近红外血流动力学监测在假体控制中的智能应用

智能系统与应用9（2021）200045近红外血流动力学监测在经桡动脉假体控制埃贾伊·恩苏贝Nsugbe Research Labs Swindon，英国Ar ticlei n f o ab st ract文章历史记录：收到2021年2021年5月11日修订2021年6月19日接受2021年6月26日在线提供保留字：手势识别机器人人工智能控制论与机器学习用于手势识别的近红外（NIR）感测的应用具有很高的吸引力，因为它提供了血液动力学监测方法，其提供了用于假肢控制的传统肌电图感测方法的替代方案，传统肌电图感测方法受到肌肉疲劳的限制并且据说取决于规格而昂贵。使用可负担得起的（£25）、低采样和高分辨率的可穿戴NIR传感器，进行特征选择练习，其中从所获取的信号中提取23个信号特征并向下选择到最佳的11个，这允许手势识别，同时增强识别准确性。对选定的特征进行了测试，并与精简的特征集进行 了 比 较使 用 四 种 不 同 的 分 类 器 ， 即 多 层 感 知 器 神 经 网 络 （ MLPNN ） ， 贝 叶 斯 分 类 器（BC），线性和二次判别分析（LDA和QDA ），对五名非截肢参与者的四种不同手势进行MLPNN和QDA的分类效果最好，因为它们的整体模型复杂性和使用非线性决策边界分离数据簇的能力，从而验证了可用于从基于血液动力学的信号中提取和提取更多信息在该领域中的进一步工作可以包括确定NIR发射器和接收器的最佳间距的练习，以允许最大的穿透深度和其中在信号中获取的生理信息的增加量，以及观察可以使用NIR区分解剖收缩力© 2021作者（S）。由Elsevier Ltd.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）1. 介绍截肢后肢体丧失的程度表明截肢患者使用的假肢类型;肌电假肢代表了最先进的假肢类型， 并且通常被视为最接近生物肢体的替代品（Limbless Statistics，n. d. ）.这些类型的假体的最常见的控制方案已经被认为是基于模式识别的控制器，其启动手臂内部的电机的驱动和致动，以完成手势运动（Fougner，Stavdahl ， Kyestrian ， Losier ， &Parker ， 2012 ） 。 肌 电 图（EMG）已经是用作肌电假体中的控制方案的一部分的最受欢迎的生物感测模块，因为这些信号表示与解剖收缩相关联的基于神经肌肉的电信号（Fougner等人，2012年）。尽管EMG作为假体控制界面的生物感测方法被广泛使用，但它具有基本的电子邮件地址：ennsugbe@yahoo.com限制，例如对串扰的敏感性，以及由于肌肉疲劳引起的大量信号变化（Fang，Hettiarachchi，Zhou，&Liu，2015）。EMG代表解剖收缩的电生理学表现，而相反NIR代表与解剖运动相关的血流动力学。在外科手术中，截肢者残肢周围的残余组织已 被视为产生微弱信号，最终导致分类过程中的错误运动识别（Guo，Sheng，Liu，&Zhu，2017）。而对于NIR的情况，尽管存在残余解剖组织，但仍产生了足够的血液动力学活动，从而显示出额外的优势，并且因此进一步需要对NIR进行进一步研究以用于手势识别的益处（Guo等人，2017年）。先前的作者已经研究了许多其他神经肌肉传感方法，其中一些是侵入性的并且需要手术植入，例如皮质电描记术、神经电描记术和脑电图，而其他非侵入性变体例如压力传感、机械肌描记术、声肌描记术和近红外线都是先前研究过的。https://doi.org/10.1016/j.iswa.2021.2000452667-3053/© 2021作者。由Elsevier Ltd.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表智能系统及其应用期刊主页：www.elsevier.com/locate/iswaE. 恩苏贝智能系统与应用9（2021）2000452应用于手指运动和手势识别的跟踪（Fang等人，2015年）的报告。上述生物传感模块的详尽综述可见于Fang等人（2015）和Nsugbe（2021）的工作。近红外（NIR）背后的工作原理与EMG不同，因为它允许神经肌肉传感，可以克服EMG带来的限制。NIR利用红外波段中的光能够非侵入性地穿过组织的原理工作，其中所反射的光由检测器测量。由于这种配置，NIR传感器包括发射红外光的发光光电二极管和测量通过组织的反向散射光的接收器（Guo等人，2017;Nsugbe，Phillips，Fraser，&McIntosh，2020）。肌肉的收缩导致肌肉周围的局部血液膨胀，从而改变了血液的量。反射回红外探测器的光。因此，可以说，产生不同肌肉收缩的不同手部运动反过来也引起独特的血液膨胀模式，其可以被映射并用于推断不同的手部姿势（Guo等人，2017; Nsugbe等人，2020年）。因此，可以说NIR感测允许通过肌肉收缩时的血流动力学（通常称为血液动力学）来监测人类上肢解剖结构的收缩模式（Guo等人， 2017; Nsugbe等人， 2020年）。几位作者研究了近红外生物传感器的前景用于手势识别的任务。Herrmann和Buchenrieder（2010年）使用NIR作为多模态传感平台的一部分，该平台还包括EMG。定性结果表明，在手指运动和腕关节运动的情况下，NIR信号会产 生 相 应 的 变 化 （ Herrmann Buchenrieder ， 2010 ） 。Attenberger和Wojciechowski（ 2 0 1 8 ） 的 研 究 表 明 ， 将N I R 的 信 号 特 征 添 加 到 E M G 信 号 特 征 中 ， 可 以 提高 决 策 树 和 支 持 向 量 机 （ S V M ） 的 分 类 准 确 性 。McIntosh，Marzo和Fraser（2017年）以及Maereg，Lou，Secco和King（2020年）都设计了手腕可佩戴的NIR臂章; McIntosh等人的臂章包含14 NIR发射器和接收器段，而Maereg et al. 的设计由24个近红外发射器和12个接收器组成。两位作者都使用了由发射器和和接收器信息作为直接输入到 mul-第三层感知器神经网络（Maereg等人，2020年;麦金托什例如，2017年）。在这两种情况下，该方法对许多手势运动都产生了90%以上的分类准确度，尽管它是增强的。由于与处理大尺寸的信号矢量相关的计算复杂性，这种信号处理方法可能不适合对于非截肢者和经桡动脉截肢者的组合，Guo等人（2017）使用了EMG和NIR组合臂带，并分别观察了每个生物传感模块的分类准确性。从信号中提取平均绝对值、波形长度和信号方差，结果显示13名非截肢者和3名经桡动脉截肢者的平均分类准确度分别为90%和70%左右（Guo等人，2017年）。本文作者在以前的工作（Nsugbe等人， 2020年）在经肱骨假体控制上复制了McIntosh等人（2017年）提出的臂带设计，并进行了人体工程学修改，以允许假体臂中的主机。信号处理方法涉及提取平均绝对值和信号方差特征，这些特征被输入到许多分类器中，结果表明这些特征集无法区分肱骨上的信号，这些信 号 本质上是高度非线性和随机的（Nsugbe等人，2020年）。除此之外，由于脂肪组织，可见NIR传感器提供的传输深度不适合从肱骨解剖结构厚度相比，手腕为基础的工作进行了麦金托什等人。 （McIntosh等人， 2017; Nsugbe等人， 2020年）。基于Nsugbe et al.（2020）先前研究的发现，对26个信号特征的广泛列表进行了向下选择，假设这些信号特征能够提高NIR源的几何识别准确性，并且可以扩展到使用基于血流动力学的测量的其他领域，例如新生儿大脑状态监测等。对于这项研究，作为试点练习，从五名非截肢者收集数据，并被放置在参与者的肘部以下，作为解决可应用于使用NIR的经桡动脉假体控制的手势运动识别问题的试点。本研究之具体贡献及研究目标如下：• 进行了特征探索练习，其中提取了23个信号特征，并通过基于启发式的优化选择了11个最终特征，并用于作为本研究一部分进行的分类练习。可以预见的是，这些选定的11个特征可以被希望应用基于NIR的感测的其他研究人员用于增强的手势分类，以用于假体控制和基于血液动力学的监测的其他医学应用。• 使用计算效率高的分类器进行分类器比较，如基于黑盒的非线性函数逼近神经网络、朴素贝叶斯和判别分析（线性和二次），所有这些都是该研究领域中常用的，以找到基于NIR的信号处理的最佳性能分类器。2. 材料和方法2.1. 近红外传感和理论基础NIR感测利用来自组织的相对于输入波长的反射来工作，并且从那里测量组织的发色团、血红蛋白的氧合（HbO 2）和脱氧（Hb）变体（Baker等人，2014年）。具有大量光子散射的组织可以使光子行进的路径被表示为随机行走，并且在光子散射的影响下，可以说通过组织的光子路径的面积比NIR发射器和接收器之间的空间宽（Baker等人，2014年）。NIR传感背后的理论原理是修正的Beer-Lambert定律（MBLL），它是通过非均匀组织的光子的经验近似，并考虑了光子路径长度的平均值与距离NIR光电探测器的（Baker等人，2014;Kocsis，Herman，&Eke，2006;Sassaroli& Fantini，2004）。MBLL被称为差分路径长度因子（DPF），并且它考虑了具有连续波漫射光学特性的组织的光学性质的变化（Baker等人，2014;Kocsis等人，2006;Sassaroli& Fantini，2004）。对MBLL的另一种描述可以说是-任何几何形状的光学差分光变化与随后由于组织吸收引起的差分变化之间的理论关系，其中差分是标称状态与激活状态之间的对比度（Baker等人， 2014年）。 MBLL给出了在组织内存在散射的情况下通过光子行进的平均路径的组织内的光学散射水平的指示，作为实际光子轨迹的近似（Baker等人，2014年）。光子行进的平均路径提供了测量的差分强度与样本组织的差分吸收之间的直接关系（Baker等人， 2014年）。E. 恩苏贝智能系统与应用9（2021）2000453Is∂μa+公司简介100μs（1）一S一μr0S使用泰勒级数展开，可以从光密度的一阶泰勒级数展开近似MBLL，如等式2所示。1（由于血液是具有非线性光吸收特性的非均匀液体，因此线性化近似已用于形成MBLL方程）：而较浅的透光深度将同时需要较少的光强度和较低的电源需求（Guo等人，2017; Lemay等人， 2014年）。2.3. NIR传感器硬件0的情况。000美元 。0.00000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000一S用于数据收集的近红外袖标建立在McIntosh等人在先前的传感器融合研究中使用的设计其中OD为光密度，μa为吸收系数，μrs是散射系数，偏导数为假设标称状态μa=μ0计算，（2017）.臂章由霍巴特激光橡胶切割而成，包含14对均匀间隔1.5厘米的近红外发射器和接收器。 如可以在先前的工作（Nsugbe）中看到和描述的，00a等人， 2020年），臂章的设计具有更大的呃-μrs=μrs，OD0=-log[I]，其中OD0=标称光密度。强度，I0=透射光强度，Is=入射光强度，吸收和散射系数的微分变化表示为：<$μa=μa（t）−μ0，<$μrs=μrs（t）−μr0，其中t表示时间，0下标表示标称值状态使用泰勒级数展开表示在方程。表示从标称状态到活动状态的变化的数学表达式可以在等式1中看到。第二章：与使用更小和紧凑的电路板的经济兼容性，这可以允许整齐地结合到肌电肢体中（3D HUBS，n.d. ）.由于在这项研究中无法获得肌电肢体，因此使用了聚乳酸（一种可生物降解的塑料）的3D印刷电路支架。NIR发射器是具有860 nm红外波段的Osram Opto SFH 4556 P，并且接收器光电二极管是Osram Opto BPW34 FS IR。为了尽量减少运动艺术-事实，并促进臂章，微型电路.I（t）I0.μ0 μr板被用来容纳发射器和接收器，臂章内的14个部分中的每一个这张照片可以可以在图2中看到（Nsugbe等人， 2020年）。（L）其中，（L）=λOD0表示光子从发射器到接收器穿过组织介质的平均轨迹和路径长度，并且被称为差分路径长度（Arridge，Cope，&Delpy，1992）。从Eqs。在图1和图2中，可以注意到，MBLL在数学上将光密度的微分变化与吸收系数的并发微分变化相关联，并且相比之下，Beer-Lambert定律将光密度的绝对值与吸收系数的绝对值相MBLL的理论形式已经用于人脑内的血红蛋白估计和其他基于医学的应用，并且它需要许多输入参数，这些参数根据操作条件而变化， 以便能够进行准确的估计（Fabbri，Sassaroli，Henry，&Fantini，2004;Hiraoka等人，1993; Saager& Berger，2005;Steinbrink，Wabnitz ，Obrig，Villringer，&Rinneberg，2001;Strangman，Franceschini，&Boas，2003）.因此，对于需要基于NIR的实时应用的应用，应用能够从所采集的血液动力学信号中提取感兴趣的信息的在NIR的实时应用中，由于生物组织的光学性质与不同波长的光有关，脉冲进入组织用于血液动力学监测的光的波长是重要的（Saager Berger，2005）。2.2. 影响输出信号的因素存在影响输出NIR信号的三个主要因素，即：i）动脉血流，ii）组织特性，以及iii）感测因素。一个示意图，这一点，旁边的子依赖的数量，伯，可以看到图。1.一、NIR传感器的几何形状和曲率决定了由红外发射器发射的光根据光学分流效应穿透生物组织的方式（Lemay等人，2014;Webster，1997）。通过组织的光传输深度据说是红外发射器和接收器之间的间距的0.5倍，并且对于涉及上肢解剖结构的应用，研究表明需要0.5-7 cm范围内的穿透深度（Guo等人，2017年）。更大的穿透深度允许更深的光子透射， 并将需要更高功率的 红外发射器沿-外径∂μ∂μrΔOD=−log（L）（L）μs（t）E. 恩苏贝智能系统与应用9（2021）2000454Teensy 3.6微控制器用作嵌入式控制器，以命令从NIR传感器采集信号，并产生时钟同步脉冲以驱动LED。微控制器的工作频率可达180兆赫。该微控制器还用作模数转换器，分辨率为32位，采样率为每秒10个样本，参考电压为3.3 V。3 .第三章。臂章采用24 V电源工作产生的信号被发送到微型电路板，发射器和接收器由AS8615AUJZ运算放大器放大，并由一个100K▲和一个10 nF电容调节，它们串联连接（Nsugbe等， 2020年）。 作为发送到Teensy微控制器之前的最后阶段，毛皮-用10nF电容器进行平滑（Nsugbe等人，2020年）。该电路的信号调节部分由15 ▲、1 K ▲、4.7K ▲、10 K ▲（x2）电阻、开关晶体管BC 337、10 mF（x2）、齐纳二极管BZY 88 C和47 mFMOS-FET IRLB 3034 PbF（Nsugbe等人，2020年）。臂章和信号调节板使用快速的AZ-tronics 26路连接器插座连接在一起。 用于设计NIR臂章的部件的总成本高达25英镑，如果批量生产，价格可能会进一步下降，这使得它除了符合人体工程学之外，还是一种廉价的监测工具。Teensy 3.6微控制器使用Ar- duino软件进行编程，其中指定了端口，并且在以每秒9600位的波特率进行串行通信之前进行数据平均。使用Python软件连续采集连续采集的数据，该软件将固定数量的数据样本存储为逗号分隔变量。2.4. 数据收集实验数据是在七天内从五名未截肢的参与者中获得的。参与者年龄在20-30岁之间，包括4名男性和1名女性。所有受试者均使用免疫组织化学方法招募。布里斯托大学伦理委员会授予该研究的伦理批准，项目ID为80，143（Nsugbe等人，2020年）。对于每名参与者，传感器佩戴在肘关节下方的前臂上部，以帮助模拟极端的经桡动脉截肢。这一点的图像可以在图中看到。 四、E. 恩苏贝智能系统与应用9（2021）2000455Fig. 1. 示意性概述了影响血液动力学信号的各种因素以及许多子依赖性（Lemay等人， 2014年）。图二、 带有微型电路板的NIR段。图三. 定制NIR臂带的图像（Nsugbe等人， 2020年）。招募的参与者被指示做出四种选择的手势，即：手打开（HO）、手闭合（HC ）、手腕张开（WF）和手腕伸展（WE）。选择这些姿势是因为它们代表了功能性肌电假肢所需 的 一 些 关 键 基 本 姿 势 （ Triwiyanto ， T. ， 美 国 ， 一 、U t o m o &，2019）。手势是在参与者坐着的情况下进行的，其中参与者的肘部放置在工作台上的扶手上，同时进行各种静态手势运动（Nsugbe等人，2020年）。传感器附近沿肱骨的解剖肌肉为尺侧腕伸肌、桡侧腕伸肌、桡侧腕长伸肌和趾伸肌。在开始数据收集过程之前，向参与者提供信息表，然后获得知情同意（Guo et al.，2017年）。数据收集资料的过程平均每名参加者需时十五分钟，首五分钟是全面介绍所要执行的任务，然后是练习。对于四个手势组中的每一个，进行总共四次采集运行，每个手势重复10次，同时根据需要在采集之间包括中断。每个手势的10次采集重复后来被分成10个数据段，并用于信号处理过程的特征提取阶段。图10显示了参与者重复进行10次HC手势运动时的血液动力学信号波动。 五、2.5. 信号处理2.5.1.特征选择过程从文献中收集了总共23个特征，并且这些特征代表通常用于识别和区分从感测仪器获取的非线性神经肌肉信号的特征（Phinyomark等人，2013年，2018年）。 它们包括：平均绝对值（MAV）、方差（VAR）、波形长度（WL）、均方根（RMS）、威尔逊振幅（WAMP）、样本熵（SampEN）、四阶 自 回 归 系 数 （ AR ） 、 最 大 倒 谱 系 数 （ Ceps ） 、 偏 度（Skew）、峰度（Kurt）、简单平方积分（SSI）、Higuchi分形维数（HFD）、最大分形长度（MFL）、Katz分形维数（ KFD ） 、 增 强 平 均 绝 对 值 （ EMAV ） 、 增 强 波 形 长 度（EWL）、修正平均绝对值1（MMAV1）、修正平均绝对值2（MMAV2）、斜率符号变化（SSC）、过零（ZC）、对数检测器（LD）、平均幅度变化（AvAmCh）和差值绝对标准偏差值（DASDV）（Phinyomark等人，2013年，2018年）。甄选过程分两步进行。第一步涉及删除被认为有效提供相同信息集并可被视为重复特征的特征。这方面的一个例子是选择保留HFD和MFL功能，同时消除KFD功能。第二步涉及一个启发式的选择过程，通过ap-E. 恩苏贝智能系统与应用9（2021）2000456EMAV=N（xn）n= .| |见图4。解剖图像显示佩戴近红外臂章的区域（TeachMeAnatomy，n.d）。多层感知器神经网络（MLPNN）的应用，以评估当将附加特征添加到单个参与者数据集的输入特征向量时分类准确度的提高基于启发式特征的特征选择方法在文献中受到青睐，因为它具有计算效率-在以下参考文献中可以看到基于启发式算法应用于特征选择和优化应用的案例研究：Altan和Karasu（2020）;Altan，Karasu和Bekir os（2019）; Kar asu和Altan（2019）;Karasu，Altan，Bekiros和Ahmad（2020）以及Altan，Karasu和Zio（2021）。这一步骤从三个标准的NIR特征（MAV，VAR和WL）开始，这些特征已知在手势数据分类中有用，根据Guo等人（2017）的工作。从这里开始，在第一次选择过程之后剩余的特征被越来越多地包含到训练特征向量中，同时监控分类准确性贡献了2%或不-因为他们被认为只提供了一个否定的，明显的增强，因此不值得计算负荷的权衡。作为选择过程的一部分，所使用的物流清单如下：(i) 初始化包含三个预设特征集(ii) 将新的特征加入到特征向量中，并从分类器中获得预测误差。如果分类准确度提高≤2%，则丢弃特征。否则，将特征存储在fea中-下一次迭代(iii) 重复（i）和（ii），直到classi fier已经迭代并且所有候选特征都已经评估用于练习的MLPNN将特征数量作为输入，一个具有20个单元的隐藏层和一个sigmoid激活函数。由于其对非线性数据进行分类的能力，选择S形作为激活函数。softmax函数位于输出层，将隐藏层的输入转换为可理解的输出。在这种情况下，第 2.4节中提到的四个手势标签（Brownlee，2016;Cybenko，1989）。网络的训练采用尺度共轭梯度反向传播算法，该算法通过交叉熵损失函数，在考虑网络整体性能的同时，对网络的偏置和权值进行迭代调整。这是通过应用链式规则来计算实现的（Brownlee，2016;Cybenko，1989）。使用随机划分方法划分数据集70%用于网络训练，15%用于验证集，用于进一步参数调整和防止过拟合，最后15%用作测试集。使用k折交叉验证方法获得最终分类准确度，以评估网络在当前特征选择下的分类性能。选择k为10，因此产生10× 10倍交叉验证，从中取所有k倍重复样品的平均值，以获得最终的分类准确度，评估网络在当前选择的特征下的分类性能。 从特征选择过程中总共选择了11个特征，并且可以被分组为两个部分，这两个部分反映了由猫内的特征提供的信息特性egory，如下所示：2.5.1.1.振幅强度和功率特征组。- MAV：量化信号的平均幅度，其可以给出手势运动期间肌 肉 收 缩 强 度 的 指 示 （ EMG 特 征 ， n. d. Gaudet ，Raison，&Achiche，2018）。在数学上，这可以表示为如在Eq. 第 三章：MAV1Nx（3）Nn=1其中，N=信号段中的样本数，并且xn是NIR信号中的第n个样本。- EMAV：采集的神经肌肉信号的典型包络特征表明，信号中存在与肌肉收缩开始相关的上升时间，随后是代表最大收缩力的峰值间期，并通过幅度衰减得出结论，以表示肌肉松弛（Too，Rahim，&Mohd，2019）。EMAV特征将指数权重分配给信号中强烈神经肌肉活动的区域，作为放大其对用于计算特征的算法产生的最终值的贡献的一种方式。从数学上讲，它可以被表示为在Eq.第四章：1 .一、N.p.n=1（四）E. 恩苏贝智能系统与应用9（2021）2000457.=2LL.，。Nn=1nNn=1我 n日志n=1XnMMAV2=Nn= 1 wi |Xn|（1N图五. 绝对血流动力学信号波动信号来自执行10次HC手势运动重复的参与者。均p0. 75，n≥ 0。2 N且≤ 0。8 N 0. 50，否则其中，p是用于将样品归于连续性的术语。- VAR：方差特征对于估计在所获取的NIR信号内存在多少变化是有用的（Guo等人，2017年），并可以在数学上表示为方程。 九：VAR=1。N（x−μ）（9）连续加权窗口函数，其与剩余部分相比对某些部分应用更大的加权（Too等人，2019年）。这方面的数学公式可以在方程中看到。 5和6：其中μ=样本平均值。- LD：是提供对在手势运动期间施加的收缩力的量的基于对数的估计的特征，如在等式（1）中所见。 10（Too等人， 2019年）：MMAV1=1。NW|X|（五）. 1.一、NN（||）wi=如果为0，则为1。25N≤i≤ 0。75N0的情况。50，否则- DASDV：计算一组相邻样本点的差异之间的标准偏差，如等式中所示。11（Too等人， 2019年）：1 .一、N， .n+1wi=如果为0，则为1。25N≤i≤ 0。75N4i，如果i <0. 25N4（i-L），否则2.5.1.2.非线性复杂度信息组。- MFL：该功能量化了与低水平肌肉动作电位相关的肌肉收缩强度（太其中wi是权重窗口函数。例如， 2019），并在数学上表示为Eq. 十二：- RMS：是提供信号内存在的功率的量化的特征（Phinyomark等人， 2013年）。的RMSMFL= log10Nn=1 （xn+1-xn）2个（12.2.- MMAV1和MMAV2：这些特征在数学上结构与MAV相同，但包括一个控制器，LD= exp（十）DASDV=Nn=1 （x）-xn）（11）E. 恩苏贝智能系统与应用9（2021）2000458.=）可以在Eq. 第七章：，1.NNn=1- HFD：维度复杂度是描述非线性生理信号的有用工具。HFD被认为是（七）是一种计算效率很高的方法，直接从时间序列（戈麦斯，Mediav-- WL：是表示累积信号长度的特征，其最终值给出幅度、频率内容和持续时间的指示（Phinyomark等人，2013年）。在数学上，WL可以用等式（1）表示。第八章：illa，Hornero，Abásolo，&Fernández，2009）.分形维数的 信 息 可 用 于 描 述 给 定 信 号 的 自 相 似 性 和 复 杂 性（Gómez等人，2009年）。计算信号的HFD的算法序列可以如下所示：WLNn=2 |xn -xn−1 |(8)X=x1，x2....... xNXRMS=2nE. 恩苏贝智能系统与应用9（2021）2000459KKC=−−||.N−mKK22KKK.||K.K我们的团队=C（i）从X构造一个新的时间序列Xm，其定义为：在复杂数据中（Nsugbe等人，2020年）。当量图16示出了线性判别函数和概率决策规则：当量十三日：.Xm=- 是 的Σ ΣΣ.Kμl（x）=μT。−x−μT。μ（16）11−1（c）第（1）款L2CLC（十三）其中m= 1，2，. k表示初始时间值，而k是离散时间间隔，N表示原始时间序列的长度，[.]是高斯标准符号。（i）每个新的时间序列集的长度在等式中定义。十四：[N−m]kx（m + ik）− x（m+（i − 1）.（k）==.n c− 1c=1其中，x是特征向量，μT表示特定类c的训练样本的均值向量，μl是x特征向量的LDA判别函数，μl是合并协方差矩阵，C是运动类的总数，N是总训练样本，μc是特定运动类c的训练样本的特定数量，μc是特定运动类c c类。L（m，k）c. i=1K其中cN1是归一化因子。[N m]。KK（十四）QDA能够以非线性决策对数据进行使用二次决策边界，因此与LDA相比，需要在其判别函数中识别更多的参数，这使得其计算需求略高(i)时间k的曲线长度可以表示为：L（m，k）中k值的平均值，其中m=1，2，.....，k：1KL（k）= k。L（m，k）（15）m=1(ii)L（k）与1/k的曲线图，采用双对数标度，线性ing（Nsugbe等人，2020年）。QDA估计每个数据类的唯一协方差矩阵，并且不使用协方差假设。QDA判别函数可以在等式中看到。 十七：（x）=1log. .K.−1（x−μ）T。−1（x−μ）logπ（十七）拟合kkmax的值被选择为11根据PSG www.example.com上提出的建议Miner.com（EMG Features，n.d. ）.对于总共14个LED接收器部分，11个特征，4个手势和10次重复，这相当于每位参与者6160个数据点，并且参与研究的五位参与者2.5.2.手势分类方法除了MLPNN（一种在假体控制领域使用的基于黑盒的分类方法）之外，还对所选式中，k表示特定条件下的QDA判别函数特征向量x，μk是训练样本的均值向量，特定运动类别k，πk是每个类别k的先验概率，而πk是合并的协方差矩阵。与MLPNN相似，使用10倍交叉验证方法获得所考虑的两种区分性分析变体的最终分类准确度。- 贝叶斯分类器：这种分类方法的核心思想是，给定一组特征，分类器能够推导出一个概率框架，该框架将各种数据点分配给不同的类。因此，给定一组特征和标记的数据，可以说BC构建输入特征的规则和模型，以便将数据分类到它们各自的类中（Sjöqvist等人，2020年）。回想一下贝叶斯规则，如等式中所示。 十八：P（E|H）P（H）使用判别分析（线性和非线性）和贝叶斯分类器（BC）对第2.5.1节中的特征进行分类线性判别-P（HkE）=K KP（E）（十八）统计分析（LDA）和二次判别分析（QDA）代表了一种有效而简洁的分类器框架，已在先前的研究中使用，并在令人满意的分类精度和计算复杂性之间提供了良好的权衡（Nsugbe等人，2020年）。BC分类器相对简单的MLPNN和判别分析，并因此提供了一个高效的计算操作。该分类器尚未用于区分基于NIR 的 信 号 ， 因 此 将 其 纳 入 本 研 究 以 观 察 其 分 类 能 力（Sjöqvist，Längkvist，Javed，2020）。- 判别分析：目标是将高维特征向量投影到具有类边界分离的低维子空间中，同时最大化其中，Hk是类别数，P（E H）是联合概率，概率与先验概率Hk，P（H）是假设所持有的初始概率，P（E）表示将利用通过特征向量提供的信息来观察训练数据，并且P（HE）是后验类概率，其在观察训练数据时携带假设的置信度。先验概率P（x i H k）通常被假设为离散形状，并且已经被设置为用于这项工作的高斯选项（Sjöqvist等人，2020年）。一个用于将数据分类为各种类别的概率框架的示例，给出了一个由两个类别Ha和Hb组成的样本问题，其中类别Ha计算为更有可能的是，可以看到在方程。 十九：类以获得最大分离（线性、二次、N N和正则化判别分析，2018年;宾夕法尼亚州立大学，P（Ha）.P（x i H a）> P（H b）。P（x i H b）→P（H a|x）> P（H b|（十）（十九）n.d. ）. 给定一个具有训练数据的特定特征向量，形成计算与本征分解的scat，i=1i=1称为矩阵。判别分析采用数据正态分布的基本假设，并使用贝叶斯概率标准将特定点分类为不同的类别（线性，二次和正则化判别分析，2018年;PennState University，N. D。）.然而，高斯分布意味着分类器不能保持结构其中，特定类别的公式如方程式所示。 二十：NH=argmaxP（Hk）P（xi Hk）（20）i=1x [m]，x [m + k]，x [m +2k]。. . ......、X m +LN−CCE. 恩苏贝智能系统与应用9（2021）20004510k∈ {1，2，. . . k}E. 恩苏贝智能系统与应用9（2021）20004511图六、 五个参与者的结果。其中，H是给定特征向量的最可能类别X.由于是一种概率分类方法，该分类器能够量化其分类中的置信度和相关不确定性，因此某些案例研究可能是有用的，尽管这尚未直接包含在本文中给出的分类结果中（Sjöqvist等人，2020;Too等人， 2019年）。使用MATLAB分类学习器应用程序调整和优化分类模型参数，该应用程序在给定输入数据和相关类别标签的情况下选择和优化最佳模型参数。3. 结果和讨论图6中的结果表明，将增强的特征向量纳入各种分类器后，分类准确性有所提高，MLPNN为56%在减少的特征向量分类的情况下，MLPNN，NB，LDA和QDA的准确率分别为44%，40%，34%和39%对于增强的特征向量，在所有分类器中都看到了改进，其中MLPNN和QDA中的增强效果最好，因为两者都产生了最高的准确度，这是因为它们能够拟合数据聚类之间的非线性类边界。增加了12%，在MLPNN的情况下，而在MLPNN的情况下，QDA。MLPNN的缺点是与其对应物相比，它需要相对较大的数据集，并且也被视为计算密集型。QDA在假体控制活动中的计算效率更高，并且与MLPNN具有可比性，因此可能是基于所得结果的更受欢迎的分类方法。NB和LDA代表了较不复杂的分类精度，因此具有更快的实时性能，但根据所产生的结果，相对于MLPNN和QDA，分类精度分别低10.2%和10.6%（Nsugbe等人，2020; Too等人，2019年）。由于本研究应用了四种不同的分类器，最终模型复杂度将取决于所采用的分类器，BC提供最低的分类器复杂度，而MLPNN由于是迭代黑盒分类器而具有最大的复杂度。候选分类器所示的识别准确性的增强可以说是由于包含了更具表现力和非线性的特征，这些特征由于其先进的数学框架而具有简洁地表征非线性和随机时间序列信号的能力，而在先前的工作中，主要采用了基本的统计特征（Nsugbe等人，2020年）。从硬件的角度来看，如在先前的研究中也注意到的（McIntosh等人，2017），其中使用相同的采集设备，NIR光通过组织的穿透深度被限制为0.75 cm。尽管这在McIntosh等人（2017）进行的基于腕部的研究中被认为是有效的，但由于上肢解剖结构较高部分脂肪组织厚度的累积存在，因此在从上肢肱骨向前采集血液动力学信号时似乎并不充分（AdiposeTissue，n. d. ; Nsugbe等人，2020年）。该领域的进一步工作可能涉及回归练习以获得标度律，该标度律可以提供参数信息，该参数信息可以用于确定最佳光子穿透深度以促进NIR信号采集。除此之外，已经看到更高的采样率以改善为特征提取所获取的信息量。这也可以增加，以找到一个更高的最佳值，这可以提高分类精度，同时足够有效，不会使硬件要求更加复杂。4. 结论本文研究了增强特征集在从定制的、廉价的和符合人体工程学的近红外臂带获取的血液动力学信号中识别手势运动中的应用。总共研究了23个特征，然后进行向下选择过程，最终得到11个特征的特征向量，包括幅度强度，功率特征和非线性复杂度信息。最终的特征向量被送入四个不同的分类器，从中可以看出，MLPNN提供了最佳性能，并且与所有五个参与者的减少特征向量相比，产生了12%的分类增量。紧随其后的是QDA，它通过改进的功能集提供了15%的改进，尽管分类准确性略低。基于结果，可以看出，增强的特征在手势识别中提供了显著的改进，并且QDA被提议为手势识别的改进。E. 恩苏贝智能系统与应用9（2021）20004512由于计算效率高，同时也产生了与MLPNN相当的分类精度，因此是更好的分类器选择。所提出的方法不仅限于用于假肢控制的运动识别，而且可以扩展到NIR在医学中的其他应用，其中除了疲劳评估之外，还可以获取时间序列，例如在神经和肌肉诊断中，以帮助从血液动力学信号中进一步识别和获得更多信息（Albert，Sleivert ， Neary ， &Bhambhani ， 2004;Booghs ， Baudry ，Enoka ， &Duchateau ， 2012; Elcadi ， Forsman ， Aasa ，Fahlstrom，&Crenshaw，2013;Kell &Bhambhani，2007）。这一领域的进一步工作可能包括：i）修改硬件，以允许NIR光光子的更大穿透深度和更高的采样率; ii）扩展研究使用NIR传感估计和区分肌肉收缩力和强度的程度; iii）根据来自广泛截肢者队列的数据验证增强的特征向量集;以及iv）使用嵌入式电子设备在线实施，以观