基于Bayes决策理论的表面肌电信号模式分类的研究

　　1　引　言

　　表面肌电信号(surface electromyography,SEMG)是一种复杂的表皮下肌肉电活动在皮肤表面处时间和空间的综合结果,已被广泛应用于临床诊断、康复医学及运动医学等方面的研究[1,2]。随着检测技术、信号处理方法和计算机技术的发展,研究如何用表面肌电信号识别出肢体的多种运动模式,已成为相关领域研究的热点问题之一。如2005年KNazarpour等利用高阶统计学方法实现了对前臂4种不同动作肌电信号的模式分类[3],平均识别率接近91%。利用SEMG进行动作识别,动作越多,则识别难度越大。为实现多运动模式的有效识别,本文提出了一种采用Bayes决策理论对肌电信号的AR模型参数特征进行分类的新方法,并采用动态聚类中心对其进行了改进,很好地实现了对前臂8种不同动作肌电信号的模式识别。

　　2　表面肌电信号的特征提取方法

　　2.1　肌电信号AR参数模型的建立

　　AR(autoregressive)参数模型法是将肌电信号看成是由白噪声激励某一确定系统所产生的,即可将肌电信号等价为零均值白噪声过程激励一线性系统的输出。只要激励白噪声的功率和系统的参数已知,我们就可以通过研究白噪声输入此系统后形成的输入输出关系来研究肌电信号。所以肌电信号的性质可以用模型的若干系数来表征。即可用AR系数来表征不同动作所对应的肌电信号。假设所研究的肌电信号x(n)是由一个输入序列u(n)激励一个线性系统H(z)的输出,这样我们就可由数据x(n)估计H(z)的参数,AR模型的数学表达式为

　　其中:x(n)代表肌电信号的第n个采样值,w(n)是白噪声,p是AR模型的阶数。ak是AR模型的第k个系数。这样只要确定参数ak,就可完成AR参数模型的建立。我们采用TJUllrich与RWClayton提出的U-C算法可得关于AR模型参数ak的线性方程组:

　　2.2　特征值的提取

　　在构建AR参数模型时,首先涉及到的一个重要问题是AR模型阶数的选择。根据以往研究经验可知[4],阶数取得太高,谱估计会出现谱分裂现象;阶数取得太低,又可能导致其分辨率不足。实验表明,当AR模型阶数取4时,对信号的分析和识别性能最好。更高阶数的模型不但不会改善分类结果,而且会加大运算量。因此,选用4阶AR参数模型。对从不同肌肉表面提取的多组肌电信号,计算其每组的四阶AR模型参数值,构成特征矢量Ai,即:Ai=[ai1,ai2,ai3,ai4],则可以一个4维的特征矢量Ai作为一块肌肉表面肌电信号的特征值来表征一个动作,提供给模式分类器进行模式识别。选择四块肌肉作为信号采集单元,一个动作的特征矢量为A=[A1,A2,A3,A4]。

　　3　模式分类

　　3.1　正态分布模式Bayes分类器的设计