基于神经网络的表面肌电信号识别

基于神经网络的表面肌电信号识别内容摘要：

和隐层节点个数。 在实际应用中 ， BP 算法很难胜任，因此出现了很多改进算法。 ①利用动量法改进 BP算法 标准 BP算法实质上是一种简单的最速下降静态寻优方法 ， 在修正 W(K)时，只按照第 K步的负梯度方向进行修正 ， 而没有考虑到以前积累的经验 ， 即以前时刻的梯度方向 ， 从而常常使学习过程发生振荡 ， 收敛缓慢。 动量法权值调整算法的具体做法是：将上一次权值调整量的一部分迭加到按本次误差计算所得的权 值调整量上 ， 作为本次的实际权值调整量，即： )1()()(  nWnEnW  图 自适应学习 7 其中： α 为动量系数 ， 通常 0＜ α ＜ ； η — 学习率，范围在 ～ 10之间。 这种方法所加的动量因子实际上相当于阻尼项，它减小了学习过程中的振荡趋势，从而改善了收敛性。 动量法降低了网络对于误差曲面局部细节的敏感性，有效的抑制了网络陷入局部极小。 ②自适应调整学习速率 标准 BP 算法收敛速度缓慢的一个重要原因是学习率选 择不当，学习率选得太小，收敛太慢；学习率选得太大，则有可能修正过头，导致振荡甚至发散。 可采用图 所示的自适应方法调整学习率。 调整的基本指导思想是：在学习收敛的情况下，增大η，以缩短学习时间；当η偏大致使不能收敛时，要及时减小η，直到收敛为止。 ③动量 自适应学习速率调整算法 采用动量法时， BP算法可以找到更优的解；采用自适应学习速率法时， BP 算法可以缩短训练时间。 将以上两种方法结合起来，就得到动量 自适应学习速率调整算法。 ④ LM 学习规则 LM（ LevenbergMarquardt）算法比前述几 种使用梯度下降法的 BP 算法要快得多，但对于复杂问题，这种方法需要相当大的存储空间。 LM(LevenbergMarquardt)优化方法的权值调整率选为 : eJIJJ TT *)(w 1  其中： e— 误差向量； J— 网络误差对权值导数的雅可比（ Jacobian）矩阵； μ — 标量，当 μ 很大时上式接近于梯度法，当 μ 很小时上式变成了 GaussNewton 法，在这种方法中， μ 也是自适应调整的 [17]。 8 RBF 神经网络 众所周知 ， BP网络用于函数逼近时 ， 权值的调节采用的是负梯度下降法。 这种 调节权值的方法有其局限性 ， 即收敛速度慢和局限极小等。 下面介绍逼近能力、分类能力和学习速度等方面均优于 BP网络的另一种网络 —— 径向基函数网络（ RBF）。 径向基函数网络是一种两层前向型神经网络 ， 包含一个具有径向基函数神经元的隐层和一个具有线性神经元的输出层。 RBF 神经网络原理 人工神经网络是由大量、简单的神经元广泛连接而成 ,用以模拟人脑思维方式的复杂网络系统 ,是解决复杂性和非线性问题十分有效的工具。 其具有较强的自组织、自适应及学习、联想、容错和抗干扰能力。 径向基函数 (Radial Basis Function ,RBF) 神经网络是近年来被广泛应用于函数近似插值、分类研究的人工神经网络模型之一。 它是由输入层、隐含层和输出层组成的 3 层前向式网络 ,各层有多个神经元 ,相邻两层单元之间单方向连接 ,通过径向基算法来获得隐层权值。 当输入向量加到网络输入端时，径向基层的每个神经元都会输出一个值，代表输入向量与神经元权值向量之间的接近程度。 如果输入向量与权值向量相差很多，则径向基层的输出接近于 0，经过第二层的线性神经元也接近于 0；如果输入向量与权值向量很接近，则径向基层的输出接近于 1，经过第二层的线性神 经元，输出值就更靠近第二层权值。 在这个过程中，如果只有一个径向基神经元的输出为 1，而其他的神经元输出均为 0或者接近于 0，那么线性神经元层的输出就相当于输出为 1的神经元相对应的第二层权值的值。 一般情况下，不止一个径向基神经元的输出为 1，所以输出值也就会有所不同。 通常我们用高斯函数作为径向基函数 ,确定最终输出值。 由图 可知 ,kx 为输入层的输入 ( k = 1 ,2 , ⋯,D)； jg 为隐含层的输入 ( j = 1 ,2 , ⋯,m) ； 01,y y 为输出层的输出； 9 广义 RBF 神经网络模型 不失一般性 ， 考虑多输入单输出归一化形式的广义模糊 RBF 神经网络 ,网络共分四层。 第一层： 定义参数 ： ψ k为径向基函数 ,一般取高斯函数 ｡ 第二层 ： 对基函数输出值进行加权。 第三层 ： 归一化处理。 第四层 ： 计算总输出。 当 )(xfk 时 ， 其作用类似于常规 RBF 神经网络的输出层权值。 随着 )(xfk 的不同 ,输出将不单纯是各基函数节点输出的超平面 ,也可能是超曲面。 与一般的 RBF 神经网络比较 ， 这种结构主要是将径向基输出权值改为权函数 ,可采用高次函数取代线性加权 ,从而改善网络性能。 如果基函数具有相同的指数和宽度 ,也就是说当 2.. .21  knkk III 且kknkk   ...21 时 ,广义 RBF 神经网络退化为常规的 RBF 神经网络 ,可见常规的 RBF 神经网络是广义 RBF 神经网络的特例。 广义 RBF 神经网络的学习算法 广义 RBF 神经网络比单纯的 RBF 神 经网络具有更多的参数 ,其学习相对来说就会更为复杂。 总的说来 ,学习方法有两种 :第 1种方法是全调节的 ,类似于 BP 网络的反向递推 ,也就是说按照使得代价函数 (通常取误差平方和 )最小的原则 ,调整所有的参数 ,本质上是一个非线性优化问题。 第 2种方法 ,采用模糊聚类和专家知识预先优化网络前图 RBF神经网络结构模型 10 几层的参数 ,包括隐节点数目 n､中心向量kc､宽度k､指数 kI 等 ,而以最小二乘方法在线优 化 )(xfk ， k=1,2,…,n｡第一种方法收敛速度慢 ,可能存在局部极值 ,只能够离线进行 ,可以应用于模式识别等领域 ； 第二种方法计算量小 ,可以在线调节 ,适合于控制系统等对于实时性要求高的场合 ,但是一般需要系统的专家知识。 本文介绍第 2种方法。 广义 rbf 神经网络按照如下步骤进行学习 ： ① 确定合适的网络隐节点数。 增加网络的隐节点数目 ,可以提高网络逼近精度 ,但同时增加了网络的学习时间。 一般初始时选取比较少的网络隐节点数目。 ② 根据网络隐节点数选取合理的 )(xk 参数 ,包括中心参数 kc 和宽度参数 k。 ③ 取 1kv ， 确定 )(xfk 的参数。 在下文中 ,给出了 2维输入网络 )(xfk 参数的计算方法 ,多维参数的推导类似。 ④ 考核误差 ,如果小于设定误差 ,则训练结束 ； 否则回到 ① 增加网络隐节点数目 ,重复上 述步骤。 在以上步骤中 ,最关键的是网络输出层权函数参数的调整 ,下文着重讨论。 广义 RBF 神经网络输出层权函数参数的调整 以 x为二维向量 (x1,x2)的情况进行分析。 权值调整的目的是使得网络的输出能够满足误差平方和最小 ,即 e=min,下面分为三种情况进行讨论。 a. )(xfk 为常数项的情况。 此时 , )(xfk = kw ,相应的误差平方和为对权值求偏导数 ,可以得到 n元一次方程组。 b. )(xfk 为网络输入 1次幂函数的情况。 此时 , )(xfk 相应的误差平方和为若使上式最小 ,可以得到 3n组方程 ； c. )(xfk 为网络输入 2次幂函数的情况 ，可得到 6n 组方程。 由以上可以看出 ， )(xfk 取为网络输入的高次多项式 ,使得网络具有更加优良的逼近性能的同时 ,保留了输出层权值的线性性质 ,从而可以采用最小二乘等方法优化权值 [1819]｡ 3 表面肌电信号的识别 11 肌电信号是骨骼肌细胞的自发电活动的综合信号 ， 临床用于判断神经 —— 肌肉疾病。 一般需要用 特制针状电极进行引导。 因此肌电信号处理技术属于微创技术。 肌电信号获取 肌电信号的特点 肌电信号的幅值为： 10u100mv，带宽为： 52020khz。 这个特性决定了对肌电信号处理系统的要求，主要是对模拟放大器的要求 系统参数 肌电信号处理系统的参数建议如表 表 肌电信号处理系统的参数 输入阻抗（ MΩ） 增益 共模抑制比（ dB） 宽带（ Hz） 输入噪声（ nV） 100 105 80 510k 1 电极 引导肌电信号使用的电极有：同 心针电极、双心针电极、单极针电极、表面电极及复式电极等。 检查前必须将针电极用薰蒸发或消毒液浸泡法严格消毒。 酒精可造成电极损坏，一般避免使用。 也有使用中医针灸的银针作为单极电极的情况。 检查部位的选择应根据疾病的性质决定 【 20】。 检查体位和注意 受检者应取自然放松，又能做各种运动的体位。 检查下肢及躯干肌肉取卧位，上肢可取坐位。 肌电信号的波形特征 正常肌电信号 ①插入电位，是指针极插入肌腹，以及其被移动和叩击时，对肌纤维或神经。