基于熵和PSO优化SVM的肌电信号跌倒识别*

武 昊，席旭刚，罗志增

（杭州电子科技大学智能控制与机器人研究所，杭州3100118）

跌倒是指突发、不自主的、非故意的体位变化，摔倒在地上或者更低面上［1］。跌倒是一种严重危害老年人身心健康的事故，其发生频率高，后果严重，需要得到及时救治。因此，国内外许多机构已经开始跌倒检测与防护的研究。跌倒检测的目标是将跌倒与日常活动动作ADL（Activities of Daily Life）识别出来，从而报警或启动防护装置避免或减少跌倒带来的伤害。目前关于跌倒的识别研究主要通过视频图像［2］、声音或振动、足底压力传感器［3］、加速度传感器及姿态角传感器［4］来检测，然而采用由表面肌电拾取电极记录下来的、能够反映肌肉和骨骼活动相关信息的表面肌电信号［5］来识别跌倒的研究较少，表面肌电信号sEMG（surface Electromyogra⁃phy）是一种有用信号主要分布在10Hz～500Hz之间的非线性非平稳生物电信号，已被应用于运动医学、康复训练和机械控制等诸多领域中［6-7］。

近几年，国内外的许多学者用不同理论在不同的条件下，对表面肌电信号的动作建立模型，如神经网络法［8］、聚类分析［9］等，在表面肌电信号识别方面取得了一定的进步，但均存在一定的缺点。支持向量机SVM（Support Vector Machine）是一种有监督的分类器［10］，它在解决小样本、非线性及高斯模式识别中表现出许多特有的优势，可以解决神经网络结构无标准的理论指导、学习时间长、局部极小点等问题，但该算法受惩罚参数c和核函数参数g难以确定。粒子群算法PSO（Particle Swarm Optimiza⁃tion）是一种基于迭代的优化算法［11］，具有依赖经验参数少、收敛速度快等优点，其在许多实际工程领域中得到了成功应用［12-13］。

本文提出一种基于小波包排列组合熵的表面肌电信号特征提取方法，采用粒子群算法优化c和g的支持向量机进行跌倒识别，并与网格搜索（grid search）和遗传算法（Genetic Algorithm，GA）优化的支持向量机进行对比，实验结果表明，该特征提取方法能有效表征跌倒与日常动作的特征，PSO优化SVM方法对于跌倒识别有良好的准确性。

1 基于小波包变换与排列组合熵的EMG特征

1.1 排列组合熵

排列组合熵是一种基于复杂性测度的非线性动力学参数［14］，排列组合熵公式为：

1.2 小波包排列组合熵

提取16 Hz～160 Hz频段内的信号能滤除高频噪声和不必要的低频信息，可以更好的表征不同的下肢动作模式［15］。考虑到小波包变换具有良好的信号分解能力，提取sEMG信号小波包分解后低频子空间重构信号的排列组合熵作为特征，具体方法如下：首先，对每一通道sEMG信号进行五层小波包分解；其次，利用式（1）计算九个低频子空间重构后sEMG信号的排列组合熵。这样，便得到sEMG信号的小波包排列组合熵特征。

2 PSO算法和SVM参数优化

2.1 粒子群算法

PSO算法是一种除蚁群算法和蜂群算法外的经典群智能算法。PSO算法的速度和位置的跟新公式如下：

式中：其个体极值为 pbest，pi=(pi1,pi2,..,pid)，全局最优解为 gbest，pg=(pg1,pg2,..,pgd)，w为惯性权重，i=1,2,..,n，n为粒子个数，j=1,2,..,d，c1和c2是学习因子，r1和r2为［0，1］之间的随机数。

2.2 基于PSO的SVM参数优化

SVM参数c和核函数参数g对预测精度有较大的影响，其整个优化步骤如下：①初始化：通过对学习因子c1、c2和权重系数进行优化，初始化粒子的位置和速度，每个粒子的初始设置为初始最好位置。②计算每个粒子的适应度，粒子的适应度采用K折交叉验证评估。③根据式（2）和式（3）跟新粒子的速度和位置。④查看是否满足终止条件。若满足，将群体最优粒子映射为SVM惩罚参数c和核函数参数g最优解。否则转向②，继续新一轮搜索。

3 实验分析

3.1 肌电信号特征提取与分析

实验采用美国Noraxon公司的mt400肌电信号采集仪，将一次性肌电电极片贴于健康男性受试者的胫骨前肌、腓肠肌、股直肌、半腱肌，分别对每一动作模式，共八个动作的四通道sEMG信号进行五层小波包分解，小波基选用sym2小波，其中设定采样频率为1 024 Hz。因此，16 Hz～160 Hz频段内的信号是。

将低频sEMG采用能量阈值法确定每路sEMG信号的动作开始时刻，取后续的1 500个采样点数据作为动作有效部分，分别计算八种动作肌电信号小波包排列组合熵，并与小波包近似熵和小波包模糊熵进行对比，由于数据全部列出较大，故表1只列出了2路肌电信号（腓肠肌、半腱肌）八种动作肌电信号熵的统计特性，图1列出了四路肌电信号八种动作12个样本小波包特征熵（小波包排列组合熵、小波包近似熵、小波包模糊熵）分布图。

通过表1、图1发现：四路肌电信号可以成功的识别出跌倒动作的发生，通过图1（a）（b）（c）胫骨前肌、腓肠肌的各特征熵和图1（d）（e）（f）半腱肌、股直肌的各特征熵的对比分析可知，不同动作在平面上有着相对独立的的聚类空间，小波包排列组合熵区分性均要好于小波包近似熵和小波包模糊熵，且小波包排列组合熵的标准差系数、类内距离和相似度均更小，表明小波包排列组合熵相较于其他两种方法聚合度更大，动作区分性更好，所以更容易达到理想的分类结果。

表1 八种动作肌电信号熵的统计特性（均值±标准差）

图1 四路肌电信号不同特征熵分布图

3.2 模式识别

每种动作各选取100组作为样本训练集，50组作为测试集，采用PSO算法优化支持向量机的径向基核函数（Radial Basis Function，RBF），其表达式为：

图2 PSO优化SVM模型参数选择

本文选择5折交叉验证，PSO的参数为：种群规模N=20，最大进化代数Gmax=100，学习因子c1=1.6，c2=1.5，惯性权重wv=1。图2为PSO优化SVM模型参数选择，当c=1.2114 ，g=10.8261时，模型参数为最优解。

本文采用文献［16］提出评价准则来评估分类性能。定义：

其中Recall=TP/(TP+FN)为查全率，Precision=TP/(TP+FP)为查准率，β为可调参数，本文β选取为1。由于少数类的查全率和查准率的值都大时，少数类的F-value才会大，因此它能正确地反映少数类（跌倒动作）的分类性能，识别结果如表2所示。

表2 各分类方法和特征提取方法对跌倒和ADL的识别率结果（跌倒和ADL列为识别率/%，F-value列为数值）

由表2可以看出，小波包排列组合熵特征提取方法对于跌倒动作和ADL相较于小波包近似熵和小波包模糊熵特征提取方法更容易区分，跌倒识别率平均提高10%以上。对比三种SVM的参数优化方法，基于小波包排列组合熵和PSO优化的SVM跌倒识别率最高达到88%，F-value值比网格搜索和遗传算法参数优化方法略高，达到0.8800，分类效果最好。实验结果验证了基于小波包排列组合熵和PSO优化SVM参数的有效性，能更好的表征动作肌电信号特征，分类精度有所提高。

4 结论

本文尝试运用小波包排列组合熵作为区分跌倒动作与其他日常动作的sEMG信号的特征提取方法，并利用PSO算法对SVM分类模型的参数进行优化。结果表明通过小波包排列组合熵特征提取，能从较短的信号序列判断出sEMG信号的复杂度，算法简单，计算速度较快，相较于近似熵和模糊熵有更好的聚类效果和更低的相似度，PSO优化SVM模型同网格搜索和遗传算法优化的SVM模型相比，分类结果更加准确，提高了准确率，验证了本方法的有效性，为以后对肌电信号进行深入的研究具有重要的参考价值。

［1］Deluca C.Physiology and Mathematics of Myoelectirc Signals［J］.IEEE Trans on Biomedicine Engineering，1979，26（3）：313-325.

［2］Leone A，Diraco G，Siciliano P.Detecting Falls with 3D Range Camera in Ambient Assisted Living Applications：A Preliminary Study［J］.Medical Engineering&Physics，2011，33（6）：770-78.

［3］高云园，佘青山，孟明，等.基于多源信息融合的膝上假肢步态识别方法［J］.仪器仪表学报，2010，31（12）：2682-2688.

［4］刘鹏，卢潭城，吕愿愿，等.基于MEMS三轴加速度传感器的摔倒检测［J］.传感技术学报，2014，27（4）：570-574.

［5］刘加海，王丽，王健，等.基于相空间、熵和复杂度变化的表面肌电信号分析［J］.浙江大学学报：理学版，2006，33（2）：182-186.

［6］Kim K，Colgate J E.Haptic Feedback Enhances Grip Force Con⁃trol of sEMG-Controlled Prosthetic Hands in Targeted Reinnerva⁃tion Amputees［J］.IEEE Transactions on Neural Systems and Re⁃habilitation Engineering，2012，20（6）：798-805.

［7］王涛，侯文生，吴小鹰，等.用于肌电假肢手控制的表面肌电双线性模型分析［J］.仪器仪表学报，2014，（8）：1907-1913.

［8］马玉良，马云鹏，张启忠，等.GA-BP神经网络在下肢运动步态识别中的应用研究［J］.传感技术学报，2013，26（9）：1183-1187.

［9］袁明，罗志增.基于排列组合熵和聚类分析的SEMG识别方法［J］.华中科技大学学报：自然科学版，2011，39（z2）：107-109.

［10］丁世飞，齐丙娟，谭红艳，等.支持向量机理论与算法研究综述［J］.电子科技大学学报，2011，40（1）：1-10.

［11］Zhaohui Xue，Peijun Du，Hongjun Su.Harmonic Analysis for Hy⁃perspectral Image Classification Intergrated with PSO Optimized SVM［J］.IEEE Journal of Selected Topics in Applied Earth Obser⁃vations and Remote Sensing，2014，7（6）：62131-2146.

［12］陈仁文，朱霞，徐栋霞，等.基于改进型粒子群算法的卡箍直径检测算法研究［J］.仪器仪表学报，2014，（8）：1837-1843.

［13］Takeshi Nishida，Tetsuzo Sakamoto.Adaptive PSO for Online Identification of Time-Varying Systems［J］.Electronics and Com⁃munications in Japan，2012，95（7）：10-18.

［14］谢平，魏秀利，杜义浩，等.基于自排序熵的表面肌电信号特征提取方法［J］.模式识别与人工智能，2014，（6）：496-501.

［15］李明爱，马建勇，杨金福，等.基于小波包和熵准则的最优频段提取方法［J］.仪器仪表学报，2012，33（8）：1721-1728.

［16］韩慧，王文渊，毛炳寰.不均衡数据集中基于Adaboost的过抽样算法［J］.计算机工程，2007，（33）：207-209.