基于表面肌電信號(hào)的下肢動(dòng)作模式識(shí)別的集成學(xué)習(xí)算法研究摘要 41緒論 51.1研究工作的背景與意義 51.2國(guó)內(nèi)外研究現(xiàn)狀 51.2.1國(guó)內(nèi)研究現(xiàn)狀 61.2.2國(guó)外研究現(xiàn)狀 61.3本文主要研究?jī)?nèi)容 61.4章節(jié)安排 62表面肌電信號(hào)采集與預(yù)處理 72.1表面肌電信號(hào) 72.2.信號(hào)采集 82.2.1采集設(shè)備 82.2.3信號(hào)采集 92.3采集數(shù)據(jù)預(yù)處理 102.3.1重采樣 102.3.2小波去噪 102.3.3活動(dòng)段檢測(cè) 113表面肌電信號(hào)的特征提取及選擇 143.1時(shí)域特征 143.2特征選擇 143.2.1LDA分類(lèi)算法 153.2.2SVM分類(lèi)算法 163.2.3特征選擇結(jié)果 174集成學(xué)習(xí)識(shí)別 204.1多數(shù)投票法 204.2權(quán)重投票法 214.3識(shí)別結(jié)果 215總結(jié)與展望 24參考文獻(xiàn) 26摘要在仿生假肢領(lǐng)域，最重要的就是能夠及時(shí)的預(yù)測(cè)和識(shí)別人體即將要進(jìn)行的動(dòng)作。本文研究基于表面肌電信號(hào)的下肢動(dòng)作模式識(shí)別的集成學(xué)習(xí)算法，采集收膝、抬膝、伸踝、抬踝四種下肢動(dòng)作的四個(gè)通道的表面肌電信號(hào)。對(duì)采集到的信號(hào)進(jìn)行重采樣、小波去噪、活動(dòng)段檢測(cè)等預(yù)處理。從時(shí)域方面提取10個(gè)特征，再通過(guò)SVM分類(lèi)器和LDA分類(lèi)器選取其中四個(gè)最優(yōu)特征和四個(gè)最差特征，最后通過(guò)集成學(xué)習(xí)的多數(shù)投票法和權(quán)重投票法對(duì)四種下肢動(dòng)作進(jìn)行識(shí)別。最終結(jié)果表明集成學(xué)習(xí)對(duì)下肢動(dòng)作模式識(shí)別準(zhǔn)確率有較大提升。關(guān)鍵詞：表面肌電信號(hào)；下肢動(dòng)作模式識(shí)別；集成學(xué)習(xí)；分類(lèi)器；1緒論1.1研究工作的背景與意義據(jù)世界衛(wèi)生組織（WHO）最新估計(jì),全球大約有10億人身患?xì)堈?。在?dāng)今中國(guó)的社會(huì)存在大量殘疾人士，根據(jù)中國(guó)殘聯(lián)最新數(shù)據(jù)顯示，我國(guó)身患?xì)埣驳目側(cè)藬?shù)超過(guò)8500萬(wàn)，大約占全國(guó)總?cè)丝诘?.21%，其中患有肢體殘疾的人數(shù)為2472萬(wàn)，在各類(lèi)殘疾人中占比最大，而其中尤以患下肢殘疾人數(shù)最多達(dá)300多萬(wàn)人REF_Ref72401751\r\h[1]。與此同時(shí)，我國(guó)的人口老齡化速度逐漸加快，根據(jù)2020年第七次全國(guó)人口普查結(jié)果顯示，我國(guó)60歲及以上人口數(shù)為2640萬(wàn)，占全國(guó)人口總數(shù)18.7%。與2010年第六次全國(guó)人口普查結(jié)果相比，60歲及以上人口比重上升5.44%。與青年相比老年人組織器官衰退，更容易引起行動(dòng)不便甚至肢體殘障。老齡人口與殘障人士很多都喪失勞動(dòng)能力，甚至生活自理能力。這些問(wèn)題對(duì)社會(huì)和他們的家人都有重大影響。隨著我國(guó)社會(huì)的發(fā)展，國(guó)家越來(lái)越重視人口老齡化問(wèn)題與殘疾人士問(wèn)題，大量的助老助殘政策與方案在十三五期間得到制定與落實(shí)。針對(duì)我國(guó)當(dāng)前患?xì)埣踩藬?shù)巨大，以及老齡化趨勢(shì)越來(lái)越嚴(yán)重的嚴(yán)峻事實(shí)，迫切的需要推進(jìn)助老助殘相關(guān)事業(yè)的發(fā)展，提升殘疾人士與老年人的幸福指數(shù)。由此衍生了一些熱門(mén)的研究領(lǐng)域，像康復(fù)醫(yī)療、仿生假肢、步態(tài)識(shí)別等等。對(duì)患下肢殘疾人士和老年人來(lái)說(shuō)，通過(guò)醫(yī)療等技術(shù)手段能使他們正?；顒?dòng)尤為重要，而動(dòng)作識(shí)別又是醫(yī)療等技術(shù)手段的重要組成部分。下肢動(dòng)作識(shí)別是一種新興的生物特征識(shí)別技術(shù)，需要生物科學(xué)與數(shù)據(jù)科學(xué)的交叉性研究，在外骨骼機(jī)器人、仿生假肢、醫(yī)療康復(fù)等領(lǐng)域有重要應(yīng)用。目前，下肢動(dòng)作識(shí)別有兩個(gè)重要研究方向，一種是基于圖像信息進(jìn)行下肢動(dòng)作識(shí)別，一種是基于傳感器或電極信號(hào)進(jìn)行下肢動(dòng)作識(shí)別，而本文是基于電極信號(hào)進(jìn)行下肢動(dòng)作識(shí)別。基于電極信號(hào)進(jìn)行下肢動(dòng)作識(shí)別，是通過(guò)對(duì)人體電信號(hào)數(shù)據(jù)進(jìn)行特征選取與識(shí)別從而達(dá)到分類(lèi)作用。電極信號(hào)中又以表面肌電信號(hào)優(yōu)勢(shì)較為明顯。表面肌電信號(hào)易于采集，對(duì)人體沒(méi)有損傷，超前于人的實(shí)際肢體動(dòng)作，更能夠反映人體原始的運(yùn)動(dòng)意圖。進(jìn)行基于表面肌電信號(hào)的下肢動(dòng)作模式識(shí)別，不斷提升其識(shí)別的準(zhǔn)確性、實(shí)時(shí)性和魯棒性，這對(duì)促進(jìn)仿生假肢、外骨骼機(jī)器人以及康復(fù)醫(yī)療等領(lǐng)域有重大意義。同時(shí)這也是順應(yīng)中國(guó)社會(huì)發(fā)展，對(duì)解決中國(guó)人口老齡化與殘疾人士問(wèn)題有重大幫助。1.2國(guó)內(nèi)外研究現(xiàn)狀隨著信息與計(jì)算機(jī)技術(shù)的飛快發(fā)展，下肢動(dòng)作模式識(shí)別的方法也有著迅速的發(fā)展。下肢動(dòng)作識(shí)別前期很多都是利用一些壓力傳感器、加速度傳感器等物理傳感器采集相關(guān)信號(hào)進(jìn)行識(shí)別。這些物理傳感器使用不方便，采集的信號(hào)不準(zhǔn)確。如今更多的是使用視頻圖像信息與生物電信號(hào)進(jìn)行識(shí)別。1.2.1國(guó)內(nèi)研究現(xiàn)狀近年來(lái)人工智能產(chǎn)業(yè)迅猛發(fā)展，深度學(xué)習(xí)與機(jī)器學(xué)習(xí)等算法被研究人員逐漸應(yīng)用到下肢動(dòng)作模式識(shí)別領(lǐng)域。李林偉REF_Ref72402629\r\h[2]等研究者通過(guò)比較徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)與SVM分類(lèi)法對(duì)表面肌電信號(hào)的模式識(shí)別的準(zhǔn)確率，最終結(jié)果表明SVM分類(lèi)法的識(shí)別準(zhǔn)確率更高。金德聞REF_Ref72402719\r\h[3]等研究人員通過(guò)研究人體在進(jìn)行不同步態(tài)運(yùn)動(dòng)時(shí)，表面肌電信號(hào)會(huì)隨著步態(tài)的不同發(fā)生變化，研究表明了表面肌電信號(hào)可用于進(jìn)行人體步態(tài)識(shí)別。王斌銳REF_Ref72403254\r\h[4]等研究人員通過(guò)在髖膝關(guān)節(jié)和膝關(guān)節(jié)安裝加速度和角度傳感器采集人體步態(tài)信號(hào)，然后采取模糊神經(jīng)網(wǎng)絡(luò)和遺傳算法對(duì)人體步態(tài)進(jìn)行識(shí)別。該方法魯棒性較差，但是其計(jì)算量很小。高榮發(fā)REF_Ref72403330\r\h[5]等人提出了基于超限學(xué)習(xí)機(jī)的人體步態(tài)識(shí)別理論，這種方法提取相應(yīng)的特征較難，但是這種方法的魯棒性較好。1.2.2國(guó)外研究現(xiàn)狀ZhangF等研究人員通過(guò)使用BP神經(jīng)網(wǎng)絡(luò)算法，估算出脊髓損傷人員與正常人進(jìn)行下肢動(dòng)作時(shí)的關(guān)節(jié)角度不同。Brand等人通過(guò)使用DBN算法，結(jié)合人體進(jìn)行下肢動(dòng)作時(shí)的加速度傳感器信息與表面肌電信號(hào)，完成了對(duì)步態(tài)的識(shí)別，但是識(shí)別的準(zhǔn)確率不是很高。Huang團(tuán)隊(duì)使用優(yōu)化后的高斯混合模型，結(jié)合采集到的表面肌電信號(hào)提取的多個(gè)時(shí)域特征，最終完成了對(duì)六種上肢動(dòng)作的模式識(shí)別，并且其準(zhǔn)確率較高。ChristianEnz等人提取表面肌電信號(hào)的多個(gè)特征，然后經(jīng)過(guò)多分類(lèi)器融合的集成學(xué)習(xí)進(jìn)行動(dòng)作識(shí)別，識(shí)別的準(zhǔn)確率非常高。結(jié)果表明多分類(lèi)器融合的集成學(xué)習(xí)與單個(gè)分類(lèi)器比較識(shí)別結(jié)果更好。1.3本文主要研究?jī)?nèi)容本文以人體下肢的表面肌電信號(hào)作為研究對(duì)象，通過(guò)采集收膝、抬膝、伸踝、抬踝四種下肢動(dòng)作的脛骨前肌、內(nèi)側(cè)腓腸肌、股直肌和股二頭肌的四通道表面肌電信號(hào)，對(duì)采集到的數(shù)據(jù)進(jìn)行重采樣、小波閾值去噪、活動(dòng)段檢測(cè)等預(yù)處理，再?gòu)男盘?hào)的時(shí)域方面提取10個(gè)特征，然后再通過(guò)LDA分類(lèi)法和SVM分類(lèi)法對(duì)四個(gè)下肢動(dòng)作進(jìn)行識(shí)別，通過(guò)分析其識(shí)別結(jié)果，選擇擇識(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。最后根據(jù)選取的4個(gè)最優(yōu)與最差特征，進(jìn)行多數(shù)投票LDA分類(lèi)、權(quán)重投票LDA分類(lèi)、多數(shù)投票SVM分類(lèi)、權(quán)重投票SVM分類(lèi)，并進(jìn)行分類(lèi)結(jié)果比較。1.4章節(jié)安排本論文分為六章，具體安排如下：主要講解了本文研究工作的背景與意義，并對(duì)表面肌電信號(hào)的模式識(shí)別國(guó)內(nèi)外研究進(jìn)行了分析，最后介紹本文的研究?jī)?nèi)容以及本文的章節(jié)安排。簡(jiǎn)單介紹了表面肌電信號(hào)及其優(yōu)點(diǎn)與缺點(diǎn)，介紹信號(hào)采集使用的系統(tǒng)TrignoWirelessEMG無(wú)線肌電采集系統(tǒng)，最后講解表面肌電信號(hào)采集實(shí)驗(yàn)。對(duì)采集到的信號(hào)使用多相濾波器降采樣至500Hz,便于后續(xù)對(duì)信號(hào)進(jìn)行預(yù)處理。然后采用小波閾值去噪法對(duì)信號(hào)進(jìn)行降噪處理，最后通過(guò)Teager-KaiserEnergy的兩級(jí)閾值法進(jìn)行起始點(diǎn)檢測(cè)。第三章簡(jiǎn)單介紹基于時(shí)域的十個(gè)特征，再通過(guò)LDA分類(lèi)法和SVM分類(lèi)法對(duì)四個(gè)下肢動(dòng)作進(jìn)行識(shí)別，通過(guò)分析其識(shí)別結(jié)果，選擇擇識(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。選取的四個(gè)最優(yōu)時(shí)域特征分別為波形長(zhǎng)度(WL)、方差(VAR)、上分位數(shù)（Quantile75)、斜率變化率(SSC)，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)。第四章根據(jù)選取的4個(gè)最優(yōu)與最差特征，進(jìn)行多數(shù)投票LDA分類(lèi)、權(quán)重投票LDA分類(lèi)、多數(shù)投票SVM分類(lèi)、權(quán)重投票SVM分類(lèi)。最后進(jìn)行結(jié)果比較，發(fā)現(xiàn)集成學(xué)習(xí)對(duì)下肢動(dòng)作識(shí)別準(zhǔn)確率有較大提升。第五章總結(jié)了本文所做的研究，對(duì)未來(lái)的研究進(jìn)行展望。2表面肌電信號(hào)采集與預(yù)處理2.1表面肌電信號(hào)人體表面的肌電信號(hào)是伴隨著肌肉收縮產(chǎn)生的生理信號(hào)，是受人體中樞神經(jīng)控制，能在一定程度上反映人的運(yùn)動(dòng)意圖。在步行運(yùn)動(dòng)中，下肢總共有28塊肌肉起作用。隨著步行各個(gè)階段重復(fù)性變化，各個(gè)肌肉的表面肌電信號(hào)也跟著進(jìn)行規(guī)律性變化。為了有利于后續(xù)的研究，選取步行過(guò)程中最核心的肌肉進(jìn)行采集表面肌電信號(hào)。相關(guān)研究表明，股二頭肌、內(nèi)側(cè)腓腸肌、股直肌和脛骨前肌，這四個(gè)腿部肌肉在步行過(guò)程中起到關(guān)鍵性作用。圖2-1腿部肌肉群表面肌電信號(hào)易于采集，對(duì)人體不會(huì)造成傷害，超前于人的實(shí)際肢體動(dòng)作，更能夠反映人體原始的運(yùn)動(dòng)意圖。而且表面肌電相對(duì)穩(wěn)定同一受試者在相同的肌肉群采集到的表面肌電信號(hào)差異較小，有良好的重復(fù)性。但是表面肌電信號(hào)屬于一種微弱信號(hào)，容易受到干擾。2.2.信號(hào)采集2.2.1采集設(shè)備本研究使用的表面肌電信號(hào)采集設(shè)備為美國(guó)Delsys公司的TrignoWirelessEMG無(wú)線肌電采集系統(tǒng)（如圖所示）。肌電數(shù)據(jù)通過(guò)布置在受試者右側(cè)大腿的4個(gè)無(wú)線肌電信號(hào)采集傳感器采集，信號(hào)采樣的頻率為192593Hz。圖2-2TrignoWirelessEMG無(wú)線肌電采集系統(tǒng)TrignoWirelessEMG無(wú)線肌電采集系統(tǒng)能夠?qū)⒉杉降臄?shù)據(jù)傳輸?shù)紼MGworks進(jìn)行分析，最終生成16個(gè)EMG模擬通道信號(hào)。該設(shè)備含有16個(gè)傳感器的充電座與16個(gè)傳感器，傳感器含有4個(gè)銀條觸電直接接觸皮膚，來(lái)獲取人體皮膚表面的肌電信號(hào)。圖2-3傳感器2.2.3信號(hào)采集本實(shí)驗(yàn)對(duì)受試者收膝、抬膝、伸踝、抬踝這四種下肢動(dòng)作進(jìn)行腿部表面肌電信號(hào)的采集，四個(gè)通道的傳感器分別放置于受試者右側(cè)大腿的股二頭肌、內(nèi)側(cè)腓腸肌、股直肌和脛骨前肌的肌腹，傳感器用雙面膠和繃帶固定。圖2-4四種下肢動(dòng)作2.3采集數(shù)據(jù)預(yù)處理2.3.1重采樣由于TrignoWirelessEMG無(wú)線肌電采集系統(tǒng)的采樣頻率為192593Hz，為了方便后續(xù)信號(hào)處理，通過(guò)使用多相濾波器對(duì)原始信號(hào)序列的5000/192593倍上重新采樣。最后得到采樣頻率為500Hz的表面肌電信號(hào)。圖2-6重采樣前后2.3.2小波去噪因?yàn)楸砻婕‰娦盘?hào)屬于微弱信號(hào)，極易受到外界噪聲干擾，所以需要對(duì)表面肌電信號(hào)進(jìn)行降噪處理。本文采用小波閾值去噪法來(lái)對(duì)表面肌電信號(hào)進(jìn)行去噪。小波閾值去噪需要先對(duì)原始的表面肌電信號(hào)進(jìn)行小波變換，然后求出小波系數(shù)。通過(guò)最小極大方差閾值規(guī)則選取合適的閾值，把求出的小波系數(shù)與閾值進(jìn)行對(duì)比來(lái)處理信號(hào)，最后再進(jìn)行小波反變換得到去噪后的信號(hào)。小波變換Wf閾值化軟閾值化為：Sgn(x)=1|硬閾值化為：Sgn(x)=圖2-7小波去噪前后2.3.3活動(dòng)段檢測(cè)人體的下肢動(dòng)作具有周期性，一個(gè)動(dòng)作周期是進(jìn)行動(dòng)作識(shí)別的最小單元。根據(jù)表面肌電信號(hào)識(shí)別人體運(yùn)動(dòng)，需要對(duì)下肢開(kāi)始運(yùn)動(dòng)的起始點(diǎn)進(jìn)行檢測(cè)，只有檢測(cè)到了運(yùn)動(dòng)的起始點(diǎn)才能對(duì)動(dòng)作進(jìn)行特征提取。本文采用Teager-KaiserEnergy的兩級(jí)閾值法進(jìn)行起始點(diǎn)檢測(cè)。TK能量算子是一種非線性算子，能夠快速、有效的提取肌電信號(hào)的瞬時(shí)能量，對(duì)肌電信號(hào)瞬時(shí)變化有很好的時(shí)間分辨率。首先計(jì)算每個(gè)通道的TK能量算子，再對(duì)預(yù)處理的信號(hào)進(jìn)行整流、平滑處理，然后找出在標(biāo)記包絡(luò)段區(qū)間內(nèi)的能量極大值點(diǎn)，再加滑動(dòng)窗對(duì)所有的極大值點(diǎn)進(jìn)行篩選保留窗內(nèi)最大的極大值點(diǎn)，最后提取所有保留的極大值所在的包絡(luò)段作為活動(dòng)段。圖2-8計(jì)算TK能量算子圖2-9閾值區(qū)間圖2-10起始點(diǎn)

3表面肌電信號(hào)的特征提取及選擇3.1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)WL=斜率變化率(SSC)SSCfx=方差(VAR)VAR=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。3.2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(guò)LDA分類(lèi)法和SVM分類(lèi)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(shuō)其數(shù)據(jù)集的每個(gè)樣本都有一個(gè)類(lèi)別輸出。線性判別分析的基本原理是類(lèi)間均值最大化，類(lèi)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(lèi)數(shù)據(jù)的投影點(diǎn)盡可能近，不同類(lèi)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(lèi)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(lèi)。3.2.1LDA分類(lèi)算法LDA是分類(lèi)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(lèi)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(lèi)或兩類(lèi)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(chēng)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(lèi)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(lèi)間和類(lèi)內(nèi)方差的比率，從而保證了最大的可分性。若要使同類(lèi)樣例的投影點(diǎn)盡可能靠近，要保證同類(lèi)樣例投影點(diǎn)的協(xié)方差ωT0ω+ωT1J=||ωTu0類(lèi)間散度矩陣：Sw=類(lèi)內(nèi)離散矩陣：Sb=(uJ=ωTS由拉格朗日乘子法可知：Sbω=λSbω=λ(u0-u1)可求得投影方向的向量ω：ω=S3.2.2SVM分類(lèi)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(lèi)。大多數(shù)分類(lèi)任務(wù)并不像線性分類(lèi)那樣簡(jiǎn)單，往往需要更復(fù)雜的結(jié)構(gòu)來(lái)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(lèi)新目標(biāo)(測(cè)試用例)。這種繪制分隔線來(lái)分類(lèi)不同類(lèi)別的對(duì)象的分類(lèi)任務(wù)稱(chēng)為超平面分類(lèi)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(lèi)的過(guò)程稱(chēng)為映射。支持向量機(jī)(SVM)是一種通過(guò)在多維空間中構(gòu)造超平面來(lái)執(zhí)行任務(wù)的分類(lèi)方法。這個(gè)方法將案例從不同的類(lèi)中分離出來(lái)。支持向量機(jī)可以是回歸和分類(lèi)。它使用多個(gè)連續(xù)和分類(lèi)變量(分類(lèi)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：ωT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：r=ω要使決策面能夠?qū)⒂?xùn)練樣本正確分類(lèi)，那么對(duì)于(x,y)?D，ω要到具有最大間隔的劃分決策面，即要找到滿(mǎn)足條件的約束參數(shù)ω和b：max要使最大化間隔，即等同于最小化||ωmin3.2.3特征選擇結(jié)果（1）LDA分類(lèi)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(lèi)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(lèi)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(lèi)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(lèi)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(lèi)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(lèi)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)、均方根(RMS)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。（3）特征選擇結(jié)果總結(jié)經(jīng)過(guò)上述分析，最終選取的四個(gè)最優(yōu)特征為波形長(zhǎng)度(WL)、方差(VAR)、上分位數(shù)（Quantile75)、斜率變化率(SSC)，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)。4集成學(xué)習(xí)識(shí)別集成學(xué)習(xí)是將多個(gè)機(jī)器學(xué)習(xí)學(xué)習(xí)者組合起來(lái)完成學(xué)習(xí)任務(wù)，并通過(guò)一定的模型融合進(jìn)行組合的多分類(lèi)器系統(tǒng)。學(xué)習(xí)者的結(jié)合會(huì)給模式帶來(lái)三個(gè)好處。首先，假設(shè)多個(gè)訓(xùn)練集可以在單個(gè)模型上實(shí)現(xiàn)相似的性能。此時(shí)，如果選擇單一模型可能導(dǎo)致泛化能力較差，集成學(xué)習(xí)可以有效降低這種風(fēng)險(xiǎn)；其次，從計(jì)算角度來(lái)看，單一學(xué)習(xí)模型容易陷入局部極小，集成學(xué)習(xí)可以降低陷入不良局部極小的風(fēng)險(xiǎn)；第三，結(jié)合多基礎(chǔ)學(xué)習(xí)者，相應(yīng)的假設(shè)空間得到了拓展，很有可能學(xué)習(xí)出更好的結(jié)果。圖4-1集成學(xué)習(xí)示意圖4.1多數(shù)投票法多數(shù)投票方案是使用類(lèi)標(biāo)簽的簡(jiǎn)單求與實(shí)現(xiàn)分類(lèi)器組合：其中，是類(lèi)標(biāo)簽，是類(lèi)的數(shù)量，是分類(lèi)器的數(shù)量。融合模型的結(jié)果是預(yù)測(cè)每一類(lèi)中得票最高的標(biāo)簽，如果同時(shí)有多個(gè)標(biāo)簽獲得最高票數(shù)，結(jié)果標(biāo)簽隨機(jī)輸出。4.2權(quán)重投票法權(quán)重投票法是一種線性融合方法，它利用合理的權(quán)值作為基學(xué)習(xí)器，是一種精度更高的分類(lèi)器，在獲得最終分類(lèi)結(jié)果的過(guò)程中具有更多的話(huà)語(yǔ)權(quán)，其公式表達(dá)如下：其中，是分配給分類(lèi)器的權(quán)重，代表初始類(lèi)標(biāo)簽，是分類(lèi)器的數(shù)量，代表最終類(lèi)標(biāo)簽，是類(lèi)的數(shù)量。4.3識(shí)別結(jié)果（1）四個(gè)最優(yōu)特征識(shí)別結(jié)果選取的四個(gè)特征為,波形長(zhǎng)度(WL)、方差(VAR)、上分位數(shù)（Quantile75)、斜率變化率(SSC)。圖4-2最優(yōu)特征集成學(xué)習(xí)對(duì)四個(gè)動(dòng)作的識(shí)別結(jié)果圖4-3最優(yōu)特征集成學(xué)習(xí)識(shí)別結(jié)果根據(jù)選取的4個(gè)最優(yōu)特征，再進(jìn)行多數(shù)投票LDA分類(lèi)、權(quán)重投票LDA分類(lèi)、多數(shù)投票SVM分類(lèi)、權(quán)重投票SVM分類(lèi)。根據(jù)上圖結(jié)果顯示基本都已經(jīng)達(dá)到100%的識(shí)別準(zhǔn)確率。集成學(xué)習(xí)采用的四個(gè)最優(yōu)特征的識(shí)別結(jié)果與四個(gè)單獨(dú)特征的識(shí)別結(jié)果有一定的提升，其中四個(gè)時(shí)域特征里斜率變化率(SSC)提升最大，四個(gè)動(dòng)作里收膝識(shí)別準(zhǔn)確率提升最大。（2）四個(gè)最差特征識(shí)別結(jié)果選取的四個(gè)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)。圖4-4最差特征集成學(xué)習(xí)對(duì)四個(gè)動(dòng)作的識(shí)別結(jié)果圖4-5最差特征集成學(xué)習(xí)識(shí)別結(jié)果根據(jù)選取的4個(gè)最差特征，再進(jìn)行多數(shù)投票LDA分類(lèi)、權(quán)重投票LDA分類(lèi)、多數(shù)投票SVM分類(lèi)、權(quán)重投票SVM分類(lèi)。根據(jù)上圖結(jié)果顯示集成學(xué)習(xí)基本已經(jīng)將四個(gè)最差特征的識(shí)別準(zhǔn)確率提升到了90%以上。集成學(xué)習(xí)采用的四個(gè)最差特征的識(shí)別結(jié)果與四個(gè)單獨(dú)特征的識(shí)別結(jié)果有很大的提升，其中四個(gè)時(shí)域特征里自回歸系數(shù)(AR4)提升最大，四個(gè)動(dòng)作里收膝識(shí)別準(zhǔn)確率提升最大。5總結(jié)與展望人體下肢動(dòng)作模式識(shí)別對(duì)外骨骼機(jī)器人、仿生假肢、醫(yī)療康復(fù)等領(lǐng)域有重大意義。表面肌電信號(hào)具有很多的優(yōu)點(diǎn)，易于采集、對(duì)人體不會(huì)造成傷害、超前于人的實(shí)際肢體動(dòng)作、更能夠反映人體原始的運(yùn)動(dòng)意圖。本文以人體下肢的表面肌電信號(hào)作為研究對(duì)象，通過(guò)采集收膝、抬膝、伸踝、抬踝四種下肢動(dòng)作的脛骨前肌、內(nèi)側(cè)腓腸肌、股直肌和股二頭肌的四通道表面肌電信號(hào)。對(duì)采集到的信號(hào)使用多相濾波器降采樣至500H