伍吉瑤， 王　璐， 程正南， 陳永澤

(安徽工業(yè)大學(xué) 機械工程學(xué)院，安徽 馬鞍山 243002)

?

研究與探討

基于LLE和SVM的手部動作識別方法*

伍吉瑤， 王璐， 程正南， 陳永澤

(安徽工業(yè)大學(xué) 機械工程學(xué)院，安徽 馬鞍山 243002)

為了提高人體手部動作的識別性能，針對高維特征數(shù)據(jù)給模式識別帶來的問題，提出了一種基于局部線性嵌入(LLE)算法和支持向量機(SVM)的模式識別方法。該方法從肱橈肌和尺側(cè)腕屈肌上采集兩路表面肌電信號(sEMG)，通過對樣本信號的時域分析和小波分析，提取原始信號的特征，構(gòu)造特征矢量。再利用LLE算法對原始特征數(shù)據(jù)進行降維，挖掘出具有內(nèi)在規(guī)律的低維特征。將降維后的特征數(shù)據(jù)輸入SVM分類器進行4種動作的模式識別。實驗表明：此方法可以有效、準(zhǔn)確地對人體手部動作進行分類。

表面肌電信號； 模式識別； 局部線性嵌入算法； 支持向量機

0　引　言

人體表面的肌電信號(surface electromyography,sEMG)是通過電極從人體肌肉表面記錄下來的一種微弱的生物電信號，它富含著許多與肢體運動相關(guān)的信息,不同的肢體運動所對應(yīng)肌電信號中的特征也不盡相同，所以，這些特征就成為人們識別肢體運動的關(guān)鍵信息[1]。肌電信號的模式識別是肌電應(yīng)用領(lǐng)域的基礎(chǔ)和關(guān)鍵，這些年，隨著各種相關(guān)技術(shù)水平的發(fā)展，以及國內(nèi)外學(xué)者對肌電信號的不斷深入研究，使其被廣泛運用于臨床醫(yī)學(xué)、康復(fù)醫(yī)學(xué)和假肢的控制等領(lǐng)域，取得了許多研究成果[2]。

但是，對于所提取的特征量較少的情況下，很難保證各種肌肉運動模式的高識別率。因此，在研究中，往往采用時域、頻域、時頻域及基于非線性特征分析等方法對肌電信號進行分析，從而構(gòu)成高維特征向量，這些高維數(shù)據(jù)同時又給模式識別帶來了一定的麻煩，許多有效的特征信息被埋沒在高維數(shù)據(jù)中，難以發(fā)掘利用，影響分類效率，降維方法是一種有效的解決方法[3]。其中，局部線性嵌入(locally linear embedding,LLE)法是一種非線性降維方法，它在保持?jǐn)?shù)據(jù)的鄰域關(guān)系下，計算高維輸入數(shù)據(jù)在低維空間中的嵌入流行，可以使降維后的數(shù)據(jù)較好地保持原始空間中的拓撲結(jié)構(gòu)[4]。目前，此方法已廣泛應(yīng)用于圖像處理、機械故障診斷等領(lǐng)域。在挖掘出低維數(shù)組特征后，隨之保證識別率的就是模式識別方法。近年來，應(yīng)用于肌電信號領(lǐng)域的模式識別算法主要有模糊模式識別(fuzzy pattern recognition,FPR)算法[5]、k最近鄰分類 (k-nearest neighbor,KNN) 算法[6]、人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks,ANN)算法[7]等。相對而言，支持向量機(support vector machine,SVM)[8,9]作為一種新的機器學(xué)習(xí)方法，擁有很好的實時性及泛化能力，在處理非線性和小樣本的識別問題中表現(xiàn)出許多優(yōu)勢，得到了廣泛應(yīng)用。

本文基于LLE和SVM算法的優(yōu)勢，將兩者結(jié)合引入肌電信號的模式識別中。通過實驗研究，較好地實現(xiàn)了對手部4種不同動作的模式分類。

1　LLE算法

LLE算法的核心是對高維空間上的數(shù)據(jù)點進行降維后，其低維空間的局部鄰域關(guān)系與原嵌套空間相同。主要思想是假設(shè)每個數(shù)據(jù)點與它近鄰點位于流形的一個線性或近似線性的局部領(lǐng)域，此時，每個樣本點就可以通過近鄰點來線性表示,在重建低維流形時，其每個數(shù)據(jù)點的局部近鄰關(guān)系與原空間保持一致，即每個鄰域的權(quán)重值一致，使得重構(gòu)誤差最小[10]。LLE算法的基本步驟如下：

1)選擇鄰域

對既有的樣本數(shù)據(jù)集X=[x1,x2,…,xn]∈RD×n，尋找每個樣本點xi的k個最近鄰點。

2)計算重構(gòu)權(quán)值矩陣W

在進行重建時，需要計算每個樣本點與其領(lǐng)域點之間的重構(gòu)權(quán)值wij，并以重構(gòu)誤差最小求取近鄰局部重構(gòu)權(quán)值矩陣W。重構(gòu)誤差函數(shù)為

(1)

3)計算低維嵌入空間輸出向量Y

通過樣本點xi的重構(gòu)權(quán)值矩陣W和其近鄰點xij計算出對應(yīng)的低維嵌入空間的輸出向量。為了使輸出向量的拓撲結(jié)構(gòu)與高維空間盡量一致，構(gòu)造代價函數(shù),并使此函數(shù)值最小，即

(2)

式中yi為xi的輸出向量，yij為yi的近鄰點。

(3)

再根據(jù)矩陣跡的相關(guān)性質(zhì)可得

ε(Y)=‖Y(I-WT)‖2=tr(YMYT)

(4)

式中M為一個n×n矩陣，即M=(I-W)T(I-W)，為使代價函數(shù)最小，矩陣Y就應(yīng)該取矩陣M的最小m個特征值所對應(yīng)的特征向量，即得到m維空間的降維向量。

2　基于LLE和SVM的手部動作sEMG識別方法

通過采集儀器對肌電信號的樣本數(shù)據(jù)進行采集后，提取信號的時域信息，即均方根和肌電積分值，再對樣本信號進行三層小波分解，提取每個頻段的小波系數(shù)模極大值，將兩種時域信息和小波系數(shù)模極大值相結(jié)合作為信號的特征向量。對于分類算法，這里選用SVM分類器，具體原理可見文獻[11]。結(jié)合SVM模式識別方法識別手部的運動狀態(tài)。

1)在一定采樣頻率下，對腕屈、腕伸、握拳、展拳4種手勢狀態(tài)進行信號采集，每種狀態(tài)采集N組樣本。

2)提取原始信號的均方根值和肌電積分值。接著，對樣本信號進行3層小波分解，提取各子頻段小波系數(shù)的模極大值。將時域與時頻域的特征相結(jié)合組成信號的特征向量，每個信號就有j個特征值，每種手勢狀態(tài)下得到N×i階特征值矩陣。

3)用LLE流行學(xué)習(xí)算法對特征值矩陣進行降維，設(shè)定好相關(guān)參數(shù)，得到降維后的特征值矩陣N×i。

4)在每種狀態(tài)下，隨機選取n個樣本作為訓(xùn)練樣本，剩下的作為測試樣本，即N-n個。同時，用訓(xùn)練樣本對SVM分類器進行訓(xùn)練，建立模型。

5)用訓(xùn)練好的SVM分類器對測試樣本進行分類，根據(jù)分類器的輸出結(jié)果確定手部動作的運動模式。

3　實驗分析

本實驗選用的是美國NI公司的數(shù)據(jù)采集卡NI USB—6211，采樣頻率和采樣數(shù)分別設(shè)置為1 kHz和2 000。實驗前，用酒精分別在肱橈肌、尺側(cè)腕屈肌上擦涂去污后，通過表面電極從這兩個肌肉表面采集2路肌電信號，經(jīng)放大、濾波后輸入數(shù)據(jù)采集卡進行采樣。對男性志愿受試者的4個手部動作：腕屈、腕伸、握拳、展拳進行采集，每種動作各采集100組信號。

對于特征提取，提取每組信號的均方根和肌電積分值。其次，采用正交緊支Sym5小波基函數(shù)對原始信號作3級小波分解，并提取各子頻段小波系數(shù)的模極大值作為特征分量。結(jié)合以上特征提取方法，得到2路通道樣本信號的特征矢量

(5)

然后，采用LLE方法對原始的特征空間壓縮，為了說明該方法的可行性，分別將原始12維數(shù)據(jù)降至2維和3維，壓縮后的樣本分布圖如圖1、圖2所示。

圖1　LLE算法的二維分布圖Fig 1　Two-dimensional histogram of LLE algorithm

圖2　LLE算法的三維分布圖Fig 2　Three-dimensional histogram of LLE algorithm

從上述圖中可以發(fā)現(xiàn)，壓縮后的各種類別可以被明顯區(qū)分。說明了LLE算法的可行性。下面進一步將LLE算法與SVM算法相結(jié)合應(yīng)用于肌電信號的模式識別。通過實驗對比發(fā)現(xiàn)，設(shè)定鄰域參數(shù)k=16，嵌入維數(shù)d=4，可以保證更好的識別效果。另外，在模式識別實驗前，先對各手勢動作設(shè)置標(biāo)簽作為識別標(biāo)準(zhǔn)，依次用1,2,3,4表示手部腕屈、腕伸、握拳、展拳動作。同時，對每種手勢的降維數(shù)據(jù)，隨機選取60組作為訓(xùn)練組數(shù)據(jù)，剩下40組作為測試組數(shù)據(jù)。

本實驗采用RBF核函數(shù)設(shè)計SVM分類器，為了有效地確定懲罰參數(shù)C和核參數(shù)σ，常采用k折交叉驗證法(k-foldcrossvalidation)進行訓(xùn)練、測試，原理步驟見參考文獻[9,12]，本實驗中，對于每一個手勢，將訓(xùn)練集數(shù)據(jù)均分為10組，即k=10，依次地將其中9份用來訓(xùn)練,1份用來測試。將所得識別率最高的參數(shù)作為分類器的最終參數(shù)。最后，將測試集輸入SVM分類器進行測試，識別結(jié)果如圖3(c)所示。另外，將降至2,3維和未經(jīng)降維的特征數(shù)據(jù)，用相同的方法輸入SVM分類器，分類結(jié)果如圖3(a),(b),(d)所示。最終，具體對比識別結(jié)果如表1所示。

圖3　基于SVM的識別結(jié)果對比圖Fig 3　Comparison diagram of recognition results based on SVM

手部動作腕屈腕伸握拳展拳平均識別率降至2維92.510090.09594.38降至3維95.097.597.59095.00降至4維97.510097.59096.25未降維90.010095.09093.75

由圖3和表1可知，將原始特征數(shù)據(jù)降至4維具有最高的識別率，同時，與未降維的識別結(jié)果進行對比顯示，降維后的識別性能有明顯的提升。利用LLE流行學(xué)習(xí)對原始高維數(shù)據(jù)進行壓縮，得到的低維數(shù)組保留了原信息的特征信息，具有一定的規(guī)律性。并將此方法與SVM分類算法相結(jié)合應(yīng)用于手部肌電信號的模式識別，取得了較好的分類效果。所以，基于LLE算法的SVM分類器可以得到更好的識別性能。

4　結(jié)　論

關(guān)于高維數(shù)據(jù)給分類器帶來的問題，本文將LLE降維算法與SVM分類方法相結(jié)合,應(yīng)用于手部肌電信號的模式識別中。通過LLE降維算法對原始高維數(shù)據(jù)進行降維，得到的低維數(shù)據(jù)具有內(nèi)在的規(guī)律性，保留了原始數(shù)據(jù)的本質(zhì)信息，有利于肌電信號的模式識別。通過SVM分類器對低維數(shù)據(jù)的模式分類測試，結(jié)果表明:將LLE算法與SVM相結(jié)合的手部肌電信號識別方法可以有效、準(zhǔn)確地對人體手部動作進行分類，從而為肌電信號的模式識別提供了一種新的思路。

[1]Hoover C D,Fulk G D,Fite K B.The design and initial experimental validation of an active myoelectric transfemoral prosthe-sis[J].J Med Devices Trans ASME,2012,6(1):011005-011016.

[2]Giuseppina G,Matteo A,Lan S,et al.Acquisition and analysis of EMG signals to recognize multiple hand movements for prosthetic applications[J].Applied Bionics and Biomechanics,2012,9(2):145-155.

[3]吳曉婷，閆德勤.數(shù)據(jù)降維方法分析與研究[J].計算機應(yīng)用研究,2009,26(8):2832-2835.

[4]Chen Jing,Ma Zhengming.Locally linear embedding:A review[J].International Journal of Pattern Recognition and Artificial Intelligence,2011,25(7):985-1008.

[5]Khezri M,Jahed M.A novel approach to recognize hand movements via sEMG patterns[C]∥ The 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society,2007:4907-4910.

[6]張啟忠，席旭剛，馬玉良.基于表面肌電信號的手腕動作模式識別[J].中國生物醫(yī)學(xué)工程學(xué)報,2013,3(6):257-265.

[7]Mane S M,Kambli R A.Hand motion recognition from single channel surface EMG using wavelet & artificial neural network[J].Procedia Computer Science,2015,49:58-65.

[8]Marie-Francoise L,Adrien G.Multi-channel surface EMG classification using support vector machines and signal-based wavelet optimization[J].Biomedical Signal Processing and Control,2008,3(2):169-174.

[9]洪潔，王璐，汪超，等.基于人工魚群算法優(yōu)化SVM的手部動作sEMG識別[J].傳感器與微系統(tǒng)，2016,35(2):23-25.

[10] Roweis S,Saul L.Nonlinear dimensionality reduction by locally linear embedding[J].Science,2000,290(5500):2323- 2326.

[11] 高劍，羅志增.支持向量機在肌電信號模式識別中的應(yīng)用[J].傳感技術(shù)學(xué)報,2007,20(2):366-369.

[12] 張艷，吳玲.基于支持向量機和交叉驗證的變壓器故障診斷[J].中國電力，2012,45(11):52-55.

王璐，通訊作者,E—mail:wanglu@ahut.edu.cn。

Method of hand motion recognition based on LLE and SVM*

WU Ji-yao, WANG Lu, CHENG Zheng-nan, CHEN Yong-ze

(School of Mechanical Engineering, Anhui University of Technology,Ma’anshan 243002,China)

To improve performance of human hand movement pattern recognition,a new pattern recognition method based on locally linear embedding(LLE) algorithm and support vector machine (SVM) is proposed aiming at problem caused by high dimensional feature data.Two path surface electromyography(sEMG) are acquired from the brachioradialis muscle and flexor carpi ulnaris,by means of time domain analysis and wavelet analysis,feature of original signal is extracted,and feature vector is constructed.To find low dimensional feature which is more able to express intrinsic law of the characteristics,reduce the dimension by using the LLE algorithm.Feature data after reducing dimension is input into SVM classifier for pattern recognition of four kinds of hand movements.Experiments show that the method can effectively and accurately classify human hand movements.

surface electromyography(sEMG); pattern recognition; locally linear embedding(LLE)algorithm; support vector machine(SVM)

2016—06—02

國家自然科學(xué)基金資助項目(61375068)；教育部人文社科研究項目(11YJC630208,13YJAZH106)；安徽省高等學(xué)校省級自然科學(xué)研究重點項目(KJ2013A056)；安徽省優(yōu)秀青年人才基金重點資助項目(2013SQRL023ZD)

TP 391.4

A

1000—9787(2016)08—0004—04

伍吉瑤(1992-)，男，安徽馬鞍山人，碩士研究生，研究方向為信號處理、運動仿真。

DOI:10.13873/J.1000—9787(2016)08—0004—04