吳劍鋒 吳 群 孫守遷

1.浙江大學(xué),杭州,310027 2.浙江理工大學(xué),杭州,310018

0 引言

智能人體運(yùn)動(dòng)輔助系統(tǒng)可以增強(qiáng)行動(dòng)受損人群的肢體運(yùn)動(dòng)能力,幫助其恢復(fù)正常的社會(huì)生活,改善其心理和生理狀態(tài),是目前智能機(jī)器人系統(tǒng)研究的一個(gè)熱點(diǎn)。保持輔助系統(tǒng)的執(zhí)行動(dòng)作與使用者運(yùn)動(dòng)一致、避免對(duì)人體自由活動(dòng)產(chǎn)生干擾、同時(shí)保證使用者的靈活性是智能輔助的重要目標(biāo)[1],其中使用者肢體動(dòng)作的有效識(shí)別是系統(tǒng)設(shè)計(jì)的關(guān)鍵技術(shù)之一。

從現(xiàn)有研究成果來(lái)看,根據(jù)研究重點(diǎn)的不同,不同研究學(xué)者完成動(dòng)作識(shí)別的方法主要有三種。第一種方法試圖直接從人體運(yùn)動(dòng)神經(jīng)系統(tǒng)獲取相關(guān)運(yùn)動(dòng)信息,例如非植入式誘發(fā)腦電分析[2-3],但其受人類(lèi)大腦工作機(jī)理研究的限制,基于腦電的動(dòng)作識(shí)別和控制多限于簡(jiǎn)單的肢體動(dòng)作。第二種方法利用安裝在使用者身上的信息傳感裝置,間接獲取人體運(yùn)動(dòng)信息[4-5]。如何在控制系統(tǒng)復(fù)雜度和成本的前提下,盡可能多地獲取運(yùn)動(dòng)信息是該研究方向的重點(diǎn)。第三種方法擬建立人體模型,通過(guò)數(shù)學(xué)建模的方法進(jìn)行動(dòng)作預(yù)測(cè),以完成動(dòng)作識(shí)別的目的[6]。如何解決人體關(guān)節(jié)冗余特性帶來(lái)的影響是該類(lèi)研究的主要內(nèi)容。

中樞神經(jīng)系統(tǒng)支配肌肉活動(dòng)時(shí)伴隨著生物電變化,肌電信號(hào)(electromyography,EMG)是肌肉電活動(dòng)在時(shí)間和空間上綜合特性的顯示,反映人體動(dòng)作中各肌肉的活動(dòng)情況。表面肌電信號(hào)(surface electromyography：sEMG)是一種重要的運(yùn)動(dòng)生物力學(xué)信息源,測(cè)量時(shí)對(duì)人體無(wú)創(chuàng)傷。利用表面肌電信號(hào)分析技術(shù)提取反映運(yùn)動(dòng)意愿的有效特征,進(jìn)行動(dòng)作辨識(shí)已經(jīng)廣泛應(yīng)用在類(lèi)人機(jī)械和人工假肢的控制策略以及人體康復(fù)治療中。另外,基于小樣本統(tǒng)計(jì)理論的支持向量機(jī)(support vector machine,SVM)技術(shù)能夠較好地解決小樣本學(xué)習(xí)問(wèn)題,具有良好的泛化能力。近年來(lái)較多的國(guó)內(nèi)外學(xué)者以SVM和sEMG技術(shù)為基礎(chǔ),結(jié)合不同的特征提取方法,對(duì)人體運(yùn)動(dòng)辨識(shí)進(jìn)行了深入研究,并取得了豐富成果。例如,Castellini等[7]證實(shí)了支持向量機(jī)技術(shù)對(duì)人體手部姿勢(shì)判定的有效性;Yan等[8]則進(jìn)一步提出模糊最小二乘支持向量機(jī)技術(shù),完成了手部動(dòng)作識(shí)別;Lucas等[9]結(jié)合SVM和小波分析的方法對(duì)人體前臂和手部動(dòng)作進(jìn)行了識(shí)別;羅志增等的研究小組,利用支持向量機(jī)技術(shù),分別對(duì)人體手部運(yùn)動(dòng)和下肢行走等動(dòng)作進(jìn)行了識(shí)別研究[10-11];顏志國(guó)[12]也進(jìn)行了類(lèi)似的研究。

目前的研究多集中在人體上肢動(dòng)作識(shí)別上,利用表面肌電信號(hào)快速準(zhǔn)確地識(shí)別出下肢的動(dòng)作模式存在一定的難度。一方面,相對(duì)上肢而言,下肢肌電信號(hào)是典型的時(shí)變非平穩(wěn)信號(hào),而且經(jīng)常夾雜較大的下肢運(yùn)動(dòng)噪聲。另一方面,利用SVM進(jìn)行動(dòng)作識(shí)別本質(zhì)上是一個(gè)多元分類(lèi)問(wèn)題,在實(shí)際應(yīng)用中則是將多元分類(lèi)逐步歸屬到二元分類(lèi)上。由于支持向量機(jī)的性能不僅受到核函數(shù)和參數(shù)選擇的影響,同時(shí)也受到支持向量數(shù)目的影響,因此,本文構(gòu)造了基于核聚類(lèi)簡(jiǎn)化的多元支持向量分類(lèi)方法,以提高對(duì)人體下肢多動(dòng)作識(shí)別的準(zhǔn)確性和實(shí)時(shí)性,并以起立、常速行走和上下樓梯等日常行為為例,對(duì)算法進(jìn)行了驗(yàn)證。

1 簡(jiǎn)約支持向量機(jī)多元分類(lèi)算法

本文將人體下肢運(yùn)動(dòng)的7個(gè)分解片段識(shí)別問(wèn)題轉(zhuǎn)化為利用支持向量機(jī)分類(lèi)算法進(jìn)行分類(lèi)的問(wèn)題。而使用SVM進(jìn)行分類(lèi)的主要思想是建立一個(gè)空間最優(yōu)決策超平面,使處于該超平面兩側(cè)的樣本到它的距離達(dá)到最大,以確保SVM模型具有良好的泛化性能。設(shè)給定樣本為(xi,yi),其中,x i為訓(xùn)練樣本,x i∈Rd,i=1,2,…,l,y i為目標(biāo)類(lèi),y i∈{1,2,…,M};M為目標(biāo)類(lèi)的個(gè)數(shù);l為訓(xùn)練樣本個(gè)數(shù);d為輸入空間維數(shù)。通過(guò)構(gòu)造最優(yōu)超平面對(duì)該樣本進(jìn)行分類(lèi),實(shí)質(zhì)上是在約束條件下求解一個(gè)二次規(guī)劃問(wèn)題,分類(lèi)函數(shù)可表述為

其中,b為偏置,αi為對(duì)應(yīng)的拉格朗日乘子,k(x i,x)為滿(mǎn)足條件的核函數(shù),其主要作用是針對(duì)復(fù)雜的模式分類(lèi)問(wèn)題,通過(guò)非線(xiàn)性映射變換到維數(shù)足夠高的特征空間中,產(chǎn)生一個(gè)線(xiàn)性可分的高維特征空間,再在這個(gè)新的空間尋找具有最大Margin的最優(yōu)決策超平面。但是SVM的分類(lèi)思想是針對(duì)兩類(lèi)問(wèn)題的分類(lèi),對(duì)于多類(lèi)分類(lèi),必須重新構(gòu)建SVM分類(lèi)器來(lái)求解,即尋求一個(gè)把屬于Rd的點(diǎn)劃分為M個(gè)部分的規(guī)則。常用方法是將多元分類(lèi)問(wèn)題逐步轉(zhuǎn)化為兩元分類(lèi)問(wèn)題,即用多個(gè)兩元分類(lèi)支持向量機(jī)組成專(zhuān)用的多元分類(lèi)器。本研究中采用兩元分類(lèi)方法中的1-a-r分類(lèi)器(oneagainst-rest classifiers),通過(guò)構(gòu)造M個(gè)兩元目標(biāo)子分類(lèi)器的方法,將多元分類(lèi)問(wèn)題逐步轉(zhuǎn)化為兩元分類(lèi)問(wèn)題,從而建立多個(gè)兩元分類(lèi)支持向量機(jī)組成的專(zhuān)用多元分類(lèi)器。

1-a-r分類(lèi)雖然建立方法簡(jiǎn)單,但是在面對(duì)人體下肢多模式動(dòng)作分類(lèi)任務(wù)時(shí),其正負(fù)訓(xùn)練樣本不均衡性更加突出。傳統(tǒng)SVM在面對(duì)這類(lèi)不對(duì)稱(chēng)分類(lèi)問(wèn)題時(shí),會(huì)因?yàn)榻澐终?lèi)和負(fù)類(lèi)決策函數(shù)而產(chǎn)生最優(yōu)分類(lèi)面向負(fù)類(lèi)集合偏移的情況,而且當(dāng)支持向量數(shù)目很大時(shí),分類(lèi)器的分類(lèi)速度會(huì)明顯降低。而智能人體運(yùn)動(dòng)輔助系統(tǒng)在實(shí)際應(yīng)用中又要求在有限的時(shí)間內(nèi)完成動(dòng)作辨識(shí)。因此傳統(tǒng)的SVM多元分類(lèi)算法在多模式下肢動(dòng)作識(shí)別中應(yīng)用受到限制。

針對(duì)該問(wèn)題,在曾志強(qiáng)[13]研究的基礎(chǔ)上,本研究提出精簡(jiǎn)分離器的方法以簡(jiǎn)化支持向量,加快分類(lèi)效率。

在建立正類(lèi)和負(fù)類(lèi)集合時(shí),首先在特征空間中對(duì)正負(fù)兩類(lèi)支持向量分別進(jìn)行聚類(lèi),設(shè)待聚類(lèi)的正(負(fù))支持向量集為聚類(lèi)半徑設(shè)為r,φ為將輸入空間中的點(diǎn)映射到特征空間F的非線(xiàn)性映射為特征空間中從屬于類(lèi)Ck的支持向量。設(shè)選擇樣本和第k個(gè)類(lèi)的質(zhì)心O k之間的距離：

如果d(φ(xi),Oj)≤r,則將 φ(xi)加入類(lèi)Cj,重新計(jì)算質(zhì)心位置。在此基礎(chǔ)上找到距離最近的質(zhì)心 Oj,即

其中,Cluster_num為求取O j過(guò)程中的分類(lèi)數(shù)量,其初始值設(shè)定為 1,當(dāng)?shù)^(guò)程中 d(φ(x i),O j)＞r時(shí),增加一個(gè)分類(lèi)數(shù)量,直至 d(φ(x i),O j)≤r。

在上述研究基礎(chǔ)上用聚類(lèi)后所形成的簇的質(zhì)心代替簇內(nèi)的支持向量來(lái)簡(jiǎn)化SVM分類(lèi)器,從而降低因數(shù)據(jù)集合不平衡性引起的分類(lèi)錯(cuò)誤;另外,在基本保持原始分類(lèi)器泛化性能的同時(shí)簡(jiǎn)化支持向量,以提高SVM分類(lèi)器的分類(lèi)速度。定義向量為Ok的原像z k和它的近鄰x k在輸入空間中的距離。質(zhì)心Ok在輸入空間中的原像的近似值可用下式表示：

其中,zk為質(zhì)心原像為nk個(gè)近鄰在輸入空間中的原像的均值,E1=(e1,e2,…,eq)為由一組標(biāo)準(zhǔn)正交列向量ei組成的d×q矩陣,設(shè)列向量c i為向量在E 1上的投影,則

在上述算法中,聚類(lèi)半徑越大,所形成的簇的數(shù)量就越少,支持向量的削減率就越高,約簡(jiǎn)前后分類(lèi)超平面之間差異就越大,泛化性能損失也就越多。因此,聚類(lèi)半徑的大小在支持向量的約簡(jiǎn)率和泛化性能損失之間起折中作用。在實(shí)際運(yùn)算中,在設(shè)定差異閾值對(duì)簡(jiǎn)化前后分類(lèi)超平面變化的最大值作出限制(即限制分類(lèi)器的泛化性能損失)的情況下,以迭代方法增加聚類(lèi)半徑的大小來(lái)盡可能地約簡(jiǎn)支持向量。在每次迭代中,計(jì)算所形成的超平面和原始分類(lèi)超平面之間的差異,超過(guò)差異閾值τ,則迭代簡(jiǎn)化過(guò)程終止,取上一次迭代所得的簡(jiǎn)化SVM分類(lèi)器作為最終的精簡(jiǎn)SVM分類(lèi)器,否則,增大聚類(lèi)半徑以進(jìn)一步約簡(jiǎn)支持向量。

2 多模式下肢動(dòng)作識(shí)別方法

2.1 下肢動(dòng)作識(shí)別目標(biāo)集的建立與分解

建立識(shí)別目標(biāo)集是進(jìn)行下肢動(dòng)作識(shí)別的首要任務(wù)。從人體動(dòng)作的運(yùn)動(dòng)學(xué)描述來(lái)看：一個(gè)復(fù)雜的肢體動(dòng)作可以視為是由幾種常見(jiàn)的簡(jiǎn)單動(dòng)作片段根據(jù)一定的規(guī)則組合而成的。例如上樓梯動(dòng)作可以簡(jiǎn)單分解為擺腿和支撐兩個(gè)簡(jiǎn)單的動(dòng)作片段。在實(shí)際應(yīng)用中,如果可以有效識(shí)別這些簡(jiǎn)單的動(dòng)作片段,就可以給智能輔助系統(tǒng)提供明確的控制指令。本研究采用動(dòng)作分解方法,將起立、常速行走和上、下樓梯這四個(gè)日常下肢動(dòng)作分解為如表1所示的7個(gè)動(dòng)作片段,并以之建立識(shí)別目標(biāo)集。

表1 日常人體下肢動(dòng)作分解

在實(shí)際識(shí)別過(guò)程中,僅根據(jù)單一信息源對(duì)每一動(dòng)作片段進(jìn)行劃分,其分類(lèi)的效率和精度都會(huì)受到一定程度的影響。由于足底壓力信息可以簡(jiǎn)單而準(zhǔn)確地將各擺動(dòng)動(dòng)作與支撐動(dòng)作(含起立動(dòng)作)區(qū)分開(kāi)來(lái),因此我們引入足底壓力信息,通過(guò)壓力數(shù)據(jù)將下肢動(dòng)作識(shí)別目標(biāo)集分解為擺動(dòng)動(dòng)作集合和支撐動(dòng)作集合,在此基礎(chǔ)上利用肌電信號(hào)對(duì)每一個(gè)集合內(nèi)的動(dòng)作進(jìn)行進(jìn)一步的細(xì)分。

2.2 表面肌電信號(hào)特征值的選取

人體在完成不同下肢動(dòng)作任務(wù)時(shí),相應(yīng)肌群各肌肉的興奮持續(xù)時(shí)間和興奮程度各不相同[14]。因此,本研究中特征向量空間由反映幅值變化的表面肌電信號(hào)時(shí)域特征值和反映趨勢(shì)變化的表面肌電信號(hào)頻域特征值共同組成?？紤]到短時(shí)統(tǒng)計(jì)值計(jì)算量小,而且分段的信號(hào)統(tǒng)計(jì)特征可以近似反映統(tǒng)計(jì)特征隨時(shí)間的變化規(guī)律[15],在時(shí)域特征值中選擇均方根值(root mean square,RMS)、絕對(duì)值平均(mean of absolute value,MAV)以及方差(variance,VAR)三個(gè)分段統(tǒng)計(jì)值。另外,考慮到傳統(tǒng)的傅里葉分析并不適合用于非平穩(wěn)信號(hào)分析,而時(shí)頻分析作為研究非平穩(wěn)信號(hào)的一種有效方法,通過(guò)在時(shí)頻平面上表述信號(hào)的時(shí)變特征,能夠清晰地反映出信號(hào)的頻率特性隨時(shí)間的變化。其中,小波變換作為時(shí)頻分析的工具,能夠同時(shí)提供關(guān)于信號(hào)時(shí)域和頻域兩方面的信息,是分析肌電信號(hào)的一種有效手段。因此在本研究中通過(guò)Mallat小波分解獲取肌電信號(hào)的時(shí)頻特征,并選取dB2小波作為Mallat分解的小波基。在實(shí)際實(shí)驗(yàn)過(guò)程中,肌電信號(hào)的采樣頻率為256Hz,如果進(jìn)行四層以上的分解,得到的點(diǎn)數(shù)將下降到10左右,影響分析精度,所以在實(shí)際處理過(guò)程中,Mallat分解的次數(shù)定為4。由于Mallat分解的結(jié)果代表了在不同帶寬內(nèi)信號(hào)的強(qiáng)度隨時(shí)間的變化情況。在每級(jí)分解中,采用奇異值分解的方法將高頻系數(shù)壓縮成一個(gè)參數(shù)。這樣,對(duì)于每段肌電信號(hào)可以得到4個(gè)頻域特征參數(shù)。

2.3 基于PCA的向量空間降維處理

在建立動(dòng)作識(shí)別向量特征空間時(shí),每塊下肢肌肉的表面肌電信號(hào)特征值包括3個(gè)短時(shí)時(shí)頻特征值和4個(gè)Mallat小波分解特征值,因?yàn)橛捎谶^(guò)多的向量維數(shù)會(huì)極大地增加識(shí)別算法復(fù)雜度,因此在實(shí)際研究中,采用主元分析(principal component analysis,PCA)方法,對(duì)向量空間進(jìn)行降維處理。整個(gè)下肢動(dòng)作識(shí)別流程可以簡(jiǎn)單地用圖1來(lái)表示。

圖1 下肢動(dòng)作識(shí)別流程圖

3 人體下肢運(yùn)動(dòng)的識(shí)別實(shí)驗(yàn)研究

3.1 實(shí)驗(yàn)被試選擇

為避免性別及年齡因素對(duì)肌電信號(hào)造成影響,本研究選擇浙江大學(xué)6位男性在讀碩士研究生作為實(shí)驗(yàn)被試,基本資料如表2所示。

表2 被試基本資料

所有被試在實(shí)驗(yàn)期間身體健康狀況良好,體態(tài)正常,無(wú)任何下肢關(guān)節(jié)損傷或疾病,以及任何其他行動(dòng)受限的病癥。為避免肌肉疲勞對(duì)實(shí)驗(yàn)造成影響,確保實(shí)驗(yàn)數(shù)據(jù)的客觀性,所有受試者在實(shí)驗(yàn)前24小時(shí)內(nèi)未進(jìn)行任何形式的劇烈運(yùn)動(dòng),無(wú)肌肉疲勞現(xiàn)象。

3.2 實(shí)驗(yàn)過(guò)程

文獻(xiàn)[14]研究結(jié)果表明,股直肌、股外側(cè)肌、股內(nèi)側(cè)肌、股二頭肌、半腱肌在下肢各個(gè)動(dòng)作變化時(shí)信號(hào)變化明顯,同時(shí)在動(dòng)作變化之間保持了較強(qiáng)的穩(wěn)定性,因此在實(shí)際應(yīng)用中,我們選用該5塊最具代表性的肌肉肌電信號(hào)作為信息源進(jìn)行人體下肢動(dòng)作識(shí)別研究。對(duì)選取的下肢肌肉,用細(xì)砂紙清除皮膚表面角質(zhì),并用醫(yī)用酒精棉球清除油脂后,沿選取肌肉肌纖維方向貼好一次性導(dǎo)電電極。具體電極安放位置如圖2所示。

圖2 肌肉選取及電極安放位置示意圖

被試貼好電極后,將加拿大XSensor公司提供的足底壓力測(cè)量鞋墊置于足底,設(shè)定閾值,以簡(jiǎn)單區(qū)分?jǐn)[動(dòng)與支撐兩個(gè)動(dòng)作集合。

在實(shí)驗(yàn)指導(dǎo)員的蜂鳴節(jié)拍器的指引下,被試重復(fù)完成起立、行走與上下樓梯等各日常下肢動(dòng)作。利用加拿大Thought Technology公司生產(chǎn)的BioGraph Infinity TM 20通道表面肌電分析及訓(xùn)練系統(tǒng)和XSensor壓力測(cè)量系統(tǒng)同步采集各肌肉表面肌電信號(hào)和足底壓力信號(hào)相關(guān)數(shù)據(jù),采樣頻率為1k Hz。每名被試重復(fù)動(dòng)作30次(每次實(shí)驗(yàn)中,常速行走完成3個(gè)步態(tài)周期,上下樓梯實(shí)驗(yàn)中臺(tái)階數(shù)目都設(shè)定為3個(gè))。

完成所有規(guī)定動(dòng)作后,實(shí)驗(yàn)結(jié)束。

在實(shí)驗(yàn)數(shù)據(jù)處理過(guò)程中,肌電信號(hào)的數(shù)據(jù)處理和特征提取及SVM簡(jiǎn)化算法均利用MATLAB7.0實(shí)現(xiàn)。

3.3 實(shí)驗(yàn)結(jié)果

在實(shí)驗(yàn)過(guò)程中,每名被試的7個(gè)動(dòng)作狀態(tài)都截取512個(gè)數(shù)據(jù)點(diǎn)。參考移動(dòng)窗采樣方法[15],RMS、MAV和VAR等三個(gè)分段統(tǒng)計(jì)特征值取值周期為64個(gè)采樣點(diǎn)組成的數(shù)據(jù)段。設(shè)移動(dòng)窗大小為64點(diǎn),每采集256點(diǎn)后進(jìn)行一次Mallat小波分解。因此,5塊下肢肌肉在512個(gè)數(shù)據(jù)點(diǎn)內(nèi)(通過(guò)移動(dòng)窗獲得5組數(shù)據(jù)),共得到特征向量5×30×7=1050組。將每個(gè)被試的每個(gè)運(yùn)動(dòng)狀況中隨機(jī)取10組信號(hào),共70組信號(hào)組成測(cè)試集,其余980組信號(hào)組成訓(xùn)練集。將訓(xùn)練集分為10等份,每次留一份驗(yàn)證模型性能,其余9份用來(lái)訓(xùn)練模型。

在利用支持向量進(jìn)行分類(lèi)訓(xùn)練時(shí),核函數(shù)選取為高斯核函數(shù),差異閾值τ=0.15。采用交叉校驗(yàn)(cross validation)的方法,優(yōu)化后確定兩個(gè)學(xué)習(xí)參數(shù)值：C=156,σ=0.5。確定參數(shù)后,采用本文提出的簡(jiǎn)約SVM分類(lèi)方法對(duì)數(shù)據(jù)集進(jìn)行測(cè)試。圖3給出使用本研究所用SVM核主元簡(jiǎn)化算法對(duì)6名被試不同下肢動(dòng)作的分類(lèi)結(jié)果(圖中用圓點(diǎn)表示實(shí)際動(dòng)作被識(shí)別出的結(jié)果)。

表3給出6名被試的下肢動(dòng)作識(shí)別的正確率。

3.4 結(jié)果分析

圖3 6名被試下肢動(dòng)作識(shí)別結(jié)果

表3 6名被試下肢動(dòng)作識(shí)別正確率表 %

為有效削減支持向量的數(shù)量,在基本保持SVM分類(lèi)器分類(lèi)精度的基礎(chǔ)上提高SVM分類(lèi)器的分類(lèi)速度,以保證下肢運(yùn)動(dòng)狀態(tài)快速識(shí)別,本文提出了簡(jiǎn)約SVM思想。從實(shí)驗(yàn)結(jié)果來(lái)看,每個(gè)被試的整體識(shí)別正確率在80.0%～87.1%之間,表明使用本文所述方法能夠以較高的識(shí)別率識(shí)別多模式的下肢運(yùn)動(dòng)狀況,但該結(jié)果與實(shí)際應(yīng)用還有相當(dāng)大的距離：首先,只有100%的識(shí)別率才能保證智能輔助系統(tǒng)不會(huì)由于辨識(shí)失誤而產(chǎn)生誤操作,甚至傷害使用者;其次,正常人的日常下肢動(dòng)作包含了行走、跑、跳、上下臺(tái)階等多種模式的運(yùn)動(dòng),本研究雖然選擇了7種宏觀差異性較大的人體下肢動(dòng)作片段進(jìn)行了分類(lèi)與識(shí)別,但還未涉及精細(xì)動(dòng)作的分析。例如僅根據(jù)足前掌、足后跟和地面的關(guān)系就可以將平地行走劃分為雙腿支撐、單腿足前掌支撐、小腿加速擺動(dòng)、小腿減速擺動(dòng)、足后跟支撐、全足支撐等多個(gè)細(xì)分動(dòng)作。后續(xù)的研究將重點(diǎn)分析如何細(xì)分并描述多模式的下肢動(dòng)作,并對(duì)這些細(xì)分動(dòng)作進(jìn)行識(shí)別。同時(shí),由于在具體的下肢動(dòng)作識(shí)別操作過(guò)程中,核函數(shù)的構(gòu)建和分類(lèi)器最優(yōu)參數(shù)的選擇還沒(méi)有十分完美的方法,如何在保證最優(yōu)的泛化能力、最大簡(jiǎn)約率和分類(lèi)精度的前提下,選擇最優(yōu)的差異閾值等分類(lèi)器參數(shù)以及優(yōu)化核函數(shù)是未來(lái)簡(jiǎn)約SVM算法研究的重點(diǎn)。另外,如何獲取更優(yōu)的肌電信號(hào)特征向量,也是下階段研究的主要內(nèi)容之一。

6個(gè)被試對(duì)象所有7個(gè)不同動(dòng)作片段的整體識(shí)別正確率在80%～90%之間,其中以起立和上樓梯支撐動(dòng)作片段的識(shí)別精度最高,而平地勻速行走擺腿動(dòng)作的識(shí)別精度最低。行走擺腿誤判率高的原因主要可能在于人體腿部懸空前擺動(dòng)作同時(shí)涉及到腿部肌群的向心收縮和離心收縮。雖然從絕對(duì)值上看,腿部各肌肉用于拉動(dòng)腿從靜止加速到某一速度后再減速到靜止的過(guò)程中,腿部用于克服重力和提高加速度的肌肉施力并不大,但各肌肉在協(xié)同動(dòng)作過(guò)程中肌電信號(hào)頻率和幅值多變,增加了識(shí)別難度。受到表面肌電信號(hào)獲取條件的限制,后續(xù)的研究將考慮引入其他人體生理信息傳感器作為補(bǔ)充,采用多傳感器信息融合技術(shù),并將行走擺腿動(dòng)作進(jìn)一步細(xì)分,以提高識(shí)別精度。

為了避免性別、年齡、實(shí)驗(yàn)環(huán)境等因素對(duì)實(shí)驗(yàn)結(jié)果造成影響,而在研究中對(duì)被試對(duì)象進(jìn)行了簡(jiǎn)單限制,但導(dǎo)電電極安放位置等其他因素也會(huì)對(duì)識(shí)別率產(chǎn)生一定的影響。未來(lái)的研究將考慮設(shè)計(jì)表面肌電信號(hào)“標(biāo)定”方法,以降低該類(lèi)影響的干擾,將基于肌電信號(hào)的智能人體運(yùn)動(dòng)輔助系統(tǒng)推向?qū)嵱谩?/p>

4 結(jié)束語(yǔ)

本文提出了基于簡(jiǎn)約支持向量機(jī)多元分類(lèi)的下肢動(dòng)作識(shí)別算法。以股直肌、股內(nèi)側(cè)肌、股外側(cè)肌、股二頭肌和半腱肌5塊下肢肌肉的表面肌電信號(hào)為信息源,綜合RMS、MAV和VAR等三個(gè)分段統(tǒng)計(jì)特征值和Mallat小波4層分解出的時(shí)頻特征值建立了特征向量空間。通過(guò)將起立、常速平地行走和上下樓梯等日常下肢動(dòng)作分解為7個(gè)動(dòng)作片段,進(jìn)行了動(dòng)作識(shí)別。實(shí)驗(yàn)結(jié)果證明了本研究方法的有效性,豐富了人體下肢動(dòng)作識(shí)別的方法,為人體下肢智能輔助設(shè)備的研發(fā)提供了理論基礎(chǔ)。

[1] 陳鷹,楊燦軍.人機(jī)智能系統(tǒng)理論與方法[M].杭州：浙江大學(xué)出版社,2006.

[2] Leuthardt E C,Schalk G,Wolpaw J R,et al.A Brain-computer Interface Using Electrocorticographic Signals in Humans[J].Journal of Neural Engineering,2004,1(2)：63-71.

[3] Li Yong,Gao Xiaorong,Liu H,et al.Classification of Single-trial Electroencephalogram During Finger Movement[J].IEEE Transactions on Bio-medical Engineering,2004,51(6)：1019-1025.

[4] Zhou H,Hu H,Harris N D,et al.Applications of Wearable Inertial Sensors in Estimation of Upper Limb M ovements[J].Journal of Biomedical Signal Processing and Control,2006,1(1)：22-32.

[5] Sazonov E S,Bumpus T,Zeigler S,et al.Classification of Plantar Pressure and Heel Acceleration Patterns Using Neural Networks[C]//Proceedings of 2005 IEEE International Joint Conferenceon Neural Networks.Montreal,Canada,2005：3007-3010.

[6] Kuzelicki J,Zefran M,Burger H,et al.Synthesis of Standing-up Trajectories Using Dynamic Optimization[J].Gait&Posture,2005,21(1)：1-11.

[7] Castellini C,Smagt P.Surface EMG in Advanced Hand Prosthetics[J].Biological Cybernetics,2009,100：35-47.

[8] Yan Zhiguo,Wang Zhizhong,Xie Hongbo.The Application of Mutual Information-based Feature Selection and Fuzzy LS-SVM Based Classifier in Motion Classification[J].Computer Methods and Programs in Biomedicine,2008,90：275-284.

[9] Lucas M F,Gaufriau A S,Pascual S,et al.M ultichannel Surface EMG Classification Using Support Vector Machines and Signal-based Wavelet Optimization[J].Biomedical Signal Processing and Control,2008,3(2)：169-174.

[10] 席旭剛,李仲寧,羅志增.基于相關(guān)性分析和支持向量機(jī)的手部肌電信號(hào)動(dòng)作識(shí)別[J].電子與信息學(xué)報(bào),2008,30(10)：2315-2319.

[11] 佘青山,孟明,羅志增,等.基于多核學(xué)習(xí)的下肢肌電信號(hào)動(dòng)作識(shí)別[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2010,44(7)：1292-1297.

[12] 顏志國(guó).基于粗糙集和支持向量機(jī)的表面肌電特征約簡(jiǎn)和分類(lèi)研究[D].上海：上海交通大學(xué),2008.

[13] 曾志強(qiáng).支持分類(lèi)向量機(jī)的訓(xùn)練與簡(jiǎn)化算法研究[D].杭州：浙江大學(xué),2007.

[14] 吳劍鋒.基于肌電信號(hào)的人體下肢運(yùn)動(dòng)信息獲取技術(shù)研究[D].杭州：浙江大學(xué),2008.

[15] 何樂(lè)生.基于肌電信號(hào)的人機(jī)接口技術(shù)的研究[D].南京：東南大學(xué),2007.