高發(fā)榮王佳佳 席旭剛 佘青山 羅志增

（杭州電子科技大學(xué)智能控制與機(jī)器人研究所 杭州 310018）

基于粒子群優(yōu)化-支持向量機(jī)方法的下肢肌電信號(hào)步態(tài)識(shí)別

高發(fā)榮*王佳佳 席旭剛 佘青山 羅志增

（杭州電子科技大學(xué)智能控制與機(jī)器人研究所 杭州 310018）

為提高下肢表面肌電信號(hào)步態(tài)識(shí)別的準(zhǔn)確性和實(shí)時(shí)性，該文提出一種基于粒子群優(yōu)化（PSO）算法優(yōu)化支持向量機(jī)（SVM）的模式識(shí)別方法。首先對(duì)消噪后的肌電信號(hào)提取積分肌電值和方差作為特征樣本，然后利用PSO算法優(yōu)化SVM的懲罰參數(shù)和核函數(shù)參數(shù)，最后利用步態(tài)動(dòng)作的肌電信號(hào)樣本數(shù)據(jù)對(duì)構(gòu)造的SVM分類器進(jìn)行訓(xùn)練、測(cè)試。實(shí)驗(yàn)結(jié)果表明PSO-SVM分類器對(duì)下肢正常行走5個(gè)步態(tài)的識(shí)別率，明顯高于未經(jīng)參數(shù)優(yōu)化的SVM分類器，優(yōu)化后平均識(shí)別率達(dá)到97.8%，并兼顧了分類的準(zhǔn)確性和自適應(yīng)性。

模式識(shí)別；步態(tài)分析；肌電信號(hào)；粒子群優(yōu)化；支持向量機(jī)

1 引言

人體步態(tài)是指人行走時(shí)所表現(xiàn)出的肢體動(dòng)作與姿態(tài)，正常行走步態(tài)具有協(xié)調(diào)性、均衡性和周期性特點(diǎn)。在一個(gè)步態(tài)周期內(nèi)，根據(jù)足底與地面的接觸情況，可將步態(tài)分為支撐相（足觸地）和擺動(dòng)相（足離地）。每個(gè)相位又可再細(xì)分成若干階段［1］。步態(tài)運(yùn)動(dòng)主要依靠腿部肌肉協(xié)調(diào)驅(qū)動(dòng)下肢肌肉-骨骼系統(tǒng)來完成，而肌電信號(hào)（ElectroM yoGraphy， EMG）是由肌肉收縮時(shí)所產(chǎn)生的動(dòng)作電位序列，它與肌肉的活動(dòng)狀態(tài)和運(yùn)動(dòng)的功能狀態(tài)之間存在著關(guān)聯(lián)性，不同肢體動(dòng)作間的差異可通過肌電信號(hào)的特征來體現(xiàn)。對(duì)這些特征的研究，有助于進(jìn)行步態(tài)的識(shí)別和分析，這在運(yùn)動(dòng)科學(xué)、行為科學(xué)和康復(fù)醫(yī)學(xué)工程等領(lǐng)域尤為重要。

肌電信號(hào)用于動(dòng)作識(shí)別的研究始于上世紀(jì)90年代［2］，主要識(shí)別算法包括基于神經(jīng)網(wǎng)絡(luò)的方法、基于隱馬爾可夫模型的方法，以及基于貝葉斯的方法等［35］-。肌電信號(hào)作為一種非平穩(wěn)的微弱信號(hào)，對(duì)其識(shí)別無論是從分類器的分類能力，還是在步態(tài)動(dòng)作的識(shí)別率方面，仍然面臨許多亟待解決的難題。隨著支持向量機(jī)（Support Vector Machine， SVM）的發(fā)展［6］，以SVM和EMG技術(shù)為基礎(chǔ)，對(duì)人體運(yùn)動(dòng)動(dòng)作辨識(shí)進(jìn)行了深入研究。文獻(xiàn)［7］分別比較了高斯核SVM、神經(jīng)網(wǎng)絡(luò)和局部加權(quán)投影回歸法對(duì)前臂EMG的分類，實(shí)驗(yàn)結(jié)果表明，SVM取得的識(shí)別率明顯優(yōu)于神經(jīng)網(wǎng)絡(luò)和投影回歸法。文獻(xiàn)［8］通過模糊最小二乘支持向量機(jī)技術(shù)，完成手部動(dòng)作識(shí)別。文獻(xiàn)［9］結(jié)合SVM和小波分析方法對(duì)前臂和手部動(dòng)作進(jìn)行了識(shí)別。文獻(xiàn)［10］提取手部各類動(dòng)作時(shí)肌電信號(hào)的分形維特征，然后結(jié)合支持向量機(jī)進(jìn)行識(shí)別，文獻(xiàn)［11］則采用球均值結(jié)合對(duì)支持向量機(jī)方法識(shí)別手部動(dòng)作，均取得了較高的識(shí)別率。文獻(xiàn)［12］利用支持向量機(jī)方法，有效識(shí)別了站立及行走的運(yùn)動(dòng)模式。文獻(xiàn)［13］提出基于簡(jiǎn)約支持向量機(jī)多元分類的下肢動(dòng)作識(shí)別算法，進(jìn)行了起立、平地行走、上下樓梯等動(dòng)作識(shí)別。

為解決SVM參數(shù)選擇問題，近年來將粒子群優(yōu)化（Particle Swarm Optim ization， PSO）方法與支持向量機(jī)結(jié)合用于識(shí)別分類。文獻(xiàn)［14］討論了利用粒子群優(yōu)化支持向量機(jī)的參數(shù)選擇和特征分類問題，文獻(xiàn)［15］將粒子群優(yōu)化支持向量機(jī)應(yīng)用于控制圖混合模式識(shí)別中。文獻(xiàn)［16］采用PSO-SVM算法進(jìn)行呼吸暫停等睡眠功能障礙的識(shí)別，結(jié)果表明相比模糊推理等方法，在提高識(shí)別精度的同時(shí)，所花費(fèi)計(jì)算代價(jià)更小且自適應(yīng)性強(qiáng)。文獻(xiàn)［17］利用粒子群優(yōu)化支持向量機(jī)的方法進(jìn)行肌電信號(hào)分類，在神經(jīng)-肌肉疾病的診斷識(shí)別中取得不錯(cuò)效果。

實(shí)際上，支持向量機(jī)的性能好壞，主要取決于核函數(shù)的構(gòu)造及其參數(shù)的選擇。傳統(tǒng)參數(shù)選擇方法的缺點(diǎn)，一是受數(shù)據(jù)規(guī)模的限制，二是優(yōu)化方法相當(dāng)耗時(shí)，且很難精確找到最優(yōu)參數(shù)。針對(duì)上述問題并結(jié)合肌電信號(hào)特點(diǎn)，本文采用粒子群優(yōu)化算法優(yōu)化支持向量機(jī)的懲罰參數(shù)及核函數(shù)參數(shù)，使優(yōu)化后的支持向量機(jī)能夠更好地進(jìn)行下肢肌電信號(hào)的模式識(shí)別和分類，以期達(dá)到更優(yōu)的分類性能和識(shí)別判斷能力。

2 基本原理和方法

2.1 肌電信號(hào)特征提取

為準(zhǔn)確實(shí)現(xiàn)動(dòng)作識(shí)別，對(duì)獲取的每路肌電信號(hào)，分別提取分離度大、魯棒性好、運(yùn)算復(fù)雜度低的時(shí)域特征。這里選用相對(duì)簡(jiǎn)單、高效的積分肌電值和絕對(duì)值方差，作為后續(xù)分類器進(jìn)行分類的輸入特征。具體為：

積分肌電值。肌電信號(hào)作為一種隨機(jī)信號(hào)，直接計(jì)算得到的算術(shù)平均值近似等于零值，并不能反映出肌電信號(hào)的特征信息。因此先對(duì)肌電信號(hào)取絕對(duì)值，再求其均值，即得積分肌電值I，

其中，x（i）， i=1，2，…， N 為一長(zhǎng)度為N的肌電信號(hào)時(shí)間樣本序列。

絕對(duì)值方差。上述情況下，其方差V定義為

其中I為肌電信號(hào)的積分肌電值。

2.2 支持向量機(jī)特征分類

支持向量機(jī)（SVM）是1995年首次提出的一種分類技術(shù)［6］，用于模式分類和非線性回歸。其思想是將向量映射變換到一個(gè)更高維的空間里，在新的高維空間找出輸入量和輸出量之間的非線性關(guān)系。即設(shè)定適宜的核函數(shù)K（ Zi， Z），先通過非線性變換，將輸入空間變換到高維空間，再在高維空間中求取最優(yōu)線性分類面。

ai為每個(gè)訓(xùn)練樣本所對(duì)應(yīng)的拉格朗日系數(shù)；C為懲罰參數(shù)，為權(quán)系數(shù)向量，b∈R為偏置，K（ Zi， Z）為核函數(shù)。

2.3 粒子群優(yōu)化算法

粒子群優(yōu)化（PSO）算法是一種迭代尋優(yōu)方法，可以解決多種優(yōu)化問題［18，19］。粒子的主要特征為位置、速度、適應(yīng)度值。最優(yōu)解主要通過粒子自身及周圍粒子的經(jīng)驗(yàn)進(jìn)行搜索，依靠粒子完成尋優(yōu)任務(wù)。搜索過程中，動(dòng)態(tài)調(diào)整粒子位置和速度，找到全局最優(yōu)解。

圖1 支持向量機(jī)體系結(jié)構(gòu)

粒子的速度和位置通過迭代進(jìn)行更新，如式（5）所示：

c1和c2為學(xué)習(xí)因子，其值代表將每個(gè)粒子推向個(gè)體極值和全局極值位置的統(tǒng)計(jì)加速項(xiàng)的權(quán)值［14］；r1和r2為分布于［0，1］區(qū)間的隨機(jī)數(shù)；群體規(guī)模大小的選擇，一般采用經(jīng)驗(yàn)法［20］；最大迭代次數(shù)（maxgen）為尋優(yōu)終止條件。

2.4 粒子群優(yōu)化支持向量機(jī)參數(shù)

粒子群優(yōu)化算法是一種基于種群的并行全局搜索策略，它通過群體中個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解，其優(yōu)點(diǎn)是調(diào)節(jié)參數(shù)少、收斂速度快，應(yīng)用范圍廣，并可在高維空間中進(jìn)行優(yōu)化。利用PSO優(yōu)化SVM參數(shù)，能使SVM在新空間中順利進(jìn)行最優(yōu)線性分類，精確、穩(wěn)定、快速。

PSO優(yōu)化SVM主要包括種群初始化、尋找初始極值、迭代尋優(yōu)等操作，其步驟為：

步驟 1 在D維參數(shù)空間中，隨機(jī)對(duì)m個(gè)粒子進(jìn)行初始化，確定其位置和速度，即確定SVM參數(shù)，選用一定輸入樣本建立SVM模型；

步驟2 根據(jù)SVM分類決策函數(shù)確定其函數(shù)值；

步驟3 進(jìn)行粒子適應(yīng)度值的計(jì)算及評(píng)估；

步驟 4 尋找全局最優(yōu)參數(shù)，若不滿足終止條件，則迭代搜索更新粒子的速度和位置，轉(zhuǎn)向步驟2；

圖2 PSO優(yōu)化SVM參數(shù)算法流程

步驟5 若滿足終止條件，則得到最優(yōu)參數(shù)，重新訓(xùn)練SVM，作為最終的分類器進(jìn)行識(shí)別分類。

這樣，經(jīng)過以上PSO算法，就得到了使SVM誤差最小的懲罰參數(shù)C和核函數(shù)半徑參數(shù)g的最優(yōu)值，用于SVM訓(xùn)練和分類預(yù)測(cè)。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 肌電信號(hào)數(shù)據(jù)采集

按照下肢肌肉群在行走時(shí)步態(tài)動(dòng)作不同階段的作用和貢獻(xiàn)大小，以及對(duì)表面肌電信號(hào)采集設(shè)備的敏感程度，選擇大腿上最具代表性的4塊肌肉：股內(nèi)側(cè)肌、半腱肌、長(zhǎng)收肌、闊筋膜張肌，作為行走時(shí)的表面肌電信號(hào)采集源。實(shí)驗(yàn)對(duì)象為25歲健康男性，以正常速度（1.5 m/s）進(jìn)行平地行走。實(shí)驗(yàn)中進(jìn)行了同步攝像跟蹤，方便進(jìn)行步態(tài)識(shí)別對(duì)比驗(yàn)證。采集設(shè)備選用Noraxon公司的M yoTrace 400肌電采集儀，采集頻率1000 Hz，數(shù)據(jù)輸出通過藍(lán)牙設(shè)備連接到計(jì)算機(jī)上。在行走步態(tài)運(yùn)動(dòng)中，通過4路通道同時(shí)采集4塊肌肉的表面肌電信號(hào)數(shù)據(jù)。

在一個(gè)步態(tài)周期內(nèi)，按照足底與地面的接觸情況，將步態(tài)分為支撐相和擺動(dòng)相。兩個(gè)相位可再細(xì)分為支撐前期、支撐中期和支撐后期，以及擺動(dòng)前期和擺動(dòng)后期共5個(gè)階段。測(cè)試人員利用肌電采集儀，在周期性步態(tài)行走中采集上述4路肌肉運(yùn)動(dòng)的表面肌電信號(hào)數(shù)據(jù)。

3.2 肌電信號(hào)數(shù)據(jù)分析

接下來構(gòu)造PSO-SVM分類器。參閱文獻(xiàn)［22］，設(shè)置PSO算法的初始參數(shù)：慣性權(quán)重w=0.8，學(xué)習(xí)因子c1=1.5， c2=1.7，粒子規(guī)模即種群數(shù)量設(shè)置為20，最大迭代次數(shù)（maxgen）初設(shè)為100，作為PSO算法的迭代終止條件。迭代過程如圖2所示，當(dāng)PSO滿足迭代終止條件，優(yōu)化過程結(jié)束，得到懲罰參數(shù)和核函數(shù)半徑參數(shù)的最優(yōu)值 Cbest和 gbest。

最后，建立PSO優(yōu)化后的SVM分類器，將得到的特征樣本數(shù)據(jù)按照一定比例，隨機(jī)分為訓(xùn)練樣本集和測(cè)試樣本集。訓(xùn)練集用于對(duì)SVM分類器進(jìn)行訓(xùn)練，測(cè)試集則用于輸入SVM分類器進(jìn)行識(shí)別測(cè)試，得到識(shí)別結(jié)果。若識(shí)別結(jié)果與測(cè)試目標(biāo)一致，說明對(duì)動(dòng)作進(jìn)行了正確歸類，否則為錯(cuò)誤歸類。

3.3 結(jié)果與討論

按照?qǐng)D2的算法流程，粒子群優(yōu)化算法的迭代過程如圖3所示，隨著迭代次數(shù)的增加，實(shí)際適應(yīng)度（準(zhǔn)確率）逐漸趨近于最佳參數(shù)的適應(yīng)度。當(dāng)滿足迭代終止條件，優(yōu)化過程結(jié)束時(shí)，準(zhǔn)確率為99.71%，輸出的最優(yōu)參數(shù)值Cbest=986.08， gbest= 0.9893。相對(duì)于支持向量機(jī)中C∈［0.1， 10000］， g∈［0.1， 100］的取值范圍，PSO算法經(jīng)快速優(yōu)化后得到了SVM誤差最小的一組懲罰參數(shù)C及核函數(shù)半徑參數(shù)g，且尋找最佳參數(shù)的準(zhǔn)確率高，這是本文采用PSO-SVM方法的一大優(yōu)點(diǎn)。同時(shí)，由于PSO算法是基于種群的并行全局搜索策略，它通過群體中個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解，不僅調(diào)節(jié)參數(shù)少、收斂速度快，而且適用于在高維空間中進(jìn)行優(yōu)化，一定程度上彌補(bǔ)遺傳算法操作中選擇、交叉、變異復(fù)雜情況下的維度限制。因而，PSO滿足SVM在高維空間中線性分類的要求。

在利用粒子群優(yōu)化算法優(yōu)化支持向量機(jī)參數(shù)后，分別采用未優(yōu)化和優(yōu)化后的SVM分類器，進(jìn)行肌電信號(hào)的對(duì)比步態(tài)識(shí)別。測(cè)試目標(biāo)按照每個(gè)步態(tài)周期進(jìn)行，依次分為：支撐前期中期后期、擺動(dòng)前期后期，共5個(gè)識(shí)別狀態(tài)。數(shù)據(jù)樣本的選取按照以下原則進(jìn)行：根據(jù)行走時(shí)一段時(shí)間內(nèi)的步態(tài)周期平均量，同時(shí)考慮數(shù)據(jù)規(guī)模的要求，綜合確定采樣分析的數(shù)據(jù)量為2760組，再根據(jù)一個(gè)周期內(nèi)5個(gè)步態(tài)（識(shí)別狀態(tài)）所占的時(shí)間百分比，分別進(jìn)行分組，每組數(shù)據(jù)量依次為520， 830， 630， 360和420。在分類器訓(xùn)練集及測(cè)試樣本分配問題上，為了測(cè)試分類器的性能，首先利用常用的k折（k-fold）法則進(jìn)行分類測(cè)試及訓(xùn)練。參考文獻(xiàn)［23］，這里采用5-fold法則，即對(duì)于每一個(gè)步態(tài)，將樣本數(shù)據(jù)隨機(jī)均分為5份，輪流將其中4份用作訓(xùn)練1份用于測(cè)試，識(shí)別結(jié)果如表1所示。

其次是在保證足夠多的訓(xùn)練樣本、兼顧分類器的泛化能力和識(shí)別率的前提下，考慮參數(shù)優(yōu)化及分類識(shí)別時(shí)的計(jì)算成本，適當(dāng)調(diào)整訓(xùn)練和測(cè)試樣本比例，減少訓(xùn)練樣本數(shù)，選取總樣本數(shù)的80%， 70%及60%特征數(shù)據(jù)作為訓(xùn)練集，剩余樣本組特征數(shù)據(jù)作為測(cè)試集，分別送入未經(jīng)優(yōu)化的SVM分類器和PSO參數(shù)優(yōu)化后的SVM分類器進(jìn)行識(shí)別，對(duì)比識(shí)別結(jié)果分別如表2和表3所示。從表中可以看出，未采用PSO優(yōu)化方法時(shí)，一個(gè)步態(tài)周期中5個(gè)狀態(tài)的識(shí)別率在86%到92%之間，平均識(shí)別率為89.4%。而采用PSO-SVM參數(shù)優(yōu)化后，5個(gè)狀態(tài)的識(shí)別率均在96%以上，平均識(shí)別率達(dá)到了97.8%。可見在肌電信號(hào)的步態(tài)識(shí)別準(zhǔn)確率方面，均優(yōu)于未經(jīng)參數(shù)優(yōu)化的SVM識(shí)別結(jié)果，這是本文采用PSO-SVM方法的又一大優(yōu)點(diǎn)。

圖3 PSO尋找最佳參數(shù)的適應(yīng)度（準(zhǔn)確率）曲線

表1 5-fold法則的步態(tài)識(shí)別結(jié)果

表2 優(yōu)化前SVM步態(tài)識(shí)別結(jié)果

表3 PSO優(yōu)化后SVM步態(tài)識(shí)別結(jié)果

圖3及表2、表3的結(jié)果表明，在下肢肌電信號(hào)的步態(tài)識(shí)別方面，粒子群算法能夠更準(zhǔn)確、更有效地找到懲罰參數(shù)和核函數(shù)參數(shù)的優(yōu)化組合值，使得支持向量機(jī)的識(shí)別誤差相應(yīng)減少，同時(shí)訓(xùn)練分類及識(shí)別正確率上升。由此可見，與傳統(tǒng)的參數(shù)選擇方法相比，采用粒子群算法的參數(shù)優(yōu)化方法，在減少計(jì)算代價(jià)、獲取優(yōu)化參數(shù)的同時(shí)，還提高了支持向量機(jī)分類器的性能。利用PSO優(yōu)化SVM參數(shù)，在解決小樣本、非線性及高維模式識(shí)別問題中表現(xiàn)出一定優(yōu)勢(shì)，能實(shí)現(xiàn)SVM在新空間中順利進(jìn)行最優(yōu)線性分類，并具有精確、穩(wěn)定、快速的特點(diǎn)。

4 結(jié)束語(yǔ)

目前，SVM已廣泛應(yīng)用于模式識(shí)別領(lǐng)域，然而其性能很大程度上取決于其參數(shù)的合理組合與選擇。本文針對(duì)下肢肌電信號(hào)的步態(tài)識(shí)別這一特定問題，提出利用PSO優(yōu)化SVM的懲罰參數(shù)及核函數(shù)半徑參數(shù)，克服了傳統(tǒng)SVM參數(shù)選擇方法中存在的數(shù)據(jù)規(guī)模受限、優(yōu)化過程耗時(shí)，且很難精確找到最優(yōu)參數(shù)的缺點(diǎn)。PSO優(yōu)化過程中，自適應(yīng)粒子根據(jù)實(shí)際情況，通過動(dòng)態(tài)平衡其全局搜索與局部搜索能力，能快速準(zhǔn)確地找到支持向量機(jī)的最優(yōu)參數(shù)，從而有效進(jìn)行識(shí)別。采用PSO-SVM方法優(yōu)化后的分類器具有較高的步態(tài)識(shí)別率。

［1］ Vaughan C L， Davis B L， and Jeremy C. Dynam ics of Hum an Gait［M］. Cape Town， South Africa: Kiboho Pub lishers， 1999: 7-14.

［2］ 譚冠政， 吳立明. 國(guó)內(nèi)外人工腿 （假肢） 研究的進(jìn)展及發(fā)展趨勢(shì)［J］. 機(jī)器人， 2001， 23（1）: 91-96. Tan Guan-zheng and Wu Li-m ing. Progress and development trend towards study of artificial legs（prostheses） in foreign countries and Ch ina［J］. Robot， 2001， 23（1）: 91-96.

［3］ Young A J， Sm ith L H， Rouse E J， et al.. C lassification of simultaneous movements using surface EMG pattern recognition［J］. IEEE Transactions on Biom edical Engineering，2013， 60（5）: 1250-1258.

［4］ Cole B T， Roy S H， De Luca C J， et al.. Dynam ical learning and tracking of trem or and dyskinesia from wearable sensors［J］. IEEE Transactions on Neural System s and Rehabilitation Engineering， 2014， 22（5）: 982-991.

［5］ Guvenc S A， Ulutas M， and Dem ir M. Pattern recognition based analysis of arm EMG signals and classification w ith artificial neural networks［C］. Proceedings of the 22nd Signal P rocessing and Commun ications App lications Con ference，Trabzon， Turkey， 2014: 2209-2212.

［6］ Vapnik V. The Nature of Statistical Learning Theory［M］. New York: Springer-Verlag， 1995: 123-179.

［7］ Castellini C and Smagt P. Surface EMG in advanced hand p rosthetics［J］. Biological Cybernetics， 2009， 100（1）: 35-47.

［8］ Yan Z， W ang Z， and X ie H. The app lication of mutual inform ation-based feature selection and fuzzy LS-SVM-based classifier in motion classification［J］. Computer Methods and Program s in Biom edicine， 2008， 90（3）: 275-284.

［9］ Lucas M F， Gau friau A， Pascual S， et al.. Mu lti-channel surface EMG classification using support vector machines and signal-based wavelet optim ization［J］. Biomedical Signal Processing and Control， 2008， 3（2）: 169-174.

［10］ Naik G R and Kum ar D K. Tw in SVM for gesture classification using the surface electromyogram［J］. IEEETransactions on Information Technology in Biom edicine，2010， 14（2）: 301-308.

［11］ 張啟忠， 席旭剛， 羅志增. 基于非線性特征的表面肌電信號(hào)模式識(shí)別方法［J］. 電子與信息學(xué)報(bào)， 2013， 35（9）: 2054-2058. Zhang Qi-zhong， Xi Xu-gang， and Luo Zhi-zeng. A pattern recognition method for surface electromyography based on nonlinear features［J］. Journal of Electronics & Information Technology， 2013， 35（9）: 2054-2058.

［12］ Yang P， Chen L， Guo X， et al.. A rtificial lower limb w ith m yoelectrical control based on support vector m ach ine［C］. Proceedings of the 6th World Congress on Intelligent Control，Dalian， China， 2006， 2: 9486-9489.

［13］ 吳劍鋒， 吳群， 孫守遷. 簡(jiǎn)約支持向量機(jī)分類算法在下肢動(dòng)作識(shí)別中的應(yīng)用研究［J］. 中國(guó)機(jī)械工程， 2011， 22（4）: 433-438. W u Jian-feng， W u Qun， and Sun Shou-qian. Research on classification algorithm of reduced support vector m achine for low limb movement recognition［J］. China Mechanical Engineering， 2011， 22（4）: 433-438.

［14］ Lin S W， Ying K C， Chen S C， et al.. Particle swarm optim ization for param eter determ ination and feature selection of support vector m achines［J］. Expert System s with Applications， 2008， 35（4）: 1817-1824.

［15］ 蘭秀菊， 張麗霞， 魯建廈， 等. 基于小波分析和 PSO-SVM的控制圖混合模式識(shí)別［J］. 浙江工業(yè)大學(xué)學(xué)報(bào)， 2012， 40（5）: 532-536. Lan Xiu-ju， Zhang Li-xia， Lu Jian-xia， et al.. Based on wavelet analysis and PSO-SVM control chart pattern recognition［J］. Journal of Zhejiang University of Technology，2012， 40（5）: 532-536.

［16］ M aali Y and A l-Jum aily A. A novel partially connected cooperative parallel PSO-SVM algorithm: study based on sleep apnea detection［C］. Proceedings of the 2012 IEEE Congress on Evolutionary Com putation （CEC）， Brisbane，Australia， 2012: 1-8.

［17］ Subasi A. C lassification of EMG signals using PSO optim ized SVM for d iagnosis of neuromuscular disorders［J］. Computers in Biology and Medicine， 2013， 43（5）: 576-586.

［18］ Kennedy J and Eberhart R C. Particle swarm optim ization［C］. Proceedings of the IEEE Conference on Neural Network， Perth， Australia， 1995: 1942-1948.

［19］ Shi Y and Eberhart R. A m odified particle swarm optim izer［C］. Proceedings of the IEEE International Conference on Evolu tionary Com pu tation， Anchorage， USA，1998: 69-73.

［20］ 劉波. 粒子群優(yōu)化算法及其工程應(yīng)用［M］. 北京: 電子工業(yè)出版社， 2010: 27-46. Liu Bo. Particle Swarm Optim ization A lgorithm and Its Engineering App lication［M］. Beijing: Publishing House of Electronics Industry， 2010: 27-46.

［21］ 羅志增， 沈寒霄. 基于Herm ite插值的小波模極大值重構(gòu)濾波的肌電信號(hào)消噪方法［J］. 電子與信息學(xué)報(bào)， 2009， 31（4）: 857-860. Luo Zhi-zeng and Shen Han-xiao. Herm ite interpolationbased wavelet transform m odulus m axim a reconstruction algorithm’s app lication to EMG de-noising［J］. Journal of Electronics & Information Technology， 2009， 31（4）: 857-860.

［22］ 陳林， 潘豐. 基于量子PSO的SVM參數(shù)選擇及其應(yīng)用［J］. 自動(dòng)化與儀表， 2009， 24（1）: 5-8. Chen Lin and Pan Feng. Param eters selection and app lication of support vector m ach ines based on quantum delta particle swarm optim ization algorithm［J］. Autom ation & Instrum en t，2009， 24（1）: 5-8.

［23］ Markatou M， Tian H， Biswas S， et al.. Analysis of variance of cross-validation estimators of the generalization error［J］. Journal of M achine Learning Research， 2005（6）: 1127-1168.

高發(fā)榮： 男，1969年生，博士，副教授，研究方向?yàn)闄C(jī)器人技術(shù)、生物力學(xué)、生物醫(yī)學(xué)信息檢測(cè)與模式識(shí)別.

王佳佳： 女，1989年生，碩士生，研究方向?yàn)闄C(jī)器人技術(shù)、生物醫(yī)學(xué)信息檢測(cè)與模式識(shí)別.

席旭剛： 男，1975年生，碩士，副教授，研究方向?yàn)闄C(jī)器人技術(shù)、生物醫(yī)學(xué)信息檢測(cè)與模式識(shí)別.

佘青山： 男，1980年生，博士，副教授，研究方向?yàn)闄C(jī)器人技術(shù)、生物醫(yī)學(xué)信息檢測(cè)與模式識(shí)別.

羅志增： 男，1965年生，博士，教授，博士生導(dǎo)師，研究方向?yàn)闄C(jī)器人技術(shù)、傳感器及多信息融合等.

Gait Recognition for Lower Extrem ity Electrom yographic Signals Based on PSO-SVM M ethod

Gao Fa-rong Wang Jia-jia X i Xu-gang She Qing-shan Luo Zhi-zeng
（Institute of Intelligent Control and Robotics， Hangzhou Dianzi University， Hangzhou 310018， China）

To im prove the lower limb surface ElectroMyoGraphic （EMG） gait recognition accuracy and real time performance， this paper deals w ith a pattern recognition method for op tim izing the Support Vector Machine （SVM）by using the Particle Swarm Op tim ization （PSO） algorithm. Firstly， the values of Integrated EMG and variance are extracted as the feature sam p les from the de-noised EMG signals. Then， the SVM parameters of the punishm ent and the kernel function are optim ized by PSO. Finally， the constructed SVM classifiers are trained and tested by using the EMG samp le data of the gait movements. The experimental resu lts show that for five normal walking gaits of the lower extrem ity， the recognition rate of the PSO-SVM classifier is significantly higher than that of the non-parameter-optim ized SVM classifier， and the average recognition rate is up to 97.8%， as well as the classification accuracy and self-adap tability are also imp roved.

Pattern recognition； Gait analysis； E lectroM yoG raphic （EMG） signal； Particle Swarm Optim ization（PSO）； Support Vector M achine （SVM）

TP391.4； TP24

： A

：1009-5896（2015）05-1154-06

10.11999/JEIT141083

2014-08-14收到，2014-12-30改回

浙江省自然科學(xué)基金（Y 1101230， LY 13F030017），浙江省科技計(jì)劃（2012C33075， 2013C24016）和國(guó)家自然科學(xué)基金（61201302，61172134）資助課題

*通信作者：高發(fā)榮 frgao@hdu.edu.cn