基于蟻群算法和相關(guān)向量機(jī)的表面肌電信號特征選擇與分類研究.pdf

1、表面肌電信號(surface electromyography，SEMG)是人體自主運(yùn)動(dòng)時(shí)神經(jīng)、肌肉活動(dòng)發(fā)放的電生理信號，反映了神經(jīng)、肌肉的功能狀態(tài)。SEMG信號在臨床醫(yī)學(xué)、康復(fù)醫(yī)學(xué)、神經(jīng)生理學(xué)等領(lǐng)域被廣泛應(yīng)用。二次世界大戰(zhàn)以后人們對生理信號用作控制信號，從而完成人一機(jī)系統(tǒng)的聯(lián)系進(jìn)行了大量的研究，最成功的范例就是肌電控制假肢的發(fā)展。通過表面肌電實(shí)現(xiàn)多自由度假肢控制仿生性好，患者操作方便，是一個(gè)理想的控制方案。肌電控制假肢又分傳統(tǒng)的基于閾

2、值的控制方法和基于現(xiàn)代人工智能——模式識別的控制方法。由于后者能實(shí)現(xiàn)更多自由度的假肢控制，且隨著信號處理技術(shù)、人工智能算法、計(jì)算機(jī)技術(shù)的飛速發(fā)展，基于模式識別的控制方式得到的廣泛關(guān)注和應(yīng)用。本文將著重從模式識別領(lǐng)域的特征選擇和分類方法上入手，對表面肌電信號高維復(fù)雜特征的降維方法和模式識別方法進(jìn)行了理論上的新的探索，所作的主要工作和創(chuàng)新之處如下：
　　 首先對國內(nèi)外肌電信號模式識別的相關(guān)研究進(jìn)行了較全面的回顧。隨后，系統(tǒng)地介紹了基

3、于模式識別的肌電控制假肢系統(tǒng)的各功能模塊。
　　 本文提出了一種新的基于蟻群算法(ant colony optimization，ACO)的特征選擇方法，討論了該方法在肌電信號模式分類中的可行性。針對ACO算法的啟發(fā)函數(shù)，引入了最小冗余—最大相關(guān)(minimum redundancy—maximum relevance，mRMR)算法，同時(shí)考慮特征間冗余度和特征與目標(biāo)類型的相關(guān)度，以較快的速度計(jì)算出每個(gè)特征的近似期望值。主成分分

4、析法(principle component analysis，PCA)因其較好的降維性能而在肌電信號特征降維中被廣泛應(yīng)用，具有一定的代表性，因此在實(shí)驗(yàn)中ACO—mRMR與PCA做了詳細(xì)對比。實(shí)驗(yàn)結(jié)果表明，ACO—mRMR不僅計(jì)算量少，降維后的特征集維數(shù)也大大降低，且其分類性能明顯優(yōu)于PCA約簡特征集和原始特征集。
　　 本文試探性研究了一種新的分類器——相關(guān)向量機(jī)(relevance vector machine，RVM)，深

5、入探討了不同的多類分類擴(kuò)展方案，如投票法、錯(cuò)誤校正輸出碼(errorcorrecting output code，ECOC)法及模糊邏輯融合法，并研究其在肌電信號模式分類中的應(yīng)用。在這幾種多類分類方案中，模糊RVM在肌電信號模式識別中顯示出了最好的分類性能。RVM不僅具有與支持向量機(jī)(support vector machine，SVM)類似的模型，而且克服了SVM的局限性。最小二乘支持向量機(jī)(LS—SVM)是標(biāo)準(zhǔn)SVM的一種擴(kuò)展，有著

6、更好的求解速度，且LS—SVM和SVM均在肌電信號模式分類研究中，顯示出了比傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)和線性分類器(linear discriminant analysis，LDA)更好的分類效果。因此為了更進(jìn)一步研究RVM在肌電信號模式識別中的可行性，選用LS—SVM作了對比實(shí)驗(yàn)。實(shí)驗(yàn)中分別討論了兩種分類器在分類準(zhǔn)確率、模型稀疏性、訓(xùn)練時(shí)間和測試時(shí)間上的性能比較。結(jié)果表明，RVM的