摘要：針對上肢肌音信號（Mechanomyography，MMG） 動作識別準(zhǔn)確率不高的問題，提出一種基于粒子群算法（PSO） 與長短期記憶網(wǎng)絡(luò)相結(jié)合的混合模型（Particle Swarm Optimization-Long Short Term Memory，PSO-LSTM） 的動作識別方法。采用5 通道傳感器對受試者進(jìn)行上肢肌音信號采集，使用巴特沃斯濾波（Butterworth Filter） 等方法對肌音信號進(jìn)行預(yù)處理，并進(jìn)行特征提取；構(gòu)建基于PSO-LSTM 的上肢肌音信號識別模型并進(jìn)行模型訓(xùn)練和測試；最后從不同測度對比了長短期記憶（LSTM） 模型、麻雀搜索算法（Sparrow Search Algorithm，SSA） 優(yōu)化的LSTM模型（Sparrow Search Algorithm-Long Short Term Memory， SSA-LSTM） 以及PSO-LSTM 模型的實驗結(jié)果。結(jié)果表明， PSO-LSTM 模型的準(zhǔn)確度均高于LSTM、SSA-LSTM 模型， 達(dá)到96.9% 左右，在迭代損失、迭代速度等方面也優(yōu)于LSTM、SSA-LSTM 模型，從而證明了該模型用于上肢肌音信號識別的優(yōu)越性。

關(guān)鍵詞：肌音信號；動作識別；粒子群算法；長短期記憶；特征提取

中圖分類號：TN911.72 文獻(xiàn)標(biāo)志碼：A

上肢是人體的重要部位，其包括手部、前臂、肘部、肩膀等，是人類肢體功能運動的主要承擔(dān)者。很多社會工作以及個人生活都離不開人體上肢的活動，上肢功能的健全對個人生活質(zhì)量的影響不可忽視[1]。據(jù)統(tǒng)計中國每年新增腦卒中患者約240 余萬，現(xiàn)有腦卒中幸存者1 100 多萬[2]，而腦卒中對上肢的影響比下肢更為嚴(yán)重。開發(fā)針對上肢功能患者的康復(fù)機器人，是改善患者健康狀況的重要手段[3]，目前越來越多的研究人員把目光投向腦卒中后可穿戴外骨骼機器人[4]，希望通過識別患者上肢肌音信號來讀取患者的行為意圖，從而控制外骨骼機器人來幫助患者實現(xiàn)一系列上肢動作。

肌音信號（Mechanomyography， MMG） 是一種記錄和量化骨骼肌肌纖維的低頻橫向振動信號[5]，與肌電信號相比，其具有采集成本低、抗干擾能力強等優(yōu)點[6]，并且可以在不接觸皮膚的情況下直接進(jìn)行采集，對采集時受試者著裝要求低[7]，且在肌肉收縮疲勞時仍有較高的準(zhǔn)確率[8]。目前，國內(nèi)外大多數(shù)基于肌音信號的動作識別大多集中在上肢部分[9]，研究方向主要在特征選擇、識別模型改進(jìn)等方面。張松等[10] 提出一種單通道表面肌電信號（SurfaceElectromyography， sEMG） 分解與長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)相結(jié)合的手勢識別方法，取得了較高的準(zhǔn)確率，這為本文選用LSTM 為主要識別模型提供了思路，但其在文中并沒有說明LSTM 模型的初始學(xué)習(xí)率，以及如何選取中間層神經(jīng)元數(shù)目的問題，因而可能導(dǎo)致由于LSTM 神經(jīng)網(wǎng)絡(luò)的超參數(shù)選取不當(dāng)，導(dǎo)致識別準(zhǔn)確率下降。Alves 等[11] 對上肢進(jìn)行了兩通道MMG采集，實現(xiàn)了3 種上肢動作的分類，但其采用的是瞬態(tài)信號，其模型在是否能在穩(wěn)態(tài)信號分類中達(dá)到較高成功率上仍存疑。Geng 等[12] 提出了基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN） 的手部動作識別方法，但其建立的模型存在嚴(yán)重的過擬合的問題，導(dǎo)致識別準(zhǔn)確率略低。Hu 等[13]通過在Geng 等[12] 提出的卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入了LSTM 層，使得識別準(zhǔn)確率再次提高到 99.7% ；Sadiq 等[14] 提出了基于支持向量機和k-近鄰算法混合模型（ Support Vector Machines-k-Nearest Neighbor，SVM-KNN） 的識別模型，其識別準(zhǔn)確率達(dá)到98.97%，表明了SVM 和KNN 的多類分類框架對肢體肌電信號識別有著較好的適應(yīng)性；Zhang 等[15] 提出了基于視覺變壓器的下肢運動識別方法， 準(zhǔn)確率達(dá)到了94.62% 以上，其采用基于視覺變壓器的識別方法，成功避免了機器學(xué)習(xí)本身帶來的一些問題，如特征提取和特征選擇等過程帶來的一些問題，對未來的下肢運動識別模型的改進(jìn)提供了新思路。