幾種自適應(yīng)線性判別分析方法在肌電假肢控制中的應(yīng)用研究

趙曜楠 張浩詩 徐禮勝 李光林

1（中國科學(xué)院深圳先進(jìn)技術(shù)研究院生物醫(yī)學(xué)與健康工程研究所 深圳 518055）

2（東北大學(xué)中荷生物醫(yī)學(xué)與信息工程學(xué)院 沈陽 110004）

1 引 言

我國擁有數(shù)量眾多的肢體殘疾人口，肢體殘疾人的生活質(zhì)量問題一直是社會(huì)關(guān)注的熱點(diǎn)問題[1,2]。

假肢是為彌補(bǔ)截肢者已失肢體和代償部分功能而制造裝配的人工肢體。傳統(tǒng)假肢由于控制方法不實(shí)用，表現(xiàn)出功能單一、速度緩慢、動(dòng)作不靈巧、不便于維護(hù)等問題。

隨著先進(jìn)的信號(hào)處理技術(shù)及高性能微處理器的出現(xiàn)，通過模式識(shí)別的方法對(duì)體表肌電信號(hào)進(jìn)行解碼、進(jìn)而實(shí)現(xiàn)多功能假肢控制的思路已經(jīng)成為了現(xiàn)代假肢控制的主要方法[3,4]。

適合用于表面肌電信號(hào)的模式分類的方法，總體上可歸為基于統(tǒng)計(jì)的分類方法、模糊分類、模式聚類分類法、神經(jīng)網(wǎng)絡(luò)分類法等。線性判別分析(Linear Discriminant Analysis，LDA)方法由于具有實(shí)現(xiàn)簡(jiǎn)單、訓(xùn)練迅速、準(zhǔn)確率較高等優(yōu)點(diǎn)，在基于肌電模式識(shí)別的假肢控制系統(tǒng)中被廣泛應(yīng)用。

但是，大部分實(shí)際運(yùn)用都存在一個(gè)突出問題，那就是模式分類器經(jīng)過初次訓(xùn)練后就固定不變了，或者需要使用相當(dāng)長(zhǎng)一段時(shí)間才重新訓(xùn)練一次。在訓(xùn)練分類器時(shí)，樣本的數(shù)量和代表性總是不夠的。而且，肌電控制中的“訓(xùn)練”和“使用”是兩個(gè)相互獨(dú)立的過程。獨(dú)立的訓(xùn)練數(shù)據(jù)所提供的信息能夠保證肌電模式分類算法在整個(gè)肌電控制時(shí)間段內(nèi)具有穩(wěn)定識(shí)別效果的條件是：肌電信號(hào)的特性隨時(shí)間推移能保持不變。當(dāng)訓(xùn)練條件和測(cè)試條件存在某些偏差時(shí)，由訓(xùn)練數(shù)據(jù)估計(jì)得到的分類器模型將不能很好地預(yù)測(cè)該時(shí)刻的測(cè)試樣本，可以預(yù)見肌電模式識(shí)別的效果將會(huì)變差。更糟糕的是，外部或人體內(nèi)部環(huán)境會(huì)隨時(shí)變化，使得肌電特征分布會(huì)具有時(shí)變特性[5,6]。

國內(nèi)外有許多利用自適應(yīng)方法解決時(shí)變信號(hào)模式分類的研究[7]，而實(shí)現(xiàn)有效的在線非監(jiān)督式學(xué)習(xí)一直是模式識(shí)別領(lǐng)域內(nèi)的難點(diǎn)。對(duì)時(shí)變的肌電信號(hào)來說，由于其缺乏嚴(yán)格的理論模型，要實(shí)現(xiàn)這一點(diǎn)顯得尤為困難[8]。

本文嘗試在傳統(tǒng) LDA 模式分類器的基礎(chǔ)上增加三種不同的自適應(yīng)反饋機(jī)制，使分類器在盡量保持原有穩(wěn)定性的基礎(chǔ)上能夠不斷適應(yīng)新的樣本，具有更強(qiáng)的適應(yīng)性。這三種自適應(yīng)機(jī)制分別對(duì)應(yīng)自增強(qiáng)線性判別分析分類器、循環(huán)訓(xùn)練集線性判別分類器和卡爾曼自適應(yīng)線性判別分類器。本文比較了三種方法對(duì)多種肌電模式識(shí)別率的改善情況，并探討了各個(gè)方法的優(yōu)缺點(diǎn)。

2 算法原理

2.1 LDA 分類器

線性判別分析方法是以最小錯(cuò)誤概率的貝葉斯決策規(guī)則為理論依據(jù)的模式識(shí)別算法[9]。

在 LDA 方法中，設(shè)第 k 種運(yùn)動(dòng)類型表示為 ck，x為每段肌電信號(hào)中計(jì)算的特征參數(shù)組成的特征向量。對(duì)于每一個(gè)信號(hào)，我們利用其特征向量 x 來判斷其所屬運(yùn)動(dòng)類型 ck。

依據(jù)貝葉斯公式，由特征向量 x 所判別的動(dòng)作類型 ck可表示為[10]：

其中，p(ck|x)為特征向量 x 所對(duì)應(yīng)的數(shù)據(jù)為第 k 類動(dòng)作的后驗(yàn)概率，也就是希望得到的分類標(biāo)準(zhǔn)。對(duì)于一次動(dòng)作，某一類的后驗(yàn)概率相較其他類最大，表明該類為 LDA 方法所得的最優(yōu)決策。

p(ck)為第 k 類動(dòng)作出現(xiàn)的先驗(yàn)概率，如果訓(xùn)練集中，每種動(dòng)作是均勻分布的，各類的概率 p(ck)相同且為 1/N。p(x)為特征向量 x 的概率。p(x|ck)為該特征向量所對(duì)應(yīng)的數(shù)據(jù)為第 k 類動(dòng)作的條件概率，可以被看做類條件概率密度函數(shù)，即對(duì)于已知類型 k，樣本 x 的概率密度分布。

對(duì)于同一類型 ck，p(ck)和 p(x)的值均相同，故對(duì)于后驗(yàn)概率 p(ck|x)的估計(jì)問題可轉(zhuǎn)化為對(duì)類條件概率密度函數(shù) p(x|ck)的估計(jì)。

由于多元高斯分布有很好的性質(zhì)，假設(shè)類條件概率密度函數(shù) p(x|ck)滿足多元高斯分布，故有：

其中，f 是訓(xùn)練集的維數(shù)，即訓(xùn)練集內(nèi)特征向量的個(gè)數(shù)，μk是類型 k 的均值向量，C 是各個(gè)類型的協(xié)方差矩陣，協(xié)方差矩陣決定了分布的離散程度，C 越大，數(shù)據(jù)分布越分散。而在動(dòng)作的分類過程中，每種動(dòng)作所屬的概率分布形狀應(yīng)該被認(rèn)為是相同的，所以各個(gè)類型使用共同的協(xié)方差矩陣。

本文使用的訓(xùn)練集是由 150 ms 的時(shí)間窗截取的肌電信號(hào)所計(jì)算出的特征值組成的[11]。Hudgins 的研究[12]表明在肌電假肢控制模式分類中，僅需要提取 4 個(gè)時(shí)域特征就可以獲得較好的分類結(jié)果。這 4 個(gè)特征分別是：平均絕對(duì)值(Mean Absolute Value，MAV)、過零率(Zero Crossing，ZC)、波長(zhǎng)(Wave Form Length，WL)和符號(hào)改變斜率 (Slope Sign Change，SSC)。

為方便估計(jì)特征向量 x 所對(duì)應(yīng)動(dòng)作的最優(yōu)決策，即 p(ck|x)取最大值時(shí)候的 k，對(duì)式(2)對(duì)數(shù)化，省略各類的相同項(xiàng)可得到線性判別函數(shù)：

對(duì)于每個(gè)特征向量 x，δ(k)最大值時(shí)所對(duì)應(yīng)的動(dòng)作k即為該段時(shí)間動(dòng)作的最優(yōu)決策。

2.2 SELDA 分類器

SELDA 分類器在每進(jìn)行一次動(dòng)作判別之后，新的特征向量會(huì)被加入到訓(xùn)練集中，用以更新線性判別函數(shù)的參數(shù)[13]。

但是，自適應(yīng)數(shù)據(jù)由于是在非監(jiān)督條件下獲得，無法確切得知特征向量的類別。單純的依靠線性判別結(jié)果，將其所屬分類看作估計(jì)所得類型是不準(zhǔn)確的。所以本文根據(jù)特征向量在各個(gè)類型上的后驗(yàn)概率分布來決定其對(duì)每個(gè)類型均值向量 μk和協(xié)方差矩陣 C 影響的權(quán)重，也就是利用后驗(yàn)概率 p(ck|x)對(duì)特征向量在不同的分類上進(jìn)行加權(quán)[14](對(duì)于原始訓(xùn)練數(shù)據(jù)，由于其是在監(jiān)督條件下得到的，類型已知，所以正確類型的p(ck|x)為 1，其他類型的p(ck|x)為 0)。所以，SELDA分類器中均值 μk和協(xié)方差矩陣C 被定義為：

根據(jù)貝葉斯公式，后驗(yàn)概率可以由先驗(yàn)概率求得，而先驗(yàn)概率由 LDA 判別函數(shù)補(bǔ)償省略的各類相同項(xiàng)，并指數(shù)化得到：

所以 SELDA 方法中均值 μk和協(xié)方差矩陣 C 的更新公式為：

在每次判別之后，利用新的特征向量，根據(jù)公式(8)(9)進(jìn)行更新。用更新后的均值 μk和協(xié)方差矩陣C 得到新的判別式用以下次判別，進(jìn)而形成自適應(yīng)反饋。其過程如圖1 所示。

圖1 SELDA 方法虛擬假肢控制系統(tǒng)結(jié)構(gòu)圖

2.3 CSLDA 分類器

因?yàn)榧僦膶?shí)際使用是在非監(jiān)管條件下進(jìn)行的，新特征向量的類別屬性要依靠 LDA 方法判斷結(jié)果，而 LDA 方法自身發(fā)生的較嚴(yán)重的分類錯(cuò)誤會(huì)在增量學(xué)習(xí)中產(chǎn)生持續(xù)影響。由于在肌電假肢控制中，時(shí)間窗短、數(shù)據(jù)更新快，相應(yīng)的錯(cuò)誤分類量也會(huì)比較多，所以在訓(xùn)練集每幾分鐘全部更新一次的情況下，本文嘗試使用 CSLDA 分類器通過循環(huán)更新訓(xùn)練集的方法減小錯(cuò)誤分類造成的持續(xù)影響。CSLDA 分類器在每次判別結(jié)束后，用實(shí)時(shí)數(shù)據(jù)代替相應(yīng)類別訓(xùn)練集中舊的數(shù)據(jù)形成新的訓(xùn)練集，并用新的訓(xùn)練集重新訓(xùn)練分類器。

圖2 CSLDA 分類器假肢控制系統(tǒng)結(jié)構(gòu)圖

為了保證自適應(yīng)分類器的穩(wěn)定性，避免在數(shù)據(jù)質(zhì)量比較差的情況下得到的自適應(yīng)分類參數(shù)偏差太大，造成無法自動(dòng)糾正的誤差，CSLDA 分類器要在自適應(yīng)過程中保留部分原始訓(xùn)練集數(shù)據(jù)始終不被更新。

所以，CSLDA 訓(xùn)練集分成兩個(gè)部分，保留部分一直保留部分原始訓(xùn)練集數(shù)據(jù)，而非保留部分不斷循環(huán)更新。

同時(shí)，與 SELDA 一樣，CSLDA 分類器需要利用后驗(yàn)概率加權(quán)對(duì)自適應(yīng)數(shù)據(jù)進(jìn)行加權(quán)。根據(jù)式(4)(5)，在每次判別結(jié)束后重新訓(xùn)練分類器，具體實(shí)現(xiàn)過程，如圖2 所示。

(1)在訓(xùn)練過程中，保存 LDA 訓(xùn)練集矩陣。

(2)根據(jù)各組訓(xùn)練數(shù)據(jù)所屬類型形成概率矩陣，每行代表一個(gè)時(shí)間窗的數(shù)據(jù)，每列代表一種類型。訓(xùn)練集每組特征向量所屬類型列值為 1，其他列值為 0 。

(3)在實(shí)時(shí)控制過程中，當(dāng)新的特征向量進(jìn)入到系統(tǒng)后，根據(jù)原有參數(shù)完成分類，記錄這組特征向量和線性判別結(jié)果 δ(k)。

(4)根據(jù) δ(k)計(jì)算后驗(yàn)概率向量 p(ck|x)。使用新的特征向量和后驗(yàn)概率向量更新原有訓(xùn)練集和概率矩陣，代替非保留部分估計(jì)分類組中對(duì)應(yīng)類型的最舊的一組數(shù)據(jù)。

(5)根據(jù)新的概率矩陣和訓(xùn)練集，利用式(4)、式(5)求出新的 μk和 C，反饋給分類器，得到新的判別式，用于下一次判斷。

(6)循環(huán)步驟 3 至步驟 5。

2.4 KALDA 分類器

卡爾曼濾波理論是一個(gè)最優(yōu)化自回歸數(shù)據(jù)處理算法[15]。其基本思想是：由量測(cè)值重構(gòu)系統(tǒng)的狀態(tài)向量，以“預(yù)測(cè)—實(shí)測(cè)—修正”的順序遞推，根據(jù)系統(tǒng)的量測(cè)值來消除干擾，再現(xiàn)系統(tǒng)的狀態(tài)。采用信號(hào)與噪聲的狀態(tài)空間模型，利用前一時(shí)刻的估計(jì)值和現(xiàn)時(shí)刻的觀測(cè)值來更新對(duì)狀態(tài)變量的估計(jì)，求出當(dāng)前時(shí)刻的估計(jì)值[16]。本文將卡爾曼濾波理論用于肌電假肢控制中，即 KALDA 分類器，其原理是根據(jù)新的特征向量及其分類結(jié)果，在前一時(shí)刻的 LDA 判別式參數(shù)的基礎(chǔ)上對(duì)其進(jìn)行最優(yōu)化估計(jì)，得到新的 LDA 判別式參數(shù)[17]。

將根據(jù)式(3～8)得到的 LDA 判別式參數(shù) wg和cg組成矩陣 X，并將特征向量 x 延長(zhǎng)以適應(yīng)參數(shù)矩陣 H：

KALDA 就是根據(jù)向量 Hk和上一狀態(tài)的參數(shù)矩陣Xk-1及其協(xié)方差矩陣對(duì)現(xiàn)狀態(tài)的參數(shù)矩陣 Xk-1進(jìn)行最優(yōu)估計(jì)，來更新 wg和 cg。

結(jié)合預(yù)測(cè)值與觀測(cè)誤差，根據(jù)卡爾曼濾波理論，可得現(xiàn)狀態(tài)的最優(yōu)化估算值：

其中，ek=Yk－p(ck|x) ，Yk為本次動(dòng)作觀測(cè)向量，表示為動(dòng)作所屬分類位置為 1，其他分類位置為 0 的向量。p(ck|x)是 Hk和 Xk－1的乘積對(duì)數(shù)還原后的結(jié)果，也就是線性判別方法中的后驗(yàn)概率。Kk為卡爾曼增益(Kalman Gain)，根據(jù)卡爾曼濾波理論：

Ck為 Xk的協(xié)方差矩陣。UC 為卡爾曼濾波的更新系數(shù)，可以通過其調(diào)整卡爾曼濾波對(duì)判別式參數(shù)的影響程度。

這樣，就得到了 k 狀態(tài)下最優(yōu)的估算值 Xk，將 Xk根據(jù)式(10)拆分即可得到更新后 LDA 判別式參數(shù) wg和 cg，繼而得到更新后的判別式。

為了使循環(huán)進(jìn)行下去，更新 k 狀態(tài)下 Xk的協(xié)方差矩陣：

總體來說，KALDA 方法就是將 LDA 判別式參數(shù)wg和 cg組成矩陣，并對(duì)這個(gè)矩陣進(jìn)行最優(yōu)估計(jì)，優(yōu)化兩個(gè)參數(shù)的取值。為了估計(jì)參數(shù) wg和 cg，要根據(jù)舊的兩個(gè)參數(shù)算出本次動(dòng)作的后驗(yàn)概率，與觀測(cè)到的結(jié)果作比較，比較的差值利用卡爾曼增益加權(quán)后補(bǔ)償?shù)皆瓍?shù)上，完成優(yōu)化過程。整個(gè)過程如圖3 所示。

圖3 KALDA 方法虛擬假肢控制系統(tǒng)結(jié)構(gòu)圖

3 實(shí)驗(yàn)分析

實(shí)驗(yàn)采集了 8 名受試者在執(zhí)行 7 種手部或腕部動(dòng)作時(shí)的手臂肌電信號(hào)，日常生活中的簡(jiǎn)單的動(dòng)作大都可以由這些動(dòng)作組合來得到。7 種動(dòng)作包括4 種腕部運(yùn)動(dòng)(腕內(nèi)、腕外展、腕內(nèi)旋、腕外旋)、2 個(gè)手部運(yùn)動(dòng)(手張開、握拳)以及無運(yùn)動(dòng)的情況。

實(shí)驗(yàn)會(huì)播放各個(gè)標(biāo)準(zhǔn)動(dòng)作的錄像，每個(gè)動(dòng)作狀態(tài)保持 8 秒種，受試者依照示范進(jìn)行動(dòng)作，動(dòng)作之間間隔 5 秒，受試者放松肌肉休息。動(dòng)作如圖4 所示。

圖4 各個(gè)運(yùn)動(dòng)類型標(biāo)準(zhǔn)圖示

信號(hào)采集完成后，首先對(duì)數(shù)據(jù)進(jìn)行窗口分割。本研究采用的分析窗口的窗口長(zhǎng)度為 150 ms，重疊部分為 50 ms，窗移為 100 ms。

利用經(jīng)過窗口分隔后的 EMG 信號(hào)可以對(duì)每個(gè)窗口進(jìn)行特征提取。計(jì)算出每一窗口的上文提到的四個(gè)特征參數(shù)值后，將其組成一個(gè)特征向量，再將所有通道在同一時(shí)間窗口下的特征向量級(jí)聯(lián)形成一個(gè) 4×I維特征向量，I 為所有 EMG 信號(hào)通道的總數(shù)。

所得特征向量一部分用來訓(xùn)練，一部分用來測(cè)試，分別形成訓(xùn)練集和測(cè)試集。

實(shí)驗(yàn)結(jié)果如圖5 所示。

實(shí)驗(yàn)表明：SELDA 和 CSLDA 相較于 LDA 方法可以明顯的提高識(shí)別的準(zhǔn)確率。LDA 方法的 8 組實(shí)驗(yàn)平均識(shí)別率為 90.6%，而 SELDA 和 CSLDA 可以分別達(dá)到到達(dá) 93.5% 和 94.4%，證明了這兩種自適應(yīng)方案的有效性，而 KALDA 實(shí)驗(yàn)結(jié)果不理想，識(shí)別率沒有明顯提升，只有 91.1%。

圖5 LDA、SELDA、CSLDA、KALDA 的分類性能對(duì)比

其中，第三組數(shù)據(jù) SELDA 效果不好，識(shí)別率低于 LDA，這組數(shù)據(jù)的具體分類情況如表1、表2、表3 所示。

對(duì)表1、表2、表3 進(jìn)行對(duì)比，可以發(fā)現(xiàn)：由于訓(xùn)練或測(cè)試時(shí)受試者動(dòng)作比較模糊等原因，分類器對(duì)于個(gè)別動(dòng)作產(chǎn)生了較嚴(yán)重的分類錯(cuò)誤，腕內(nèi)旋與腕內(nèi)收、腕內(nèi)收與手張開分別發(fā)生了混淆。SELDA 和CSLDA 分類器對(duì)于 LDA 分類中混淆嚴(yán)重的腕內(nèi)收動(dòng)作都無能為力，且自適應(yīng)過程依賴 LDA 分類結(jié)果，這就更加強(qiáng)化了分類錯(cuò)誤。針對(duì)混淆程度較輕的腕內(nèi)旋錯(cuò)誤，CSLDA 分類器的表現(xiàn)要優(yōu)于 SELDA 分類器。這是由于 CSLDA 的循環(huán)機(jī)制可以降低錯(cuò)誤分類對(duì)分類器的持續(xù)影響。但是 CSLDA 的運(yùn)算量和需要儲(chǔ)存的數(shù)據(jù)要遠(yuǎn)遠(yuǎn)高于 SELDA，對(duì)設(shè)備的要求比較高，不如 SELDA 簡(jiǎn)便快速。

表1 LDA 方法對(duì)第六組數(shù)據(jù)的判斷

表2 SELDA 方法對(duì)第六組數(shù)據(jù)的判斷

表3 CSLDA 方法對(duì)第六組數(shù)據(jù)的判斷

KALDA 優(yōu)化效果并不明顯，因?yàn)樵诳柭鼮V波過程中，需要使用 LDA 判斷結(jié)果作為觀測(cè)結(jié)果。所以，KALDA 分類器的效果受限于 LDA 的識(shí)別能力，只是對(duì) LDA 分類器的一個(gè)優(yōu)化，很難有質(zhì)的提升，除非在有監(jiān)督的條件下進(jìn)行自適應(yīng)過程。但是由于卡爾曼濾波的結(jié)果是使 LDA 判別得到的后驗(yàn)概率趨近于 1和 0，所以 KALDA 可以優(yōu)化類交叉區(qū)域的分類效果，使交叉區(qū)域分類更加明確。而 LDA 和其他自適應(yīng)方案的核心是計(jì)算正態(tài)分布的均值和協(xié)方差，也就是確定各類的相對(duì)位置和形狀。所以，卡爾曼濾波具有的這一特性是另兩種方法不具有的，可以達(dá)到互補(bǔ)的效果。故三種方案的結(jié)合是下一階段研究的一個(gè)重點(diǎn)。

另外，實(shí)際使用過程中，對(duì)自適應(yīng)數(shù)據(jù)進(jìn)行篩選無疑是有助于提高自適應(yīng)性能的。由于人類一個(gè)動(dòng)作一般要持續(xù) 0.5 秒以上，而數(shù)據(jù)采集窗的移動(dòng)速度是 0.1 秒，所以，本文在將數(shù)據(jù)用于自適應(yīng)前，加入一個(gè)判斷，使只有前后 2 次判斷類型與本次判斷相同時(shí)，才將其用于自適應(yīng)優(yōu)化。同時(shí)，當(dāng)數(shù)據(jù)最優(yōu)決策類型的后驗(yàn)概率值較小或者各類型的后驗(yàn)概率值差別不夠大時(shí)，可以認(rèn)為該數(shù)據(jù)類型特點(diǎn)不突出，分類比較模糊，不用于自適應(yīng)優(yōu)化。

4 總結(jié)與展望

自適應(yīng)機(jī)制對(duì)于肌電假肢的實(shí)際應(yīng)用是非常重要的，可以有效的提高識(shí)別準(zhǔn)確性，提高假肢的性能和安全性。本文嘗試了三種不同的自適應(yīng)方案：SELDA可以較好的完成自適應(yīng)任務(wù)，但是對(duì)于連續(xù)錯(cuò)誤判斷的應(yīng)對(duì)能力不足；CSLDA 具有最佳的性能，但是需要占用較多的資源，代價(jià)最大；KALDA 具備其他兩種方案不具有的對(duì)于交叉區(qū)域的處理能力，但是目前受限于 LDA 分類器本身的識(shí)別率，單獨(dú)使用效果不理想。在實(shí)際應(yīng)用中，應(yīng)針對(duì)具體情況選擇適當(dāng)?shù)淖赃m應(yīng)方案。不同方案的結(jié)合將是下一階段的研究重點(diǎn)。

[1]寧志杰, 孫磊. 現(xiàn)代矯形器與假肢的應(yīng)用 [M]. 北京: 軍事醫(yī)學(xué)科學(xué)出版社, 2004.

[2]Pinzur M S, Angelats J, Light T R. Functional outcome following traumatic upper limb amputation and prosthetic limb fitting [J]. Journal of Hand Surgery-American Volume, 1994,19: 836-839.

[3]Hargrove L, Englehart K, Hudgins B. A comparison of surface and intramuscular myoelectric signal classification [J]. IEEE Transactions on Biomedical Engineering, 2007, 54: 847-853.

[4]張志勇. 肌電信號(hào)采集與肌電假肢控制的研究 [D]. 哈爾濱:哈爾濱工業(yè)大學(xué), 2010.

[5]Hudgins B, Parker P, Scott R. A new strategy for multifunction myoelectric control [J]. IEEE Transactions on Biomedical Engineering, 1993, 40(1): 82-94.

[6]Sensinger, Lock J W. Adaptive pattern recognition of myoelectric signals: exploration of conceptual framework and practical algorithms [J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2009, 17: 270-278.

[7]Kato R, Yokoi H, Arai T. Real-time learning method for adaptable motion-discrimination using surface EMG signal [C]// Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems, Beijing, China,2006, 2127-2132.

[8]Oskoei M A, Hu H. Adaptive myoelectric human-machine interface for video games [C]// 2009 IEEE International Conference on Mechatronics and Automation, Changchun China, 2009: 1015-1020.

[9]華鵬. 貝葉斯決策及分析若干問題的研究 [D]. 山東: 山東大學(xué), 2004.

[10]鐘珞, 潘吳, 封筠, 等. 模式識(shí)別 [M]. 武漢大學(xué)出版社, 2006.

[11]余龍, 吳祿慎, 張志勇, 等. 基于虛擬現(xiàn)實(shí)技術(shù)的多功能肌電假肢控制系統(tǒng)開發(fā)平臺(tái) [J]. 計(jì)算機(jī)測(cè)量與控制, 2011, 19(3):609-612.

[12]Englehart, Hudgins B, Parker P A, et al. Classification of the myoelectric signal using time-frequency based representations[J]. Medical Engineering and Physics, 1999，21(6): 431-438.

[13]陳歆普. 基于肌電信號(hào)的多模式人機(jī)接口研究 [D]. 上海: 上海交通大學(xué), 2011.

[14]Blumberg J, Rickert J, Waldert S, et al. Adaptive classification for brain computer interfaces [C]// The 29th Annual International Conference of the IEEE EMBS Cité Internationale,Lyon, France, 2007: 2536-2539.

[15]張友民, 戴冠中, 張洪才. 卡爾曼濾波計(jì)算方法研究進(jìn)展 [J].控制理論與應(yīng)用, 1995, 5: 65-74.

[16]最佳狀態(tài)估計(jì)理論-卡爾曼濾波方法研究 [DB/OL]. http://wenku.baidu.com/view/753a86e59b89680203d825a3.htm L．

[17]Vidaurre C, Schl?gl A, Cabeza R, et al. Study of on-line adaptive discriminant analysis for EEG-based brain computer interfaces [J]. IEEE Transactions on Biomedical Engineering,2007, 54(3): 550-556.