基于粗糙集和支持向量機(jī)的表面肌電特征約簡(jiǎn)和分類(lèi)研究.pdf

1、表面肌電(surfaceelectromyography,SEMG)信號(hào)是人體自主運(yùn)動(dòng)時(shí)神經(jīng)肌肉活動(dòng)發(fā)放的生物電信號(hào)，它反映了神經(jīng)、肌肉的功能狀態(tài)。SEMG信號(hào)在臨床醫(yī)學(xué)、運(yùn)動(dòng)醫(yī)學(xué)、人機(jī)工效學(xué)、康復(fù)醫(yī)學(xué)、神經(jīng)生理學(xué)、電生理學(xué)等領(lǐng)域被廣泛應(yīng)用。SEMG在這些領(lǐng)域不斷涌現(xiàn)的應(yīng)用需求要求人們對(duì)SEMG信號(hào)的特征屬性有更深入的了解，能夠在更深層次更細(xì)致的提取和挖掘SEMG信號(hào)的本質(zhì)特征。因此，新的信號(hào)處理手段在SEMG的識(shí)別和分類(lèi)研究中扮演著一

2、個(gè)至關(guān)重要的角色。 本文從模式識(shí)別的兩個(gè)重要方面--屬性選擇及其約簡(jiǎn)以及分類(lèi)器訓(xùn)練算法設(shè)計(jì)入手，對(duì)SEMG信號(hào)的特征屬性提取和表面肌電動(dòng)作信號(hào)(ActionSEMG)的模式識(shí)別方法進(jìn)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(duì)目前廣泛應(yīng)用的多通道采集技術(shù)，本文指出，由于表面電極的采集范圍較大，這導(dǎo)致了在不同通道的信號(hào)問(wèn)存在著一定程度耦合關(guān)系。在深入了解肌電信號(hào)產(chǎn)生的生理機(jī)理基礎(chǔ)上，本文將獨(dú)立分量分析理

3、論引入到肌電信號(hào)分析領(lǐng)域，用于消除多通道肌電信號(hào)之間存在的時(shí)空耦合現(xiàn)象。通過(guò)信號(hào)復(fù)雜度分析，作者發(fā)現(xiàn)經(jīng)過(guò)ICA解耦后的雙通道肌電信號(hào)的復(fù)雜度有所下降，證明了ICA分析在多通道肌電信號(hào)的解耦中具有一定作用。 關(guān)于特征屬性提取，本文對(duì)表面極電信號(hào)的非線性特征進(jìn)行了研究，介紹了非線性熵、分形維數(shù)以及相空間重構(gòu)，混沌動(dòng)力學(xué)分析等理論在生物醫(yī)學(xué)信號(hào)中的應(yīng)用情況。作者比較分析了前人常用的幾種經(jīng)典的完全基于時(shí)域或者頻域的算法，指出這些算法的

4、局限性所在。針對(duì)傳統(tǒng)算法的不足，本文提出了兩種基于時(shí)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(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)后提取AR模型系數(shù)的方法。本文給出了特征屬性集可分離度的量化評(píng)測(cè)準(zhǔn)則來(lái)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(wèn)題，分別考察了它們所耗用的時(shí)間。實(shí)驗(yàn)證明，基于WPT的小波子段正則化能量指標(biāo)是較為有效的，且對(duì)象依賴(lài)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(lèi)可分離度

5、也較為良好，但計(jì)算時(shí)間明顯較長(zhǎng)，且受AR模型階數(shù)和信號(hào)分段數(shù)等眾多參數(shù)影響。另外，在本文中還研究了肌電信號(hào)的多分形維數(shù)特征，發(fā)現(xiàn)肌電信號(hào)的多分形維數(shù)特征對(duì)于動(dòng)作不具備有效的區(qū)分性。 從減少冗余信息和實(shí)時(shí)在線識(shí)別的角度考慮，需要對(duì)提取的屬性進(jìn)行約簡(jiǎn)以加快計(jì)算速度，通過(guò)刪除冗余信息增強(qiáng)系統(tǒng)魯棒性。在本文中，作者將粗糙集理論用于屬性約簡(jiǎn)，并與基于PCA的屬性約簡(jiǎn)方法進(jìn)行比較研究。這兩種方法都是分類(lèi)器無(wú)關(guān)的濾波器(Filter)式屬性

6、約簡(jiǎn)方法。為了衡量屬性約簡(jiǎn)的效果，本文一方面分析了屬性集約簡(jiǎn)后的分離度參數(shù)；另一方面，考慮到神經(jīng)網(wǎng)絡(luò)的非線性全局逼近性能，以神經(jīng)網(wǎng)絡(luò)為分類(lèi)器，分別考察了這兩種方法得到的約簡(jiǎn)集的分類(lèi)性能。對(duì)比實(shí)驗(yàn)表明，PCA是一種線性變換，不能精細(xì)的提取非線性信號(hào)的本質(zhì)特征?？紤]到粗糙集理論主要是用于離散決策系統(tǒng)，本文對(duì)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(lèi)器設(shè)計(jì)方面，本文主要研究了基于模糊邏輯的支持

7、向量機(jī)。在采用訓(xùn)練集對(duì)分類(lèi)器進(jìn)行訓(xùn)練之前，作者先采用了基于粒子群優(yōu)化(PSO)的聚類(lèi)方法對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行聚類(lèi)分析。對(duì)于訓(xùn)練集上聚類(lèi)正確的樣本，作者選取各類(lèi)的邊緣樣本和類(lèi)中心樣本作為支持向量，并賦予了不同的權(quán)值，用于訓(xùn)練支持向量機(jī)，以提高分類(lèi)精度，增強(qiáng)泛化性能。根據(jù)這種方法，由于僅僅是選擇了訓(xùn)練集上的邊緣樣本和中心樣本作為支持向量訓(xùn)練支持向量集，這種方法能夠大幅加快分類(lèi)器的訓(xùn)練過(guò)程。同時(shí)，對(duì)比試驗(yàn)指出，相對(duì)于經(jīng)典神經(jīng)網(wǎng)絡(luò)，模糊神經(jīng)網(wǎng)絡(luò)等基

8、于誤差反傳算法的分類(lèi)器而言，模糊支持向量機(jī)不容易陷于局部極小，也像神經(jīng)網(wǎng)絡(luò)那樣對(duì)過(guò)訓(xùn)練或者欠訓(xùn)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(shí)驗(yàn)配置已經(jīng)得到廣泛應(yīng)用。另一方面，單分類(lèi)器不能充分利用所有有效信息，且判斷過(guò)于武斷。為了進(jìn)一步的考證FuzzyLS-SVM的分類(lèi)性能，本文把FuzzyLS-SVM，ANN、ANFIS、CART等分類(lèi)器的單獨(dú)決策結(jié)果采用了基于模糊積分的多分類(lèi)器融合算法進(jìn)行決策融合，避免單個(gè)分類(lèi)

9、器的武斷判斷。實(shí)驗(yàn)表明，在測(cè)試集上分類(lèi)正確的樣本中，F(xiàn)uzzyLS-SVM也分類(lèi)正確的占98％以上，而其他的三類(lèi)的正確率相差較遠(yuǎn)，體現(xiàn)了FuzzyLS-SVM在多分類(lèi)器信息融合決策過(guò)程中擔(dān)負(fù)著分類(lèi)導(dǎo)向作用，分類(lèi)性能較其他分類(lèi)器優(yōu)良。 研究結(jié)果表面，多分類(lèi)器融合算法能有效的彌補(bǔ)某一分類(lèi)器參數(shù)不穩(wěn)定或者結(jié)構(gòu)性損壞下出現(xiàn)的錯(cuò)判現(xiàn)象。在分類(lèi)性能提高的同時(shí)，計(jì)算耗時(shí)上相比單分類(lèi)器要有所增加。本文指出，在四個(gè)分類(lèi)器中，模糊支持向量機(jī)的識(shí)別

10、度最高，分類(lèi)結(jié)果最為可信。以上研究都是基于等長(zhǎng)肌電信號(hào)，在實(shí)驗(yàn)中避免了疲勞現(xiàn)象的影響。 本文的創(chuàng)新主要表現(xiàn)在以下幾個(gè)方面： Ⅰ.將ICA和信號(hào)復(fù)雜度相結(jié)合用于信號(hào)的預(yù)處理過(guò)程的多通道解耦研究； Ⅱ.將EMD和AR相結(jié)合的方法用于肌電信號(hào)屬性提取研究，指出其具有較好的聚類(lèi)分離度。 Ⅲ.將粗糙集理論引入肌電研究領(lǐng)域進(jìn)行屬性約簡(jiǎn)。 Ⅳ.提出了基于PSO-ISODATA的支持向量預(yù)抽取準(zhǔn)則。