魏 伟，洪 洁，王 璐，伍吉瑶，叶 晔

（安徽工业大学机械工程学院，安徽马鞍山243032）

基于小波变换和PSO-SVM的表面肌动作模式分类

魏 伟，洪 洁，王 璐，伍吉瑶，叶 晔

（安徽工业大学机械工程学院，安徽马鞍山243032）

为提高对表面肌动作识别的准确性，提出一种小波变换与粒子群优化支持向量机(PSO-SVM)相结合的模式分类方法。通过虚拟仪器采集肱桡肌和尺侧腕屈肌的两路表面肌电信号，运用小波变换对其进行多尺度分解，提取小波系数最大值作为表面肌动作特征，采用支持向量机(SVM)进行特征分类，并在分类过程中引入粒子群算法对SVM的惩罚参数和核函数参数进行寻优。实验结果表明，采用此方法能成功地识别表面肌内翻、外翻、握拳、展拳4种动作，较传统SVM方法有更高的分类精度。

表面肌电信号；小波变换；粒子群优化算法；支持向量机

表面肌电信号(Surface electromyography，sEMG)是通过表面肌电拾取电极从人体皮肤表面记录下来的、能够反映神经肌肉系统相关活动信息的微弱生物电信号[1]。不同的肢体运动对应不同的肌肉收缩模式，相应的sEMG特征也会有所差异，通过对这些特征的研究有助于进行肢体不同动作模式的分类[2]。因此，表面肌电信号被广泛应用于临床医学、运动医学等领域，特别在智能假肢控制方面受到高度重视[3-4]。

将sEMG用于肢体动作分类的研究始于上世纪90年代。目前，K近邻分类器、Bayes决策、隐马尔科夫、神经网络、模糊系统(如模糊逻辑和模糊聚类)等分类器被用于sEMG的动作分类中，并取得了一定的研究成果[5-10]。……