中圖分類號： TP391.41；TP181 文獻標識碼： A DOI：10.16157/j.issn.0258-7998.212067 中文引用格式： 孔康，李德盈，孫中圣. 基于小波包組合特征和LMS-LSTM的表面肌電信號分類[J].電子技術應用，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
表面肌電信號作為生物電信號的一種，由于能夠反映較多的生物運動特征，被廣泛應用于康復訓練裝置的設計和假肢控制等領域。肌電信號具有微弱性和突變性，在數(shù)據(jù)采集的過程中易受其他信號的干擾，給分類的結(jié)果帶來較大影響。目前常見的分類特征主要有時域、頻域和時頻域。于亞萍等人[1-2]利用多種母小波變換對表面肌電信號進行識別；胡曉[3]等人利用小波包系數(shù)熵作為特征向量，但時頻信號存在高延遲性。本文在小波包系數(shù)特征的基礎上，添加了延遲性較低的方差特征，創(chuàng)新地采用將時域和時頻域組合的方式作為特征參數(shù)。常見的分類器有支持向量機、隨機森林和線性判別等，但這些方法的識別率會隨輸入向量維度的增加而下降。而近年來國內(nèi)外對深度學習的研究越來越深入，此方法也被廣泛地應用于信號處理領域。另外，自適應濾波(Least Mean Square，LMS)作為一種檢測平穩(wěn)與非平穩(wěn)信號的濾波方式，被用于信號的去噪處理。本文參考長短時記憶網(wǎng)絡(Long and Short Time Memory Network，LSTM)用于不同分類的文獻[4-9]和陳景良等人[10]使用LMS對語音進行降噪、石欣等人[11-12]利用LMS-隨機森林模型對下肢動作進行分類后，綜合具有較高實時性的LMS和較高識別率的LSTM兩種算法的優(yōu)勢，采用兩種算法組合，與陳思佳等人[13]采用LSTM和卷積神經(jīng)網(wǎng)絡得到較高手勢動作識別率相比提高了實時性。
