李躍峰，劉洪海

(上海交通大學 機械系統(tǒng)與振動國家重點實驗室，上海 200240)

0 引 言

隨著科技的發(fā)展，生活中人與機器的互動和交流越來越多，人機交互的方式已經(jīng)成為一個研究熱點。直接采集肌肉信息讀取人體運動姿態(tài)信息或者運動意圖的新型人機接口正在涌現(xiàn)。這種類型的人機接口操作非常符合人的直覺，方便實用，尤其適合用于控制真實世界或虛擬環(huán)境中的運動物體，比如假肢手[1]、康復機器人[2]和游戲互動等。

基于表面肌電人機接口，最成熟的方式是采集表面肌電信號(surface electro myogram,sEMG)以讀取肌肉收縮情況，判斷人體動作。在該領域已有許多文獻研究[3]，市場上亦有成型產(chǎn)品,但也存在一些根本的問題：表面肌電信號是在皮膚表面采集的，無法在深度方向上區(qū)分不同層次的肌肉，空間分辨率不高，因此，在識別精細的運動，如手指動作時有所不足[4]。

基于超聲的人機接口能很好地解決空間分辨率的問題，因為超聲波能夠穿透人體的組織，檢測不同深度的信息。目前,這方面大部分研究均基于超聲成像技術(shù)的[5～7]。超聲成像技術(shù)能提供清晰的肌肉圖像，但其依賴于B超設備，成本很高，體積龐大，并且要求很強的數(shù)據(jù)處理能力，難以走出實驗室。

為了解決這些問題，本文設計了一種基于單振元超聲傳感器的手勢識別系統(tǒng)。通過在前臂放置多個單振元超聲傳感器，對肌肉進行A超掃描，采集肌肉信息，利用機器學習的方法對回波數(shù)據(jù)進行模式識別，判斷手勢動作。實驗結(jié)果表明：系統(tǒng)能夠有效判別手指動作。

1 肌肉運動和超聲信號的關系

為了獲得前臂肌肉信息，可以將超聲傳感器放置于前臂表面。超聲傳感器向人體組織內(nèi)部發(fā)射超聲波，聲波遇到肌肉—肌肉或肌肉—骨骼等組織界面時，會發(fā)生反射，反射波回到超聲探頭，形成超聲回波。通過判斷回波峰值的位置和大小，即可檢測組織界面的深度和特性。通過對前臂進行B超成像，可以看到，在手指動作時，前臂橫截面內(nèi)的各塊肌肉會有很大程度的形狀、面積和密度的變化。這個變化體現(xiàn)在A超回波上，即為各個波峰的位置和幅值的變化。通過對這些波峰的變化進行分類和識別，判斷手指的運動。

2 單振元超聲傳感器設計

超聲波傳感器是整個手勢識別系統(tǒng)的最前端，其作用是在激勵電壓的作用下發(fā)射超聲波，并接收反射的回波信號，兼具收發(fā)作用，因此，也被稱作換能器。

考慮到成本和整個系統(tǒng)復雜度，選擇單振元超聲傳感器。其主要參數(shù)包括直徑、形狀、中心頻率和帶寬等。參考工業(yè)無損檢測和醫(yī)學超聲的案例[8]，最終選擇了直徑10 mm、中心頻率5 MHz的壓電陶瓷。為了更好地適合人體應用，自行設計了匹配層，并將其與壓電陶瓷進行了整體封裝，加工完成的傳感器如圖1所示。

前臂的肌肉非常復雜，僅僅使用一個探頭無法檢測到所有肌肉的信息，但一味增加探頭數(shù)量又會增加硬件設計和數(shù)據(jù)處理的難度，因此，采用4只超聲傳感器，用一條綁帶以臂帶的形式繞在前臂，起到固定傳感器的作用。

圖1 超聲傳感器

3 手勢識別系統(tǒng)設計

3.1 系統(tǒng)總體結(jié)構(gòu)

除了最前端的傳感器之外，手勢識別系統(tǒng)主要包括兩大部分：硬件平臺和處理算法，如圖2所示。

圖2 手勢識別系統(tǒng)框圖

3.2 超聲信號的獲取與調(diào)理

超聲傳感器需要用高頻的激勵電壓驅(qū)動，另一方面，接收的回波需要進行信號調(diào)理和數(shù)/模轉(zhuǎn)換，兩部分的工作均由一塊超聲發(fā)射/接收板卡ZXUS4完成。

考慮到安全性，探頭的激勵電壓被限制在40V，脈沖的重復頻率為20 Hz。采用100 MHz/8 bit的采樣率獲取長度為8 192個像素點的信號。

3.3 超聲信號的預處理

采集到的信號用MATLAB進行離線處理。根據(jù)文獻[9]，利用B超成像技術(shù)得到的圖像是在手勢識別方面良好的信號源，因此,本實驗也采用類似于超聲成像技術(shù)[10]中的超聲信號調(diào)制方法。

具體分為4個步驟：時間增益補償(time gain compensation,TGC)、帶通濾波、包絡檢波和對數(shù)壓縮。時間增益補償用于補償超聲波在傳播過程中由于發(fā)散和阻尼所造成的能量衰減；帶通濾波的環(huán)節(jié)中，采用了中心頻率定位在通帶中心的高斯濾波器，濾除非線性傳播和電路中的噪聲；包絡檢波的方法對信號進行Hilbert變換；對數(shù)壓縮的目的是將時間增益補償造成的大動態(tài)范圍壓縮到較小的空間中，便于后續(xù)的處理。預處理示意如圖3所示。

圖3 預處理示意

3.4 特征提取與模式識別

整個模式識別的過程可以分為2個步驟:1)對訓練集的數(shù)據(jù)進行處理，根據(jù)一定的方法提取特征;2)將特征送入分類器，對其進行訓練;3)利用訓練完成的分類器，對測試集的數(shù)據(jù)進行手勢的判別。

參照文獻[5]，采用類似的特征提取方法。對經(jīng)過預處理得到的每一個通道的每一幀信號，將其以120個像素點為窗長進行分段，對每一小段進行線性回歸，然后將所有線性回歸得到的系數(shù)串聯(lián)起來，構(gòu)成該幀特征向量。得到的特征向量長度約800維，為了便于分類器分析，先采用主成分分析(principal component analysis,PCA)的方法對其進行降維，最終選取35維主成分送入常用的線性判別分析(linear discriminant analysis,LDA)分類器，根據(jù)實驗的范式，選用一定量的數(shù)據(jù)作為訓練集，使用其余數(shù)據(jù)作為測試集或者直接進行在線測試。

4 實驗測試與結(jié)果分析

為了測試搭建的手勢識別系統(tǒng)，進行了離線的手勢識別實驗，即將采集數(shù)據(jù)和分析數(shù)據(jù)的過程分開，分析數(shù)據(jù)的過程在采集完所有數(shù)據(jù)之后進行。

4.1 實驗范式

考慮到手指的精細動作識別是表面肌電等其他人機接口的難點，因此，采用手指屈的動作作為目標動作。包括5個手指的屈動作和靜息態(tài)共6個。實驗時，受試者坐在椅子上，手和前臂水平于椅子的扶手上。調(diào)節(jié)椅子的高度使受試者無任何不適。將臂帶佩戴在手臂上，并使2只傳感器對準內(nèi)側(cè)的尺側(cè)腕伸肌，2只傳感器對準外側(cè)的橈側(cè)腕屈肌。放置位置距離腕關節(jié)大約5 cm。

受試者按照屏幕的指示完成實驗動作，分別包括拇指屈、食指屈、中指屈、無名指屈和小指屈，每個動作維持5 s，動作之間插入5 s的休息態(tài)。一組動作共同時50 s，進行10組該動作，需要500 s的時間。

將采集到的10組數(shù)據(jù)中的前5組作為訓練集，后5組作為測試集，利用前述模式識別算法進行驗證，計算手勢識別的正確率。采用這樣的方式來決定訓練集和測試集，目的是希望盡可能地模擬在線測試的情況，即在前半段時間進行分類器的訓練，在后半段時間利用訓練的分類器進行在線的測試。

4.2 實驗結(jié)果

分別計算5位受試者的手勢識別率如圖4所示。圖4(a)給出了6個動作((1～6分別對應休息態(tài)、拇指屈、食指屈、中指屈、無名指屈和小指屈)的識別率，圖4(b)中給出了5位受試者的手勢識別率。游標指示了標準差。

可以看出：針對6個識別動作的范式，平均識別率達到了91.1 %，不同受試者之間手勢識別率有一定差異，其標準差約為5 %，最差的受試者(S2)的手勢識別率也在85 %以上。針對不同的動作，可以看到其識別率之間有所差異，其中小拇指和中指的識別率比較高，而且在不同受試者之間的差異也比較小。

圖4 不同動作和受試者的手勢識別率

5 結(jié) 論

設計并實現(xiàn)了一種基于多通道單振元超聲傳感器的手勢識別系統(tǒng)。應用多個單振元超聲傳感器對前臂肌肉進行A超掃描，獲得肌肉的層次信息，利用模式識別的算法在超聲信號和手指動作建立映射關系。實驗表明：手勢識別系統(tǒng)具有很高的識別正確率。

[1] 李天博,陳 玲,陳坤華,等.基于MSP430的肌電假手系統(tǒng)設計[J].傳感器與微系統(tǒng),2012,31(4):75-78.

[2] 李慶玲.基于sEMG信號的外骨骼式機器人上肢康復系統(tǒng)研究[D].哈爾濱：哈爾濱工業(yè)大學，2009.

[3] 丁其川，熊安斌，趙新剛，等.基于表面肌電的運動意圖識別方法研究及應用綜述[J].自動化學報，2016,42(1):13-25.

[4] Fang Y F,Hettiarachch I N,Liu H H,et al.Multi-modal sensing techniques for interfacing hand prostheses:A review[J].IEEE Sensors Journal,2015,15(11):6065-6076．

[5] Castellini C,Passig G,Zarka E,et al.Using ultrasound images of the forearm to predict finger positions[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering,2012,20(6):788-797.

[6] Shi J,Guo J Y,Hu S X,et al.Recognition of finger flexion motion from ultrasound image:A feasibility study[J].Ultrasound in Medicine & Biology,2012,38(10):1695-1704.

[7] Sikdar S,Rangwala H,Eastlake E B,et al.Novel method for predicting dexterous individual finger movements by imaging muscle activity using a wearable ultrasonic system[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering,2014,22(1):69-76.

[8] 李洪陽，李毅彬，李申龍，等.基于A型超聲波傳感器的血壓連續(xù)測量系統(tǒng)[J].傳感器與微系統(tǒng),2016,35(2):87-90.

[9] Huang Y,Liu H.Performances of surface EMG and ultrasound signals in recognizing finger motion[C]∥International Confe-rence on Human System Interactions,London:IEEE,2016:117-122.

[10] 伍于添. 醫(yī)學超聲設備：原理·設計·應用 [M].北京:科學技術(shù)文獻出版社,2012.