專利名稱：用于手部動(dòng)作識(shí)別的腦電和肌電信號(hào)混沌特征融合方法
技術(shù)領(lǐng)域：
本發(fā)明屬于生物電信號(hào)處理領(lǐng)域，涉及腦電和肌電信號(hào)的手部動(dòng)作識(shí)別方法，具體一種用于手部動(dòng)作識(shí)別的腦電和肌電信號(hào)混沌特征融合方法。

背景技術(shù)：
近年來，隨著工業(yè)、交通事業(yè)的發(fā)展，人類因工業(yè)生產(chǎn)、工程施工、車禍等原因而導(dǎo)致截肢的患者呈逐年上升的趨勢。對手部缺失的殘疾人，帶有仿生控制功能的多自由度肌電假手在一定程度上能夠使他們更好的生活和融入社會(huì)，因而假肢需求變得更為迫切。用肌電、腦電等人體生物電信號(hào)控制的機(jī)械電動(dòng)假手，具有控制方式自然，仿生能力強(qiáng)的特點(diǎn)，是未來仿生假手的發(fā)展方向。仿生假手在外形上和人手相似，能夠按照人的意識(shí)來完成手部的幾個(gè)簡單動(dòng)作，如展拳、握拳、伸腕、屈腕等。目前常用的仿生假手都是由肌電信號(hào)控制的，由于肌電信號(hào)的微弱性、混疊性和低信噪比，導(dǎo)致從少通道肌電信號(hào)識(shí)別多模式動(dòng)作變得非常困難，因而實(shí)時(shí)控制的多自由度肌電假手商用化并不理想，其關(guān)鍵問題是多自由度模式實(shí)時(shí)處理的準(zhǔn)確性尚待進(jìn)一步提高。所以，在仿生假手的控制中引入新的生物電控制信號(hào)進(jìn)而提升假手模式動(dòng)作的識(shí)別準(zhǔn)確率將是一種新的有效途徑。
一種典型的手部動(dòng)作識(shí)別算法主要包括兩個(gè)階段第一個(gè)階段是手部動(dòng)作的特征提取，第二個(gè)階段是利用模式識(shí)別方法對目標(biāo)的動(dòng)作分類。
特征是手部動(dòng)作識(shí)別的關(guān)鍵。一般的手部動(dòng)作識(shí)別是基于特定動(dòng)作在某些特征的一致性來表示的，識(shí)別就是在這些特征基礎(chǔ)上進(jìn)行的。根據(jù)手部動(dòng)作的不同，對不同手部動(dòng)作信號(hào)數(shù)據(jù)進(jìn)行處理，以期望得到表示某種動(dòng)作一致性的特征矢量，然后根據(jù)特征矢量的不同，采用對應(yīng)分類器完成動(dòng)作的識(shí)別。同時(shí)特征矢量也與識(shí)別方法密切相關(guān)，對同一特征矢量，選用不同的分類器，識(shí)別正確率的高低也不同。
在特征提取階段，利用一定的算法，得到不同動(dòng)作的特征矢量。在這個(gè)過程中，如何將不同信號(hào)(尤其是不同來源的信號(hào)如肌電、腦電)的隱含信息轉(zhuǎn)換成區(qū)分度高，具有相同表達(dá)方式(只有這樣才能在共同的算法上融合)的矢量，是下一步進(jìn)行準(zhǔn)確識(shí)別的前提。不同特征提取算法，得到的特征矢量在同樣分類器識(shí)別下，識(shí)別率的高低也是不同的，這就需要研究更好的特征提取方法以提高識(shí)別率。
腦電和肌電信號(hào)的特征提取方法的發(fā)展過程依次是時(shí)域分析、頻域分析、時(shí)頻分析、非線性動(dòng)力學(xué)分析。其中前三種方法已經(jīng)得到較廣泛的研究和應(yīng)用，近年來，非線性動(dòng)力學(xué)方法得到了蓬勃的發(fā)展，其中混沌方法的研究占了很大的份額?；煦缦胂髲V泛存在于連續(xù)和離散系統(tǒng)中，在離散系統(tǒng)中，它通常以時(shí)間序列存在。一般認(rèn)為，混沌是指確定性系統(tǒng)中出現(xiàn)的無規(guī)則性或不規(guī)則性?；煦缦到y(tǒng)必定是非線性的，但非線性系統(tǒng)不一定是存在混沌?；煦绲囊粋€(gè)主要特征是，動(dòng)力學(xué)特性對初始條件有敏感的依賴性，這意味著其軌跡具有不可預(yù)測性?；煦绲谋举|(zhì)就是非線性系統(tǒng)對初始條件的極端敏感性。近來，開始有人從混沌這個(gè)角度研究生物電信號(hào)，本發(fā)明就是從這一角度研究腦電和肌電信號(hào)的混沌特征參數(shù)，并從中完成手部動(dòng)作的識(shí)別。
時(shí)域分析方法最早被引入生物電信號(hào)處理領(lǐng)域，特征提取方法相對比較簡單。常用的時(shí)域分析方法有絕對值積分、方差、直方圖等。頻域分析方法主要有傅里葉譜分析、功率譜分析、AR模型功率譜估計(jì)等方法。傅里葉變換雖然能較好地刻畫信號(hào)的全局頻率特征，但是不提供信號(hào)在任意時(shí)間窗口的頻率信息，作為改進(jìn)，后來出現(xiàn)了時(shí)頻分析方法，它能夠比較全面地描述信息，同時(shí)在時(shí)頻兩域分析信號(hào)，也適合分析非平穩(wěn)信號(hào)。目前時(shí)頻分析主要方法有以下幾種短時(shí)傅里葉變換、Wigner-Ville分布、小波變換、HHT變換、非線性動(dòng)力學(xué)。非線性是復(fù)雜系統(tǒng)的一個(gè)基本特征，復(fù)雜系統(tǒng)中基本單元的相互作用必然導(dǎo)致其對應(yīng)的模型具有非線性這個(gè)共性，非線性科學(xué)的興起正是來自于對這個(gè)共性的研究。生理系統(tǒng)的本質(zhì)是復(fù)雜的，也是非線性的。目前復(fù)雜性分析和非線性分析方法在信號(hào)處理中的應(yīng)用主要從以下幾方面展開(1)分形維以及發(fā)展的十多種不同的維數(shù)，如容量維、信息維、關(guān)聯(lián)維、Hausdorff維、自相似維、盒子維和拓?fù)渚S等；(2)李雅普諾夫指數(shù)，它是混沌一個(gè)重要特征參數(shù)；(3)熵(entropy)，包括K-S熵和近似熵等；(4)復(fù)雜度。
混沌信號(hào)的基本特點(diǎn)是運(yùn)動(dòng)對初值條件極為敏感，由兩個(gè)很靠近的初值所產(chǎn)生的軌道隨時(shí)間按指數(shù)方式分離，李雅普諾夫指數(shù)就是定量描述這一現(xiàn)象的量。李雅普諾夫指數(shù)與相空間的軌線收縮或擴(kuò)展是相關(guān)聯(lián)的。如李雅普諾夫指數(shù)小于零，軌道收縮，運(yùn)動(dòng)最終將趨于穩(wěn)定，并且對初值條件不敏感；如果李雅普諾夫指數(shù)大于零，則軌道將迅速分離，并且對初值條件非常敏感。在一般的混沌分析中，只要計(jì)算最大李雅普諾夫指數(shù)，如果最大李雅普諾夫指數(shù)大于零則表明時(shí)間序列具有混沌特征。
手部動(dòng)作識(shí)別的第二階段是特征分類或模式識(shí)別的過程。特征分類是在特征提取的基礎(chǔ)上進(jìn)行的。特征分類的任務(wù)將表示手部動(dòng)作的特征向量按某種相似性分類。手部動(dòng)作模式識(shí)別的分類方法很多，常用的模式分類方法有模糊分類器、統(tǒng)計(jì)模式分類器、神經(jīng)網(wǎng)絡(luò)模式分類、支持向量機(jī)(SupportVector Machines SVM)。其中統(tǒng)計(jì)模式識(shí)別的主要方法有判別函數(shù)法、最近鄰法、K-近鄰法、非線性映射法等。SVM是近年來在模式識(shí)別與機(jī)器學(xué)習(xí)領(lǐng)域出現(xiàn)的新工具，它以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)，有效地避免經(jīng)典學(xué)習(xí)方法中過學(xué)習(xí)、維數(shù)災(zāi)難、局部極小等傳統(tǒng)分類存在的問題，在小樣本條件下具有良好的范化能力，因此受到了廣泛的關(guān)注，現(xiàn)已在多個(gè)領(lǐng)域得到應(yīng)用。
通常情況下，對手部動(dòng)作的識(shí)別都是從手臂處提取肌電信號(hào)，用時(shí)域分析、頻域分析、時(shí)頻分析方法進(jìn)行特征提取，最后用識(shí)別算法完成全過程，但是現(xiàn)有的方法識(shí)別率并不高。


發(fā)明內(nèi)容
本發(fā)明的目就是針對現(xiàn)有技術(shù)的不足，提出一種腦電信號(hào)聯(lián)合肌電信號(hào)進(jìn)行特征提取和融合識(shí)別，根據(jù)識(shí)別結(jié)果控制假手動(dòng)作的方法，其中采用混沌特征提取方法提取手部動(dòng)作的腦電和肌電信息，以達(dá)到更好的識(shí)別率。
本發(fā)明方法包括三個(gè)步驟(1)提取消噪后腦電和肌電信號(hào)混沌特征的最大Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)；(2)腦電和肌電信號(hào)特征參數(shù)融合和歸一化處理；(3)采用支持向量機(jī)方法，得到手部動(dòng)作分類識(shí)別的結(jié)果。
下面對其逐一介紹。
步驟(1)提取信號(hào)混沌特征的最大Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)； A.提取最大Lyapunov指數(shù)是利用信號(hào)的最優(yōu)時(shí)延td和嵌入維數(shù)m，根據(jù)最優(yōu)時(shí)延td和嵌入維數(shù)m的得到，具體過程有 a.求取最優(yōu)時(shí)延td和嵌入維數(shù)m 考慮混沌時(shí)間序列x＝{xi|i＝1，2，..，N}，以時(shí)延t，嵌入維m，重構(gòu)相空間為X＝{Xi|Xi＝[xi，xi+t，...，xi+(m-1)t，]T，i＝1，2，...，M}，則嵌入時(shí)間序列的關(guān)聯(lián)積分為 其中，M＝N-(m-1)t為相空間的點(diǎn)數(shù)。根據(jù)BDS統(tǒng)計(jì)結(jié)論可以得到N和m，ra的合理估計(jì)，這里取N＝3000，m＝2，3，4，5，ra＝a×0.5σ，ra＞0(a＝1，2，3，4，σ為x時(shí)間序列的標(biāo)準(zhǔn)差)，dij是中間變量。
關(guān)聯(lián)積分是個(gè)累積分布函數(shù)，表示相空間中任意兩點(diǎn)之間距離小于ra的概率。這里點(diǎn)與點(diǎn)之間的距離用矢量之差的無窮范數(shù)表示。為表述方便，將關(guān)聯(lián)積分定義式(1)C(m，N，ra，t)式改成C(X，ra)形式，定義檢驗(yàn)統(tǒng)計(jì)量 S1(m，N，ra，t)＝C(x，ra)-Cm(X，ra)(3) 令Xk，s＝{Xi|i＝s，s+k，s+2k，...}，s＝1，2，...，k(4) xk，s＝{xi|i＝s，s+k，s+2k，...}，s＝1，2，...，k (5) 這里Xk，s與xk，s分別是X與x中k個(gè)不相交的子集，k為獨(dú)立于時(shí)延的常數(shù)。因從統(tǒng)計(jì)量定義式(3)的近似表達(dá)式為 k是權(quán)衡計(jì)算精度與速度額可調(diào)參數(shù)。當(dāng)k＝1時(shí)，(6)式與(3)式等價(jià)。實(shí)際中(6)式的計(jì)算過程為把時(shí)間序列x＝{x1，x2，...xN}按照重構(gòu)時(shí)延參數(shù)t分解成t個(gè)互不重迭的子序列，即 x1＝{xi|i＝1，t+1，...，N-t+1} x2＝{xi|i＝2，t+2，...，N-t+2} (7) …… xt＝{xi|i＝t，2t，...，N} 這里N為t的整數(shù)倍。計(jì)算(6)式定義的統(tǒng)計(jì)量采用分塊平均的策略，即 令N→∞有 如果時(shí)間序列x＝{xi}獨(dú)立同分布，那么對固定的m，t，當(dāng)N→∞時(shí)，對于所有的ra，均有S2(m，ra，t)恒等于零。但實(shí)際時(shí)間序列是有限長且元素間存在相關(guān)性，實(shí)際得到的S2(m，ra，t)一般不等于零。選擇最大和最小的兩個(gè)半徑ra定義差量 ΔS2(m，t)＝max{S2(m，ra，t)}-min{S2(m，ra，t)} (10) ΔS2(m，t)度量了S2(m，ra，t)～t對所有半徑的最大偏差。
同樣定義知ΔS1(m，t)＝max{S1(m，ra，t)}-min{S1(m，ra，t)}(11) 計(jì)算 同樣定義知 綜上，最優(yōu)時(shí)延td取ΔS1(m，t)～t的第一個(gè)局部極小點(diǎn)。最優(yōu)嵌入窗tw是

的周期點(diǎn)。其中，tw＝(m-1)td，由td，tw易知，嵌入維數(shù)
b.根據(jù)最優(yōu)時(shí)延td和嵌入維數(shù)m得到最大Lyapunov指數(shù) 設(shè)混沌時(shí)間序列為{x1，x2，...xN}，嵌入維數(shù)m，最優(yōu)時(shí)延td＝J.Δt，J為整數(shù)，Δt為采樣間隔，則重構(gòu)相空間 Xj＝(xj，xj+J，...，xj+(m-1)J)∈Rm，(j＝1，2，...，M) 其中N＝M+(m-1)J 1)對時(shí)間序列{xp，p＝1，2，...，N}進(jìn)行FFT變換，計(jì)算平均周期P。
2)采用步驟a方法同時(shí)計(jì)算出最優(yōu)時(shí)延td和嵌入維數(shù)m。
3)根據(jù)最優(yōu)時(shí)延td和嵌入維數(shù)m重構(gòu)相空間{Xj，j＝1，2，...，M} 4)找相空間中每個(gè)點(diǎn)Xj的最近鄰點(diǎn)

并限制短暫分離，即 5)對相空間中每個(gè)點(diǎn)Xj，計(jì)算出該鄰點(diǎn)對的i個(gè)離散時(shí)間步后的距離dj(i) 6)可用下面公式求最大的Lyapunov指數(shù) B.提取關(guān)聯(lián)維數(shù)的具體方法是 非線性系統(tǒng)的相空間可能維數(shù)很高，甚至無窮，有時(shí)還不知道維數(shù)是多少，而吸引子的維數(shù)一般都低于相空間的維數(shù)。從一個(gè)時(shí)間間隔一定的單變量時(shí)間序列x1，x2，x3....出發(fā)，構(gòu)造一批n維的矢量，支起一個(gè)嵌入空間，只要嵌入維足夠高(通常要求n≥2D+1，D為吸引子的維數(shù))，就可以在拓?fù)涞葍r(jià)的意義下恢復(fù)原來的動(dòng)力學(xué)性態(tài)。用時(shí)間序列計(jì)算吸引子關(guān)聯(lián)維。對于n維重構(gòu)混沌動(dòng)力系統(tǒng)，奇怪吸引子由點(diǎn)yj＝(xj，xj+t，xj+2t，...，xj+(n-1)t)(其中t為時(shí)間延遲)所構(gòu)成。在構(gòu)造好矢量yj之后，需要先定義它們之間的距離。因?yàn)橹灰獫M足距離公理的定義均可，不妨以兩個(gè)矢量的最大分量差作為距離 并且規(guī)定，凡是距離小于給定正數(shù)r的矢量，稱為有關(guān)聯(lián)的矢量。設(shè)重構(gòu)相空間中有N個(gè)點(diǎn)(即矢量)、計(jì)算其中有關(guān)聯(lián)的矢量對數(shù)即關(guān)聯(lián)積分，其公式定義為 其中θ為Heaviside單位函數(shù) 已經(jīng)知道，關(guān)聯(lián)積分Cn(r)在r→0時(shí)與r存在以下關(guān)系 其中D為關(guān)聯(lián)維數(shù)，恰當(dāng)?shù)剡x取r，使得D能夠描述混沌吸引子的自相似結(jié)構(gòu)。由上式有近似數(shù)值.計(jì)算關(guān)系式 在實(shí)際數(shù)值計(jì)算中，通常給定一些具體的r值(r適當(dāng)小)，如果r取得太小，已經(jīng)低于環(huán)境噪聲和測量誤差造成的矢量差別，從式(23)算出的就不是關(guān)聯(lián)維，而是嵌入維。在實(shí)踐中，在某個(gè)嵌入維數(shù)范圍內(nèi)，讓n從小增大.使得D不變，即雙對數(shù)關(guān)系lnCn(r)～lnr中的直線段。除去斜率為0或∞的直線外，考察其間的最佳擬合直線，那么該直線的斜率就是D。
步驟(2)特征參數(shù)融合和歸一化處理 把上面的腦電和肌電特征參數(shù)融合共得到同一動(dòng)作的特征向量，然后進(jìn)行歸一化處理，使各向量在0～1范圍內(nèi)，具體是先把腦電和肌電最大Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)組成一個(gè)向量，然后是用這個(gè)向量除以腦電和肌電的所有特征參數(shù)之和，即得到歸一化的特征向量。
步驟(3)支持向量機(jī)的手部動(dòng)作識(shí)別 使用“一對多”SVM多分類算法對手部動(dòng)作模式進(jìn)行識(shí)別實(shí)驗(yàn)，選用徑向基做核函數(shù)。將伸腕、屈腕、握拳、展拳四種手部動(dòng)作的樣本集分別標(biāo)記為B1＝1，B2＝2，B3＝3，B4＝4。在實(shí)際情形中，根據(jù)4種動(dòng)作的特點(diǎn)及相似性，對不同的人實(shí)驗(yàn)，通過大量的樣本分析知，用聚類二叉樹對多類動(dòng)作是可分的，且B1，B4類間距離最近，因此先使用B1、B4訓(xùn)練SVM3，訓(xùn)練完SVM3后，將B1、B4合并為A1，進(jìn)而比較A1與B2、B3的距離即將A1類樣本對應(yīng)其它幾類(B2，B3)樣本的距離和求平均，然后找出類間距離最小的兩類A1、B3訓(xùn)練出SVM2，并且將其并為C1類，再將C1和B2作為兩類訓(xùn)練，最后得到SVM1。完成SVM訓(xùn)練后，可獲得SVM多類分類面。通過測試，可以確認(rèn)該分界面的有效性。在測試樣本屬于哪一類的過程中，應(yīng)該從SVM1開始，逐層向上，直到符號(hào)函數(shù)為正的為止，得到類別。
本發(fā)明方法從混沌動(dòng)力學(xué)系統(tǒng)角度對腦電和肌電信號(hào)進(jìn)行了分析，提取了描述了對應(yīng)手部動(dòng)作混沌特征的特征參數(shù)，實(shí)現(xiàn)了對手部動(dòng)作的識(shí)別，控制手段從以往的單一肌電信號(hào)控制方式變成肌電和腦電信號(hào)聯(lián)合控制方式，提高了識(shí)別率，為實(shí)際的應(yīng)用提供了途徑。
本發(fā)明將腦電信號(hào)引入假手控制信號(hào)的研究，改變了肌電信號(hào)作為假手控制唯一信號(hào)源的傳統(tǒng)模式，同時(shí)利用混沌分析方法來對信號(hào)進(jìn)行特征提取和融合，完成手部動(dòng)作的有效識(shí)別。

具體實(shí)施例方式 一種用于手部動(dòng)作識(shí)別的腦電和肌電信號(hào)混沌特征融合方法包括三個(gè)步驟(1)提取消噪后腦電和肌電信號(hào)混沌特征的最大Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)；(2)腦電和肌電信號(hào)特征參數(shù)融合和歸一化處理；(3)采用支持向量機(jī)方法，得到手部動(dòng)作分類識(shí)別的結(jié)果。
對同一手部動(dòng)作產(chǎn)生的C3，C4，P3，P4(國際導(dǎo)聯(lián)定義的腦電檢測位置)四路腦電信號(hào)，經(jīng)傳感獲取、信號(hào)消噪后和肌電尺側(cè)腕伸肌、尺側(cè)腕屈肌兩路肌電信號(hào)進(jìn)行混沌特征的提取，包括兩個(gè)參數(shù)最大Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)。其中最大Lyapunov指數(shù)的實(shí)現(xiàn)是先求信號(hào)的最優(yōu)時(shí)延td和嵌入維數(shù)m，然后根據(jù)最優(yōu)時(shí)延td和嵌入維數(shù)m求最大Lyapunov指數(shù)，關(guān)聯(lián)維數(shù)是用上面所述算法的具體步驟實(shí)現(xiàn)的。經(jīng)過混沌特征的提取，得到同一動(dòng)作時(shí)腦電的4個(gè)最大Lyapunov指數(shù)和4個(gè)關(guān)聯(lián)維數(shù)以及肌電的2個(gè)最大Lyapunov指數(shù)和2個(gè)關(guān)聯(lián)維數(shù)。把同一動(dòng)作的12維歸一化向量，輸入支持向量機(jī)分類器，完成分類識(shí)別。如下分三個(gè)步驟進(jìn)行 步驟(1)特征提取，即提取信號(hào)混沌特征的最大Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)。
A.提取最大Lyapunov指數(shù)是利用信號(hào)的最優(yōu)時(shí)延td和嵌入維數(shù)m，根據(jù)最優(yōu)時(shí)延td和嵌入維數(shù)m的得到，具體過程有 a.求取最優(yōu)時(shí)延td和嵌入維數(shù)m 考慮混沌時(shí)間序列x＝{xi|i＝1，2..，N}，以時(shí)延t，嵌入維m，重構(gòu)相空間為X＝{Xi|Xi＝[xi，xi+1，...，xi+(m-1)t，]T，i＝1，2，...，M}，則嵌入時(shí)間序列的關(guān)聯(lián)積分為 其中，M＝N-(m-1)t為相空間的點(diǎn)數(shù)。根據(jù)BDS統(tǒng)計(jì)結(jié)論可以得到N和m，ra的合理估計(jì)，這里取N＝3000，m＝2，3，4，5，ra＝a×0.5σ，ra＞0(a＝1，2，3，4，σ為x時(shí)間序列的標(biāo)準(zhǔn)差)，dij是中間變量。
關(guān)聯(lián)積分是個(gè)累積分布函數(shù)，表示相空間中任意兩點(diǎn)之間距離小于ra的概率。這里點(diǎn)與點(diǎn)之間的距離用矢量之差的無窮范數(shù)表示。為表述方便，將關(guān)聯(lián)積分定義式(24)C(m，N，ra，t)式改成C(X，ra)形式，定義檢驗(yàn)統(tǒng)計(jì)量 S1(m，N，ra，t)＝C(x，ra)-Cm(X，ra)(26) 令Xk，s＝{Xi|i＝s，s+k，s+2k，...}，s＝1，2，...，k(27) xk，s＝{xi|i＝s ，s+k，s+2k，...}，s＝1，2，...，k (28) 這里Xk，s與xk，s分別是X與x中k個(gè)不相交的子集，k為獨(dú)立于時(shí)延的常數(shù)。因從統(tǒng)計(jì)量定義式(26)的近似表達(dá)式為 k是權(quán)衡計(jì)算精度與速度額可調(diào)參數(shù)。當(dāng)k＝1時(shí)，(29)式與(26)式等價(jià)。
實(shí)際中(29)式的計(jì)算過程為把時(shí)間序列x＝{x1，x2，...xN}按照重構(gòu)時(shí)延參數(shù)t分解成t個(gè)互不重迭的子序列，即 x1＝{xi|i＝1，t+1，...，N-t+1} x2＝{xi|i＝2，t+2，...，N-t+2}(30) …… xt＝{xi|i＝t，2t，...，N} 這里N為t的整數(shù)倍。計(jì)算(29)式定義的統(tǒng)計(jì)量采用分塊平均的策略，即 令N→∞有 如果時(shí)間序列x＝{xi}獨(dú)立同分布，那么對固定的m，t，當(dāng)N→∞時(shí)，對于所有的ra，均有S2(m，ra，t)恒等于零。但實(shí)際時(shí)間序列是有限長且元素間存在相關(guān)性，實(shí)際得到的S2(m，ra，t)一般不等于零。選擇最大和最小的兩個(gè)半徑ra定義差量ΔS2(m，t)＝max{S2(m，ra，t)}-min{S2(m，ra，t)}(33) ΔS2(m，t)度量了S2(m，ra，t)～t對所有半徑的最大偏差。
同樣定義知ΔS1(m，t)＝max{S1(m，ra，t)}-min{S1(m，ra，t)} (34) 計(jì)算 同樣定義知 綜上，最優(yōu)時(shí)延td取ΔS1(m，t)～t的第一個(gè)局部極小點(diǎn)。最優(yōu)嵌入窗tw是

的周期點(diǎn)。其中，tw＝(m-1)td，由td，tw易知，嵌入維數(shù)
b.根據(jù)最優(yōu)時(shí)延td和嵌入維數(shù)m得到最大Lyapunov指數(shù) 設(shè)混沌時(shí)間序列為{x1，x2，...xN}，嵌入維數(shù)m，最優(yōu)時(shí)延td＝J.Δt，J為整數(shù)，Δt為采樣間隔，則重構(gòu)相空間 Xj＝(xj，xj+J，...，xj+(m-1)J)∈Rm，(j＝1，2，...，M) 其中N＝M+(m-1)J 1)對時(shí)間序列{xp，p＝1，2，...，N}進(jìn)行FFT變換，計(jì)算平均周期P。
2)采用步驟a方法同時(shí)計(jì)算出最優(yōu)時(shí)延td和嵌入維數(shù)m。
3)根據(jù)最優(yōu)時(shí)延td和嵌入維數(shù)m重構(gòu)相空間{Xj，j＝1，2，...，M} 4)找相空間中每個(gè)點(diǎn)Xj的最近鄰點(diǎn)

并限制短暫分離，即 5)對相空間中每個(gè)點(diǎn)Xj，計(jì)算出該鄰點(diǎn)對的i個(gè)離散時(shí)間步后的距離dj(i) 6)可用下面公式求最大的Lyapunov指數(shù) B.提取關(guān)聯(lián)維數(shù)的具體方法是 非線性系統(tǒng)的相空間可能維數(shù)很高，甚至無窮，有時(shí)還不知道維數(shù)是多少，而吸引子的維數(shù)一般都低于相空間的維數(shù)。從一個(gè)時(shí)間間隔一定的單變量時(shí)間序列x1，x2，x3....出發(fā)，構(gòu)造一批n維的矢量，支起一個(gè)嵌入空間，只要嵌入維足夠高(通常要求n≥2D+1，D為吸引子的維數(shù))，就可以在拓?fù)涞葍r(jià)的意義下恢復(fù)原來的動(dòng)力學(xué)性態(tài)。用時(shí)間序列計(jì)算吸引子關(guān)聯(lián)維。對于n維重構(gòu)混沌動(dòng)力系統(tǒng)，奇怪吸引子由點(diǎn)yj＝(xj，xj+t，xj+2t，...，xj+(n-1)t)(其中t為時(shí)間延遲)所構(gòu)成。在構(gòu)造好矢量yj之后，需要先定義它們之間的距離。因?yàn)橹灰獫M足距離公理的定義均可，不妨以兩個(gè)矢量的最大分量差作為距離 并且規(guī)定，凡是距離小于給定正數(shù)r的矢量，稱為有關(guān)聯(lián)的矢量。設(shè)重構(gòu)相空間中有N個(gè)點(diǎn)(即矢量)、計(jì)算其中合關(guān)聯(lián)的矢量對數(shù)即關(guān)聯(lián)積分，其公式定義為 其中θ為Heaviside單位函數(shù) 已經(jīng)知道，關(guān)聯(lián)積分Cn(r)在r→0時(shí)與r存在以下關(guān)系 其中D為關(guān)聯(lián)維數(shù)，恰當(dāng)?shù)剡x取r，使得D能夠描述混沌吸引子的自相似結(jié)構(gòu)。
由上式有近似數(shù)值.計(jì)算關(guān)系式 在實(shí)際數(shù)值計(jì)算中，通常給定一些具體的r值(r適當(dāng)小)，如果r取得太小，已經(jīng)低于環(huán)境噪聲和測量誤差造成的矢量差別，從式(46)算出的就不是關(guān)聯(lián)維，而是嵌入維。在實(shí)踐中，在某個(gè)嵌入維數(shù)范圍內(nèi)，讓n從小增大.使得D不變，即雙對數(shù)關(guān)系lnCn(r)～lnr中的直線段。除去斜率為0或∞的直線外，考察其間的最佳擬合直線，那么該直線的斜率就是D。
腦電和肌電信號(hào)的特征提取具體過程是 a.利用求最大Lyapunov指數(shù)算法求某一動(dòng)作消噪后腦電的C3，C4，P3，P4四路信號(hào)和肌電尺側(cè)腕伸肌、尺側(cè)腕屈肌兩路信號(hào)的特征矢量λ1，λ2，λ3，λ4，λ5，λ6； b.利用求關(guān)聯(lián)維數(shù)算法求某一動(dòng)作消噪后腦電的C3，C4，P3，P4四路信號(hào)和肌電尺側(cè)腕伸肌、尺側(cè)腕屈肌兩路信號(hào)的特征矢量D1，D2，D3，D4，D5，D6； 步驟(2)特征參數(shù)融合和歸一化處理的方法是 把上面的腦電和肌電特征參數(shù)融合共得到同一動(dòng)作的特征向量，然后進(jìn)行歸一化處理，使各向量在0～1范圍內(nèi)，具體是先把腦電和肌電最大Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)組成一個(gè)向量，然后是用這個(gè)向量除以腦電和肌電的所有特征參數(shù)之和，即得到歸一化的特征向量。
腦電和肌電信號(hào)特征參數(shù)融合和歸一化處理的具體方法是 c.把a(bǔ)和b步驟得到的矢量組成12維矢量[λ1，λ2，λ3，λ4，λ5，λ6，D1，D2，D3，D4，D5，D6]； d.把12維矢量求和E＝λ1+λ2+λ3+λ4+λ5+λ6+D1+D2+D3+D4+D5+D6； e.歸一化的矢量T＝[λ1/E，λ2/E，λ3/E，λ4/E，λ5/E，λ6/E，D1/E，D2/E，D3/E，D4/E，D5/E，D6/E] 步驟(3)采用支持向量機(jī)手部動(dòng)作識(shí)別 使用“一對多”SVM多分類算法對手部動(dòng)作模式進(jìn)行識(shí)別實(shí)驗(yàn)，選用徑向基做核函數(shù)。實(shí)驗(yàn)采集100組數(shù)據(jù)，選用每類動(dòng)作40組作為訓(xùn)練，剩下60組用于測試。將伸腕、屈腕、握拳、展拳四種手部動(dòng)作的樣本集分別標(biāo)記為B1＝1，B2＝2，B3＝3，B4＝4。在實(shí)際情形中，根據(jù)4種動(dòng)作的特點(diǎn)及相似性，對不同的人實(shí)驗(yàn)，通過大量的樣本分析知，用聚類二叉樹對手部多類動(dòng)作是可分的，且B1，B4類間距離最近，因此先使用B1、B4訓(xùn)練SVM3，訓(xùn)練完SVM3后，將B1、B4合并為A1，進(jìn)而比較A1與B2、B3的距離即將A1類樣本對應(yīng)其它幾類(B2，B3)樣本的距離和求平均，然后找出類間距離最小的兩類A1、B3訓(xùn)練出SVM2，并且將其并為C1類，再將C1和B2作為兩類訓(xùn)練，最后得到SVM1。完成SVM訓(xùn)練后，可獲得SVM多類分類面。通過測試，可以確認(rèn)該分界面的有效性。在測試樣本屬于哪一類的過程中，應(yīng)該從SVM1開始，逐層向上，直到符號(hào)函數(shù)為正的為止，得到類別。
本發(fā)明的核心思想是從混沌動(dòng)力學(xué)系統(tǒng)角度研究腦電與肌電的混沌特征進(jìn)而得到對應(yīng)相應(yīng)手部動(dòng)作的最大Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)兩個(gè)特征參數(shù)，為手部動(dòng)作識(shí)別提供了一條新的途徑。針對以往的單一肌電信號(hào)控制方式改用肌電和腦電信號(hào)聯(lián)合控制方式。實(shí)踐表明，本方法能得到比傳統(tǒng)方法更高手部動(dòng)作的識(shí)別率，有重要的實(shí)用推廣價(jià)值。
權(quán)利要求
1.用于手部動(dòng)作識(shí)別的腦電和肌電信號(hào)混沌特征融合方法，其特征在于該方法包括三個(gè)步驟(1)提取消噪后腦電和肌電信號(hào)混沌特征的最大Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)；(2)腦電和肌電信號(hào)特征參數(shù)融合和歸一化處理；(3)采用支持向量機(jī)方法，得到手部動(dòng)作分類識(shí)別的結(jié)果；具體方法是
步驟(1)提取信號(hào)混沌特征的最大Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)；
A.提取最大Lyapunov指數(shù)是利用信號(hào)的最優(yōu)時(shí)延td和嵌入維數(shù)m，根據(jù)最優(yōu)時(shí)延td和嵌入維數(shù)m的得到，具體過程有
a.求取最優(yōu)時(shí)延td和嵌入維數(shù)m
混沌時(shí)間序列x＝{xi|i＝1，2，..，N}以時(shí)延t嵌入維m，重構(gòu)相空間為X＝{Xi|Xi＝[xi，xi+1，...，xi+(m-1)t，]T，i＝1，2，...，M}，則嵌入時(shí)間序列的關(guān)聯(lián)積分為
其中，M＝N-(m-1)t為相空間的點(diǎn)數(shù)；根據(jù)BDS統(tǒng)計(jì)結(jié)論得到N和m，ra的合理估計(jì)，這里取N＝3000，m＝2，3，4，5，ra＝a×0.5σ，ra＞0，a＝1，2，3，4，σ為x時(shí)間序列的標(biāo)準(zhǔn)差，dij是中間變量；
dij＝||Xi-Xj||，
關(guān)聯(lián)積分是個(gè)累積分布函數(shù)，表示相空間中任意兩點(diǎn)之間距離小于ra的概率；這里點(diǎn)與點(diǎn)之間的距離用矢量之差的無窮范數(shù)表示；將關(guān)聯(lián)積分定義式(1)C(m，N，ra，t)式改成C(X，ra)形式，定義檢驗(yàn)統(tǒng)計(jì)量
S1(m，N，ra，t)＝C(x，ra)-Cm(X，ra)(3)
令Xk，s＝{Xi|i＝s，s+k，s+2k，...}，s＝1，2，...，k(4)
xk，s＝{xi|i＝s，s+k，s+2k，...}，s＝1，2，...，k (5)
這里Xk，s與xk，s分別是X與x中k個(gè)不相交的子集，k為獨(dú)立于時(shí)延的常數(shù)；因從統(tǒng)計(jì)量定義式(3)的近似表達(dá)式為
k是權(quán)衡計(jì)算精度與速度額可調(diào)參數(shù)；當(dāng)k＝1時(shí)，(6)式與(3)式等價(jià)；實(shí)際中(6)式的計(jì)算過程為把時(shí)間序列x＝{x1，x2，...xN}按照重構(gòu)時(shí)延參數(shù)t分解成t個(gè)互不重迭的子序列，即
x1＝{xi|i＝1，t+1，...，N-t+1}
x2＝{xi|i＝2，t+2，...，N-t+2} (7)
......
xt＝{xi|i＝t，2t，...，N}
這里N為t的整數(shù)倍；計(jì)算(6)式定義的統(tǒng)計(jì)量采用分塊平均的策略，即
令N→∞有
選擇最大和最小的兩個(gè)半徑ra定義差量
ΔS2(m，t)＝max{S2(m，ra，t)}-min{S2(m，ra，t)}(10)
ΔS2(m，t)度量了S2(m，ra，t)～t對所有半徑的最大偏差；
同樣定義知ΔS1(m，t)＝max{S1(m，ra，t)}-min{S1(m，ra，t)}(11)
計(jì)算
同樣定義知
綜上，最優(yōu)時(shí)td取ΔS1(m，t)～t的第一個(gè)局部極小點(diǎn)；最優(yōu)嵌入窗tw是
的周期點(diǎn)；其中，tw＝(m-1)td，嵌入維數(shù)
b.根據(jù)最優(yōu)時(shí)延td和嵌入維數(shù)m得到最大Lyapunov指數(shù)
設(shè)混沌時(shí)間序列為{x1，x2，...xN}，嵌入維數(shù)m，最優(yōu)時(shí)延td＝J.Δt，J為整數(shù)，Δt為采樣間隔，則重構(gòu)相空間
Xj＝(xj，xj+J，...，xj+(m-1)J)∈Rm，(j＝1，2，...，M)
其中N＝M+(m-1)J
1)對時(shí)間序列{xp，p＝1，2，...，N}進(jìn)行FFT變換，計(jì)算平均周期P；
2)采用步驟a方法同時(shí)計(jì)算出最優(yōu)時(shí)延td和嵌入維數(shù)m；
3)根據(jù)最優(yōu)時(shí)延td和嵌入維數(shù)m重構(gòu)相空間{Xj，j＝1，2，...，M}
4)找相空間中每個(gè)點(diǎn)Xj的最近鄰點(diǎn)
并限制短暫分離，即
5)對相空間中每個(gè)點(diǎn)Xj，計(jì)算出該鄰點(diǎn)對的i個(gè)離散時(shí)間步后的距離dj(i)
6)可用下面公式求最大的Lyapunov指數(shù)
B.提取關(guān)聯(lián)維數(shù)的具體方法是
從一個(gè)時(shí)間間隔一定的單變量時(shí)間序列x1，x2，x3....出發(fā)，構(gòu)造一批n維的矢量，支起一個(gè)嵌入空間，n≥2D+1，D為吸引子的維數(shù)，就可以在拓?fù)涞葍r(jià)的意義下恢復(fù)原來的動(dòng)力學(xué)性態(tài)；用時(shí)間序列計(jì)算吸引子關(guān)聯(lián)維；對于n維重構(gòu)混沌動(dòng)力系統(tǒng)，奇怪吸引子由點(diǎn)yj所構(gòu)成，yj＝(xj，xj+t，xj+2t，...，xj+(n-1)t)，t為時(shí)間延遲；在構(gòu)造好矢量yj之后，以兩個(gè)矢量的最大分量差作為距離
規(guī)定凡是距離小于給定正數(shù)r的矢量，稱為有關(guān)聯(lián)的矢量；設(shè)重構(gòu)相空間中有N個(gè)點(diǎn)、計(jì)算其中有關(guān)聯(lián)的矢量對數(shù)即關(guān)聯(lián)積分，其公式定義為
其中θ為Heaviside單位函數(shù)
已經(jīng)知道，關(guān)聯(lián)積分Cn(r)在r→0時(shí)與r存在以下關(guān)系
其中D為關(guān)聯(lián)維數(shù)，由上式有近似數(shù)值.計(jì)算關(guān)系式
步驟(2)特征參數(shù)融合和歸一化處理
把上面的腦電和肌電特征參數(shù)融合共得到同一動(dòng)作的特征向量，然后進(jìn)行歸一化處理，使各向量在0～1范圍內(nèi)，具體是先把腦電和肌電最大Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)組成一個(gè)向量，然后是用這個(gè)向量除以腦電和肌電的所有特征參數(shù)之和，即得到歸一化的特征向量；
步驟(3)支持向量機(jī)的手部動(dòng)作識(shí)別
使用“一對多”SVM多分類算法對手部動(dòng)作模式進(jìn)行識(shí)別實(shí)驗(yàn)，選用徑向基做核函數(shù)；將伸腕、屈腕、握拳、展拳四種手部動(dòng)作的樣本集分別標(biāo)記為B1＝1，B2＝2，B3＝3，B4＝4；先使用B1、B4訓(xùn)練SVM3，訓(xùn)練完SVM3后，將B1、B4合并為A1，進(jìn)而比較A1與B2、B3的距離即將A1類樣本對應(yīng)其它幾類樣本的距離和求平均，然后找出類間距離最小的兩類A1、B3訓(xùn)練出SVM2，并且將其并為C1類，再將C1和B2作為兩類訓(xùn)練，最后得到SVM1；完成SVM訓(xùn)練后，可獲得SVM多類分類面；通過測試，確認(rèn)該分界面的有效性；在測試樣本屬于哪一類的過程中，從SVM1開始，逐層向上，直到符號(hào)函數(shù)為正的為止，得到類別。
全文摘要
本發(fā)明涉及用于手部動(dòng)作識(shí)別的腦電和肌電信號(hào)混沌特征融合方法?，F(xiàn)有的方法識(shí)別率不高。本發(fā)明方法從混沌動(dòng)力學(xué)系統(tǒng)角度提取腦電與肌電對應(yīng)相應(yīng)手部動(dòng)作時(shí)混沌特征的兩個(gè)參數(shù)最大Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)，融合歸一化后輸入SVM分類器實(shí)現(xiàn)對手部動(dòng)作的識(shí)別，具體包括三個(gè)步驟(1)提取消噪后腦電和肌電信號(hào)混沌特征的最大Lyapunov指數(shù)和關(guān)聯(lián)維數(shù)；(2)腦電和肌電信號(hào)特征參數(shù)融合和歸一化處理；(3)采用支持向量機(jī)方法，得到手部動(dòng)作分類識(shí)別的結(jié)果。本發(fā)明方法從混沌動(dòng)力學(xué)系統(tǒng)角度對腦電和肌電信號(hào)進(jìn)行了分析，提取了描述了對應(yīng)手部動(dòng)作混沌特征的特征參數(shù)，實(shí)現(xiàn)了對手部動(dòng)作的識(shí)別，提高了識(shí)別率，為實(shí)際的應(yīng)用提供了途徑。
文檔編號(hào)A61F2/50GK101732110SQ20091015461
公開日2010年6月16日 申請日期2009年11月19日 優(yōu)先權(quán)日2009年11月19日
發(fā)明者羅志增, 李亞飛, 孟明 申請人:杭州電子科技大學(xué)