隋修武，牛佳寶，李昊天，喬明敏

天津工業(yè)大學(xué) 天津市現(xiàn)代機(jī)電裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室，天津 300387

1 引言

表面肌電信號(hào)（sEMG）是肌肉運(yùn)動(dòng)過(guò)程中各運(yùn)動(dòng)單元產(chǎn)生的生物電信號(hào)經(jīng)肌肉纖維傳到皮膚表層的微電信號(hào)的疊加[1]，運(yùn)動(dòng)神經(jīng)通過(guò)協(xié)調(diào)不同運(yùn)動(dòng)單元實(shí)現(xiàn)目標(biāo)動(dòng)作，因此對(duì)表面肌電信號(hào)中蘊(yùn)含的運(yùn)動(dòng)信息的解析有利于區(qū)分不同的運(yùn)動(dòng)模式。目前利用肌電信號(hào)對(duì)假肢進(jìn)行控制的主要研究集中在基礎(chǔ)層面，如林上耀等人利用ADS1198 對(duì)肌電信號(hào)進(jìn)行128 路的高密度采集[2]，Joseph R K等人利用混合模型對(duì)肌電信號(hào)進(jìn)行去噪[3]；Meng Q、楊大鵬、Nishad A等分別在時(shí)域、頻域和時(shí)-頻域?qū)π盘?hào)進(jìn)行特征值的選取[4-6]；Li C 對(duì)反向傳播網(wǎng)絡(luò)進(jìn)行優(yōu)化，從而實(shí)現(xiàn)對(duì)假肢的控制[7]。雖然以上相關(guān)研究取得了良好的效果，但也同時(shí)存在一些問(wèn)題。例如高密度信號(hào)采集導(dǎo)致的超高維數(shù)據(jù)處理速度延遲過(guò)高，模式識(shí)別的效果過(guò)于依賴分類器的選取且往往忽略肌肉間的協(xié)同而靠犧牲維數(shù)來(lái)增加信息量。

目前基于表面肌電信號(hào)進(jìn)行動(dòng)作識(shí)別的研究多是采用首尾連接的方式將各通道計(jì)算出的特征值堆疊起來(lái)，并沒(méi)有考慮到各動(dòng)作的形成是由不同激活程度的肌肉相協(xié)調(diào)完成的，同時(shí)若僅選取少量特征值又達(dá)不到應(yīng)有的分類效果。本文通過(guò)組成規(guī)律性的特征矩陣并降維得到代表不同動(dòng)作對(duì)應(yīng)肌肉激活程度的系數(shù)矩陣進(jìn)行分類，充分利用所提取特征之間的關(guān)聯(lián)和肌肉的協(xié)同以提高信息的利用率。首先選取與目標(biāo)識(shí)別動(dòng)作關(guān)系密切的上肢肌肉進(jìn)行肌電信號(hào)的采集并計(jì)算特征值之后，利用本文提出的特征值排列規(guī)則組成特征矩陣，運(yùn)用非負(fù)矩陣分解將特征矩陣在保留運(yùn)動(dòng)信息的前提下進(jìn)行降維分解，進(jìn)而利用支持向量機(jī)對(duì)分解信息進(jìn)行訓(xùn)練和識(shí)別。本文還比較了傳統(tǒng)SVM 分類器的分類效果，結(jié)果證明特征矩陣的構(gòu)建較好地解決了信息量與維數(shù)之間的矛盾。本文將按照如圖1的思路展開(kāi)研究。

圖1 基于sEMG的動(dòng)作識(shí)別模型原理圖

2 實(shí)驗(yàn)數(shù)據(jù)采集及預(yù)處理

2.1 實(shí)驗(yàn)數(shù)據(jù)采集

實(shí)驗(yàn)對(duì)象均為右利手且無(wú)上肢運(yùn)動(dòng)功能障礙或關(guān)節(jié)損傷病史。其中男性4名：年齡為23～25歲，體重55～75 kg，身高160～181 cm；女性4 名：年齡為23～25 歲，體重42～54 kg，身高152～175 cm。所有受試者均自愿參加此測(cè)試，受試前24 h 內(nèi)未作劇烈運(yùn)動(dòng)，以滿足實(shí)驗(yàn)要求的非疲勞條件。

實(shí)驗(yàn)采集采用埃力智能科技有限公司TB0820表面肌電儀對(duì)肌電信號(hào)進(jìn)行采集，采樣頻率為1 000 Hz，儀器內(nèi)置截止頻率2 000 Hz 的低通濾波器和截止頻率為10 Hz的高通濾波器。記錄兩種手部動(dòng)作和四種腕部基本動(dòng)作方式，其中手部動(dòng)作包括握拳和張手，腕部動(dòng)作包括屈腕、抬腕、腕左旋、腕右旋。采樣頻率為1 000 Hz，采用貼片式一次性生物電極片采集表面肌電信號(hào)，采集片應(yīng)順著肌纖維方向粘貼。采集前先用酒精擦拭采集部位，去除皮膚表面油脂和皮屑。采集過(guò)程中記錄受試者的編號(hào)、信號(hào)采集開(kāi)始時(shí)間、運(yùn)動(dòng)狀態(tài)等信息。由于手部和腕部的運(yùn)動(dòng)多與前臂肌肉群的尺側(cè)腕屈肌、指淺屈肌、掌長(zhǎng)肌及指伸肌有關(guān)，因此本實(shí)驗(yàn)主要選取以上四塊肌肉進(jìn)行采集，采集的具體位置如圖2所示。

圖2 上肢表面肌電采集位置

2.2 信號(hào)預(yù)處理

實(shí)驗(yàn)對(duì)象正坐且兩手臂自然下垂，受試者每個(gè)動(dòng)作重復(fù)進(jìn)行，一組動(dòng)作完成后受試者有5 min休息時(shí)間，每種動(dòng)作各采集20 組，同種動(dòng)作做完后受試者有足夠的休息時(shí)間。由于肌電信號(hào)頻率范圍在20～1 000 Hz且主要能量集中在50～150 Hz[8]，因此對(duì)信號(hào)進(jìn)行截止頻率為20 Hz的巴特沃斯二階高通濾波，截止頻率為500 Hz的巴特沃斯二階低通濾波，以及50 Hz的工頻陷波。

表面肌電信號(hào)由于其微弱性，易受到電路及外界環(huán)境的干擾，其中以工頻干擾、基線漂移、白噪聲等干擾最為嚴(yán)重[9]。而僅僅利用采集裝置的濾波功能達(dá)不到對(duì)白噪聲的降噪，本文根據(jù)肌電信號(hào)的特點(diǎn)利用非線性小波變換閾值法對(duì)信號(hào)進(jìn)行濾波。首先用正交鏡像濾波器（QMF）對(duì)信號(hào)進(jìn)行濾波后得到噪聲信號(hào)的小波系數(shù)ω，之后利用非線性函數(shù)y(ω)=sign(ω)(|ω|-t)作用于數(shù)據(jù)，并根據(jù)設(shè)定變閾值，由此給出小波系數(shù)的估值，其中σ為噪聲強(qiáng)度。再設(shè)置一個(gè)信號(hào)能量閾值，將大于等于此閾值的小波系數(shù)等于0，然后進(jìn)行小波反演重建，進(jìn)而獲得信號(hào)f(t)的估值[10]，其濾波前后對(duì)比如圖3所示。

從濾波前后的頻譜對(duì)比圖4 可以看出帶通、帶阻、陷波器和非線性小波變換閾值濾波可以有效地將電路以及外界干擾產(chǎn)生的大部分噪音去除，同時(shí)由直流電路產(chǎn)生的干擾分量也被完全清除。

圖3 濾波前后信號(hào)對(duì)比圖（握拳）

圖4 降噪前后頻譜對(duì)比圖（握拳）

2.3 活動(dòng)段檢測(cè)

肌電信號(hào)一般可分為靜息信號(hào)和活動(dòng)信號(hào)[11]，靜息信號(hào)常伴隨著人體的背景噪聲信號(hào)，平均能量低；活動(dòng)信號(hào)為肌肉運(yùn)動(dòng)時(shí)產(chǎn)生的生理電信號(hào)，平均能量高；靜息信號(hào)和活動(dòng)信號(hào)波形特點(diǎn)有明顯的不同，前者變化較為緩慢，而后者在幅度上變化劇烈。本文采用雙門限檢測(cè)法利用短時(shí)能量和過(guò)零率兩個(gè)特征進(jìn)行端點(diǎn)檢測(cè)。根據(jù)信號(hào)設(shè)置能量閾值、TL、TH和過(guò)零率閾值ZCR，當(dāng)其中一路的某幀信號(hào)大于TL或者大于ZCR時(shí)，即認(rèn)為信號(hào)的開(kāi)始起點(diǎn)，當(dāng)大于TH時(shí)，則認(rèn)為正式的活動(dòng)信號(hào)，如果保持一段時(shí)間，則確認(rèn)這段信號(hào)即運(yùn)動(dòng)信號(hào)。

圖5 肌電信號(hào)活動(dòng)段檢測(cè)

根據(jù)此方法對(duì)握拳動(dòng)作的尺側(cè)腕屈肌的肌電信號(hào)做端點(diǎn)檢測(cè)分析，其結(jié)果如圖5 所示，紅線表示通過(guò)雙門限檢測(cè)法檢測(cè)出的肌肉活動(dòng)段肌電信號(hào)，可以看出做出握拳動(dòng)作的兩段信號(hào)均被正確識(shí)別出。經(jīng)實(shí)驗(yàn)測(cè)試該方法監(jiān)測(cè)的有效率為95%，部分監(jiān)測(cè)失誤主要為肌肉疲勞引起的背景噪聲過(guò)大所致，該方法滿足了實(shí)驗(yàn)需要。

3 特征值及特征矩陣的計(jì)算

肌電信號(hào)的特征值種類可分為五大類：時(shí)域特征、頻域特征、時(shí)頻域特征、基于非線性分析特征和基于參數(shù)模型的特征[12]。本文選取了時(shí)域中的均方根值(RMS)、頻域中的中值頻率(MF)以及時(shí)頻域中的三級(jí)小波包系數(shù)方差最大值(Emm)、小波包系數(shù)能量最大值(VARmm)作為特征值。以上四種特征值計(jì)算方法如下。

均方根值能夠反映肌電信號(hào)振幅變化，常被用于實(shí)時(shí)地、無(wú)損傷地反映肌肉活動(dòng)狀態(tài)，具有較好的實(shí)時(shí)性。其計(jì)算方法如下：

其中，n代表信號(hào)的長(zhǎng)度，x代表信號(hào)值。圖6 為由肌電信號(hào)計(jì)算得到的均方根變化圖。

圖6 sEMG和RMS信號(hào)示意圖

中值頻率反映了信號(hào)的不同頻率分量的變化，其計(jì)算公式為：

其中，Psd(f)為功率譜密度估計(jì)函數(shù)。

建立在小波分解基礎(chǔ)上的小波包變換是一種基于完整二叉樹(shù)結(jié)構(gòu)的信號(hào)分解與重構(gòu)算法[13]。它對(duì)肌電信號(hào)的子空間的低頻部分和高頻部分同時(shí)進(jìn)行分解，提高了其時(shí)頻分辨率，是一種精細(xì)的信號(hào)分析方法。小波包系數(shù)的計(jì)算為：

其中，h(m-2l)和g(m-2l)是尺度p下的兩組函數(shù)，p代表級(jí)數(shù)。

在經(jīng)過(guò)3層小波包變換后，原始肌電信號(hào)f(t)被分解成為8個(gè)不同的頻段分量，如圖7所示，取分解得到的小波包系數(shù)的能量(Emm)和小波包系數(shù)的方差(VARmm)，然后對(duì)兩項(xiàng)指標(biāo)分別取最大值。分解結(jié)果不僅可以反映原始信號(hào)的頻域細(xì)節(jié)信息，而且通過(guò)分解系數(shù)重構(gòu)的信號(hào)疊加后和原始信號(hào)保持一致，充分體現(xiàn)了分解系數(shù)對(duì)原始信號(hào)信息的還原能力。因此提取不同動(dòng)作模式下肌電信號(hào)的小波包分解系數(shù)作為特征，可以為多樣性模式辨識(shí)提供良好的條件。

圖7 3層小波包分解樹(shù)

計(jì)算得到以上四種特征值后，本文提出了一種特征值的組織方式，即按照行代表示肌肉類型，列代表特征值類型的規(guī)則，對(duì)提取的四路信號(hào)特征值進(jìn)行排列組織，即可得到實(shí)驗(yàn)所需4×4維的特征矩陣。如表1為對(duì)握拳動(dòng)作信號(hào)提取特征值后按照上述排列要求組成的一組特征矩陣。

表1 握拳動(dòng)作特征值排列組成的特征矩陣

這種特征值的組織方法不僅可以存儲(chǔ)肌肉的運(yùn)動(dòng)信息，且保存了運(yùn)動(dòng)過(guò)程中肌肉的協(xié)同作用，在所選能夠代表運(yùn)動(dòng)類型的有限的肌肉前提下最大限度還原了完整動(dòng)作在時(shí)域、頻域以及時(shí)頻域的內(nèi)在聯(lián)系以及肌肉配合。

4 NMF-SVM模型建立

本文對(duì)上述組成的特征矩陣進(jìn)行降維以降低計(jì)算成本以及滿足實(shí)時(shí)性識(shí)別的要求。非負(fù)矩陣分解具有占用存儲(chǔ)空間少、分解形式和分解結(jié)果的可解釋性以及實(shí)現(xiàn)的簡(jiǎn)便性等優(yōu)點(diǎn)，剛好滿足實(shí)驗(yàn)快速準(zhǔn)確的要求。且特征矩陣的元素均為非負(fù)數(shù)，也符合運(yùn)用非負(fù)矩陣分解的前提條件。

為了達(dá)到降維且便于分類器訓(xùn)練識(shí)別的目的，將上述組成的4×4 維的特征矩陣分解為一個(gè)4×1 維和一個(gè)1×4 維的矩陣的乘積，即n=4,r=1。為了確保分解得到的矩陣包含原矩陣的運(yùn)動(dòng)信息，需要對(duì)分解的過(guò)程進(jìn)行優(yōu)化。分解過(guò)程中W、H的初始值是隨機(jī)的，由于殘差優(yōu)化目標(biāo)D可能存在局部最小，所以不同的初始W、H值可能會(huì)得到不同的分解結(jié)果。非負(fù)矩陣分解通常有兩種更新規(guī)則，分別是交替最小二乘法和乘性更新法[16]，其中前者的收斂速度更快且相對(duì)穩(wěn)定而后者對(duì)初始值較為敏感，因此可以先利用乘性更新法從多個(gè)初始值估計(jì)W、H，再用交替最小二乘法從前者估計(jì)的W、H中尋找更優(yōu)結(jié)果。更新計(jì)算方法如下：

步驟1分解得到的矩陣與原矩陣之間的噪聲可表示為：

其中，V表示原矩陣，W表示分解后的基矩陣，H表示分解后的系數(shù)矩陣。

步驟2為保證分解的精度，需要尋找WH使||E||最小，這里引入損失函數(shù)D(V,WH)，即分解模型可表示為優(yōu)化問(wèn)題：

則目標(biāo)函數(shù)可表示為：

步驟3假設(shè)||E||符合高斯分布，那么可求得最大似然函數(shù)：

步驟4通過(guò)迭代計(jì)算，得到多組初始系數(shù)矩陣W和基矩陣H。

步驟5再利用交替最小二乘法計(jì)算最優(yōu)解，為了規(guī)避過(guò)擬合等問(wèn)題，使優(yōu)化問(wèn)題正則化，目標(biāo)函數(shù)可表達(dá)為：

其中λ是正則化項(xiàng)的系數(shù)。

步驟6先固定H，將損失函數(shù)D(W,H)對(duì)Wi求偏導(dǎo)，令倒數(shù)為0，得到：

同理固定W可得：

其中，vi是V的第i行，vj是V的第j列，I是單位矩陣。

步驟7通過(guò)對(duì)乘性更新法得到的多組初始矩陣分別進(jìn)行多次迭代優(yōu)化，得到損失函數(shù)最小時(shí)的系數(shù)矩陣W和基矩陣H。

通過(guò)非負(fù)矩陣分解將由肌電信號(hào)特征值組成的4×4 維特征矩陣降維為包含肌電信號(hào)肌肉間內(nèi)在聯(lián)系的1×4維的基矩陣與4×1維的系數(shù)矩陣的乘積，以降低分類器的學(xué)習(xí)訓(xùn)練時(shí)間與計(jì)算復(fù)雜度。

將六種動(dòng)作的特征矩陣降維后得到的系數(shù)矩陣送入到分類器進(jìn)行訓(xùn)練，實(shí)驗(yàn)選取了支持向量機(jī)作為動(dòng)作識(shí)別實(shí)驗(yàn)的分類器。

支持向量機(jī)是針對(duì)小樣本學(xué)習(xí)問(wèn)題而提出的一種新的機(jī)器學(xué)習(xí)方法，其較好地解決了以往機(jī)器學(xué)習(xí)模型的過(guò)學(xué)習(xí)、非線性、維數(shù)災(zāi)難以及局部極小值等問(wèn)題，具有較好的泛化能力[17]。然而，該方法在大規(guī)模訓(xùn)練樣本時(shí)，同樣存在訓(xùn)練速度慢、穩(wěn)定性差等缺陷，因此通過(guò)上述的非負(fù)矩陣分解方法將樣本進(jìn)行降維大大緩解了訓(xùn)練的復(fù)雜度，能夠有效解決支持向量機(jī)的局限性。

由于支持向量機(jī)最初是為二值分類問(wèn)題設(shè)計(jì)的，當(dāng)處理多類問(wèn)題時(shí)，就需要構(gòu)造合適的多類分類器。本文采用“一對(duì)一法”對(duì)六類動(dòng)作進(jìn)行分識(shí)別，分類器的個(gè)數(shù)G可由公式計(jì)算：

其中k為需要識(shí)別的類別數(shù)。

5 實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)將從兩方面對(duì)所提模型進(jìn)行分析：（1）為驗(yàn)證模型的有效性，將利用相同樣本信號(hào)對(duì)NMF-SVM模型與傳統(tǒng)SVM 進(jìn)行對(duì)比實(shí)驗(yàn)。（2）為判斷模型的識(shí)別性能，將訓(xùn)練樣本與驗(yàn)證樣本的數(shù)據(jù)來(lái)源分割開(kāi)來(lái)用以實(shí)驗(yàn)，以評(píng)估方法的通用性。

利用支持向量機(jī)對(duì)降維后的特征矩陣進(jìn)行分類，每種動(dòng)作使用1 000組特征矩陣按照7∶3的比例參與分類器的訓(xùn)練和驗(yàn)證，訓(xùn)練和驗(yàn)證的樣本不重疊且從實(shí)驗(yàn)者中平均調(diào)取。采用特異度、靈敏度、準(zhǔn)確率作為識(shí)別效果的評(píng)價(jià)指標(biāo)，將某一動(dòng)作模式被正確判別為該模式的情況記為真陽(yáng)性，將不屬于某一動(dòng)作模式被判別為不是該動(dòng)作的情況記為真陰性，則特異度表示不屬于某一類且被正確判定的概率，靈敏度表示屬于某一類且被正確判定的概率，此處的靈敏度和準(zhǔn)確率數(shù)值上相等，將分類效果通過(guò)混淆矩陣定量顯示出來(lái)。

表2 所示為相同實(shí)驗(yàn)條件下NMF-SVM 模型與傳統(tǒng)SVM 的對(duì)比實(shí)驗(yàn)結(jié)果，A 組實(shí)驗(yàn)為利用NMF-SVM模型進(jìn)行的實(shí)驗(yàn)分類結(jié)果，混淆矩陣的每一行代表分類器對(duì)某一動(dòng)作實(shí)際分類的標(biāo)簽分布，每一列代表原始標(biāo)簽樣本被分類器判定的標(biāo)簽分布情況。例如，表2的第一行表示分類器對(duì)受試者男A 的300 組“握拳”動(dòng)作的識(shí)別分布，其中292組被正確分類為“握拳”動(dòng)作，5組被錯(cuò)誤歸類為“左旋”動(dòng)作，3組被錯(cuò)誤歸類為“右旋”動(dòng)作，分類器的靈敏度、特異度和準(zhǔn)確率分別為97.3%、99.8%和97.3%。第一列表示標(biāo)準(zhǔn)的“握拳”動(dòng)作樣本中有292組被成功分類，另有1組樣本被分類器錯(cuò)分入“左旋”模式，2組樣本被錯(cuò)分入“右旋”模式。

表2 NMF-SVM模型與傳統(tǒng)SVM動(dòng)作模式識(shí)別結(jié)果統(tǒng)計(jì)

與B 組實(shí)驗(yàn)中傳統(tǒng)SVM 的識(shí)別結(jié)果比較，統(tǒng)計(jì)結(jié)果表明：（1）實(shí)驗(yàn)對(duì)象的平均動(dòng)作模式識(shí)別率在95.55%以上，各動(dòng)作模式識(shí)別準(zhǔn)確率普遍高于傳統(tǒng)支持向量機(jī)。（2）識(shí)別模型對(duì)于各動(dòng)作判別發(fā)生錯(cuò)誤分類的樣本主要集中在“左旋”和“右旋”動(dòng)作。分析原因在于左旋和右旋動(dòng)作涉及到尺側(cè)腕屈肌、掌長(zhǎng)肌的皮下滑動(dòng)旋轉(zhuǎn)，而表面貼片電極僅隨著表面皮膚移動(dòng)，兩者之間發(fā)生較大相對(duì)位移，進(jìn)而導(dǎo)致采集到的表面肌電信號(hào)混有來(lái)自于其他信號(hào)源的信號(hào)，因此在進(jìn)行模型訓(xùn)練時(shí)左旋和右旋與其他動(dòng)作的支持向量存在重疊的現(xiàn)象。

考慮到模型的通用性，即模型中參數(shù)的確定是基于提取了部分受試者肌電信號(hào)通過(guò)訓(xùn)練的，但模型的確立應(yīng)對(duì)其他部分人同樣適用。同時(shí)為了分析所提模型在相同被試和不同被試條件下的識(shí)別性能，實(shí)驗(yàn)設(shè)計(jì)了男女混合驗(yàn)證的方式以消除性別的影響，按照性別將實(shí)驗(yàn)對(duì)象劃分為兩組，其中男女組中分別隨機(jī)抽兩位的肌電信號(hào)作為訓(xùn)練信號(hào)，其余四位的肌電信號(hào)則作為驗(yàn)證信號(hào)。

表3 所示為訓(xùn)練與驗(yàn)證的數(shù)據(jù)分別來(lái)源于不同的實(shí)驗(yàn)對(duì)象，即訓(xùn)練樣本與驗(yàn)證樣本不相關(guān)。由表3的統(tǒng)計(jì)結(jié)果分析可知：（1）所提模型的平均準(zhǔn)確率為95.0%，依然具有較高的識(shí)別率。（2）本實(shí)驗(yàn)對(duì)比表2 中實(shí)驗(yàn)訓(xùn)練樣本容量小的情況下平均準(zhǔn)確率僅降低了0.55%，說(shuō)明由模型計(jì)算得到的各動(dòng)作系數(shù)矩陣有較好的辨別性。（3）男女肌電信號(hào)樣本實(shí)驗(yàn)的識(shí)別效果無(wú)明顯差別，在訓(xùn)練樣本足夠的情況下，模型的兼容性良好。同時(shí)可以看出，各受試者在“左旋”和“右旋”動(dòng)作的識(shí)別率依然較其他動(dòng)作偏小，電極片與肌肉間的相對(duì)滑動(dòng)是之后模型需要針對(duì)優(yōu)化的一個(gè)重要方面。

表3 樣本分離實(shí)驗(yàn)動(dòng)作模式識(shí)別結(jié)果統(tǒng)計(jì)

本文采用的表面肌電信號(hào)采集儀的轉(zhuǎn)換和傳輸延時(shí)小于2 ms；特征提取過(guò)程采用的是128個(gè)采樣點(diǎn)的短窗，延時(shí)時(shí)間小于28 ms。特征的提取及降維算法簡(jiǎn)潔快速，單條特征向量提取耗時(shí)小于18 ms，基于SVM 的分類器分類時(shí)間小于5 μs/次，所以從表面肌電信號(hào)采集到模式識(shí)別輸出的總延時(shí)小于150 ms。因此本文提出的方法可以滿足主動(dòng)康復(fù)訓(xùn)練和普通人機(jī)交互控制領(lǐng)域的實(shí)時(shí)性要求。

6 結(jié)論

本文對(duì)基于表面肌電信號(hào)形態(tài)特征的手部動(dòng)作模式識(shí)別進(jìn)行了研究，實(shí)現(xiàn)了手部的6種精細(xì)動(dòng)作模式張手、握拳、腕屈、腕伸、腕右旋、腕左旋的識(shí)別。運(yùn)用本文中提出的NMF-SVM模型，首先將從肌電信號(hào)中提取的高維特征值按照規(guī)則組成特征矩陣，再對(duì)其進(jìn)行降維和識(shí)別，實(shí)驗(yàn)結(jié)果證明該模型較好解決了維數(shù)與時(shí)間成本之間的矛盾。

模式識(shí)別的輸入特征值的選取兼顧了肌電信號(hào)的時(shí)域、頻域以及時(shí)頻域的特性，將特征值按照行表示肌肉類型，列表示特征值類型的規(guī)則，對(duì)提取的四路信號(hào)特征值進(jìn)行排列組成特征矩陣，這種組織方式保留了運(yùn)動(dòng)過(guò)程中肌肉間的協(xié)同信息，利用非負(fù)矩陣分解對(duì)高維特證矩陣進(jìn)行降維得到表示各肌肉對(duì)動(dòng)作貢獻(xiàn)率的基矩陣，以及表征各肌肉激活程度的系數(shù)矩陣。不但降低了分類器的訓(xùn)練時(shí)間成本，同時(shí)與普通SVM相比，達(dá)到了93%以上的準(zhǔn)確識(shí)別率，其平均識(shí)別率提高了5.2%，識(shí)別效率提高了一半，具有實(shí)用價(jià)值。