基于小波包组合特征和LMS-LSTM的表面肌电信号分类
2022年电子技术应用第10期
孔 康，李德盈，孙中圣
南京理工大学 机械工程学院，江苏 南京210094
摘要：为了利用表面肌电信号分类手势动作，创新地提出了结合时域和时频特征作为特征参数，即采用小波包系数和方差的组合特征。采用自适应滤波-长短时记忆网络(LMS-LSTM)结合的分类器，在设置电路滤波器一次滤波后，添加自适应滤波算法，对方差特征进行二次滤波。对5种手势动作进行分类识别，得到93.78%的分类识别率。采用主成分分析法(PCA)降维，仍保持92.68%的平均识别率，并达到优化结果。实验表明，LSTM分类结果高于传统线性判别和决策树算法。
中图分类号：TP391.41；TP181
文献标识码：A
DOI：10.16157/j.issn.0258-7998.212067
中文引用格式：孔康，李德盈，孙中圣. 基于小波包组合特征和LMS-LSTM的表面肌电信号分类[J].电子技术应用，2022，48(10)：92-96.
英文引用格式：Kong Kang，Li Deying，Sun Zhongsheng. Classification of surface EMG signals based on wavelet packet combination and LMS-LSTM[J]. Application of Electronic Technique，2022，48(10)：92-96.
文献标识码：A
DOI：10.16157/j.issn.0258-7998.212067
中文引用格式：孔康，李德盈，孙中圣. 基于小波包组合特征和LMS-LSTM的表面肌电信号分类[J].电子技术应用，2022，48(10)：92-96.
英文引用格式：Kong Kang，Li Deying，Sun Zhongsheng. Classification of surface EMG signals based on wavelet packet combination and LMS-LSTM[J]. Application of Electronic Technique，2022，48(10)：92-96.
Classification of surface EMG signals based on wavelet packet combination and LMS-LSTM
Kong Kang，Li Deying，Sun Zhongsheng
School of Mechanical Engineering，Nanjing University of Science and Technology，Nanjing 210094，China
Abstract：To classify gestures using surface EMG signals, an innovative method is proposed to combine the time-domain and time-frequency features as characteristic parameters, namely the combined features of wavelet packet coefficients and variances. The classifier combined with least mean square and long and short time memory network(LMS-LSTM) is innovatively adopted. After the circuit filter is set for the first filtering, LMS is added to carry out the second filtering of the different features. The classification and recognition rate of the five gestures is 93.78%. Principal component analysis(PCA) is used to reduce the dimension, and the average recognition rate is 92.68%, and the optimization result is achieved. Experimental results show that LSTM classification results are higher than traditional linear discriminant and decision tree algorithms.
Key words :EMG signals；least mean square；long and short time memory network；wavelet packet combination characteristics
0 引言
表面肌电信号作为生物电信号的一种，由于能够反映较多的生物运动特征，被广泛应用于康复训练装置的设计和假肢控制等领域。肌电信号具有微弱性和突变性，在数据采集的过程中易受其他信号的干扰，给分类的结果带来较大影响。目前常见的分类特征主要有时域、频域和时频域。于亚萍等人[1-2]利用多种母小波变换对表面肌电信号进行识别；胡晓[3]等人利用小波包系数熵作为特征向量，但时频信号存在高延迟性。本文在小波包系数特征的基础上，添加了延迟性较低的方差特征，创新地采用将时域和时频域组合的方式作为特征参数。常见的分类器有支持向量机、随机森林和线性判别等，但这些方法的识别率会随输入向量维度的增加而下降。而近年来国内外对深度学习的研究越来越深入，此方法也被广泛地应用于信号处理领域。另外，自适应滤波(Least Mean Square，LMS)作为一种检测平稳与非平稳信号的滤波方式，被用于信号的去噪处理。本文参考长短时记忆网络(Long and Short Time Memory Network，LSTM)用于不同分类的文献[4-9]和陈景良等人[10]使用LMS对语音进行降噪、石欣等人[11-12]利用LMS-随机森林模型对下肢动作进行分类后，综合具有较高实时性的LMS和较高识别率的LSTM两种算法的优势，采用两种算法组合，与陈思佳等人[13]采用LSTM和卷积神经网络得到较高手势动作识别率相比提高了实时性。
本文详细内容请下载：https://www.chinaaet.com/resource/share/2000004966。
作者信息：
孔 康，李德盈，孙中圣
(南京理工大学 机械工程学院，江苏 南京210094)
此内容为AET网站原创，未经授权禁止转载。