科技创新与应用 创新前沿 Technology Innovation and Application 1肌电信号 对n个不同证据对应识别框架中各个命题的基本可 表面肌电信号蕴涵着很多与肢体运动相关联的重要信度分配函数m1,m2,m进行合成,得到融合后的基本可 信息。最终选取了半腱肌等四块肌肉作为肌电信号采集信度赋值函数为:m=m⊕m:⊕…⊕m,。D-S证据融合 的肌肉群,这四块肌肉易于对下肢运动模式进行识别。 规则为 表面肌电信号特征 本文为了获得的表面肌电信号中更多有效特征,采用 /F-A. -Am (A m, (A. 2)……m,(Aa) 时频域信号特征相结合的方式。具体为时域法中的积分 肌电值,时域法中的绝对值方差、频域法中的功率谱比值。 3基于D-S证据理论的下肢动作识别 对半腱肌、股直肌等四块肌肉所采集的肌电信号分别选取 由于在下肢运动识别中,肌电特征与髖关节特征之间 了包括时域和频域在内的三个特征参数,所以肌电信号源彼此是独立的,并不具有相关性,因此可以将来自不同信 的特征向量可以表示为:F;={1,V1,K1,l2,V2K2,l,V3,K3,J,号源所训练出神经网络的识别结果转化成在此证据下的 V4, Kal 可信度分配,再利用D-S证据理论融合两个独立证据下的 1.2髋关节信号 可信度分配,最后利用阈值决策法给出最终的识别结果 1.2.1髖关节角度特征 整个识别方法具体步骤如下 其计算公式为: (1)构建问题整体识别框架6={A,A2,…,A}以及 证据体E(i=1 (1) (2)确定各证据体的基本概率分配函数。本文利用改 进的BP神经网络的输出结果作为证据,来构造概率分配 式中,θ表示不同运动模式下髋关节角度值,θ。表示函数,根据特征维数可确定局部识别网络1和2的结构。 人体运动中髖关节角度的最大值,N表示0.1s内传感器的 (3)利用D-S的合成公式,将所有证据体的基本概率 采样点数。 进行融合,得出所有证据体条件下某一动作的基本概率赋 1.2.2髋关节加速度特征 值。 本文选取了标准差、偏度和相关系数作为特征,于(4)构造决策融合的阈值判别规则。根据不同的实验 是,下肢运动过程中髖关节信号源的特征向量可以表示要求,制定相应的基本信度分配条件,以对动作的识别做 为:F=X,σ,S,CJl综上所述,总共提取到下肢运动过程中出判断 肌电特征、髖关节特征2类共16个特征。 4实验及结果分析 2D-S证据理论 4.1实验系统组成 证据理论又称为信任函数理论,是对经典概率理论的本实验利用Q-PD数据采集卡实现对运动信息的采 扩展。最初由 Dempster提出用于把命题的不确定性问题转集,通过数据采集卡采集到电脑进行处理,采样频率为 化为集合的不确定性问题,经过对该理论的补充形成了现IkHz。使用 TRIGNO肌电信号传感设备来对运动过程中四 在的D-S理论。 块肌肉的肌电信号进行采集。髖关节加速度信号通过选用 定义一个识别框架θ,它代表对于一个判决或者识别美国模拟器件公司的ADXI203型加速度传感器进行采 问题M中所能出现的一切可能存在情况的集合。并且识别集。角度传感器选用的是村田公司的陀螺仪传感器ENC 框架内的任一命题彼此都互不形容 03。平地行走的实验数据是在跑步机上以4kmh的速度完 对任意假设的信任函数Bel(u)定义为u中全部子集成的数据采集。在此基础上,选择7位健康学生作为实验 对应这一假设的基本概率之和,即 对象,对每位实验对象采集五种运动模式的肌电信号、髋 关节角度以及加速度信号各100组,将采集到的所有实验 Bel(u)=∑m(Auge (2)数据按6:4的比例分为训练样本和测试样本 4.2实验结果 表1识别框架的信度值 模式类型 Network平地行走m(u)上楼梯m(u2)下楼梯m(u3)上坡m(u4)下坡m(us)m(e) BP10.665 0.109 0.085 0.064 0520.025 平地 0.621 0.083 0.076 行走 BP1+BP 0.907 0.051 0.012 0.015 0.0070.008 0.036 0.075 上楼梯 0.071 0.561 0.076 0.178 0.0960.018 BP1+BP2 0.001 0.909 0.031 0.039 0.0090.011 26创新前沿 2018 年 1 期 科技创新与应用 Technology Innovation and Application 1.1 肌电信号 表面肌电信号蕴涵着很多与肢体运动相关联的重要 信息[3]。最终选取了半腱肌等四块肌肉作为肌电信号采集 的肌肉群，这四块肌肉易于对下肢运动模式进行识别。 表面肌电信号特征 本文为了获得的表面肌电信号中更多有效特征，采用 时频域信号特征相结合的方式。具体为：时域法中的积分 肌电值，时域法中的绝对值方差、频域法中的功率谱比值。 对半腱肌、股直肌等四块肌肉所采集的肌电信号分别选取 了包括时域和频域在内的三个特征参数，所以肌电信号源 的特征向量可以表示为：F1=[I1，V1，K1，I2，V2，K2，I3，V3，K3，I4， V4，K4 ] 1.2 髋关节信号 1.2.1 髋关节角度特征 其计算公式为： （1） 式中，兹i 表示不同运动模式下髋关节角度值，兹max 表示 人体运动中髋关节角度的最大值，N 表示 0.1s 内传感器的 采样点数。 1.2.2 髋关节加速度特征 本文选取了标准差、偏度和相关系数作为特征[4-5]，于 是，下肢运动过程中髋关节信号源的特征向量可以表示 为：F2=[X，滓，S，Cxy]。综上所述，总共提取到下肢运动过程中 肌电特征、髋关节特征 2 类共 16 个特征。 2 D-S 证据理论 证据理论又称为信任函数理论，是对经典概率理论的 扩展。最初由 Dempster 提出用于把命题的不确定性问题转 化为集合的不确定性问题，经过对该理论的补充形成了现 在的 D-S 理论。 定义一个识别框架 专，它代表对于一个判决或者识别 问题 M 中所能出现的一切可能存在情况的集合。并且识别 框架内的任一命题彼此都互不形容。 对任意假设的信任函数 Bel（u）定义为 u 中全部子集 对应这一假设的基本概率之和，即： （2） 对 n 个不同证据对应识别框架中各个命题的基本可 信度分配函数 m1，m2，mn 进行合成，得到融合后的基本可 信度赋值函数为： 。D-S 证据融合 规则为： （3） 3 基于 D-S 证据理论的下肢动作识别 由于在下肢运动识别中，肌电特征与髋关节特征之间 彼此是独立的，并不具有相关性，因此可以将来自不同信 号源所训练出神经网络的识别结果转化成在此证据下的 可信度分配，再利用 D-S 证据理论融合两个独立证据下的 可信度分配，最后利用阈值决策法给出最终的识别结果。 整个识别方法具体步骤如下： （1）构建问题整体识别框架 以及 证据体 E（i i=1，2，…n）。 （2）确定各证据体的基本概率分配函数。本文利用改 进的 BP 神经网络的输出结果作为证据，来构造概率分配 函数，根据特征维数可确定局部识别网络 1 和 2 的结构。 （3）利用 D-S 的合成公式，将所有证据体的基本概率 进行融合，得出所有证据体条件下某一动作的基本概率赋 值。 （4）构造决策融合的阈值判别规则。根据不同的实验 要求，制定相应的基本信度分配条件，以对动作的识别做 出判断。 4 实验及结果分析 4.1 实验系统组成 本实验利用 Q-PID 数据采集卡实现对运动信息的采 集，通过数据采集卡采集到电脑进行处理，采样频率为 1kHz。使用 TRIGNO 肌电信号传感设备来对运动过程中四 块肌肉的肌电信号进行采集。髋关节加速度信号通过选用 美国模拟器件公司的 ADXL203 型加速度传感器进行采 集。角度传感器选用的是村田公司的陀螺仪传感器 ENC- 03。平地行走的实验数据是在跑步机上以 4km/h 的速度完 成的数据采集。在此基础上，选择 7 位健康学生作为实验 对象，对每位实验对象采集五种运动模式的肌电信号、髋 关节角度以及加速度信号各 100 组，将采集到的所有实验 数据按 6：4 的比例分为训练样本和测试样本。 4.2 实验结果 N i i 1 max X N           A u Bel u m A u      A1,A2 k ,L, A  模式类型 Network 平地行走 m(u1) 上楼梯 m(u2) 下楼梯 m(u3) 上坡 m(u4) 下坡 m(u5) m(Θ) 平地 行走 BP1 0.665 0.109 0.085 0.064 0.052 0.025 BP2 0.621 0.177 0.083 0.076 0.04 0.003 BP1+BP2 0.907 0.051 0.012 0.015 0.007 0.008 上楼梯 BP1 0.036 0.711 0.136 0.075 0.022 0.020 BP2 0.071 0.561 0.076 0.178 0.096 0.018 BP1+BP2 0.001 0.909 0.031 0.039 0.009 0.011 表 1 识别框架的信度值 m  m1 m m 2 n   L   1 2 n i1 i 2 in i1 i2 in A A A A 1 m u m (A ) m (A ) m (A ) 1 k ( A )          I ILI L - 26 -