一種基于共模型成分分析的零再訓練方法
【技術領域】
[0001] 本發明屬于生物信息技術領域，具體涉及一種基于共模型成分分析的零再訓練方 法。
【背景技術】
[0002] 肌電假肢手技術起源于上世紀40年代，在60年代前蘇聯開始有商用肌電假肢手 出現。經過近60年的發展，肌電假肢手技術取得長足的進步。但報告顯示目前的商用假肢 手的接受率很低（約30%)。目前商用肌電假肢手所使用的控制方法是基于肌電幅值的簡 單控制方法。這種控制方法一般將一對肌電電極置于一對拮抗肌上面用于控制一個自由度 的運動。如果要進行多自由度的控制，患者可采用co-contraction的方法進行不同自由度 間的切換。這種不自然的、序貫的控制策略用于控制多自由度靈巧假肢手具有很大的局限 性。
[0003] 從上世紀80年代學術界開始發展基于肌電模式識別的控制策略來解決這一問 題。這種控制方法使患者的動作意圖與假肢手運動有更直接的對應關系。通過先進的信號 處理和模式識別算法，可以區分出多種動作模式的肌電特征，從而可用于控制多自由度靈 巧假肢手。通過提取區分性能良好的特征和設計合適的分類器，對10類以上的動作可有高 達95%的識別率。
[0004] 然而，雖然論文報道效果很好，但因實際使用的障礙這一控制策略目前還沒應用 到商用肌電假肢上。在實驗室開展的肌電模式識別研宄在實驗中會特意讓受試者保持特定 的作用力，手臂位置不變，實驗時間較短。但是，這一理想情況和假肢的實際使用情況并不 符合。在肌電假肢的實際使用中，使用者動作力的變化、手臂位置的變化和長時間使用均會 造成肌電信號的變化。因此前期在理想條件下取得的研宄成果，也就無法滿足實際情況的 使用要求。
[0005] 考慮不同天的假肢使用，由于如上所描述的肌電信號的變化，一般當天訓練得到 的分類器模型只適用于當天的使用，前一天得到的模型很難直接應用在后一天。因此每一 天患者重新戴上假肢時都要訓練分類器，這給假肢的使用造成很大不便。另一方面，雖然肌 電信號在天與天之間會發生變化，但考慮到患者仍在做同一組動作，電極位置也不會發生 顯著變化，可以假設當中肌電信號存在共性，這樣不同天訓練得到的分類器模型就存在一 些共有成分（即不變成分）。這共有成分具有更好的泛化能力與魯棒性，有希望能夠直接適 用于不同天的肌電模式識別，從而解決每天假肢使用時都要重新訓練的問題。
[0006] 因此，本領域的技術人員致力于開發一種能夠實現肌電假肢控制的零再訓練的方 法。
【發明內容】
[0007] 有鑒于現有技術的上述缺陷，本發明所要解決的技術問題是利用肌電假肢前期多 個分類器模型的共有成分，實現肌電假肢控制的零再訓練。
[0008] 零再訓練是指肌電假肢經過前期多天的訓練使用后，無需再做訓練即可進行肌電 假肢的使用。
[0009] 本發明利用共模型成分分析方法，求取前期訓練得到的LDA分類器模型的共有成 分，并將此共有成分構造的LDA分類器直接用于后期肌電假肢的使用，從而實現了肌電假 肢控制的零再訓練。
[0010] 本發明提供的一種基于共模型成分分析的零再訓練方法，用于肌電控制假肢，包 括以下步驟：
[0011] 1)肌電控制假肢經過S天的訓練與使用，存儲了S天LDA分類器模型；
[0012] 2)計算目標函數；
[0013] 3)采用共模型成分分析方法計算最優投影矩陣w* ;
[0014] 4)根據最優投影矩陣w*，計算S天LDA分類器模型的共有成分的參數；
[0015] 5)利用步驟4)得到的S天LDA分類器模型的共有成分的參數構造LDA分類器；
[0016] 6)從S+1天開始，使用肌電控制假肢時，采用最優投影矩陣w*對提取的特征投影， 使用步驟5)構造的LDA分類器進行識別。
[0017] 進一步地，步驟1)S天LDA分類器模型參數為（yu，I：j，i= 1，2, ? ? ?，C;j= 1，2,...，S，其中yu為各個動作類別特征樣本的均值向量，2u各個動作類別特征樣本的 協方差矩陣，C表示動作類別數，S表示訓練天數。
[0018] 進一步地，步驟2)的目標函數，是指采用線性投影矩陣W投影后的S天LDA分類 器模型的差異性。
[0019] 進一步地，步驟2)的目標函數的計算方法如下：
【主權項】
1. 一種基于共模型成分分析的零再訓練方法，用于肌電控制假肢，其特征在于，該方法 包括以下步驟： 1) 所述肌電控制假肢經過S天的訓練與使用，存儲了S天LDA分類器模型； 2) 計算目標函數； 3) 采用共模型成分分析方法計算最優投影矩陣w* ; 4) 根據所述最優投影矩陣w*，計算所述S天LDA分類器模型的共有成分的參數； 5) 利用步驟4)得到的所述S天LDA分類器模型的共有成分的參數構造LDA分類器； 6) 從S+1天開始，使用所述肌電控制假肢時，采用所述最優投影矩陣w*對提取的特征 投影，使用步驟5)構造的LDA分類器進行識別。
2. 如權利要求1所述的基于共模型成分分析的零再訓練方法，其特征在于，步驟1)所 述S天LDA分類器模型參數為Ui」，2^.)，i= 1，2, ...，C;j= 1，2, ...，S，其中yiJ為 各個動作類別特征樣本的均值向量，2u所述各個動作類別特征樣本的協方差矩陣，C表示 動作類別數，S表示訓練天數。
3. 如權利要求2所述的基于共模型成分分析的零再訓練方法，其特征在于，步驟2)所 述的目標函數，是指采用線性投影矩陣w投影后的S天LDA分類器模型的差異性。
4. 如權利要求2所述的基于共模型成分分析的零再訓練方法，其特征在于，步驟2)所 述的目標函數的計算方法如下：
其中，L(w)為用KL散度表示的目標函數，w表示線性投影矩陣；
表示對于動作類別i所述S天LDA分類器模型參數的均 值；
其中d表示投影后的S天LDA分類器模型的維數；det表示求矩陣的行列式；tr表示求矩陣的跡；||用于將前后兩個正態分布的參數^1^」，'/2^)與叫>//^,1/1>^)分開 ； 當且僅當對于所有動作類別S天LDA分類器參數均相等時目標函數L(w)為0。
5. 如權利要求4所述的基于共模型成分分析的零再訓練方法，其特征在于，步驟3)采 用共樽型成分分析方法計算最優投影矩陣w*的方法為：
其中wTw=I為線性投影矩陣W的正交性約束。
6. 如權利要求5所述的基于共模型成分分析的零再訓練方法，其特征在于，步驟3)計 算最優投影矩陣時為滿足正交性約束，采用在李群與李代數空間操作的優化算法。
7. 如權利要求1所述的基于共模型成分分析的零再訓練方法，其特征在于，對于動作 類別i，步驟4)根據所述最優投影矩陣w*，所述S天LDA分類器模型的共有成分的參數為： (w#凡,14^E;>v*)，其中
f>_表示對于動作類別i所述S天LDA 分類器模型參數的均值。
8. -種基于共模型成分分析的零再訓練方法，用于采用腦機接口的裝置，其特征在于， 該方法包括以下步驟： 1) 所述采用腦機接口的裝置，經過S天的訓練與使用，存儲了S天LDA分類器模型； 2) 計算目標函數； 3) 采用共模型成分分析方法計算最優投影矩陣w* ; 4) 根據所述最優投影矩陣w*，計算所述S天LDA分類器模型的共有成分的參數； 5) 利用步驟4)得到的所述S天LDA分類器模型的共有成分的參數構造LDA分類器； 6) 從S+1天開始，使用所述采用腦機接口的裝置時，采用所述最優投影矩陣w*對提取 的特征投影，使用步驟5)構造的LDA分類器進行識別。
9. 如權利要求8所述的基于共模型成分分析的零再訓練方法，其特征在于，步驟2)所 述的目標函數，是指采用線性投影矩陣w投影后的S天LDA分類器模型的差異性。
10. 如權利要求8所述的基于共模型成分分析的零再訓練方法，其特征在于，對于動作 類別i，步驟4)根據所述最優投影矩陣w*，所述S天LDA分類器模型的共有成分的參數為：
表示對于動作類別i所述S天LDA 分類器模型參數的均值。
【專利摘要】本發明提供的一種基于共模型成分分析的零再訓練方法，用于肌電控制假肢，包括以下步驟：經過S天的訓練與使用，存儲了S天LDA分類器模型；計算目標函數；采用共模型成分分析方法計算最優投影矩陣w*；計算S天LDA分類器模型的共有成分的參數；利用共有成分的參數構造LDA分類器；從S+1天開始，采用最優投影矩陣w*對提取的特征投影，使用構造的LDA分類器進行識別。本發明提供的零再訓練方法，避免每天使用前進行訓練，便于肌電假肢佩戴者的使用，節省了訓練時間；采用共模型成分分析方法，求取前期訓練得到的分類器模型的共有成分，將此共有成分構造的分類器直接用于后期肌電假肢的使用，從而實現了肌電假肢控制的零再訓練。
【IPC分類】G06F19-00
【公開號】CN104809329
【申請號】CN201510095192
【發明人】朱向陽, 劉建偉, 盛鑫軍, 張定國
【申請人】上海交通大學
【公開日】2015年7月29日
【申請日】2015年3月3日