Hua Min, anneau Li

(1. Department of Computer Science, Xinyang Agricultural College, Xinyang 464000, Chine; 2. École de logiciels, Université Kaifeng, Kaifeng 475004, Chine)

: Afin d'extraire efficacement la surface EMG SEMG (Surface électromyographique) présente, une meilleure reconnaissance du mode de mouvement de membre supérieur humain, un nouveau procédé de combinaison de paquets d'ondelettes présente un principe d'analyse de composant de noyau (WPKPCA) et support machine de vecteur (SVM) . Le signal EMG de surface extraite par le signal de surface instrument virtuel d'acquisition de caractéristique muscle grand palmaire et le brachioradialis deux EMG par analyse en composantes principales de base de paquets d'ondelettes, support vector machine Caractérisation de classification de données électrique de surface la reconnaissance. Les résultats expérimentaux montrent que cette méthode peut être identifiée à partir de l'EMG de surface de poing sur, montrer coups de poing, en tournant le poignet et le poignet valgus quatre types de fonctionnement, la surface d'extraction d'information plus efficace EMG, le taux de reconnaissance de mouvement de 98%.

: KPCA paquets d'ondelettes; support machine de vecteur; surface EMG; Extraction Caractéristique

: TP212.3 Code du document: A Numéro d'article: 0258-7998 (2014) 04-0084-04

Surface EMG EMG (électromyographie surface) sont les signaux biologiques enregistrés par des électrodes à partir de la surface du corps de l'activité neuro-musculaire squelettique délivré par . Avec le développement rapide de la technologie de détection, le traitement du signal et de la technologie de reconnaissance des formes, des chercheurs nationaux et étrangers de surface d'extraction de caractéristiques électromyographie et la reconnaissance des formes sont également une étude plus approfondie . Référence à l'aide d'un système d'inférence neuro-flou adaptatif reconnaît la commande de mouvement de la main et la reconnaissance de l'action 92% de la ; Ref en utilisant l'analyse composante principale caractéristique extraction signal SEMG, identifiant de ce fait la main action. Référence transformée en ondelettes et modèle AR traitement d'analyse de SEMG, la reconnaissance des formes de signal SEMG réseaux de neurones RBF, le taux de reconnaissance de l'action de 85% ; Reference en utilisant le signal d'EMG d'acquisition 4-canal, en utilisant ondelettes et BP réseau neuronal pour identifier les types de signal d'EMG d'action 8, le fonctionnement du taux de reconnaissance moyenne de 96,25%. Cependant, l'extraction de caractéristiques et agit fonction de reconnaissance modèle de signal SEMG reste de dimension vectorielle trop élevée, une grande redondance de la complexité de classificateur de données, la faible robustesse et les problèmes de taux de reconnaissance . Basé sur le problème ci-dessus, un paquet ondelettes KPCA nouvelle méthode et la combinaison de l'analyse SVM. Pour étudier l'action identifiée par le signal SEMG de l'avant-bras, les études montrent que la robustesse de la méthode, la mise en uvre réussie de l'avant-bras quatre différents modes de classification d'action.

1 SEMG plate-forme de système d'acquisition de signaux

L'ensemble du système de l'électrode de détection de signal d'EMG de surface, circuit amplificateur d'instrumentation, 10 ~ 1000 Hz circuit de filtre passe-bande, la carte d'acquisition de données et un système informatique composé d'un cadre dans LabVIEW . schéma de principe du système d'acquisition de signaux SEMG représenté sur la figure 1.

Dans des conditions de laboratoire, en utilisant un amplificateur d'instrumentation INA128 l'amplificateur opérationnel LM324, une entrée différentielle conçu SEMG l'acquisition du signal et des circuits de conditionnement. Ce circuit a une impédance d'entrée élevée, fort taux de réjection de mode commun, peut être bien extraction EMG de surface. Grossissement de 250 fois circuit de conditionnement, la bande passante de 10 ~ 1000 Hz . Une fréquence d'échantillonnage de 2000 Hz, recueilli signal EMG de fonctionnement poing comme représenté sur la Fig.

2 analyse des paquets d'ondelettes et le noyau analyse en composantes principales

2.1 Analyse des paquets ondelettes

l'analyse de paquets d'ondelettes (WPA) est une bande de fréquence divisée sur la base de l'analyse en ondelettes multi-niveau, aucune rupture de la partie à haute fréquence est décomposée, en fonction de caractéristiques de signaux, sélectionner la bande de fréquences appropriée, pour correspondre au spectre du signal, d'améliorer l'analyse en ondelettes - objet de résolution de fréquence .

Wavelet paquet algorithme de décomposition par des coefficients à l'échelle j d pour calculer les coefficients suivants de la couche à l'échelle j + 1 d, à savoir:

2.2 du noyau analyse en composantes principales

Kernel Analyse en Composantes Principales (KPCA) utilisé pour l'art statistique, il est une méthode couramment utilisée pour la compression des données peut être réalisée en utilisant l'échantillon de données KPCA être décrite en quantité de moins de caractéristique, la réalisation d'un dimensions spatiales faibles, et en tombant après dimension, il reste l'information principale des caractéristiques non linéaires d'origine, la quantité de traitement le calcul considérablement réduit .

SEMG fourni dans lequel le nombre total de données est M, le nombre d'échantillons est N, X = espace échantillon Par traitement de la matrice après KPCA V. étapes d'analyse KPCA spécifiques sont les suivantes:

(1) sélectionner le noyau en tant que fonction de mappage polynôme noyau:

(2) Trouver la matrice de covariance spatiale du noyau D:

Chaque dimension m = 1,2, ..., M calculé expérience moyenne, la valeur moyenne calculée dans le vecteur M x 1 um de dimension moyenne d'expérience:

(3) les vecteurs propres de calculer et de valeurs propres de la matrice de covariance D, la matrice de transformation projective est la matrice de vecteurs propres en fonction de l'ordre décroissant des valeurs propres. Dans l'espace de l'échantillon M-dimensionnelle, il y a un élément principal de M, selon l'équation (6) calculant le rapport de l'élément principal Z, dans un rapport de 95% ou plus, avant de sélectionner P (P < M) une grande contribution au vecteur principal composant constitue l'écart D.

3 extraits paquet ondelettes SEMG noyau analyse en composantes principales

paquets d'ondelettes noyau Analyse en Composantes Principales caractéristiques du signal (WPKPCA) SEMG extrait deux processus de matrice représenté sur la figure.

3 caractéristiques du signal SEMG peuvent être obtenues est réalisée par un procédé d'extraction de la figure WPKPCA spécifique est la suivante:

(1) collectés deux signaux SEMG X1, X2, respectivement, par l'intermédiaire de couches de L ondelettes paquet de transformation (WPT) rms D1 obtient des coefficients d'ondelettes à chaque échelle, D2, ..., D, constituant la matrice de coefficients d'ondelettes dans laquelle y1, y2. coefficients ondelettes à différentes échelles comme RMS:

Où j = 1,2, ..., 2L, dj, i représente les données dans le j-ième dimension, le nombre de points d'échantillonnage pour le segment N, où N est choisi 100.

(2) la y1, y2 après la matrice de fonction KPCA obtenu à partir de divers milieux signaux EMG Y1, Y2;

(3) Le Y1, matrice caractéristique de mouvement combiné Y2 Y. matrice de fonction de reconnaissance de mouvement ultérieure obtenue après le mouvement Y.

4 signal de reconnaissance mouvement basé SVM-SEMG

machine à vecteurs de support (SVM) est un produit de l'évolution de la théorie de l'apprentissage statistique, l'idée de base est l'espace de données d'entrée de faible dimension cartographiée par une fonction non linéaire à une propriété espace de grande dimension, la classification des propriétés dans l'espace dans l'espace d'attribut l'obtention d'échantillon hyperplan optimal en . algorithme SVM permet de surmonter les lacunes du risque empirique des statistiques traditionnelles et les risques prévisibles peuvent avoir une plus grande différence, de sorte qu'il a une forte capacité de généralisation dans l'échantillon limité . Par configuration optimale hyperplane SVM tels que VC (et Chervonnenkis) Vapnik dimensions minimales de confiance dans la gamme des conditions ayant une expérience de risque minimal. problèmes structurels optimale hyperplanes est essentiellement sous la contrainte de résoudre un problème de programmation quadratique, afin d'obtenir une fonction de classification optimale:

Où est le multiplicateur de Lagrange ai *, b * est une valeur de seuil, Xi est le i-ième échantillon d'apprentissage, X représente l'échantillon de test, n est un nombre entier d'échantillons d'apprentissage, K (Xi · X) est une fonction noyau satisfaisant à la condition Mercer. Peut être utilisé pour éviter l'espace d'attribut dimensionnelle de calcul direct, ce qui réduit considérablement la quantité de calcul. Plus fonction générale du noyau d'application a les quatre types suivants: noyau linéaire, une fonction du noyau polynôme, la fonction noyau RBF et un perceptron multicouche noyau. Cet algorithme est choisi en fonction de la fonction de RBF.

La méthode de base de la construction est classifieur multi-classe SVM est obtenue en combinant une pluralité de classificateurs binaires. méthodes de construction spécifiques et ont un à deux types beaucoup. Le procédé de l'une des deux types de conception échantillon d'un classificateur SVM, par la conception k (k-1) / 2 (k est le nombre de classes) un classificateur SVM, est fonction de classification ensemble fij (x) pour discriminer et i j deux types d'échantillons.

Si fij (x) > 0, x appartient à la classe I, type i parlé de donner un vote, lorsque la décision finale, en comparant ce genre le plus de voix, mettre l'échantillon d'essai attribué à la classe. Dans de nombreux procédés, nécessite la construction de classificateur k SVM, pour le i ème SVM, le i-ième échantillon de la configuration en tant que classe (classe positive) et le reste des échantillons de k-1 comme autre classe Type (type négatif), la prise de décision, l'échantillon à tester sont séquentiellement entrées dans le classifieur x SVM respectifs, qui comparent la valeur de sortie du classifieur SVM maximale, la classe attribuée à l'échantillon d'essai. Compte tenu de la petit échantillon de catégorie SEMG, et l'un de l'algorithme de classification SVM est simple, facile à mettre en uvre, afin de choisir l'un des classificateurs SVM pour construire le classificateur multi-classe.

5 résultats expérimentaux

Déplacer l'acquisition du signal différentiel EMG des électrodes fixées à un sujet cubital antérieur et la surface de la peau correspondant aux supinateur, sélectionner une surface de peau au niveau du sol articulation du poignet en tant que point de référence, afin d'éliminer le signal de mode commun. Réglage de la fréquence d'échantillonnage de 2000 Hz, lorsque le poing à la main, montrent des poinçons, en tournant le valgus de palme et quatre actions, tout en acquérant le cubital antérieur et le cubital postérieur deux signaux d'EMG. Chaque opération d'acquisition 5 s. 2,5 s avant que les échantillons de formation, après 2,5 s que les échantillons d'essai, les échantillons de formation et de test sont 5000 données. Dans les données de sous-échantillon 100, 50 ensembles de données pour chaque opération.

SEMG pour un fonctionnement à la main, en utilisant une base d'ondelettes DB08, deux de la décomposition en paquets d'ondelettes en trois couches EMG prétraité, pour obtenir des coefficients d'ondelettes au niveau de chaque matrice d'échelle. La figure 4 est une opération de poing, un signal de paquets d'ondelettes en trois couches brachioadialis SEMG vue éclatée obtenue par la couche de décomposition de paquets d'ondelettes 8 matrice de coefficients d'ondelettes en 3 dimensions.

D'après la figure 4, après que deux signaux SEMG 16 coefficient d'ondelette décomposition en paquets d'ondelettes de dimension composée matrice. Utilisation matrice KPCA chaque coefficient d'ondelette de SEMG deux signaux pour réduire la dimension entre la redondance des données est supprimé. La figure 5 montre les composants principaux brachioradialis et cubital matrice de coefficient d'ondelettes de dimension 8 par KPCA a expliqué la contribution de la variance.

Comme on peut le voir sur la Fig. 5, SEMG WPKPCA côté radial par la matrice de coefficients d'ondelettes et brachioradialis cubital antérieur, le taux de contribution cumulée de composant principal 1 et le composant principal 2 est 98,42% et 99,26%, respectivement, six autres composantes principales le rapport de contribution cumulée est inférieure à 2%, en ignorant ainsi les six composants principaux, de sorte que la matrice de coefficients d'ondelettes 16 dimensions à quatre dimensions, le mode de la matrice afin d'obtenir le mouvement. Le motif de mouvement de l'entrée de matrice pour le classificateur SVM dans lequel les résultats de la classification présentés dans le tableau 1.

Comme on peut le voir de 1 tableau, le taux de reconnaissance correcte du classificateur LDA et les résultats de la classification montrent coups de poing tourné jusqu'à 100%, et le taux de reconnaissance correcte de poing éversion 94% et 98%, le taux de reconnaissance moyenne de 98%, respectivement, dans l'ensemble,. Le tableau 2 montre WPKPCA, WPT, la valeur absolue des paramètres dans le domaine temporel moyen (VAC) et des coefficients AR le long de quatre méthodes de classification entraîné classificateur extraction de LDA.

Comme on peut le voir d'après le tableau 2, lorsque le classificateur SVM, pour sélectionner le plus haut taux de reconnaissance de l'opération d'extraction de caractéristiques de signal WPKPCA SEMG. WPKPCA possible d'extraire plus efficacement les informations en détail signal SEMG, combiné avec le SVM a de meilleurs résultats de reconnaissance. Utilisation SVM, K plus proches voisins, réseau de neurones BP et réseau de neurones RBF WPPCA acquis modèle de fonctionnement de la matrice se déplaçant reconnaissance de caractéristique, les résultats de la classification sont indiqués dans le tableau 3.

3 peut être obtenu à partir de la table, la demande de la caractéristique de signal WPKPCA SEMG, la vitesse de fonctionnement avec le classificateur SVM le plus élevé, le meilleur. Ainsi, la méthode de combinaison et SVM WPKPCA identifier plus précisément les différents états de mouvement de la main.

Quatre types de fonctionnement pour identifier l'avant-bras (poing, boxe spectacle, en tournant la palme et valgus), ondelettes paquet transformer le signal SEMG est analysé par les fléchisseurs du poignet et brachioradialis deux acquisition du signal SEMG radial, chaque bande sous-bande efficace vecteur de caractéristiques comme le mode de fonctionnement de chaque modèle et établir KPCA. signaux SEMG à différents méthode d'extraction de caractéristiques, WPKPCA ayant de bonnes compétences caractéristiques. Lors de l'utilisation SVM formation prise et fonctions de classification, et obtenu de bons résultats de la classification. Wavelet paquet procédé d'extraction KPCA et compositions de classificateur SVM SEMG sont le traitement du signal très approprié. Les expériences montrent que cette méthode peut être utilisée pour reconnaître la main quatre types de fonctionnement, le fonctionnement du taux de reconnaissance moyenne de 98%.

références

O FUKUDA, TSUJI T.Procédé manipulateur d'assistance de signaux humaine tel-eoperated par EMG et le mouvement du bras . IEEE Trans-actions sur la robotique et l'automatisation, 200319 (2): 210-222.

ZHAO Z Y, CHEN X, X ZHANG, et a1. Etude sur onlinegesture reconnaissance SEMG . Informatique intelligente (ICIC 2007), Conférence note en informatique, 2007,4681: 1257-1265.

Khezri M, Jahed M. Une inférence neuro-flou systemfor identification à base sEMG des commandes de mouvement de la main .IEEE Transactions sur l'électronique industrielle, 2011,58 (5): 1952-1960.

RYAIT H S. ARORA R A S, AGARWAL R. Interpreta-tions d'exploitation poignet / poignée de signaux SEMG à des endroits diff-ent sur le bras . IEEE Transactions on l'électronique industrielle, 2010,4 (2): 101-111.

Zhang Yi, même Auchi, Luo Yuan. Modèle EMG recherche de reconnaissance et AR Wavelet Transform modèle Électronique de mesure et instrument, 2011,25 (9): 770-774.

Houxiu Li ACTIONNEURS. Quad transformée en ondelettes et BP modèle EMG de surface du réseau de reconnaissance . Journal of Scientific Instrument, 2007, 28 (4): 528-531.

Li Tianbo, Chen Ling Chen Kunhua, etc. La conception de systèmes basés sur la main artificielle électromyogramme MSP430 . Les capteurs et, 2012,31 (4): 75-78.

Zhang Jing, Lu Fenglan, Yucheng Bo. Carte d'acquisition de données DAQ sur la conception de la plate-forme matérielle de l'instrument virtuel Chongqing Institute of Technology, 2001, 15 (2): 42-44.

Ping Chen Zhen. Levage qualité Alimenter la transformée en ondelettes adaptative noeud détection Technologie électronique, 2011,37 (7): 86-88.

à gauche. Moteur Diesel Diagnostic de défaut et d'analyse de paquets ondelettes basée sur LS-SVM Ordinateur de mesure et de contrôle, 2009,17 (11): 2150-2152.

Zhou, Wu Ying. KPCA reconnaissance basé sur la modulation du signal et dans LDA Ingénierie des systèmes et de l'électronique, 2011,33 (7): 1611-1616.

FORESTERIE ET Wang Xu, Li Zhonghai, et autres. Support Vector Machines Surface Pattern Classification EMG Université du Nord-Est (sciences naturelles), 2006,27 (3): 280-283.

Président Xu Gang, Li Zhongning, Luo Zhi par le Mouvement des mains Reconnaissance tenu de la corrélation et l'analyse Support Vector Machine Electronique et technologies de l'information, 2008,30 (10): 2315-2319.