ACISC 应用计算智能和软计算 1687 - 9732 1687 - 9724 Hindawi出版公司 129761年 10.1155 / 2009/129761 129761年 研究文章 聪明的噪声去除从EMG信号使用集中时滞递归神经网络 羽衣甘蓝 s . N。 Dudul s V。 曾 中国 应用电子 桑特Gadge巴巴Amravati大学 444602年Amravati马哈拉施特拉邦 印度 sgbau.ac.in 2009年 12 04 2009年 2009年 05年 11 2008年 06 02 2009年 30. 03 2009年 2009年 版权©2009 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

肌电图(EMG)信号可以用于临床/生物医学应用和现代人机交互。EMG信号获得噪声通过组织旅行时,固有噪声在电子设备、环境噪声等等。ANN方法研究了降低噪声的EMG信号。本文结果表明,集中时滞递归神经网络(FTLRNN)可以优雅地解决减少噪音EMG信号。经过严格的计算机模拟,作者开发了一个最优FTLRNN模型,消除了噪声的EMG信号。结果表明,该最优FTLRNN模型有一个MSE(均方误差)低至0.000067和0.000048,相关系数高达0.99950和0.99939为噪声信号和肌电图信号,分别在验证测试数据集。也注意到的输出估计FTLRNN密切遵循真实的模型。这个网络确实是健壮的EMG信号容忍噪声方差从0.1到0.4 0.30统一的噪声和高斯噪声。很明显,网络的训练是独立于特定的分区数据集。是看到FTLRNN提出模型的性能明显优于最好的多层感知器(MLP)和径向基函数神经网络(RBF)模型。 The simple NN model such as the FTLRNN with single-hidden layer can be employed to remove noise from EMG signal.

 1。介绍

生物医学信号意味着从任何器官获得的集体电信号代表一个物理变量的兴趣。这个信号通常是时间的函数,描述的振幅,频率和相位。EMG信号是一个生物医学信号测量电流中产生肌肉收缩过程中代表神经肌肉活动。神经系统总控制肌肉活动(收缩/舒张)。因此,EMG信号是一个复杂的信号,它是由神经系统和控制依赖于肌肉的解剖和生理特性。旅行时EMG信号获得噪声通过不同的组织。此外,肌电图检测,尤其是如果它是表面的皮肤,每次从不同的电机单元收集信号可能产生相互作用的不同的信号。EMG信号检测与强大的推进方法正在成为生物医学工程中的一个非常重要的需求。兴趣的主要原因EMG信号分析在临床诊断和生物医学应用。到目前为止,研究和广泛的努力已经在该地区,发展更好的算法,升级现有方法,提高检测技术来减少噪音和获取准确的EMG信号( 1]。从嘈杂的EMG信号噪声去除是一个过滤的问题。这里的神经网络模型训练已知噪声与EMG信号分离。

文献调查 2- - - - - - 5]表明,神经网络(NNs)已经被有效地用于非线性多变量函数近似。然而,仍然有足够的范围选择合适的神经网络模型的性能措施优化方法零和统一的均方误差(MSE)和相关系数( r),分别。在函数逼近,目的是找到最佳线性近似的参数输入和期望的响应对。在非线性系统识别,传统的技术,如最小二乘方法,偏最小二乘回归、主成分回归,普通最小二乘回归,回归树,Levenberg马夸特算法,和多元自适应回归样条函数算法通常不工作合理如果底层问题过于复杂( 6- - - - - - 8]。因此神经网络方法是值得考虑的解决系统识别问题( 9]。一个典型的EMG信号的噪声消除问题被认为是。这个基准测试数据的噪声去除EMG信号从一本书的配套光盘神经网络( 10]。数据包含一个肌(EMG)信号和干扰噪声(60 Hz)的电源。这两个文件分别是“EMG噪声”和“噪音”。我们的目标是获得EMG使用自适应滤波技术。培训文件用于训练神经网络从EMG信号噪声去除。

最优集中时滞递归神经网络(FTLRNN)是发达国家从EMG信号有效地去除噪声。其他类神经网络配置等多层感知器(MLP神经网络)和径向基函数神经网络(RBF)相比也被这样的噪声去除问题。

摘要智能去除噪声的EMG信号使用FTLRNN-based模型。

 2。肌电图和噪音的来源

肌电图代表肌电图。这是信号的研究。EMG有时被称为肌活动。肌肉组织进行电势类似于神经,和这些电信号的名字是肌肉动作电位。表面EMG记录信息的方法在这些肌肉动作电位。EMG信号检测和记录时,有两个主要关心的问题,影响信号的保真度。第一个是信噪比。能量的比值,EMG信号噪声信号的能量。一般来说,噪声被定义为电信号不期望的EMG信号的一部分。另一个问题是信号的失真,这意味着任何频率分量的相对贡献的EMG信号不应改变。 There are many applications for the use of EMG. EMG is used clinically for the diagnosis of neurological and neuromuscular problems. It is used diagnostically by gait laboratories and by clinicians trained in the use of biofeedback or ergonomic assessment. EMG is also used in many types of research laboratories, including those involved in biomechanics, motor control, neuromuscular physiology, movement disorders, postural control, and physical therapy.

电噪音和影响因素EMG信号

EMG信号的振幅范围清廉mV(−5 + 5)之前放大。旅行时EMG信号获得噪声通过不同的组织。重要的是要理解电气噪声的特点。电噪音,会影响EMG信号,可以分为以下类型。

 (1)电子设备的固有噪声

所有电子设备产生的噪音。这噪音无法消除;使用高质量的电子元器件只能减少它。

 (2)环境噪音

电磁辐射是这种噪音的来源。我们身体的表面不断泛滥的电磁辐射,它几乎是不可能避免接触表面上的地球。环境噪声可能振幅的一至三个数量级大于EMG信号。

 (3)运动工件

工件运动导致违规行为的数据。运动构件主要有两个来源:(1)电极界面和电极(2)电缆。运动工件可以减少适当的电子电路的设计和设置。

 (4)信号固有的不稳定性

肌电图的振幅在本质上是随机的。EMG信号影响电动机的燃烧速度单位,这在大多数情况下,火在0到20赫兹的频率区域。这种噪音被认为是不必要的,和噪音的去除是很重要的。

 3所示。性能的措施

各种神经网络的性能评估是通过目视检查肌电图和噪声信号的图形以及最佳值的均方误差(MSE) r(相关系数)。

均方误差(MSE)

均方误差的公式

均方误差 = ∑ j = 0 P ∑ 我 = 0 N ( d 我 j − y 我 j ) 2 N P , 在哪里 P=输出处理元素的数量, N=数据集的范本, y 我 j =网络输出范例 我在处理元素 j, d 我 j =期望输出范例 我在处理元素 j。

 相关系数(< inline-formula > < mml:数学xmlns: mml = " http://www.w3.org/1998/Math/MathML " id = " M4 " > < mml: mrow > < mml: mi > r < / mml: mi > < / mml: mrow > < / mml:数学> < / inline-formula >)

根据定义,一个网络输出之间的相关系数 x和所需的输出 d是

r = ∑ 我 ( x 我 − x ¯ ) ( d 我 − d ¯ ) / N ∑ 我 ( d 我 − d ¯ ) 2 / N ∑ 我 ( x 我 − x ¯ ) 2 / N , 在哪里 x ¯ = ( 1 / N ) ∑ 我 = 1 N x 我 和 d ¯ = ( 1 / N ) ∑ 我 = 1 N d 我 。

相关系数是局限于范围( − 1 , 1 ]。当 r= 1,有一个完美的积极的线性相关性 x和 d,也就是说,他们共变,这意味着他们通过相同数量不同。

 4所示。计算机模拟

选择一个数据集,可用于去除噪声的EMG信号。有2000个训练模式。训练数据集的神经网络应该是独立的。因此不同的排列和组合数据集产生许多独立数据集用于神经网络的训练和测试。

表 1描述了各种神经网络训练数据集。一旦数据是随机的,总样本分为三个部分,即培训,交叉验证和测试样本。如果样本分为训练的顺序,交叉验证和测试,这是一个标签。另一方面测试的序列,交叉验证,然后训练称为反向标记。不同比例的训练和测试样本,交叉验证样品保持常数如表所示 1(a)标记和反向标记数据集给总16个不同的数据集来评估估计网络模型的性能。这个数据集是学习还测试了多种的微分。多种的微分学习的神经网络进行数据集,也就是说,总样本分为四组每一个包含500个样本表 1(b)。每组样本的数量表中提到的 1(b)。所有可能的组合用于训练神经网络和评估性能的测试。总有34个数据集形成差动学习如表所示 1(b)。评估神经网络的性能用怀疑的目光,总使用50个不同的数据集。这是必要的,因为估计的神经网络模型应该始终工作在不同的数据集。这也保证了该神经网络模型具有真正学到有意义的信息的数据集,从偏见是免费的。

EMG信号数据集用于NN-based模型。样本总数= 2000。

基于正向和反向标记数据集和%的变化

S.N. 数据集 标签 %的变化
(Train-CV-test)
1 Dataset1 转发(培训、交叉验证和测试) 10 - 15 - 75%
2 Dataset2 20 - 15 - 65%
3 Dataset3 30 - 15 - 55%
4 Dataset4 40 - 15 - 45%
5 Dataset5 50 - 15 - 35%
6 Dataset6 60 - 15 - 25%
7 Dataset7 70 - 15 - 15%
8 Dataset8 80 - 15 - 05%
9 Dataset9 反向(测试、交叉验证和培训) 10 - 15 - 75%
10 Dataset10 20 - 15 - 65%
11 Dataset11 30 - 15 - 55%
12 Dataset12 40 - 15 - 45%
13 Dataset13 50 - 15 - 35%
14 Dataset14 60 - 15 - 25%
15 Dataset15 70 - 15 - 15%
16 Dataset16 80 - 15 - 05%

基于多种的微分学数据集。组我:(1 - 500个样本),第二组:样本(501 - 1000),第三组:样本(1001 - 1500),第四组:(1501 - 2000个样本)

数据集 火车在组 测试组 数据集 火车在组 测试组
Dataset1 我 二世 Dataset18 我+ 3 2 + 4
Dataset2 我 三世 Dataset19 我+四世 二世
Dataset3 我 四世 Dataset20 我+四世 三世
Dataset4 二世 三世 Dataset21 我+四世 2 + 3
Dataset5 二世 四世 Dataset22 2 + 3 我
Dataset6 二世 我 Dataset23 2 + 3 四世
Dataset7 三世 四世 Dataset24 2 + 3 我+四世
Dataset8 三世 我 Dataset25 2 + 4 我
Dataset9 三世 二世 Dataset26 2 + 4 三世
Dataset10 四世 我 Dataset27 2 + 4 我+ 3
Dataset11 四世 二世 Dataset28 3 + 4 我
Dataset12 四世 三世 Dataset29 3 + 4 二世
Dataset13 我+二世 三世 Dataset30 3 + 4 我+二世
Dataset14 我+二世 四世 Dataset31 我+ 2 + 3 四世
Dataset15 我+二世 3 + 4 Dataset32 2 + 3 + 4 我
Dataset16 我+ 3 二世 Dataset33 3 + 4 +我 二世
Dataset17 我+ 3 四世 Dataset34 IV +我+二世 三世

评估神经网络是通过一个标准的方法统计数据 独立的验证可用的数据分为训练集,交叉验证(CV),整个数据集和测试集。通常是随机的。使用训练数据更新网络中的权重。然后使用测试数据来评估网络推广。估计的神经网络模型的学习和泛化能力评估的基础上性能等措施均方误差、相关系数 r期望和实际图形,视觉检查肌电图信号。

网络已经训练了至少5次从不同的随机初始权重,避免局部最小值。Neurodimension NeuroSolutions(第5版)是专门用于获取结果。系统,512 MB内存,40 GB硬盘,2 MB缓存和1.6 GHz时钟是用来进行模拟。

各种神经网络用于比较性能,和FTLRNN是最好的去除噪声的EMG信号。

4.1。MLP神经网络

MLP-based NN模型在这项研究中,因为它有坚实的理论基础 11]。mlp与标准的反向传播前馈神经网络训练算法( 12]。他们监督网络,所以他们需要训练所需的响应。图 1显示了MLP神经网络的体系结构。

一个简单的多层感知器。

一个详尽和细致的实验研究进行了确定MLP神经网络模型的最优配置。所有可能的变化,如隐藏层的数量,数量的PEs(处理元素)在每个隐层,不同的传输函数在输出层,和不同的监督学习规则进行模拟。

表 2MLP神经网络模型的显示各种参数的变化来获得最优参数。

MLP神经网络模型的变量参数。

S.N. 参数 典型的范围 最优参数
1 隐藏层 1到4 2
2 体育 H张20 H II-1 10 H III-10 H IV-10 隐层I - 15隐藏层2 - 10
3 学习规则 动量(妈妈)、共轭梯度(CG)、Levenberg马夸特(LM),快速传播(QP),一步,酒吧δ 动力
4 输出层的传递函数 线性、Lineartanh双曲正切 双曲正切

监督学习时代= 1000,误差阈值= 0.01,在隐层=双曲正切传递函数,输入层的PEs数量= 1,输出层的PEs数量= 2。

隐藏层的数量是不同的从1到4,和MLP神经网络模型的性能措施发现更好的两个隐藏层,如表所示 3。隐藏层的数量增加,网络的性能并没有明显改善。

隐藏层和数量 r。

S.N. 不。隐藏层 相关系数
噪音 肌电图
1 1 0.76966 0.56711
2 2 0.77212 0.57113
3 3 0.77107 0.56936
4 4 0.76574 0.56861

发现数据 2和 3模型的最优性能是获得15第一隐层神经元隐层神经元和10在第二个关于均方误差最小, r相关系数。数据 2和 3描绘平均均方误差对PEs的数量在第一和第二个隐藏层,分别。

变化的平均最小MSE 5运行与PEs在第一个隐层的数量。

变化的平均最小MSE 5运行与PEs在第二个隐藏层的数量。

数据 4和 5描绘的MLP神经网络建模能力测试数据集描述MLP神经网络的期望输出和实际输出测试数据集。看到,EMG信号和噪声信号的实际输出不遵循所需的输出。有很多神经网络的输出之间的偏差和所需的输出。

MLP神经网络的建模能力测试数据集EMG信号。

MLP神经网络的建模能力EMG噪声信号的测试数据集。

数据集的MLP神经网络模型训练了五次。如MSE和性能措施 r在训练数据集和测试数据集。获得最优性能,当80%的整个数据集用于培训,15%交叉验证,5%用于测试。的 相关系数测试数据集一样高 0.78113 和MSE = 0.02501EMG信号和噪声信号 r= 0.5843和MSE = 0.02485。

 4.2。集中时滞递归神经网络(FTLRNN)

时滞的网络(TLRNs)与短期记忆mlp扩展结构。最真实的数据包含在它的时间结构信息,也就是说,数据如何随时间变化。TLRNs艺术状态的非线性时间序列预测、系统识别、分类和时间模式。

复发性网络是神经网络与一个或多个反馈循环。TDNN内存结构只是一连串的理想延迟(一个样品的延迟)。γ记忆一连串漏水的集成商。Laguaerre内存比γ更为复杂的内存,因为它使正交化的内存空间。这是非常有用的在处理大内存内核( 10]。

输入PEs的MLP取代抽头延迟线。它被称为集中时间延迟神经网络(TDNN)。拓扑称为集中,因为记忆是只有在输入层 13]。

集中的延迟线TDNN商店过去的样本输入。抽头延迟线和权重的组合连接水龙头的PEs第一隐层是简单线性组合器静态非线性紧随其后。第一层的集中TDNN因此过滤层,尽可能多的自适应滤波器PEs在第一隐层。

集中TDNN拓扑结构已经成功地应用于非线性系统辨识、时间序列预测、时间模式识别。图 6显示了FTLRNN的架构。图的主要拓扑结构 6是一个递归神经网络可能出现是当地的体育。局部复发性神经网络的优点之一是,可以判断系统的稳定性制约当地反馈参数的值,这样当地的体育是稳定的。如果实施局部稳定性,全球体系将是稳定的。

延时的输入层上下文PEs(集中架构)。

全面进行了试验研究,以确定最优FTLRNN模型的参数。这里隐藏层的数量是不同的从1到2,和性能的措施FTLRNN模型发现更好的单隐层如表所示 4。隐藏层数的增加,网络的性能并没有明显改善。

隐藏层和数量 r。

S.N. 不。隐藏层 相关系数
噪音 肌电图
1 1 0.99533 0.99471
2 2 0.98993 0.99302

图 7描绘了平均均方误差对PEs在第一个隐层的数量。27个神经元是选择最佳性能。

变化的平均最小MSE 5运行与PEs在第一个隐层的数量。

表 5显示不同FTLRNN模型的各种参数来获得最优参数。对于动力学习规则,结果最优。的 动力梯度下降法提供了一些惰性,所以它往往沿着一个方向,也就是说,平均预估。惯性的数量(即。,how much of the past to average over) is dictated by the momentum parameter, ρ。动量是越高,它越缓和梯度估计,效果越少一个梯度的变化对体重变化。线性传递函数最优的结果。

FTLRNN模型的变量参数。

S.N. 参数 典型的范围 最优值
1 学习规则 动量,共轭梯度,Levenberg马夸特(LM),快速传播(qp),步骤,酒吧δ(dbd) 动力
2 输出层的传递函数 线性、lineartanh双曲正切 线性
3 内存结构 Laguarre TDNNAxonγ Laguarre
4 深度样本中 2到12 4
5 轨迹的长度 10到60 50

监督学习时代= 1000,误差阈值= 0.01,在隐层=双曲正切传递函数,输入层的PEs数量= 1,隐层的PEs 1 = 27日和输出层的PEs数= 2。

各种数据集,FTLRNN模型训练了五次不同的随机初始化连接权重。MSE和性能的措施 r在训练数据集,交叉验证数据集和测试数据集。获得最优性能培训80%交叉验证15%和5%的测试。测试数据集上的相关系数是发现作为噪声信号和肌电图0.9984和0.9973,分别。MSE EMG信号和噪声得到0.0002。

表 6描述,Laguarre内存结构导致性能最优。Laguarre是一个本地复发内存结构。它有内部反馈回路与一个适应性强的重量。拉盖尔内存比γ更为复杂的记忆,它使正交化的内存空间。这是有用的在处理大内存的内核。Laguarre记忆是基于Laguarre功能。Laguarre函数正交函数集是由一个低通滤波器级联的传递函数。

选择最优性能的内存结构FTLRNN模型。

S.N. 内存结构 均方误差 相关系数
噪音 肌电图 噪音 肌电图
1 TDNNAxon 0.000455 0.000308 0.99719 0.996754
2 γ 0.000301 0.000281 0.99827 0.997204
3 Laguarre 0.0002624 0.000280 0.998427 0.997305

深度的样品参数( D)用于计算敲击的次数( T)包含在内存结构的网络。的最优值 D4所示表吗 7。

选择样本的深度FTLRNN模型的最优性能。

S.N. 深度 均方误差 相关系数
样品 噪音 肌电图 噪音 肌电图
1 2 0.02982 0.02982 0.7709 0.5628
2 4 0.00024 0.00024 0.9985 0.9975
3 6 0.00037 0.00031 0.9977 0.9969
4 8 0.00031 0.00036 0.99806 0.9962
5 12 0.00047 0.00028 0.9972 0.9971

轨迹长度对应样品内设置动态控制器。它指定有多少样本读反向传播发生之前。表 8显示轨迹的长度50选为最佳性能。

选择轨迹的长度FTLRNN模型的最优性能。

S.N. 的长度 均方误差 相关系数
轨迹 噪音 肌电图 噪音 肌电图
1 05年 0.00023 0.000228 0.9986 0.9974
2 10 0.00024 0.000236 0.9985 0.9976
3 20. 0.00024 0.00025 0.9985 0.9974
4 30. 0.00024 0.00025 0.9985 0.9975
5 40 0.00023 0.00022 0.9985 0.9975
6 50 0.00023 0.00024 0.9985 0.9976
7 60 0.00024 0.00025 0.9984 0.9974

数据 8和 9FTLRNN显示建模能力,显示期望输出和实际输出的FTLRNN EMG和噪音测试数据集,分别。见过,神经网络的输出密切遵循所需的输出。

建模能力FTLRNN EMG信号的测试数据集。

建模能力FTLRNN EMG噪声信号的测试数据集。

数据 10和 11FTLRNN显示建模能力,显示了FTLRNN的期望输出和实际输出信号与噪声对训练数据集,分别。这是看到实际产出密切遵循所需的输出。

建模能力的FTLRNN训练数据集。

建模能力的FTLRNN训练数据集。

 4.3。径向基函数(RBF)

首次引入RBF在真正的多元插值问题的解决方案 14, 15]。RBF网络的建设,在其最基本的形式,涉及到三层。输入层由源节点(感觉单位)连接网络环境。第二层,唯一的隐层网络中,输入空间的非线性变换适用于隐藏的空间。输出层是线性的,提供网络的反应激活模式(信号)应用到输入层 16]。RBF神经网络模型的结构如图 12。

径向基函数(RBF)网络。

作出严格的实验研究来确定RBF神经网络模型的最优性能。RBF神经网络的可变参数表中列出 9。

RBF神经网络模型的变量参数。

S.N. 参数 典型的范围 最优参数
1 聚类中心 5到100 5
2 无监督学习规则 Conscience-full,标准 Conscience-full
3 监督学习规则 动量,共轭梯度,Levenberg马夸特快速传播,一步,酒吧δ Levenberg马夸特
4 度规 欧几里得,点积,箱式车 欧几里得
5 输出层的传递函数 线性、lineartanh双曲正切 线性

从图 13,看到5集群中心获得最佳性能。

变化的相关系数最优数量的集群中心的RBF神经网络模型。

表 10和 11描述了RBF神经网络的最优性能。良心full-unsupervised学习规则和欧几里得竞争学习为最优性能指标选择。

选择无监督学习规则的RBF神经网络模型。

S.N. 无监督学习规则 均方误差 相关系数
噪音 肌电图 噪音 肌电图
1 良心全 0.02484 0.024993 0.7827 0.5825
2 标准的全 0.02954 0.02950 0.77338 0.5698

选择竞争学习度量的RBF神经网络模型。

S.N. 度规 均方误差 相关系数
噪音 肌电图 噪音 肌电图
1 欧几里得 0.02484 0.024993 0.7827 0.5825
2 点积 0.02985 0.02967 0.7713 0.5664
3 箱式车 0.02955 0.029496 0.77329 0.56994

数据 14和 15给建模能力的时滞,大小表明RBF神经网络的期望输出和实际输出测试数据集EMG信号。这是看到实际产出冷淡地遵循所需的输出。

建模能力的RBF EMG信号的测试数据集。

建模能力的RBF EMG噪声信号的测试数据集。

 5。结果和比较

表 12描述了变化的性能参数为MLP神经网络学习规则,FTLRNN和时滞测试数据集大小。从表 12,可以看出集中时滞递归神经网络给出了最优性能的线性传递函数。

传递函数的选择对各种神经网络模型对测试数据集。

S.N. 神经网络 信号 传递函数
双曲正切 线性双曲正切 线性
均方误差 r 均方误差 r 均方误差 r
1 中长期规划 N 0.02501 0.78114 0.02557 0.77557 0.02521 0.7792
肌电图 0.02485 0.58433 0.0251 0.5779 0.02513 0.5781
2 FTLRNN N 0.00027 0.99797 0.00015 0.99882 0.000067 0.99843
肌电图 0.00023 0.99695 0.00013 0.9981 0.000048 0.99731
3 RBF N 0.2473 0.78385 0.02482 0.78297 0.02477 0.7839
肌电图 0.02481 0.5852 0.02481 0.5851 0.02480 0.5854

表 13描述了选择每个神经网络的学习规则的最优性能。FTLRNN动力学习规则是选择最佳的性能。

选择最佳的学习规则的各种神经网络模型对测试数据集。

S.N. 神经网络 信号 学习规则
动力 共轭梯度 Levenberg马夸特 快速的传播 一步 δδ——酒吧
1 中长期规划 噪音 0.7786 0.76672 0.77414 0.77388 0.77365 0.76857
肌电图 0.5840 0.57205 0.57182 0.56866 0.57026 0.57125
2 FTLRNN 噪音 0.99843 0.99617 0.99781 0.99806 0.99842 0.99792
肌电图 0.99731 0.99572 0.99684 0.99756 0.99695 0.99787
3 RBF 噪音 0.77314 0.7737 0.77382 0.77335 0.77335 0.7724
肌电图 0.57059 0.5712 0.57186 0.5718 0.57184 0.5711

表 14和 15显示回归神经网络模型的性能。它显示了性能参数,MSE和 r在培训、交叉验证和测试数据集MLP神经网络。FTLRNN, RBF神经网络噪声和肌电图信号。的观察,表明FTLRNN模型最低MSE和相关系数最高。FTLRNN是最好的神经网络将噪声从EMG信号。

回归神经网络模型对EMG噪声信号的性能。

S.N. 神经网络模型 性能的措施
训练数据集 简历数据集 测试数据集
均方误差 r 均方误差 r 均方误差 r
1 中长期规划 0.02688 0.77322 0.03070 0.77021 0.02501 0.78114
2 FTLRNN 0.000254 0.99809 0.00201 0.98701 0.000067 0.99950
3 RBF 0.02664 0.77544 0.03036 0.77309 0.024704 0.784138

回归神经网络模型的性能对EMG信号。

S.N. 神经网络模型 性能的措施
训练数据集 简历数据集 测试数据集
均方误差 r 均方误差 r 均方误差 r
1 中长期规划 0.026537 0.57309 0.03041 0.56829 0.02485 0.58433
2 FTLRNN 0.00024 0.99692 0.00216 0.97584 0.000048 0.99939
3 RBF 0.02654 0.57122 0.03037 0.56915 0.024817 0.585088

表 16显示的比较MLP神经网络。FTLRNN和RBF神经网络。三号发自,时代保存1000年的数量。MSE FTLRNN模型是小于0.0027倍的延时和RBF神经网络模型。FTLRNN相关系数是1.71倍的延时和RBF神经网络模型。FTLRNN百分比误差为最小。0.04倍和0.034倍小于延时和RBF神经网络,分别。时间每时代FTLRNN范例为0.73倍和1.67倍的延时和RBF神经网络,分别。RBF神经网络相比,FTLRNN模型训练但是从MSE和需要更多的时间 r建模特点,通过目视检查,绝对是优于其他两个NNs FTLRNN模型。

所有的神经网络结构的比较测试数据集。

神经网络模型 传递函数 学习规则 均方误差均方误差 相关系数 r 时代 时间/时代/微秒的范例 %的错误
延时(1-15-10-2) 双曲正切 动力 0.02501(噪音)0.02482 (EMG) 0.78114(噪音)0.58433 (EMG) 1000年 19.16 253年
FTLRNN (1-27-2) 线性 动力 0.000067(噪音)0.000048 (EMG) 0.99950(噪音)0.99939 (EMG) 1000年 14 10
RBF (CC-05) 线性 LM 0.02470(噪音)0.02482 (EMG) 0.78414(噪音)0.58509 (EMG) 1000年 8.3 293年
噪声对EMG信号的影响

FTLRNN估计MLP神经网络,通过添加统一检查RBF神经网络的鲁棒性和高斯噪声得到的输入和输出。图 16描绘了NNs制服和高斯噪声的性能。噪声方差变化从0.01到0.4。0.4在FTLRNN均匀噪声对EMG信号噪声方差得到而引入高斯噪声时,噪声方差0.3检测。MLP神经网络和RBF神经网络噪声方差的增加,性能参数减少到非常低的值。

噪声对EMG信号的影响。

 学习能力的FTLRNN在不同的数据分区

神经网络模型的学习独立的测试数据集。延时、FTLRNN和RBF神经网络模型训练的各种数据如表所示 1(一)(标签和反向标记)。图 17显示这些神经网络模型的性能对过滤EMG信号。FTLRNN-based模型发现的性能几乎相同的数据集与中长期规划和RBF神经网络模型。

相关系数与不同的数据集。

 多种的学习差

总样本分为四组每一个包含500个样本如表所示 1(b), FTLRNN性能MLP神经网络和RBF神经网络模型显示在图中 18。这是观察到的性能FTLRNN-based模型是一致的。也观察到相关系数最高为FTLRNN数据集。

NNs差学习的性能。

 6。结论

EMG信号携带有关神经系统的有价值的信息。使用安EMG信号中噪声去除是本文研究。作者证明FTLRNN-based滤波器消除噪声优雅的EMG信号。紧凑FTLRNN只有一个隐层结构(1-27-2)能够去除噪声合理的准确性。当延时和RBF神经网络模型的性能是仔细检查数据集,基于FTLRNN模型明显优于MLP神经网络和RBF神经网络的性能如MSE和措施 r以及图形的视觉检查的实际和期望输出值过滤EMG信号。FTLRNN-based过滤得到相关系数高达0.99939,和MSE发现低至0.000048过滤EMG信号。对噪声信号的相关系数和MSE最优发现为0.99950和0.000067,分别。此外,实际产出的估计FTLRNN模型遵循所需的输出更紧密地比其他神经网络模型。在FTLRNN-based模型的学习能力的情况下,性能参数是一致的,因此学习几乎是独立于特定的分区数据集。也看到所需的时间运行每时代范例火车FTLRNN-based模型的网络是相当低的。最少的百分比误差等于10% FTLRNN测试数据集。也观察到当制服和高斯噪声介绍了EMG信号,网络保持合理水平的噪音。统一的噪音,100%宽容是观察,对高斯噪声,它是75%。这证实了提出的噪声免疫力FTLRNN-based模型。 The estimated FTLRNN is a robust network developed to detect EMG signal from noisy EMG signal.

提出FTLRNN-based模型与Laguarre记忆能够过滤噪音从典型的EMG信号被噪声污染。

 Reaz m . b . I。 mamun.raez@mmu.edu.my 侯赛因 m . S。 Mohd-Yasin F。 EMG信号分析技术:检测、处理、分类和应用 生物过程在线 2006年 8 1 11 35 10.1251 / bpo115 吴 机票的。 郑 H。 股票指数预测使用递归神经网络 程序的应用人工智能国际会议和应用程序(友邦06年) 2006年2月 奥地利因斯布鲁克 de Veaux r D。 deveaux@williams.edu 想念的 J。 jschumi@iastate.edu Schweinsberg J。 jason@stat.berkeley.edu 杉 l . H。 ungar@cis.upenn.edu 通过非线性回归神经网络的预测区间 技术计量学 1998年 40 4 273年 282年 10.2307 / 1270528 酒吧间招待员 R。 普拉萨德库玛 B。 pkbhaskaran@naval.iitkgp.ernet.in Pandey p C。 杜布 美国K。 海啸旅行时间预测使用神经网络 《地球物理研究快报 2006年 33 16 6 L16612 10.1029/2006 gl026688 Sadat-Hashemi s M。 Kazemnejad 一个。 kazem_an@modares.ac.ir 卢卡斯 C。 Badie K。 使用人工神经网络预测怀孕的类型和多项逻辑回归:比较研究 神经计算与应用 2005年 14 3 198年 202年 10.1007 / s00521 - 004 - 0454 - 8 弗雷德里克• h . M。 Kostanic 我。 科学与工程Neurocomputing原则 2000年 新德里,印度 塔塔麦格劳-希尔 伯格斯 p . T。 伯德 r·H。 施纳贝尔 r B。 一个稳定、高效的算法非线性回归正交距离 暹罗期刊在科学计算 1987年 8 6 1052年 1078年 10.1137 / 0908085 刘易斯 p。 史蒂文斯 j·G。 非线性时间序列的建模使用多元自适应回归样条函数(火星) 1990年 ADA222710 美国弗吉尼亚州配发 国防科技信息中心 微积分 年代。 神经网络:一个全面的基础 1999年 新德里,印度 培生教育 普林西比岛 j . C。 Euliano N。 Lefebvre w . C。 通过模拟神经和自适应系统:基本面 2000年 纽约,纽约,美国 约翰威利& Sons 降噪数据集 德穆斯 H。 比尔 M。 神经网络工具箱:用户指南,3.0版本 1998年 纳蒂克,美国质量 的MathWorks Cybenko G。 近似s型函数的叠加 数学的控制、信号和系统 1989年 2 4 303年 314年 10.1007 / BF02551274 秦 S.-Z。 苏 H.-T。 麦卡沃伊 t·J。 比较四个动态系统辨识的神经网络学习方法 IEEE神经网络 1992年 3 1 122年 130年 10.1109/72.105425 鲍威尔 m . j . D。 径向基函数的多变量插值:审查 诉讼的IMA会议功能和数据的近似算法 1985年7月 英国Shrivenham 143年 167年 光 W。 切尼 e·W。 崔 c K。 舒梅克 L . L。 岭函数,s形函数和神经网络 近似理论七世 1992年 波士顿,美国质量 学术出版社 163年 206年 封面 t M。 几何和统计特性的系统的线性不等式在模式识别中的应用 IEEE电子计算机 1965年 14 3 326年 334年 10.1109 / PGEC.1965.264136