習(xí)的降維技術(shù)，也就是說其數(shù)據(jù)集的每個(gè)樣本都有一個(gè)類別輸出。線性判別分析的基本原理是類間均值最大化，類內(nèi)方差最小化。意思是數(shù)據(jù)投影在低維上，投影后同類數(shù)據(jù)的投影點(diǎn)盡可能近，不同類型數(shù)據(jù)的投影點(diǎn)中心點(diǎn)盡可能遠(yuǎn)，完成最佳的分類結(jié)果。支持向量機(jī)是在特征空間中尋找最佳的分離超平面，以最大化訓(xùn)練集正負(fù)樣本之間的間隔，其針對(duì)小樣本統(tǒng)計(jì)估計(jì)和預(yù)測(cè)學(xué)習(xí)的最佳理論和識(shí)別方法，對(duì)得到的識(shí)別量應(yīng)用支持向量機(jī)進(jìn)行步態(tài)識(shí)別和分類。1.2.1LDA分類算法LDA是分類中最常用的方法之一。這種分析技術(shù)是由RAFisher在1936年首次提出的。這種分類方法的主要目標(biāo)是找到標(biāo)記屬性的線性組合，這些屬性完全分離或表征兩類或兩類以上的事件或?qū)ο?。該結(jié)果作為數(shù)據(jù)集維數(shù)的約簡(jiǎn)實(shí)現(xiàn)。它也被稱為典型變量分析或Fisher線性判別分析。這是在模式識(shí)別，統(tǒng)計(jì)和機(jī)器學(xué)習(xí)中實(shí)現(xiàn)的基本數(shù)學(xué)技術(shù)之一。LDA可以很容易地處理類中頻率不等的數(shù)據(jù)，性能的檢查是基于隨機(jī)生成的測(cè)試數(shù)據(jù)。它提高了類間和類內(nèi)方差的比率，從而保證了最大的可分性。若要使同類樣例的投影點(diǎn)盡可能靠近，要保證同類樣例投影點(diǎn)的協(xié)方差QUOTEωT0ω+ωT1ωωT0ω+J=QUOTE||ωTu0-ωTu1||22ωT類間散度矩陣：QUOTESw=0+1=類內(nèi)離散矩陣：QUOTESb=(u0-uJ=QUOTEωTSbωωT由拉格朗日乘子法可知：QUOTESbω=λSwωQUOTESbω=λ(u0-u可求得投影方向的向量QUOTEωω：QUOTEω=Sw-1(u01.2.2SVM分類算法支持向量機(jī)(SVM)是一種基于定義決策邊界的決策平面的模型。決策平面將一組對(duì)象分成不同的類。大多數(shù)分類任務(wù)并不像線性分類那樣簡(jiǎn)單，往往需要更復(fù)雜的結(jié)構(gòu)來獲得最佳的分離。最優(yōu)的分離是基于可用的用例正確分類新目標(biāo)(測(cè)試用例)。這種繪制分隔線來分類不同類別的對(duì)象的分類任務(wù)稱為超平面分類器。支持向量機(jī)可以處理這樣復(fù)雜的任務(wù)。對(duì)象使用數(shù)學(xué)函數(shù)(內(nèi)核)進(jìn)行映射。對(duì)對(duì)象進(jìn)行分類的過程稱為映射。支持向量機(jī)(SVM)是一種通過在多維空間中構(gòu)造超平面來執(zhí)行任務(wù)的分類方法。這個(gè)方法將案例從不同的類中分離出來。支持向量機(jī)可以是回歸和分類。它使用多個(gè)連續(xù)和分類變量(分類變量被轉(zhuǎn)換為虛擬變量)。在樣本空間中，劃分決策面用線性方程表示為：QUOTEωTx+b=0ωTx+b=0樣本空間中任意一點(diǎn)到這個(gè)決策面的距離可由下式計(jì)算：QUOTEr=ωTx+b|ω|要使決策面能夠?qū)⒂?xùn)練樣本正確分類，那么對(duì)于(x,y)QUOTE?D，?D，QUOTEωTxi+b≥要到具有最大間隔的劃分決策面，即要找到滿足條件的約束參數(shù)QUOTEωω和b：max要使最大化間隔，即等同于最小化QUOTE||ω||-1||min1.2.3特征選擇結(jié)果（1）LDA分類結(jié)果圖3-1LDA對(duì)四個(gè)動(dòng)作的每個(gè)時(shí)域特征的識(shí)別結(jié)果圖3-2LDA對(duì)每個(gè)時(shí)域特征的識(shí)別結(jié)果根據(jù)LDA分類結(jié)果提取4個(gè)最優(yōu)時(shí)域特征，先將對(duì)4個(gè)下肢動(dòng)作識(shí)別準(zhǔn)確率低于80%的時(shí)域特征排除，還有波形長(zhǎng)度(WL)、斜率變化率(SSC)、方差(VAR)、上分位數(shù)（Quantile75)、自回歸系數(shù)(AR1)、自回歸系數(shù)(AR2)六個(gè)時(shí)域特征，再對(duì)4個(gè)下肢動(dòng)作識(shí)別準(zhǔn)確率取平均值并進(jìn)行排序取其前四位，分別為波形長(zhǎng)度(WL)、方差(VAR)、上分位數(shù)（Quantile75)、斜率變化率(SSC)。這四個(gè)時(shí)域特征將作為集成學(xué)習(xí)LDA的分類特征。與上同理選取的四個(gè)最差特征為平均絕對(duì)值(MAV)、均方根(RMS)、自回歸系數(shù)(AR3)、自回歸系數(shù)(AR4)。根據(jù)上述分類結(jié)果還可以分析出，對(duì)于收膝動(dòng)作，波形長(zhǎng)度(WL)、斜率變化率(SSC)、方差(VAR)、自回歸系數(shù)(AR2)，這四個(gè)時(shí)域特征識(shí)別準(zhǔn)確率很高，都達(dá)到了97%以上。對(duì)于抬膝動(dòng)作，波形長(zhǎng)度(WL)、斜率變化率(SSC)、方差(VAR)、上分位數(shù)（Quantile75)，這四個(gè)時(shí)域特征識(shí)別都全對(duì)，識(shí)別準(zhǔn)確率為100%。對(duì)于伸踝動(dòng)作，波形長(zhǎng)度(WL)、方差(VAR)、均方根(RMS)、上分位數(shù)（Quantile75)，這四個(gè)時(shí)域特征識(shí)別準(zhǔn)確率很高，都達(dá)到了98%以上。對(duì)于抬踝動(dòng)作，平均絕對(duì)值(MAV)、方差(VAR))、均方根(RMS)、上分位數(shù)（Quantile75)，這四個(gè)時(shí)域特征識(shí)別都全對(duì)，識(shí)別準(zhǔn)確率為100%。據(jù)LDA對(duì)每個(gè)時(shí)域特征的識(shí)別結(jié)果波形長(zhǎng)度(WL)、方差(VAR)、上分位數(shù)（Quantile75)、斜率變化率(SSC)為四個(gè)最優(yōu)特征。平均絕對(duì)值(MAV)、自回歸系數(shù)(AR2)、自回歸系數(shù)(AR3)、自回歸系數(shù)(AR4)為4個(gè)最差特征。（2）SVM分類結(jié)果圖3-3SVM對(duì)四個(gè)動(dòng)作的每個(gè)時(shí)域特征的識(shí)別結(jié)果圖3-2SVM對(duì)每個(gè)時(shí)域特征的識(shí)別結(jié)果根據(jù)SVM對(duì)四個(gè)動(dòng)作的每個(gè)時(shí)域特征的識(shí)別結(jié)果提取4個(gè)最優(yōu)時(shí)域特征，先將對(duì)4個(gè)下肢動(dòng)作識(shí)別準(zhǔn)確率低于80%的時(shí)域特征排除，還有波形長(zhǎng)度(WL)、斜率變化率(SSC)、方差(VAR)、均方根(RMS)、上分位數(shù)（Quantile75)五個(gè)時(shí)域特征，再對(duì)4個(gè)下肢動(dòng)作識(shí)別準(zhǔn)確率取平均值并進(jìn)行排序取其前四位，分別為波形長(zhǎng)度(WL)、方差(VAR)、上分位數(shù)（Quantile75)、斜率變化率(SSC)。這四個(gè)時(shí)域特征將作為集成學(xué)習(xí)SVM的分類特征。與上同理選取的四個(gè)最差特征為平均絕對(duì)值(MAV)、自回歸系數(shù)(AR2)、自回歸系數(shù)(AR3)、自回歸系數(shù)(AR4)。根據(jù)上述分類結(jié)果還可以分析出，對(duì)于收膝動(dòng)作，波形長(zhǎng)度(WL)、斜率變化率(SSC)、方差(VAR)、上分位數(shù)（Quantile75)，這四個(gè)時(shí)域特征識(shí)別準(zhǔn)確率較高，都達(dá)到了90%以上。對(duì)于抬膝動(dòng)作，波形長(zhǎng)度(WL)、斜率變化率(SSC)、方差(VAR)、上分位數(shù)（Quantile75)，這四個(gè)時(shí)域特征識(shí)別準(zhǔn)確率很高，都達(dá)到了97%以上。對(duì)于伸踝動(dòng)作，平均絕對(duì)值(MAV)、波形長(zhǎng)度(WL)、方差(VAR)、均方根(RMS)、上分位數(shù)（Quantile75)，這五個(gè)時(shí)域特征識(shí)別都全對(duì)，識(shí)別準(zhǔn)確率為100%。對(duì)于抬踝動(dòng)作，平均絕對(duì)值(MAV)、波形長(zhǎng)度(WL)、方差(VAR)、均方根(RMS)，這四個(gè)時(shí)域特征識(shí)別都全對(duì)，識(shí)別準(zhǔn)確率為100%。根據(jù)SVM對(duì)每個(gè)時(shí)域特征的識(shí)別結(jié)果波形長(zhǎng)度(WL)、方差(VAR)、上分位數(shù)（Quantile75