基于粗糙集和支持向量機的表面肌電特征約簡和分類研究.pdf

1、表面肌電(surfaceelectromyography,SEMG)信號是人體自主運動時神經肌肉活動發(fā)放的生物電信號，它反映了神經、肌肉的功能狀態(tài)。SEMG信號在臨床醫(yī)學、運動醫(yī)學、人機工效學、康復醫(yī)學、神經生理學、電生理學等領域被廣泛應用。SEMG在這些領域不斷涌現的應用需求要求人們對SEMG信號的特征屬性有更深入的了解，能夠在更深層次更細致的提取和挖掘SEMG信號的本質特征。因此，新的信號處理手段在SEMG的識別和分類研究中扮演著一

2、個至關重要的角色。 本文從模式識別的兩個重要方面--屬性選擇及其約簡以及分類器訓練算法設計入手，對SEMG信號的特征屬性提取和表面肌電動作信號(ActionSEMG)的模式識別方法進行了理論上的探索，所做的主要工作及創(chuàng)新之處如下： 首先，針對目前廣泛應用的多通道采集技術，本文指出，由于表面電極的采集范圍較大，這導致了在不同通道的信號問存在著一定程度耦合關系。在深入了解肌電信號產生的生理機理基礎上，本文將獨立分量分析理

3、論引入到肌電信號分析領域，用于消除多通道肌電信號之間存在的時空耦合現象。通過信號復雜度分析，作者發(fā)現經過ICA解耦后的雙通道肌電信號的復雜度有所下降，證明了ICA分析在多通道肌電信號的解耦中具有一定作用。 關于特征屬性提取，本文對表面極電信號的非線性特征進行了研究，介紹了非線性熵、分形維數以及相空間重構，混沌動力學分析等理論在生物醫(yī)學信號中的應用情況。作者比較分析了前人常用的幾種經典的完全基于時域或者頻域的算法，指出這些算法的

4、局限性所在。針對傳統算法的不足，本文提出了兩種基于時頻域的屬性提取方法，分別是基于小波包分解的子帶能量屬性方法和基于經驗模式分解(EMD)后提取AR模型系數的方法。本文給出了特征屬性集可分離度的量化評測準則來衡量屬性提取算法的有效性。另外，作者也考慮了算法的效率問題，分別考察了它們所耗用的時間。實驗證明，基于WPT的小波子段正則化能量指標是較為有效的，且對象依賴性很小。作者指出，基于EMD-AR的屬性提取算法的得到的屬性集的聚類可分離度

5、也較為良好，但計算時間明顯較長，且受AR模型階數和信號分段數等眾多參數影響。另外，在本文中還研究了肌電信號的多分形維數特征，發(fā)現肌電信號的多分形維數特征對于動作不具備有效的區(qū)分性。 從減少冗余信息和實時在線識別的角度考慮，需要對提取的屬性進行約簡以加快計算速度，通過刪除冗余信息增強系統魯棒性。在本文中，作者將粗糙集理論用于屬性約簡，并與基于PCA的屬性約簡方法進行比較研究。這兩種方法都是分類器無關的濾波器(Filter)式屬性

6、約簡方法。為了衡量屬性約簡的效果，本文一方面分析了屬性集約簡后的分離度參數；另一方面，考慮到神經網絡的非線性全局逼近性能，以神經網絡為分類器，分別考察了這兩種方法得到的約簡集的分類性能。對比實驗表明，PCA是一種線性變換，不能精細的提取非線性信號的本質特征?？紤]到粗糙集理論主要是用于離散決策系統，本文對粗糙集的離散算法也做了研究，提出了基于K-means的連續(xù)屬性離散化方法。 在分類器設計方面，本文主要研究了基于模糊邏輯的支持

7、向量機。在采用訓練集對分類器進行訓練之前，作者先采用了基于粒子群優(yōu)化(PSO)的聚類方法對訓練集數據進行聚類分析。對于訓練集上聚類正確的樣本，作者選取各類的邊緣樣本和類中心樣本作為支持向量，并賦予了不同的權值，用于訓練支持向量機，以提高分類精度，增強泛化性能。根據這種方法，由于僅僅是選擇了訓練集上的邊緣樣本和中心樣本作為支持向量訓練支持向量集，這種方法能夠大幅加快分類器的訓練過程。同時，對比試驗指出，相對于經典神經網絡，模糊神經網絡等基

8、于誤差反傳算法的分類器而言，模糊支持向量機不容易陷于局部極小，也像神經網絡那樣對過訓練或者欠訓練情況較為敏感，具有更好的泛化性能。 目前，多通道多傳感器實驗配置已經得到廣泛應用。另一方面，單分類器不能充分利用所有有效信息，且判斷過于武斷。為了進一步的考證FuzzyLS-SVM的分類性能，本文把FuzzyLS-SVM，ANN、ANFIS、CART等分類器的單獨決策結果采用了基于模糊積分的多分類器融合算法進行決策融合，避免單個分類

9、器的武斷判斷。實驗表明，在測試集上分類正確的樣本中，FuzzyLS-SVM也分類正確的占98％以上，而其他的三類的正確率相差較遠，體現了FuzzyLS-SVM在多分類器信息融合決策過程中擔負著分類導向作用，分類性能較其他分類器優(yōu)良。 研究結果表面，多分類器融合算法能有效的彌補某一分類器參數不穩(wěn)定或者結構性損壞下出現的錯判現象。在分類性能提高的同時，計算耗時上相比單分類器要有所增加。本文指出，在四個分類器中，模糊支持向量機的識別

10、度最高，分類結果最為可信。以上研究都是基于等長肌電信號，在實驗中避免了疲勞現象的影響。 本文的創(chuàng)新主要表現在以下幾個方面： Ⅰ.將ICA和信號復雜度相結合用于信號的預處理過程的多通道解耦研究； Ⅱ.將EMD和AR相結合的方法用于肌電信號屬性提取研究，指出其具有較好的聚類分離度。 Ⅲ.將粗糙集理論引入肌電研究領域進行屬性約簡。 Ⅳ.提出了基于PSO-ISODATA的支持向量預抽取準則。