基于小波包變換的表面肌電信號模式識別

摘 要：采用小波包變換的方法對表面肌電信號sEMG進行了多尺度分解，并提取小波包分解系數的能量值構建特征矢量，采用四種方法設計多類最小二乘支持向量機(LS-SVM)分類器，對8種表面肌電信號進行了模式分類。實驗結果表明，采用四種多類分類方法的LS-SVM分類器對8種表面肌電信號的平均識別率在90%以上，LS-SVM分類準確率明顯優于傳統的RBF神經網絡分類器。

關鍵詞：表面肌電信號; 小波包變換; LS-SVM; 模式識別

中圖分類號：TN911.7-34 文獻標識碼：A

文章編號：1004-373X(2011)17-0122-03

Surface EMG Signal Mode Recognition Based on Wavelet Package Transform

WANG Ling

(Shaanxi Vocational and Technical College， Xi’an 710100， China)

Abstract： The surface electromyographic signal is analyzed by wavelet package transform. The feature vectors are built by extracting the energy value of the wavelet package coefficients. The multi-class least squares support vector machine classifier is designed by using four kinds of multi-class classification approach. The LS-SVM classifier is applied to the classification of eight movements with recording of the surface EMG. Experimental results show that the average recognition rate is over 90%， and the classification accuracy of LS-SVM classifier is significantly better than RBF neural network classifier.

Keywords： surface electromyographic signal; wavelet package transform; LS-SVM; pattern recognition

0 引 言

表面肌電信號(surface Electromyographic Signal，sEMG)是從肌肉表面通過電極引導、放大、記錄下來的神經肌肉系統活動時的非平穩一維時間序列生物電信號，能夠反映神經肌肉的活動［1］。肌電信號不僅在臨床醫學、運動醫學等領域被廣泛應用，而且成為人工假肢和功能性神經電刺激的理想控制信號［2］。

傳統的表面肌電信號模式識別方法是提取時域特征用作模式識別，這些方法僅僅在時域中分析數據，并且將肌電信號視為平穩信號或分段平穩信號，而肌電信號在本質上是一種具有非平穩特性的生理信號，因此在對多類肌電信號動作進行識別時很難得到理想的分類結果；而小波分析是一種有效的多分辨率時頻分析方法，是分析非平穩信號的有力工具［3］。它的不足是在高頻段的頻率分辨率較低， 導致在一些應用中， 不能滿足實際要求。小波包的概念是在小波變換的基礎上提出來的， 它提供了一種更為精細的信號分析方法， 將信號高頻部分進行進一步分解， 即對高頻部分也用二分濾波器進行分解， 所以能根據信號的特征選取相應頻帶與信號頻譜匹配， 進一步提高了時頻分辨率， 因此小波包分析具有更廣泛的應用價值。

對于多自由度肌電控制假肢，尋找一個好的模式分類器是關鍵，支持向量機［4-5］(SVM)是在統計學習理論基礎上發展起來的一種新的機器學習方法，具有堅實理論基礎、全局優化、泛化性能好等優點。最小二乘支持向量機(Least Squares Support Vector Machines)是Suyken在SVM基礎上提出的一種改進方法［6］。LS-SVM用等式約束代替了SVM中的不等式約束， 并且在訓練分類時， 常用的損失函數是誤差平方和損失函數。這使問題變成求解一個典型的線性KKT系統， 它的計算效率大大高于傳統支持向量機中求解一個凸二次規劃問題的效率。

本文采用小波包變換方法提取表面肌電信號的小波系數的能量作為特征矢量，采用LS-SVM設計多類分類器，對肌電信號的模式識別進行了研究。研究結果表明，采用四種方法設計的支持向量機分類器能很好地識別出8種表面肌電信號動作，平均識別率在90%以上，識別的結果明顯優于傳統的RBF神經網絡。

1 基于小波包變換的特征參數提取

1.1 小波分解

小波變換是傅里葉變換的新發展［3］。它在高頻時使用短窗口，在低頻時使用寬窗口，將信號分解成低頻的粗略部分與高頻的細節部分，然后只對低頻細節再做第二次分解，分解成低頻部分與高頻部分，而不對高頻部分做第二次分解。小波包分析是從小波分析延伸出來的一種對信號進行更加細致的分析與重構的方法。它將頻帶進行多層次劃分，對小波變換沒有細分的高頻部分進行進一步分解，并能夠根據被分析信號的特征，自適應地選擇頻帶，使之與信號頻譜相匹配，從而提高了處理信號的能力。

小波包分解中，分解層數的增加可使信號的高頻成分和低頻成分的分解都達到很精細的程度。信號S的表示如圖1所示。其中，L表示低頻;H表示高頻。

經N層樹型小波包分解后可以得到信號在各頻段內的特征信息，即原肌電動作信號的能量被分解到2n個正交頻帶上。

1.2 特征參數提取

在進行特征提取時，將表面肌電信號利用小波包進行3級分解，如果S代表原肌電信號，經過分解就可以得到第3級的8組分解系數，即S=S1+S2+S3+S4+S5+S6+S7+S8。由于不同動作在同一塊肌肉上的表面肌電信號幅度、能量是不同的。因此不同動作模式的表面肌電信號經小波包分解后在各頻帶上的投影是不同的，所以將表面肌電信號在各頻帶投影序列的能量作為每類動作的特征向量，用來進行分類識別。

2 多類模式最小二乘支持向量機分類器

2.1 LS-SVM基本原理

Suykens提出的LS-SVM是在傳統SVM基礎上的一種改進算法，它是通過求解一個線性規劃問題得到決策函數。對于給定的樣本集有：

2.2 多類模式支持向量機分類器的設計

目前，對于多類分類問題，SVM的解決途徑主要是通過構造多個SVM二值分類器并將它們組合起來實現多類分類。常見的構造方法是“一對一”、“一對多”、糾錯編碼(Error correcting output code，ECOC)、最小輸出編碼［7］(Minimum Output Coding，MOC)等。

2.2.1 一對多(1-a-r)

在該分類方法中對n個類別僅需構造n個支持向量機，每一個支持向量機分別將某一類的數據從其他類別中分離出來。在測試時，取決策函數輸出值最大的類別為測試樣本的類別。

2.2.2 一對一(1-a-1)

在該分類方法中，各個類別之間構造分類器，對n個類別共需構造n(n-1)/2個分類器，每個分類器函數的訓練樣本是相關的兩個類，組合這些兩類分類器并使用投票法，得票最多的類為樣本點所屬的類。

2.2.3 ECOC-SVM

ECOC是Bose和RayChaudhuri在1960年提出的一種分布式輸出碼［4-5，7］，具體過程如下：將由1和0組成的一個碼矩陣設為Mqs。其中，q為類別數;s為待訓練的分類器數，當Mqs=1(Mqs=0)時，表示此樣本相對于第q類而言是作為正例(負例)來訓練第s個分類器fs的。

2.2.4 MOC-SVM

最小輸出編碼(MOC)，是在糾錯輸出編碼方法基礎上進行的一種改進［4-5，7］。在最小輸出編碼方法中，采用能夠對某一多類分類問題進行分類的最小數目的兩類分類機，并且兩類分類機的順序是固定的。能達到這個目的的兩類分類機的選擇原則，就是在二進制數的基礎上建立的。

由于采用的是最小數目的二類分類機，所以MOC算法的訓練速度比ECOC的速度有明顯的改進，精度也比ECOC算法高。而且它的一個顯著特點就是拒分率大大降低了，所以MOC算法是這些方法中比較有效的一種多類分類方法。

3 實驗研究

為了驗證四種多類分類方法設計的LS-SVM分類器的分類性能，分別用四種方法設計的LS-SVM分類器對8種肌電信號進行了分類實驗。另外，為了與傳統的神經網絡分類方法進行比較，進行了支持向量分類與RBF神經網絡分類實驗。實驗時按前述特征參數的提取方法，首先對sEMG信號進行多尺度小波包分解，提取由小波包分解系數的能量值作為信號特征矢量，采用LS-SVM分類器實現動作識別，本文所有肌電信號數據來源于MIT-BIH數據庫。

3.1 四種不同方法設計的分類器對表面肌電信號分類實驗

對于多類支持向量機分類器的設計，本文采用了前述四種不同的多類分類器構造方法。分別用四種不同的支持向量機分類器對同樣的樣本進行了實驗，結果如圖2所示。

圖2實驗結果表明，四種方法設計的LS-SVM分類器中，MOC方法的分類精度最高，而且有著明顯的優勢。

3.2 支持向量機與RBF神經網絡分類比較試驗

為了比較支持向量機和傳統方法分類的分類效果，把LS-SVM分類結果與傳統分類方法RBF神經網絡分類的結果進行了比較，結果如圖3所示。LS-SVM分類器采用的是MOC方法設計的分類器參數設置。

圖3的實驗結果表明，用MOC方法設計的支持向量機分類器的分類精度高于用RBF神經網絡的分類精度，LS-SVM分類器要明顯優于RBF神經網絡分類器。

4 結 論

針對表面肌電信號的非平穩特征，采用小波包方法對表面肌電信號做多尺度分解，從中提取小波包分解系數的能量值作為信號的特征向量，提取的特征穩定，易于識別。采用四種算法設計LS-SVM分類器對其進行模式分類。實驗結果表明，MOC方法設計的分類器的分類精度要明顯高于其他三種方法，而且MOC方法設計的SVM分類器識別的結果明顯優于傳統的RBF神經網絡；這主要是因為支持向量機兼顧了訓練誤差和推廣能力，在解決小樣本、非線性及高維模式識別問題中表現出許多特有的優勢，而神經網絡方法往往陷入過學習，即所謂的風險最小化。

參 考 文 獻

［1］OSKOEI M A， HU H. Myoelectric control systems-a survey [J]. Biomedical Signal Process and Control (Elsevier)， 2007， 2(4): 275-294.

［2］MOHAMMADREZA Asghari Oskoei， HU Huo-sheng. Support vector machine-based classification scheme for myoelectric control applied to upper limb [J]. IEEE Transactions on Biomedical Engineering， 2008， 55(8): 165-169.

［3］LUCAS Marie-Francoise， GAUFRIAU Adrien， PASCUAL Sylvain， et al. Multi-channel surface EMG classification using support vector machines and signal-based wavelet optimization [J]. Biomedical Signal Process and Control(Elsevier)， 2008，3(2): 169-174.

［4］Vladimir N Vapnik.統計學習理論的本質[M].張學工，譯.北京：清華大學出版社，2000.

［5］VAPNIK V N. An overview of statistical learning theory [J]. IEEE Transactions on Neural Networks， 1999， 10(5): 988-999.

［6］SUYKENS J A K， GESTEL T V， BRABANTER J D， et al. Least squares support vector machines [M]. Singapore: World Scientific， 2002.

［7］鄧乃揚，田英杰.數據挖掘中的新方法:支持向量機[M].北京：科學出版社，2004.

［8］ENGLEHART K， HUDGINS B， PARKER P A. A wavelet-based continuous classification scheme for multifunction myoelectric control [J]. IEEE Trans. on Biomed. Eng.， 2001， 48(3): 302-310.

［9］ENGLEHART K， HUDGINS B. A robust， real-time control scheme for multifunction myoelectric control [J]. IEEE Trans. Biomed. Eng.， 2003， 50(7): 848-854.

［10］AJIBOYE A B， WEIR R F. A heuristic fuzzy logic approach to EMG pattern recognition for multifunctional prosthesis control [J]. IEEE Trans. Neural Syst. Rehabil. Eng.， 2005， 13(3): 280-291.

作者簡介：

王 玲 女，1977年出生，陜西蒲城人，碩士，講師。主要研究方向為電子測量及自動化。