基于粒子群优化-支持向量机方法的下肢肌电信号步态识别

高发荣王佳佳 席旭刚 佘青山 罗志增

（杭州电子科技大学智能控制与机器人研究所 杭州 310018）

基于粒子群优化-支持向量机方法的下肢肌电信号步态识别

高发荣*王佳佳 席旭刚 佘青山 罗志增

（杭州电子科技大学智能控制与机器人研究所 杭州 310018）

为提高下肢表面肌电信号步态识别的准确性和实时性，该文提出一种基于粒子群优化（PSO）算法优化支持向量机（SVM）的模式识别方法。首先对消噪后的肌电信号提取积分肌电值和方差作为特征样本，然后利用PSO算法优化SVM的惩罚参数和核函数参数，最后利用步态动作的肌电信号样本数据对构造的SVM分类器进行训练、测试。实验结果表明PSO-SVM分类器对下肢正常行走5个步态的识别率，明显高于未经参数优化的SVM分类器，优化后平均识别率达到97.8%，并兼顾了分类的准确性和自适应性。

模式识别；步态分析；肌电信号；粒子群优化；支持向量机

1 引言

人体步态是指人行走时所表现出的肢体动作与姿态，正常行走步态具有协调性、均衡性和周期性特点。在一个步态周期内，根据足底与地面的接触情况，可将步态分为支撑相（足触地）和摆动相（足离地）。每个相位又可再细分成若干阶段［1］。步态运动主要依靠腿部肌肉协调驱动下肢肌肉-骨骼系统来完成，而肌电信号（ElectroM yoGraphy， EMG）是由肌肉收缩时所产生的动作电位序列，它与肌肉的活动状态和运动的功能状态之间存在着关联性，不同肢体动作间的差异可通过肌电信号的特征来体现。对这些特征的研究，有助于进行步态的识别和分析，这在运动科学、行为科学和康复医学工程等领域尤为重要。

肌电信号用于动作识别的研究始于上世纪90年代［2］，主要识别算法包括基于神经网络的方法、基于隐马尔可夫模型的方法，以及基于贝叶斯的方法等［35］-。肌电信号作为一种非平稳的微弱信号，对其识别无论是从分类器的分类能力，还是在步态动作的识别率方面，仍然面临许多亟待解决的难题。随着支持向量机（Support Vector Machine， SVM）的发展［6］，以SVM和EMG技术为基础，对人体运动动作辨识进行了深入研究。文献［7］分别比较了高斯核SVM、神经网络和局部加权投影回归法对前臂EMG的分类，实验结果表明，SVM取得的识别率明显优于神经网络和投影回归法。文献［8］通过模糊最小二乘支持向量机技术，完成手部动作识别。文献［9］结合SVM和小波分析方法对前臂和手部动作进行了识别。文献［10］提取手部各类动作时肌电信号的分形维特征，然后结合支持向量机进行识别，文献［11］则采用球均值结合对支持向量机方法识别手部动作，均取得了较高的识别率。文献［12］利用支持向量机方法，有效识别了站立及行走的运动模式。文献［13］提出基于简约支持向量机多元分类的下肢动作识别算法，进行了起立、平地行走、上下楼梯等动作识别。

为解决SVM参数选择问题，近年来将粒子群优化（Particle Swarm Optim ization， PSO）方法与支持向量机结合用于识别分类。文献［14］讨论了利用粒子群优化支持向量机的参数选择和特征分类问题，文献［15］将粒子群优化支持向量机应用于控制图混合模式识别中。文献［16］采用PSO-SVM算法进行呼吸暂停等睡眠功能障碍的识别，结果表明相比模糊推理等方法，在提高识别精度的同时，所花费计算代价更小且自适应性强。文献［17］利用粒子群优化支持向量机的方法进行肌电信号分类，在神经-肌肉疾病的诊断识别中取得不错效果。

实际上，支持向量机的性能好坏，主要取决于核函数的构造及其参数的选择。传统参数选择方法的缺点，一是受数据规模的限制，二是优化方法相当耗时，且很难精确找到最优参数。针对上述问题并结合肌电信号特点，本文采用粒子群优化算法优化支持向量机的惩罚参数及核函数参数，使优化后的支持向量机能够更好地进行下肢肌电信号的模式识别和分类，以期达到更优的分类性能和识别判断能力。

2 基本原理和方法

2.1 肌电信号特征提取

为准确实现动作识别，对获取的每路肌电信号，分别提取分离度大、鲁棒性好、运算复杂度低的时域特征。这里选用相对简单、高效的积分肌电值和绝对值方差，作为后续分类器进行分类的输入特征。具体为：

积分肌电值。肌电信号作为一种随机信号，直接计算得到的算术平均值近似等于零值，并不能反映出肌电信号的特征信息。因此先对肌电信号取绝对值，再求其均值，即得积分肌电值I，

其中，x（i）， i=1，2，…， N 为一长度为N的肌电信号时间样本序列。

绝对值方差。上述情况下，其方差V定义为

其中I为肌电信号的积分肌电值。

2.2 支持向量机特征分类

支持向量机（SVM）是1995年首次提出的一种分类技术［6］，用于模式分类和非线性回归。其思想是将向量映射变换到一个更高维的空间里，在新的高维空间找出输入量和输出量之间的非线性关系。即设定适宜的核函数K（ Zi， Z），先通过非线性变换，将输入空间变换到高维空间，再在高维空间中求取最优线性分类面。

ai为每个训练样本所对应的拉格朗日系数；C为惩罚参数，为权系数向量，b∈R为偏置，K（ Zi， Z）为核函数。

2.3 粒子群优化算法

粒子群优化（PSO）算法是一种迭代寻优方法，可以解决多种优化问题［18，19］。粒子的主要特征为位置、速度、适应度值。最优解主要通过粒子自身及周围粒子的经验进行搜索，依靠粒子完成寻优任务。搜索过程中，动态调整粒子位置和速度，找到全局最优解。

图1 支持向量机体系结构

粒子的速度和位置通过迭代进行更新，如式（5）所示：

c1和c2为学习因子，其值代表将每个粒子推向个体极值和全局极值位置的统计加速项的权值［14］；r1和r2为分布于［0，1］区间的随机数；群体规模大小的选择，一般采用经验法［20］；最大迭代次数（maxgen）为寻优终止条件。

2.4 粒子群优化支持向量机参数

粒子群优化算法是一种基于种群的并行全局搜索策略，它通过群体中个体之间的协作和信息共享来寻找最优解，其优点是调节参数少、收敛速度快，应用范围广，并可在高维空间中进行优化。利用PSO优化SVM参数，能使SVM在新空间中顺利进行最优线性分类，精确、稳定、快速。

PSO优化SVM主要包括种群初始化、寻找初始极值、迭代寻优等操作，其步骤为：

步骤 1 在D维参数空间中，随机对m个粒子进行初始化，确定其位置和速度，即确定SVM参数，选用一定输入样本建立SVM模型；

步骤2 根据SVM分类决策函数确定其函数值；

步骤3 进行粒子适应度值的计算及评估；

步骤 4 寻找全局最优参数，若不满足终止条件，则迭代搜索更新粒子的速度和位置，转向步骤2；

图2 PSO优化SVM参数算法流程

步骤5 若满足终止条件，则得到最优参数，重新训练SVM，作为最终的分类器进行识别分类。

这样，经过以上PSO算法，就得到了使SVM误差最小的惩罚参数C和核函数半径参数g的最优值，用于SVM训练和分类预测。

3 实验及结果分析

3.1 肌电信号数据采集

按照下肢肌肉群在行走时步态动作不同阶段的作用和贡献大小，以及对表面肌电信号采集设备的敏感程度，选择大腿上最具代表性的4块肌肉：股内侧肌、半腱肌、长收肌、阔筋膜张肌，作为行走时的表面肌电信号采集源。实验对象为25岁健康男性，以正常速度（1.5 m/s）进行平地行走。实验中进行了同步摄像跟踪，方便进行步态识别对比验证。采集设备选用Noraxon公司的M yoTrace 400肌电采集仪，采集频率1000 Hz，数据输出通过蓝牙设备连接到计算机上。在行走步态运动中，通过4路通道同时采集4块肌肉的表面肌电信号数据。

在一个步态周期内，按照足底与地面的接触情况，将步态分为支撑相和摆动相。两个相位可再细分为支撑前期、支撑中期和支撑后期，以及摆动前期和摆动后期共5个阶段。测试人员利用肌电采集仪，在周期性步态行走中采集上述4路肌肉运动的表面肌电信号数据。

3.2 肌电信号数据分析

接下来构造PSO-SVM分类器。参阅文献［22］，设置PSO算法的初始参数：惯性权重w=0.8，学习因子c1=1.5， c2=1.7，粒子规模即种群数量设置为20，最大迭代次数（maxgen）初设为100，作为PSO算法的迭代终止条件。迭代过程如图2所示，当PSO满足迭代终止条件，优化过程结束，得到惩罚参数和核函数半径参数的最优值 Cbest和 gbest。

最后，建立PSO优化后的SVM分类器，将得到的特征样本数据按照一定比例，随机分为训练样本集和测试样本集。训练集用于对SVM分类器进行训练，测试集则用于输入SVM分类器进行识别测试，得到识别结果。若识别结果与测试目标一致，说明对动作进行了正确归类，否则为错误归类。

3.3 结果与讨论

按照图2的算法流程，粒子群优化算法的迭代过程如图3所示，随着迭代次数的增加，实际适应度（准确率）逐渐趋近于最佳参数的适应度。当满足迭代终止条件，优化过程结束时，准确率为99.71%，输出的最优参数值Cbest=986.08， gbest= 0.9893。相对于支持向量机中C∈［0.1， 10000］， g∈［0.1， 100］的取值范围，PSO算法经快速优化后得到了SVM误差最小的一组惩罚参数C及核函数半径参数g，且寻找最佳参数的准确率高，这是本文采用PSO-SVM方法的一大优点。同时，由于PSO算法是基于种群的并行全局搜索策略，它通过群体中个体之间的协作和信息共享来寻找最优解，不仅调节参数少、收敛速度快，而且适用于在高维空间中进行优化，一定程度上弥补遗传算法操作中选择、交叉、变异复杂情况下的维度限制。因而，PSO满足SVM在高维空间中线性分类的要求。

在利用粒子群优化算法优化支持向量机参数后，分别采用未优化和优化后的SVM分类器，进行肌电信号的对比步态识别。测试目标按照每个步态周期进行，依次分为：支撑前期中期后期、摆动前期后期，共5个识别状态。数据样本的选取按照以下原则进行：根据行走时一段时间内的步态周期平均量，同时考虑数据规模的要求，综合确定采样分析的数据量为2760组，再根据一个周期内5个步态（识别状态）所占的时间百分比，分别进行分组，每组数据量依次为520， 830， 630， 360和420。在分类器训练集及测试样本分配问题上，为了测试分类器的性能，首先利用常用的k折（k-fold）法则进行分类测试及训练。参考文献［23］，这里采用5-fold法则，即对于每一个步态，将样本数据随机均分为5份，轮流将其中4份用作训练1份用于测试，识别结果如表1所示。

其次是在保证足够多的训练样本、兼顾分类器的泛化能力和识别率的前提下，考虑参数优化及分类识别时的计算成本，适当调整训练和测试样本比例，减少训练样本数，选取总样本数的80%， 70%及60%特征数据作为训练集，剩余样本组特征数据作为测试集，分别送入未经优化的SVM分类器和PSO参数优化后的SVM分类器进行识别，对比识别结果分别如表2和表3所示。从表中可以看出，未采用PSO优化方法时，一个步态周期中5个状态的识别率在86%到92%之间，平均识别率为89.4%。而采用PSO-SVM参数优化后，5个状态的识别率均在96%以上，平均识别率达到了97.8%。可见在肌电信号的步态识别准确率方面，均优于未经参数优化的SVM识别结果，这是本文采用PSO-SVM方法的又一大优点。

图3 PSO寻找最佳参数的适应度（准确率）曲线

表1 5-fold法则的步态识别结果

表2 优化前SVM步态识别结果

表3 PSO优化后SVM步态识别结果

图3及表2、表3的结果表明，在下肢肌电信号的步态识别方面，粒子群算法能够更准确、更有效地找到惩罚参数和核函数参数的优化组合值，使得支持向量机的识别误差相应减少，同时训练分类及识别正确率上升。由此可见，与传统的参数选择方法相比，采用粒子群算法的参数优化方法，在减少计算代价、获取优化参数的同时，还提高了支持向量机分类器的性能。利用PSO优化SVM参数，在解决小样本、非线性及高维模式识别问题中表现出一定优势，能实现SVM在新空间中顺利进行最优线性分类，并具有精确、稳定、快速的特点。

4 结束语

目前，SVM已广泛应用于模式识别领域，然而其性能很大程度上取决于其参数的合理组合与选择。本文针对下肢肌电信号的步态识别这一特定问题，提出利用PSO优化SVM的惩罚参数及核函数半径参数，克服了传统SVM参数选择方法中存在的数据规模受限、优化过程耗时，且很难精确找到最优参数的缺点。PSO优化过程中，自适应粒子根据实际情况，通过动态平衡其全局搜索与局部搜索能力，能快速准确地找到支持向量机的最优参数，从而有效进行识别。采用PSO-SVM方法优化后的分类器具有较高的步态识别率。

［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］ 谭冠政， 吴立明. 国内外人工腿 （假肢） 研究的进展及发展趋势［J］. 机器人， 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］ 张启忠， 席旭刚， 罗志增. 基于非线性特征的表面肌电信号模式识别方法［J］. 电子与信息学报， 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］ 吴剑锋， 吴群， 孙守迁. 简约支持向量机分类算法在下肢动作识别中的应用研究［J］. 中国机械工程， 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］ 兰秀菊， 张丽霞， 鲁建厦， 等. 基于小波分析和 PSO-SVM的控制图混合模式识别［J］. 浙江工业大学学报， 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］ 刘波. 粒子群优化算法及其工程应用［M］. 北京: 电子工业出版社， 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］ 罗志增， 沈寒霄. 基于Herm ite插值的小波模极大值重构滤波的肌电信号消噪方法［J］. 电子与信息学报， 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］ 陈林， 潘丰. 基于量子PSO的SVM参数选择及其应用［J］. 自动化与仪表， 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.

高发荣： 男，1969年生，博士，副教授，研究方向为机器人技术、生物力学、生物医学信息检测与模式识别.

王佳佳： 女，1989年生，硕士生，研究方向为机器人技术、生物医学信息检测与模式识别.

席旭刚： 男，1975年生，硕士，副教授，研究方向为机器人技术、生物医学信息检测与模式识别.

佘青山： 男，1980年生，博士，副教授，研究方向为机器人技术、生物医学信息检测与模式识别.

罗志增： 男，1965年生，博士，教授，博士生导师，研究方向为机器人技术、传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

浙江省自然科学基金（Y 1101230， LY 13F030017），浙江省科技计划（2012C33075， 2013C24016）和国家自然科学基金（61201302，61172134）资助课题

*通信作者：高发荣 frgao@hdu.edu.cn