基于熵和PSO優(yōu)化SVM的肌電信號(hào)跌倒識(shí)別*

武 昊，席旭剛，羅志增

（杭州電子科技大學(xué)智能控制與機(jī)器人研究所，杭州3100118）

跌倒是指突發(fā)、不自主的、非故意的體位變化，摔倒在地上或者更低面上［1］。跌倒是一種嚴(yán)重危害老年人身心健康的事故，其發(fā)生頻率高，后果嚴(yán)重，需要得到及時(shí)救治。因此，國(guó)內(nèi)外許多機(jī)構(gòu)已經(jīng)開始跌倒檢測(cè)與防護(hù)的研究。跌倒檢測(cè)的目標(biāo)是將跌倒與日常活動(dòng)動(dòng)作ADL（Activities of Daily Life）識(shí)別出來(lái)，從而報(bào)警或啟動(dòng)防護(hù)裝置避免或減少跌倒帶來(lái)的傷害。目前關(guān)于跌倒的識(shí)別研究主要通過視頻圖像［2］、聲音或振動(dòng)、足底壓力傳感器［3］、加速度傳感器及姿態(tài)角傳感器［4］來(lái)檢測(cè)，然而采用由表面肌電拾取電極記錄下來(lái)的、能夠反映肌肉和骨骼活動(dòng)相關(guān)信息的表面肌電信號(hào)［5］來(lái)識(shí)別跌倒的研究較少，表面肌電信號(hào)sEMG（surface Electromyogra?phy）是一種有用信號(hào)主要分布在10Hz～500Hz之間的非線性非平穩(wěn)生物電信號(hào)，已被應(yīng)用于運(yùn)動(dòng)醫(yī)學(xué)、康復(fù)訓(xùn)練和機(jī)械控制等諸多領(lǐng)域中［6-7］。

近幾年，國(guó)內(nèi)外的許多學(xué)者用不同理論在不同的條件下，對(duì)表面肌電信號(hào)的動(dòng)作建立模型，如神經(jīng)網(wǎng)絡(luò)法［8］、聚類分析［9］等，在表面肌電信號(hào)識(shí)別方面取得了一定的進(jìn)步，但均存在一定的缺點(diǎn)。支持向量機(jī)SVM（Support Vector Machine）是一種有監(jiān)督的分類器［10］，它在解決小樣本、非線性及高斯模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，可以解決神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)無(wú)標(biāo)準(zhǔn)的理論指導(dǎo)、學(xué)習(xí)時(shí)間長(zhǎng)、局部極小點(diǎn)等問題，但該算法受懲罰參數(shù)c和核函數(shù)參數(shù)g難以確定。粒子群算法PSO（Particle Swarm Optimiza?tion）是一種基于迭代的優(yōu)化算法［11］，具有依賴經(jīng)驗(yàn)參數(shù)少、收斂速度快等優(yōu)點(diǎn)，其在許多實(shí)際工程領(lǐng)域中得到了成功應(yīng)用［12-13］。

本文提出一種基于小波包排列組合熵的表面肌電信號(hào)特征提取方法，采用粒子群算法優(yōu)化c和g的支持向量機(jī)進(jìn)行跌倒識(shí)別，并與網(wǎng)格搜索（grid search）和遺傳算法（Genetic Algorithm，GA）優(yōu)化的支持向量機(jī)進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明，該特征提取方法能有效表征跌倒與日常動(dòng)作的特征，PSO優(yōu)化SVM方法對(duì)于跌倒識(shí)別有良好的準(zhǔn)確性。

1 基于小波包變換與排列組合熵的EMG特征

1.1 排列組合熵

排列組合熵是一種基于復(fù)雜性測(cè)度的非線性動(dòng)力學(xué)參數(shù)［14］，排列組合熵公式為：

1.2 小波包排列組合熵

提取16 Hz～160 Hz頻段內(nèi)的信號(hào)能濾除高頻噪聲和不必要的低頻信息，可以更好的表征不同的下肢動(dòng)作模式［15］。考慮到小波包變換具有良好的信號(hào)分解能力，提取sEMG信號(hào)小波包分解后低頻子空間重構(gòu)信號(hào)的排列組合熵作為特征，具體方法如下：首先，對(duì)每一通道sEMG信號(hào)進(jìn)行五層小波包分解；其次，利用式（1）計(jì)算九個(gè)低頻子空間重構(gòu)后sEMG信號(hào)的排列組合熵。這樣，便得到sEMG信號(hào)的小波包排列組合熵特征。

2 PSO算法和SVM參數(shù)優(yōu)化

2.1 粒子群算法

PSO算法是一種除蟻群算法和蜂群算法外的經(jīng)典群智能算法。PSO算法的速度和位置的跟新公式如下：

式中：其個(gè)體極值為 pbest，pi=(pi1,pi2,..,pid)，全局最優(yōu)解為 gbest，pg=(pg1,pg2,..,pgd)，w為慣性權(quán)重，i=1,2,..,n，n為粒子個(gè)數(shù)，j=1,2,..,d，c1和c2是學(xué)習(xí)因子，r1和r2為［0，1］之間的隨機(jī)數(shù)。

2.2 基于PSO的SVM參數(shù)優(yōu)化

SVM參數(shù)c和核函數(shù)參數(shù)g對(duì)預(yù)測(cè)精度有較大的影響，其整個(gè)優(yōu)化步驟如下：①初始化：通過對(duì)學(xué)習(xí)因子c1、c2和權(quán)重系數(shù)進(jìn)行優(yōu)化，初始化粒子的位置和速度，每個(gè)粒子的初始設(shè)置為初始最好位置。②計(jì)算每個(gè)粒子的適應(yīng)度，粒子的適應(yīng)度采用K折交叉驗(yàn)證評(píng)估。③根據(jù)式（2）和式（3）跟新粒子的速度和位置。④查看是否滿足終止條件。若滿足，將群體最優(yōu)粒子映射為SVM懲罰參數(shù)c和核函數(shù)參數(shù)g最優(yōu)解。否則轉(zhuǎn)向②，繼續(xù)新一輪搜索。

3 實(shí)驗(yàn)分析

3.1 肌電信號(hào)特征提取與分析

實(shí)驗(yàn)采用美國(guó)Noraxon公司的mt400肌電信號(hào)采集儀，將一次性肌電電極片貼于健康男性受試者的脛骨前肌、腓腸肌、股直肌、半腱肌，分別對(duì)每一動(dòng)作模式，共八個(gè)動(dòng)作的四通道sEMG信號(hào)進(jìn)行五層小波包分解，小波基選用sym2小波，其中設(shè)定采樣頻率為1 024 Hz。因此，16 Hz～160 Hz頻段內(nèi)的信號(hào)是。

將低頻sEMG采用能量閾值法確定每路sEMG信號(hào)的動(dòng)作開始時(shí)刻，取后續(xù)的1 500個(gè)采樣點(diǎn)數(shù)據(jù)作為動(dòng)作有效部分，分別計(jì)算八種動(dòng)作肌電信號(hào)小波包排列組合熵，并與小波包近似熵和小波包模糊熵進(jìn)行對(duì)比，由于數(shù)據(jù)全部列出較大，故表1只列出了2路肌電信號(hào)（腓腸肌、半腱肌）八種動(dòng)作肌電信號(hào)熵的統(tǒng)計(jì)特性，圖1列出了四路肌電信號(hào)八種動(dòng)作12個(gè)樣本小波包特征熵（小波包排列組合熵、小波包近似熵、小波包模糊熵）分布圖。

通過表1、圖1發(fā)現(xiàn)：四路肌電信號(hào)可以成功的識(shí)別出跌倒動(dòng)作的發(fā)生，通過圖1（a）（b）（c）脛骨前肌、腓腸肌的各特征熵和圖1（d）（e）（f）半腱肌、股直肌的各特征熵的對(duì)比分析可知，不同動(dòng)作在平面上有著相對(duì)獨(dú)立的的聚類空間，小波包排列組合熵區(qū)分性均要好于小波包近似熵和小波包模糊熵，且小波包排列組合熵的標(biāo)準(zhǔn)差系數(shù)、類內(nèi)距離和相似度均更小，表明小波包排列組合熵相較于其他兩種方法聚合度更大，動(dòng)作區(qū)分性更好，所以更容易達(dá)到理想的分類結(jié)果。

表1 八種動(dòng)作肌電信號(hào)熵的統(tǒng)計(jì)特性（均值±標(biāo)準(zhǔn)差）

圖1 四路肌電信號(hào)不同特征熵分布圖

3.2 模式識(shí)別

每種動(dòng)作各選取100組作為樣本訓(xùn)練集，50組作為測(cè)試集，采用PSO算法優(yōu)化支持向量機(jī)的徑向基核函數(shù)（Radial Basis Function，RBF），其表達(dá)式為：

圖2 PSO優(yōu)化SVM模型參數(shù)選擇

本文選擇5折交叉驗(yàn)證，PSO的參數(shù)為：種群規(guī)模N=20，最大進(jìn)化代數(shù)Gmax=100，學(xué)習(xí)因子c1=1.6，c2=1.5，慣性權(quán)重wv=1。圖2為PSO優(yōu)化SVM模型參數(shù)選擇，當(dāng)c=1.2114 ，g=10.8261時(shí)，模型參數(shù)為最優(yōu)解。

本文采用文獻(xiàn)［16］提出評(píng)價(jià)準(zhǔn)則來(lái)評(píng)估分類性能。定義：

其中Recall=TP/(TP+FN)為查全率，Precision=TP/(TP+FP)為查準(zhǔn)率，β為可調(diào)參數(shù)，本文β選取為1。由于少數(shù)類的查全率和查準(zhǔn)率的值都大時(shí)，少數(shù)類的F-value才會(huì)大，因此它能正確地反映少數(shù)類（跌倒動(dòng)作）的分類性能，識(shí)別結(jié)果如表2所示。

表2 各分類方法和特征提取方法對(duì)跌倒和ADL的識(shí)別率結(jié)果（跌倒和ADL列為識(shí)別率/%，F(xiàn)-value列為數(shù)值）

由表2可以看出，小波包排列組合熵特征提取方法對(duì)于跌倒動(dòng)作和ADL相較于小波包近似熵和小波包模糊熵特征提取方法更容易區(qū)分，跌倒識(shí)別率平均提高10%以上。對(duì)比三種SVM的參數(shù)優(yōu)化方法，基于小波包排列組合熵和PSO優(yōu)化的SVM跌倒識(shí)別率最高達(dá)到88%，F(xiàn)-value值比網(wǎng)格搜索和遺傳算法參數(shù)優(yōu)化方法略高，達(dá)到0.8800，分類效果最好。實(shí)驗(yàn)結(jié)果驗(yàn)證了基于小波包排列組合熵和PSO優(yōu)化SVM參數(shù)的有效性，能更好的表征動(dòng)作肌電信號(hào)特征，分類精度有所提高。

4 結(jié)論

本文嘗試運(yùn)用小波包排列組合熵作為區(qū)分跌倒動(dòng)作與其他日常動(dòng)作的sEMG信號(hào)的特征提取方法，并利用PSO算法對(duì)SVM分類模型的參數(shù)進(jìn)行優(yōu)化。結(jié)果表明通過小波包排列組合熵特征提取，能從較短的信號(hào)序列判斷出sEMG信號(hào)的復(fù)雜度，算法簡(jiǎn)單，計(jì)算速度較快，相較于近似熵和模糊熵有更好的聚類效果和更低的相似度，PSO優(yōu)化SVM模型同網(wǎng)格搜索和遺傳算法優(yōu)化的SVM模型相比，分類結(jié)果更加準(zhǔn)確，提高了準(zhǔn)確率，驗(yàn)證了本方法的有效性，為以后對(duì)肌電信號(hào)進(jìn)行深入的研究具有重要的參考價(jià)值。

［1］Deluca C.Physiology and Mathematics of Myoelectirc Signals［J］.IEEE Trans on Biomedicine Engineering，1979，26（3）：313-325.

［2］Leone A，Diraco G，Siciliano P.Detecting Falls with 3D Range Camera in Ambient Assisted Living Applications：A Preliminary Study［J］.Medical Engineering&Physics，2011，33（6）：770-78.

［3］高云園，佘青山，孟明，等.基于多源信息融合的膝上假肢步態(tài)識(shí)別方法［J］.儀器儀表學(xué)報(bào)，2010，31（12）：2682-2688.

［4］劉鵬，盧潭城，呂愿愿，等.基于MEMS三軸加速度傳感器的摔倒檢測(cè)［J］.傳感技術(shù)學(xué)報(bào)，2014，27（4）：570-574.

［5］劉加海，王麗，王健，等.基于相空間、熵和復(fù)雜度變化的表面肌電信號(hào)分析［J］.浙江大學(xué)學(xué)報(bào)：理學(xué)版，2006，33（2）：182-186.

［6］Kim K，Colgate J E.Haptic Feedback Enhances Grip Force Con?trol of sEMG-Controlled Prosthetic Hands in Targeted Reinnerva?tion Amputees［J］.IEEE Transactions on Neural Systems and Re?habilitation Engineering，2012，20（6）：798-805.

［7］王濤，侯文生，吳小鷹，等.用于肌電假肢手控制的表面肌電雙線性模型分析［J］.儀器儀表學(xué)報(bào)，2014，（8）：1907-1913.

［8］馬玉良，馬云鵬，張啟忠，等.GA-BP神經(jīng)網(wǎng)絡(luò)在下肢運(yùn)動(dòng)步態(tài)識(shí)別中的應(yīng)用研究［J］.傳感技術(shù)學(xué)報(bào)，2013，26（9）：1183-1187.

［9］袁明，羅志增.基于排列組合熵和聚類分析的SEMG識(shí)別方法［J］.華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，39（z2）：107-109.

［10］丁世飛，齊丙娟，譚紅艷，等.支持向量機(jī)理論與算法研究綜述［J］.電子科技大學(xué)學(xué)報(bào)，2011，40（1）：1-10.

［11］Zhaohui Xue，Peijun Du，Hongjun Su.Harmonic Analysis for Hy?perspectral Image Classification Intergrated with PSO Optimized SVM［J］.IEEE Journal of Selected Topics in Applied Earth Obser?vations and Remote Sensing，2014，7（6）：62131-2146.

［12］陳仁文，朱霞，徐棟霞，等.基于改進(jìn)型粒子群算法的卡箍直徑檢測(cè)算法研究［J］.儀器儀表學(xué)報(bào)，2014，（8）：1837-1843.

［13］Takeshi Nishida，Tetsuzo Sakamoto.Adaptive PSO for Online Identification of Time-Varying Systems［J］.Electronics and Com?munications in Japan，2012，95（7）：10-18.

［14］謝平，魏秀利，杜義浩，等.基于自排序熵的表面肌電信號(hào)特征提取方法［J］.模式識(shí)別與人工智能，2014，（6）：496-501.

［15］李明愛，馬建勇，楊金福，等.基于小波包和熵準(zhǔn)則的最優(yōu)頻段提取方法［J］.儀器儀表學(xué)報(bào)，2012，33（8）：1721-1728.

［16］韓慧，王文淵，毛炳寰.不均衡數(shù)據(jù)集中基于Adaboost的過抽樣算法［J］.計(jì)算機(jī)工程，2007，（33）：207-209.