本發(fā)明涉及一種肌電信號(hào)特征提取領(lǐng)域，特別涉及一種融合小波包和雙譜分析的肌電信號(hào)特征提取方法。

背景技術(shù)：

表面肌電(surface electromyography,sEMG)信號(hào)是肌肉收縮時(shí)所產(chǎn)生的電波動(dòng)，既與肌肉本身的組織生理特性有關(guān)，也與神經(jīng)控制系統(tǒng)有關(guān)，它反映了神經(jīng)肌肉的活動(dòng)和功能狀態(tài)。因此，肌電信號(hào)已廣泛應(yīng)用于生理醫(yī)學(xué)、康復(fù)醫(yī)學(xué)及運(yùn)動(dòng)醫(yī)學(xué)等領(lǐng)域的研究，并且成為驅(qū)動(dòng)機(jī)器人、控制假肢運(yùn)動(dòng)以及功能性電刺激的理想控制信號(hào)。

sEMG具有非平穩(wěn)特性，同時(shí)，在采集sEMG信號(hào)時(shí)易受環(huán)境影響而引入高斯噪聲。單采用小波變換、AR模型或小波包變換等傳統(tǒng)方法進(jìn)行特征提取時(shí)，其正確識(shí)別率依然不高，導(dǎo)致指令控制智能硬件時(shí)出現(xiàn)誤動(dòng)作。鑒于此，本文結(jié)合小波包的時(shí)頻分析能力和雙譜對(duì)高斯噪聲不敏感的優(yōu)勢(shì)，利用小波包對(duì)sEMG的各頻帶進(jìn)行分解，得到sEMG在不同頻帶內(nèi)的能量分布，然后通過(guò)對(duì)小波包重構(gòu)的時(shí)域信號(hào)分析，提取出雙譜特征，最后結(jié)合這兩種方法提取出特征向量。不僅能得到sEMG信號(hào)的特征信息，還能抑制噪聲，對(duì)sEMG信號(hào)識(shí)別具有很重要的意義。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在解決以上現(xiàn)有技術(shù)的問題。提出了一種提高sEMG信號(hào)的識(shí)別率的融合小波包和雙譜分析的肌電信號(hào)特征提取方法。本發(fā)明的技術(shù)方案如下：

一種融合小波包和雙譜分析的肌電信號(hào)特征提取方法，其特征在于，包括以下步驟：

S1、輸入表面肌電sEMG信號(hào)，采用小波包對(duì)sEMG信號(hào)進(jìn)行j層分解；S2、選取n‘個(gè)有效頻帶，求出每個(gè)頻帶的能量；S3、將步驟S2求出的頻帶能量進(jìn)行歸一化處理，作為表面肌電sEMG信號(hào)的特征向量；S4、小波包重構(gòu)sEMG信號(hào)的時(shí)域信號(hào)；S5、對(duì)表面肌電sEMG的時(shí)域信號(hào)進(jìn)行雙譜分析，提取出雙譜特征；S6、融合小波包和雙譜分析的肌電信號(hào)特征向量。

步驟S1中采用小波包對(duì)表面肌電sEMG信號(hào)進(jìn)行j層分解，小波包對(duì)sEMG進(jìn)行分解的算法為：

式中為上層小波包分解結(jié)果，和為下一級(jí)分解結(jié)果，j是尺度指標(biāo)，l為位置指標(biāo)，n為頻率指標(biāo)，k為變量，h0和h1為分解使用的多分辨率濾波器系數(shù)。

進(jìn)一步的，所述步驟S2：選取n個(gè)有效頻帶，求出每個(gè)頻帶的能量具體包括步驟：假設(shè)信號(hào)的采樣頻率為2f，如果對(duì)信號(hào)進(jìn)行j層小波包分解，就可以形成2j個(gè)等寬頻帶，每個(gè)區(qū)間頻寬為f/(2j)，小波包分解之后，得到j(luò)層小波包系數(shù)Cj,m,k，k＝0,1,…,2j-1,m為小波包空間位置標(biāo)識(shí)；

由Parseval能量積分等式，sEMG信號(hào)x(t)在時(shí)域上的能量為：

根據(jù)該能量積分等式關(guān)聯(lián)起來(lái)可知，式子與x(t)的小波包變換系數(shù)Cj,k具有能量量綱，因此原始信號(hào)的能量分布用小波包能量譜來(lái)表示是可行的。

進(jìn)一步的，將步驟S2求出的頻帶能量進(jìn)行歸一化處理的公式為：

Tj,k表示頻帶能量；T′j,k表示歸一化處理的頻帶能量。

并將其當(dāng)作sEMG信號(hào)的特征向量，即：

T＝[T′1,T′2,…,T′n]。

T＝[T′1,T′2,…,T′n]。

進(jìn)一步的，步驟S4采用小波包重構(gòu)表面肌電sEMG的時(shí)域信號(hào)，其中小波包重構(gòu)算法為：

式中為上層小波包分解結(jié)果，和為下一級(jí)分解結(jié)果，j是尺度指標(biāo)，l為位置指標(biāo)，n為頻率指標(biāo)，k為變量，h0和h1為分解使用的多分辨率濾波器系數(shù)。

進(jìn)一步的，S5、對(duì)表面肌電sEMG的時(shí)域信號(hào)進(jìn)行雙譜分析，提取出雙譜特征，具體包括步驟：

設(shè)一離散、平穩(wěn)時(shí)間序列{x(i)}，t＝1,2,…,N，根據(jù)信號(hào)的離散傅里葉變換，雙譜定義為：

Bx(f1,f2)＝E[X(f1)X(f2)X*(f1+f2)]，

式中fi為頻率變量；X(fi)為信號(hào)的離散傅里葉變換；i＝1,2；E[]為數(shù)學(xué)期望，雙譜估計(jì)采用雙譜估計(jì)間接法，首先估計(jì)實(shí)驗(yàn)數(shù)據(jù){x(i)}的三階累積量，然后對(duì)該累積量進(jìn)行二維DFT變換，這樣就得到隨機(jī)序列的雙譜估計(jì)。

進(jìn)一步的，所述雙譜估計(jì)間接法算法的具體描述如下：

a、將長(zhǎng)度為N的實(shí)驗(yàn)數(shù)據(jù){x(i)}分成K段，每段有M個(gè)數(shù)據(jù)，即N＝KM；

b、進(jìn)行去均值操作，去除每段數(shù)據(jù)的均值，使將分析數(shù)據(jù)的均值為0；

c、假設(shè){xj(i)}(i＝1,2,…,M；j＝1,2,…,K)為第j段的數(shù)據(jù)，估計(jì)每段數(shù)據(jù)的三階累積量：

表示第j段數(shù)據(jù)的三階積累量，

k1＝max{1,-m,-n}，k1表示1、-m、-n中最大值；

k2＝min{M,M-m,M-n}；k2表示M、M-m、M-n中最小值；

d、對(duì)進(jìn)行統(tǒng)計(jì)平均，得到K組數(shù)據(jù)的累積量估計(jì)，即：

e、對(duì)三階累積量估計(jì)進(jìn)行二維DFT變換，即得雙譜估計(jì)。

進(jìn)一步的，所述融合小波包和雙譜分析的肌電信號(hào)特征向量，其具體步驟為：

每個(gè)樣本的雙譜值為Bj(f1,f2)，j＝1,2,…,n，n為樣本數(shù)，對(duì)每個(gè)樣本分別進(jìn)行雙譜計(jì)算，取平均可得樣本雙譜為：

接下來(lái)再對(duì)每個(gè)樣本求極大值Max(Bj(f1,f2))所對(duì)應(yīng)的即為特征向量，

然后與所述能量特征組合作為新的特征向量：

本發(fā)明的優(yōu)點(diǎn)及有益效果如下：

本發(fā)明針對(duì)表面肌電信號(hào)(sEMG)的非平穩(wěn)特性導(dǎo)致信號(hào)的正確識(shí)別率低的問題，提出一種融合小波包和雙譜分析相結(jié)合的特征提取方法。首先，采用小波包對(duì)sEMG的各頻帶進(jìn)行分解，得到sEMG在不同頻帶內(nèi)的能量分布；其次，通過(guò)對(duì)小波包重構(gòu)的時(shí)域信號(hào)進(jìn)行雙譜分析，提取出雙譜特征；最后，融合這兩種方法提取出特征向量。這種融合小波包和雙譜分析的肌電信號(hào)特征提取方法不僅能提取到高時(shí)頻分辨率的sEMG信號(hào)特征信息，還能抑制噪聲，從而提高sEMG信號(hào)的識(shí)別率。

附圖說(shuō)明

圖1是本發(fā)明提供優(yōu)選實(shí)施例融合小波包和雙譜分析的肌電信號(hào)特征提取方法流程圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、詳細(xì)地描述。所描述的實(shí)施例僅僅是本發(fā)明的一部分實(shí)施例。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案是，

圖1所示，本發(fā)明提供了一種融合小波包和雙譜分析的肌電信號(hào)特征提取方法，其包括以下步驟：

第一步，采用小波包對(duì)sEMG進(jìn)行j層分解。小波包對(duì)sEMG進(jìn)行分解算法為：

式中為上層小波包分解結(jié)果，和為下一級(jí)分解結(jié)果，j是尺度指標(biāo)，l為位置指標(biāo)，n為頻率指標(biāo)，k為變量，h0和h1為分解使用的多分辨率濾波器系數(shù)。

第二步，選取n個(gè)有效頻帶，求出每個(gè)頻帶的能量。假設(shè)信號(hào)的采樣頻率為2f，如果對(duì)信號(hào)進(jìn)行j層小波包分解，就可以形成2j個(gè)等寬頻帶，每個(gè)區(qū)間頻寬為f/(2j)。小波包分解之后，得到j(luò)層小波包系數(shù)Cj,m,k，k＝0,1,…,2j-1,m為小波包空間位置標(biāo)識(shí)。

由Parseval能量積分等式，sEMG信號(hào)x(t)在時(shí)域上的能量為：

根據(jù)該能量積分等式關(guān)聯(lián)起來(lái)可知，式子與x(t)的小波包變換系數(shù)Cj,k具有能量量綱，因此原始信號(hào)的能量分布用小波包能量譜來(lái)表示是可行的。

第三步，將上述的頻帶能量進(jìn)行歸一化處理：

并將其當(dāng)作sEMG信號(hào)的特征向量，即：

T＝[T′1,T′2,…,T′n]。

T＝[T′1,T′2,…,T′n]。

第四步，小波包重構(gòu)sEMG的時(shí)域信號(hào)。小波包重構(gòu)算法為：

式中為上層小波包分解結(jié)果，和為下一級(jí)分解結(jié)果，j是尺度指標(biāo)，l為位置指標(biāo)，n為頻率指標(biāo)，k為變量，h0和h1為分解使用的多分辨率濾波器系數(shù)。

第五步，對(duì)重構(gòu)的sEMG的時(shí)域信號(hào)進(jìn)行雙譜分析，提取出雙譜特征。具體算法和步驟為：

設(shè)一離散、平穩(wěn)時(shí)間序列{x(i)}，t＝1,2,…,N，根據(jù)信號(hào)的離散傅里葉變換，雙譜定義為：

Bx(f1,f2)＝E[X(f1)X(f2)X*(f1+f2)]，

式中fi為頻率變量；X(fi)為信號(hào)的離散傅里葉變換；i＝1,2；E[]為數(shù)學(xué)期望。雙譜估計(jì)有直接法和間接法，本文采用雙譜估計(jì)間接法，其核心思想是首先估計(jì)實(shí)驗(yàn)數(shù)據(jù){x(i)}的三階累積量，然后對(duì)該累積量進(jìn)行二維DFT變換，這樣就得到隨機(jī)序列的雙譜估計(jì)。該算法的具體描述如下：

a、將長(zhǎng)度為N的實(shí)驗(yàn)數(shù)據(jù){x(i)}分成K段，每段有M個(gè)數(shù)據(jù)，即N＝KM；

b、進(jìn)行去均值操作，去除每段數(shù)據(jù)的均值，使將分析數(shù)據(jù)的均值為0；

c、假設(shè){xj(i)}(i＝1,2,…,M；j＝1,2,…,K)為第j段的數(shù)據(jù)，估計(jì)每段數(shù)據(jù)的三階累積量：

k1＝max{1,-m,-n}，

k2＝min{M,M-m,M-n}；

d、對(duì)進(jìn)行統(tǒng)計(jì)平均，得到K組數(shù)據(jù)的累積量估計(jì)，即：

e、對(duì)三階累積量估計(jì)進(jìn)行二維DFT變換，即得雙譜估計(jì)。

第六步，融合小波包和雙譜分析的肌電信號(hào)特征向量。其具體步驟為：

每個(gè)樣本的雙譜值為Bj(f1,f2)，j＝1,2,…,n，n為樣本數(shù)，對(duì)每個(gè)樣本分別進(jìn)行雙譜計(jì)算，取平均可得樣本雙譜為：

接下來(lái)再對(duì)每個(gè)樣本求極大值Max(Bj(f1,f2))所對(duì)應(yīng)的即為特征向量。

然后與步驟4中的能量特征組合作為新的特征向量：

以上這些實(shí)施例應(yīng)理解為僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的保護(hù)范圍。在閱讀了本發(fā)明的記載的內(nèi)容之后，技術(shù)人員可以對(duì)本發(fā)明作各種改動(dòng)或修改，這些等效變化和修飾同樣落入本發(fā)明權(quán)利要求所限定的范圍。

總結(jié)

以上是生活随笔為你收集整理的semg特征提取matlab zc,一种融合小波包和双谱分析的肌电信号特征提取方法与流程...的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。