崔建偉 曹爾凡 陸普東 李志鋼

(東南大學(xué)儀器科學(xué)與工程學(xué)院, 南京 210096)

助殘機(jī)械假手可以在一定程度上代替人手幫助殘疾者進(jìn)行生活自理[1].但是大多數(shù)假手產(chǎn)品只能被動(dòng)模擬人手功能，通過(guò)按鈕、語(yǔ)音等人為信號(hào)控制機(jī)械假手完成抓握動(dòng)作，操作繁瑣，給殘疾者造成心理負(fù)擔(dān).人的手臂是助殘手的牽引工具，準(zhǔn)確識(shí)別手臂動(dòng)作，將動(dòng)作特征反饋給假手系統(tǒng)，由其學(xué)習(xí)并調(diào)整參數(shù)，對(duì)實(shí)現(xiàn)假手的智能化控制具有一定意義.基于慣性測(cè)量單元(IMU)的手臂動(dòng)作識(shí)別是人體動(dòng)作識(shí)別領(lǐng)域的熱點(diǎn).

IMU是在MEMS技術(shù)的基礎(chǔ)上將加速度計(jì)、角速度計(jì)、磁力計(jì)等多種微器件集成的慣性組合，具有微型化、低功耗、低成本等優(yōu)勢(shì)[2].Wang等[3]在老年人手腕部位佩戴IMU并結(jié)合環(huán)境傳感器，采用支持向量機(jī)模型對(duì)17種日常人體活動(dòng)進(jìn)行識(shí)別，總識(shí)別率達(dá)到96.82%；Mazomenos等[4]在受試者的肘部、腕部分別佩戴IMU，通過(guò)對(duì)手臂運(yùn)動(dòng)過(guò)程中的關(guān)節(jié)角、關(guān)節(jié)位置變化進(jìn)行分析，采用閾值區(qū)分法對(duì)倒茶動(dòng)作的多個(gè)子動(dòng)作進(jìn)行區(qū)分，取得良好的分類效果.

動(dòng)態(tài)時(shí)間規(guī)整(DTW)算法是一種模板匹配算法，用來(lái)計(jì)算時(shí)間序列數(shù)據(jù)之間的相似性.由于該算法對(duì)連續(xù)時(shí)間序列數(shù)據(jù)有很好的處理效果，且相對(duì)于機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)算法具有數(shù)據(jù)需求量小、計(jì)算量小的優(yōu)勢(shì)[5]，目前在基于慣性器件的動(dòng)作識(shí)別場(chǎng)景也有較多應(yīng)用[6-7].Lian等[8]在運(yùn)動(dòng)員的大臂和小臂分別穿戴IMU，使用與DTW原理相同的LCS算法對(duì)棒球投擲動(dòng)作的6個(gè)子動(dòng)作進(jìn)行識(shí)別，平均識(shí)別率達(dá)到95.14%；劉盛羽[9]將決策樹(shù)算法與DTW算法相結(jié)合，基于IMU和壓力傳感器對(duì)人體步態(tài)動(dòng)作進(jìn)行分類，整體識(shí)別率達(dá)到95%以上.

上述研究都使用了DTW算法直接處理人體動(dòng)作的IMU時(shí)間序列數(shù)據(jù)，雖然取得了良好的識(shí)別準(zhǔn)確性，但仍存在不足：①DTW算法的耗時(shí)與時(shí)間序列長(zhǎng)度相關(guān).動(dòng)作持續(xù)時(shí)間越長(zhǎng)，算法的耗時(shí)越大，識(shí)別的實(shí)時(shí)性受很大影響.如持續(xù)時(shí)長(zhǎng)超過(guò)10 s的動(dòng)作，識(shí)別的耗時(shí)會(huì)超過(guò)4 s，在實(shí)時(shí)性要求較高的助殘手系統(tǒng)中不被允許.②不同的人做同一個(gè)動(dòng)作的速度可能會(huì)有很大差別，對(duì)2個(gè)持續(xù)時(shí)間差異較大動(dòng)作的時(shí)間序列直接進(jìn)行比較計(jì)算，識(shí)別效果會(huì)變差.針對(duì)以上不足，本文提出基于子動(dòng)作特征矩陣的DTW算法對(duì)手臂動(dòng)作數(shù)據(jù)進(jìn)行處理.不同于直接計(jì)算時(shí)間序列數(shù)據(jù)，本文設(shè)計(jì)了一種活躍波形匹配算法，將手臂動(dòng)作按照?qǐng)?zhí)行的順序拆解成若干個(gè)子動(dòng)作，對(duì)每個(gè)子動(dòng)作計(jì)算角速度和手臂空間位置變化的若干組特征值，構(gòu)成特征向量.然后將完整手臂動(dòng)作的所有子動(dòng)作特征向量進(jìn)行組合，構(gòu)造子動(dòng)作特征矩陣，在識(shí)別階段用子動(dòng)作特征矩陣代替時(shí)間序列進(jìn)行模板匹配計(jì)算.該方法使得基于DTW算法的手臂動(dòng)作識(shí)別不受動(dòng)作持續(xù)時(shí)間長(zhǎng)度的影響，提高了識(shí)別的準(zhǔn)確度和實(shí)時(shí)性.最后將本文提出的方法與常見(jiàn)的直接計(jì)算時(shí)間序列數(shù)據(jù)的方法進(jìn)行比較，驗(yàn)證了該方法的有效性.

1 識(shí)別系統(tǒng)整體框架

本文使用數(shù)據(jù)手套作為手臂動(dòng)作數(shù)據(jù)采集平臺(tái).數(shù)據(jù)手套由3個(gè)IMU和5個(gè)彎曲傳感器組成.每個(gè)IMU集成了三軸加速度計(jì)、三軸角速度計(jì)、三軸磁力計(jì)，同時(shí)內(nèi)置了DMP姿態(tài)融合器，可直接輸出四元數(shù)和姿態(tài)角數(shù)據(jù).本系統(tǒng)中，3個(gè)IMU分別固定在右手手臂的大臂、小臂和手背的中間位置，且3個(gè)IMU的佩戴方向一致，以便于后文解算手臂末端空間位置.

如圖1所示，U-XUYUZU、F-XFYFZF、H-XHYHZH分別為3個(gè)IMU的載體坐標(biāo)系，Y沿手臂指向前方，Z垂直于Y指向外側(cè)，X垂直于YZ平面指向后方.

圖1 IMU佩戴位置與載體坐標(biāo)系方向

手臂動(dòng)作識(shí)別的整體流程如圖2所示，共包含空間位置解算、子動(dòng)作拆解、構(gòu)造特征矩陣、制作動(dòng)作模板、動(dòng)作識(shí)別5個(gè)步驟.

圖2 手臂動(dòng)作識(shí)別流程

2 手臂空間位置解算

從骨骼構(gòu)造的角度看，手臂是一個(gè)簡(jiǎn)單的連桿模型，肩部為固定點(diǎn)，大臂、小臂、手掌在肘關(guān)節(jié)和腕關(guān)節(jié)的連接下可相對(duì)運(yùn)動(dòng).本文以手臂連桿模型為基礎(chǔ)，參照機(jī)器人的正向運(yùn)動(dòng)學(xué)理論對(duì)手臂末端的相對(duì)空間位置進(jìn)行解算.

圖3為右手手臂連桿模型示意圖.O-XOYOZO、A-XAYAZA、B-XBYBZB、C-XCYCZC、D-XDYDZD分別為胸坐標(biāo)系、肩關(guān)節(jié)坐標(biāo)系、肘關(guān)節(jié)坐標(biāo)系、腕關(guān)節(jié)坐標(biāo)系、掌關(guān)節(jié)坐標(biāo)系，LOA、LAB、LBC、LCD分別為半肩寬長(zhǎng)度、大臂長(zhǎng)度、小臂長(zhǎng)度、手掌長(zhǎng)度.因胸部與肩部未佩戴IMU，無(wú)法測(cè)量2個(gè)部位的姿態(tài)，故本文設(shè)定胸坐標(biāo)系與肩坐標(biāo)系為固定坐標(biāo)系，即O-XOYOZO與A-XAYAZA固定不動(dòng)，且2個(gè)坐標(biāo)系在同一水平面上，與地理坐標(biāo)系方向一致；B-XBYBZB、C-XCYCZC、D-XDYDZD方向分別與大臂IMU、小臂IMU、手背IMU載體坐標(biāo)系方向一致.本文的手臂空間位置解算以O(shè)-XOYOZO為基準(zhǔn)坐標(biāo)系，以D-XDYDZD的原點(diǎn)D為手臂末端位置解算對(duì)象.

圖3 右手手臂連桿模型

求點(diǎn)D在O-XOYOZO下的坐標(biāo)是一個(gè)坐標(biāo)系連續(xù)變換的過(guò)程.以單個(gè)坐標(biāo)系變換O-XOYOZO到A-XAYAZA為例，點(diǎn)A在O-XOYOZO下的坐標(biāo)求解公式為

(1)

(2)

從O-XOYOZO到D-XDYDZD經(jīng)歷了4次坐標(biāo)系變換，根據(jù)正運(yùn)動(dòng)學(xué)理論，只要分別求出4次變換的齊次變換矩陣，依次相乘，即可求出點(diǎn)D在O-XOYOZO下的坐標(biāo)：

(3)

求解過(guò)程中，關(guān)節(jié)坐標(biāo)系之間的旋轉(zhuǎn)角度為前后時(shí)刻位置節(jié)點(diǎn)的IMU所測(cè)姿態(tài)角差值，是一個(gè)相對(duì)角度，因此IMU佩戴位置的差異不會(huì)影響手臂末端位置的解算準(zhǔn)確性，解算方法的魯棒性較好.同時(shí)，每個(gè)人的手臂長(zhǎng)度不同，為了簡(jiǎn)化計(jì)算，本文依照國(guó)家標(biāo)準(zhǔn)《中國(guó)成年人人體尺寸》[11]中的人體尺寸參數(shù)，統(tǒng)一手臂模型長(zhǎng)度參數(shù)，取LOA=18.75 cm、LAB=31.30 cm、LBC=23.70 cm、LCD=10.00 cm，手臂總長(zhǎng)65.00 cm.

圖4展示了在手臂畫半圓動(dòng)作下，該方法解算的手臂空間軌跡與理論軌跡的對(duì)比，其中動(dòng)作的起點(diǎn)為(18.75，0，-65) cm，終點(diǎn)為(18.75，0，65) cm.從圖中可以看出二者基本吻合，驗(yàn)證了正運(yùn)動(dòng)學(xué)解算手臂位置的正確性.

圖4 手臂空間位置解算方法驗(yàn)證

3 子動(dòng)作拆解和子動(dòng)作特征矩陣

日常生活中，一個(gè)復(fù)雜的連續(xù)手臂動(dòng)作可以按先后順序拆解成若干個(gè)子動(dòng)作.例如當(dāng)我們喝水時(shí)，通常是按照伸手拿杯子—將杯子送到嘴邊—放回杯子—將手放回的子動(dòng)作順序完成動(dòng)作.在自然狀態(tài)下，人不可能勻速完成整個(gè)動(dòng)作，子動(dòng)作之間會(huì)產(chǎn)生短暫的停頓.利用這個(gè)特點(diǎn)，本文采用拆解子動(dòng)作并構(gòu)造子動(dòng)作特征矩陣的方式來(lái)研究手臂動(dòng)作.假設(shè)一個(gè)完整手臂動(dòng)作的子動(dòng)作數(shù)量為n個(gè)，那么該動(dòng)作的子動(dòng)作特征矩陣為S=[F1F2…Fi…Fn]，其中Fi為第i個(gè)子動(dòng)作的特征向量，包含了能描述該子動(dòng)作的若干個(gè)特征值.在識(shí)別階段，使用子動(dòng)作特征矩陣代替長(zhǎng)度較大的時(shí)間序列，作為DTW算法的輸入進(jìn)行動(dòng)作相似度比較，可提高識(shí)別的準(zhǔn)確性與實(shí)時(shí)性.

在構(gòu)造子動(dòng)作特征矩陣之前，需要通過(guò)對(duì)原始動(dòng)作數(shù)據(jù)進(jìn)行分析，總結(jié)運(yùn)動(dòng)規(guī)律，從而將子動(dòng)作拆解出來(lái).對(duì)于IMU數(shù)據(jù)，常見(jiàn)的方法是選取加速度進(jìn)行時(shí)域或頻域分析[12].考慮到手臂是一種連桿模型，手臂運(yùn)動(dòng)的本質(zhì)就是旋轉(zhuǎn)，因此角速度能很好地表征手臂運(yùn)動(dòng)信息.本文選取手背部位的角速度進(jìn)行分析.

3.1 數(shù)據(jù)預(yù)處理

設(shè)置數(shù)據(jù)采集的頻率為50 Hz，首先對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理.

3.1.1 濾波

采用一階低通濾波器對(duì)原始數(shù)據(jù)進(jìn)行濾波，去除高頻噪聲，即

(4)

式中，Yk為本次濾波輸出值；Yk-1為上次濾波輸出值；Xk為本次采樣值；α為濾波系數(shù)，取α=0.25.圖5為濾波效果.

圖5 一階低通濾波前后對(duì)比

3.1.2 動(dòng)作分割

對(duì)于采集的整段動(dòng)作數(shù)據(jù)，需要從中分割出有效的數(shù)據(jù)段，這樣更有利于特征的提取.常見(jiàn)的方法是設(shè)置固定長(zhǎng)度的窗口，通過(guò)定長(zhǎng)滑動(dòng)分割出動(dòng)作段，這種方法計(jì)算量小，但很容易將一個(gè)完整動(dòng)作切割開(kāi)，分割成功率低[13].基于第2節(jié)解算出的手臂空間位置可知，當(dāng)手臂從靜止開(kāi)始移動(dòng)或移動(dòng)到靜止時(shí)，手臂位置坐標(biāo)會(huì)產(chǎn)生大幅變化，而差分值與方差對(duì)數(shù)據(jù)的劇烈變化較為敏感，因此從這2種特征量入手，來(lái)判斷動(dòng)作的始終點(diǎn)，分割出有效動(dòng)作段.具體過(guò)程如下：

①設(shè)置滑動(dòng)窗口長(zhǎng)度w=10個(gè)采樣點(diǎn)，窗口滑動(dòng)步長(zhǎng)l=1個(gè)采樣點(diǎn).

②對(duì)每個(gè)滑動(dòng)窗口計(jì)算手臂位置三軸坐標(biāo)差分值的和，即

(5)

③對(duì)每個(gè)滑動(dòng)窗口計(jì)算手臂位置三軸坐標(biāo)的方差和，即

Vk=

(6)

⑤尋找動(dòng)作段起點(diǎn)，以喝水動(dòng)作為例，如圖6所示.對(duì)Vp中的元素遍歷.若當(dāng)前Vp值的橫坐標(biāo)對(duì)應(yīng)的差分和E>tE，則該Vp值是與起點(diǎn)匹配的波峰，對(duì)當(dāng)前采樣點(diǎn)減去窗口長(zhǎng)度偏移值ms，即找到起點(diǎn)，其中tE為大量實(shí)驗(yàn)后設(shè)置的E閾值.若E

⑥尋找動(dòng)作段終點(diǎn)，從后向前遍歷Vp，判斷方法與步驟⑤相似.圖6中，me為終點(diǎn)的窗口長(zhǎng)度偏移值，對(duì)找到的Vp對(duì)應(yīng)采樣點(diǎn)加上me，即找到終點(diǎn)，設(shè)定me=3w.

圖6 喝水動(dòng)作分割

3.2 子動(dòng)作拆解

為了便于分析子動(dòng)作拆解過(guò)程，計(jì)算手背部位角速度三軸分量的綜合值，即

(7)

式中，Gx、Gy、Gz分別為手背角速度三軸分量.綜合值Gf將三軸角速度融合，能夠體現(xiàn)角速度的整體變化趨勢(shì).

以喝水動(dòng)作的Gf曲線為例，分析手臂動(dòng)作的規(guī)律.如圖7所示,Gf出現(xiàn)了4個(gè)較大幅度的活躍波形，對(duì)應(yīng)喝水動(dòng)作的4個(gè)子動(dòng)作，而每個(gè)活躍波形之間存在一個(gè)短暫的平靜期,對(duì)應(yīng)子動(dòng)作之間短暫的停頓.

喝水動(dòng)作的4個(gè)子動(dòng)作都是手臂的單方向運(yùn)動(dòng)，而在日常生活中，手臂的來(lái)回?cái)[動(dòng)也是常見(jiàn)動(dòng)作類型，例如刷牙、切菜等.圖8是刷牙動(dòng)作的Gf曲線.當(dāng)實(shí)驗(yàn)者手拿牙刷做出來(lái)回?cái)[動(dòng)的刷牙動(dòng)作時(shí)，Gf值對(duì)應(yīng)的是一個(gè)頻率較快的有多個(gè)波峰的波形，且手?jǐn)[動(dòng)的次數(shù)與波峰的數(shù)量相同.由于擺動(dòng)動(dòng)作頻率高，且每次擺動(dòng)代表的動(dòng)作含義相同，本文將這種擺動(dòng)動(dòng)作視為一個(gè)子動(dòng)作處理.

圖7 喝水動(dòng)作的活躍波形與子動(dòng)作對(duì)應(yīng)關(guān)系

圖8 刷牙中的擺動(dòng)動(dòng)作Gf曲線

基于以上對(duì)手臂動(dòng)作特點(diǎn)的分析，本文設(shè)計(jì)了一種針對(duì)動(dòng)作Gf曲線的活躍波形匹配算法.該算法從區(qū)分Gf曲線的活躍期和平靜期入手，匹配活躍期的起點(diǎn)與終點(diǎn)，將每個(gè)子動(dòng)作對(duì)應(yīng)的活躍波形從完整動(dòng)作波形中摘取出，形成子動(dòng)作窗口，完成子動(dòng)作拆解.對(duì)于擺動(dòng)類型子動(dòng)作活躍波形，該算法也能準(zhǔn)確匹配.

本文以圖8的刷牙Gf曲線為例，簡(jiǎn)述活躍波形匹配算法的流程.

②遍歷Gf,p，對(duì)每個(gè)波峰進(jìn)行始點(diǎn)、終點(diǎn)探測(cè).設(shè)置指針pl從當(dāng)前波峰開(kāi)始向左移動(dòng)，每當(dāng)遇到波谷時(shí)，判斷波谷值Gf,v是否小于tg及波谷往前5個(gè)采樣點(diǎn)的值是否都小于tg.同時(shí)滿足這2個(gè)條件時(shí)，認(rèn)為波形已進(jìn)入平靜期，該波谷則為起點(diǎn)，結(jié)束探測(cè).若有一個(gè)條件不滿足，則認(rèn)為波形仍處于活躍狀態(tài)，而該波谷是人體抖動(dòng)或擺動(dòng)動(dòng)作導(dǎo)致的干擾點(diǎn)，忽略并讓pl繼續(xù)左移.

③探測(cè)活躍波形終點(diǎn).設(shè)置指針pr從當(dāng)前波峰開(kāi)始向右移動(dòng)尋找終點(diǎn)，方法與步驟②相同.

④對(duì)Gf,p中下一個(gè)波峰進(jìn)行探測(cè)前，判斷該波峰的橫坐標(biāo)值是否小于上一個(gè)活躍波形的終點(diǎn).若滿足小于條件，代表該波峰屬于擺動(dòng)動(dòng)作的一個(gè)部分，已經(jīng)被上一個(gè)子動(dòng)作包含，不必再處理；若不滿足條件，說(shuō)明該波峰屬于新的子動(dòng)作，回到步驟②繼續(xù)計(jì)算.

匹配的大致過(guò)程和結(jié)果如圖9所示，圖中的虛線為算法匹配出的子動(dòng)作窗口邊界.

圖9 活躍波形匹配過(guò)程

3.3 子動(dòng)作特征矩陣構(gòu)造

子動(dòng)作拆分完成后，需要對(duì)每個(gè)子動(dòng)作窗口計(jì)算易于區(qū)分不同手臂動(dòng)作的特征值.經(jīng)過(guò)實(shí)驗(yàn)觀察，選取6種特征值，如表1所示.其中，前3種描述了角速度變化特征，后3種描述了手臂空間位置變化特征.

表1 對(duì)子動(dòng)作選取的特征值

將選取的6種特征值組成子動(dòng)作的特征向量，即

F={ΔT，M，N， ΔPx， ΔPy， ΔPz}T

(8)

然后將整個(gè)手臂動(dòng)作的多個(gè)子動(dòng)作的特征向量進(jìn)行組合,得到手臂動(dòng)作的子動(dòng)作特征矩陣，即

S=[F1F2…Fi…Fn]T

(9)

子動(dòng)作特征矩陣S的構(gòu)造使得手臂動(dòng)作原本長(zhǎng)度為幾百甚至幾千的時(shí)間序列，濃縮成長(zhǎng)度為子動(dòng)作數(shù)量的子動(dòng)作特征矩陣，對(duì)于下文使用DTW算法識(shí)別手臂動(dòng)作有重要的意義.

4 動(dòng)作識(shí)別算法

4.1 DTW算法原理

DTW算法用來(lái)計(jì)算序列之間的相似性，是一種模板匹配算法，其原理如圖10所示.相似性通常是用2個(gè)序列之間的最短距離γ來(lái)衡量.γ越小，2個(gè)序列的相似度越高.DTW算法應(yīng)用于手臂動(dòng)作識(shí)別的過(guò)程如下：建立動(dòng)作模板庫(kù)，將測(cè)試動(dòng)作與所有模板動(dòng)作進(jìn)行比對(duì)，計(jì)算二者之間的最短距離γ，結(jié)果最小的模板動(dòng)作即為識(shí)別結(jié)果.

圖10 DTW算法原理

由于輸入DTW算法中的2個(gè)序列長(zhǎng)度通常不相等，不能直接計(jì)算它們之間的歐氏距離，因此使用動(dòng)態(tài)規(guī)劃的方法來(lái)計(jì)算.

以長(zhǎng)度n的序列Q1={a1,a2,…,an}為橫軸，長(zhǎng)度m的序列Q2={b1,b2,…,bn}為縱軸，構(gòu)造n×m的網(wǎng)格矩陣，網(wǎng)格中任意一個(gè)交叉點(diǎn)(i,j)為序列中的元素Q1(i)與Q2(j)的相交.網(wǎng)格中任意點(diǎn)(i,j)的最短距離γ的計(jì)算公式如下：

(10)

式中，d(i,j)為Q1的第i個(gè)元素與Q2的第j個(gè)元素的距離，一般用歐式距離計(jì)算.以點(diǎn)(1,1)為起點(diǎn)，迭代計(jì)算至終點(diǎn)(n,m)，γ(n,m)即為Q1和Q2最短距離的計(jì)算結(jié)果.

本文將構(gòu)造好的子動(dòng)作特征矩陣S代替序列Q輸入到DTW算法中，S中的每列為特征向量，因此歐式距離d(i,j)的計(jì)算公式為

(11)

式中，S1(i,k)為特征矩陣S1的第i個(gè)子動(dòng)作特征向量的第k個(gè)特征值；S2(j,k)為特征矩陣S2的第j個(gè)子動(dòng)作特征向量的第k個(gè)特征值；l為特征值數(shù)量，即為6.

4.2 動(dòng)作模板制作

常見(jiàn)的模板匹配方法是將待識(shí)別動(dòng)作序列與模板庫(kù)中每一個(gè)模板動(dòng)作序列進(jìn)行比對(duì)，得出結(jié)果.這種方法會(huì)受到模板庫(kù)規(guī)模的影響，模板庫(kù)中模板數(shù)量越多，計(jì)算量就越大，耗時(shí)越久.為了減少計(jì)算時(shí)間，采取對(duì)每一類動(dòng)作的所有模板動(dòng)作序列求平均序列的方法，制作每類動(dòng)作唯一動(dòng)作模板，從而在識(shí)別階段計(jì)算一次即可.

本文采用文獻(xiàn)[14]中基于動(dòng)態(tài)時(shí)間規(guī)整的重心平均(DTW barycenter averaging, DBA)算法對(duì)多個(gè)動(dòng)作模板求平均模板.該方法通過(guò)反復(fù)迭代計(jì)算，減小臨時(shí)平均模板與各個(gè)原始動(dòng)作模板的最短距離γ，得到最終的動(dòng)作平均模板，且不受迭代順序的影響.

5 實(shí)驗(yàn)

5.1 實(shí)驗(yàn)設(shè)計(jì)

結(jié)合助殘機(jī)械手的研究背景，選取了6種生活中常見(jiàn)的需要用手進(jìn)行抓取的手臂動(dòng)作，并定義了子動(dòng)作順序，作為測(cè)試本文方法的動(dòng)作標(biāo)簽，如表2所示.

表2 實(shí)驗(yàn)選取的動(dòng)作

尋找了10名健康受試者進(jìn)行手臂動(dòng)作實(shí)驗(yàn)，共8男2女，年齡23～50歲，身高160～185 cm.要求受試者的右臂佩戴數(shù)據(jù)手套，軀干保持不動(dòng)，以自然狀態(tài)與速度按照表2的子動(dòng)作順序執(zhí)行手臂動(dòng)作，每類手臂動(dòng)作執(zhí)行15次，最后采集得到900組動(dòng)作數(shù)據(jù).

從每個(gè)受試者執(zhí)行的每類15組動(dòng)作中，隨機(jī)抽取5組作為模板組，其余10組作為測(cè)試組，共得到300組模板組數(shù)據(jù)，600組測(cè)試組數(shù)據(jù).模板組每類動(dòng)作為50組數(shù)據(jù)，對(duì)這50組數(shù)據(jù)使用DBA算法，得到最終的動(dòng)作模板，共得到6個(gè)動(dòng)作模板.同時(shí)，對(duì)數(shù)據(jù)集采用五折交叉驗(yàn)證，減少實(shí)驗(yàn)結(jié)果的隨機(jī)性.

5.2 實(shí)驗(yàn)結(jié)果分析

對(duì)采集的實(shí)驗(yàn)數(shù)據(jù)使用傳統(tǒng)的基于時(shí)間序列的DTW方法和本文提出的基于子動(dòng)作特征矩陣的DTW方法進(jìn)行識(shí)別，并對(duì)2種方法的準(zhǔn)確性和實(shí)時(shí)性進(jìn)行對(duì)比.表3和表4分別是2種方法的識(shí)別結(jié)果混淆矩陣，表中數(shù)據(jù)為五次交叉驗(yàn)證取平均值的結(jié)果.

表3 基于時(shí)間序列的動(dòng)作識(shí)別混淆矩陣

表4 基于子動(dòng)作特征矩陣的動(dòng)作識(shí)別混淆矩陣

通過(guò)觀察表3和表4可知，本文方法相對(duì)于傳統(tǒng)基于時(shí)間序列的方法準(zhǔn)確性有所提高，總識(shí)別率由96.9%提高到99.4%，也證明了所選的6種子動(dòng)作特征值對(duì)于區(qū)分不同動(dòng)作有一定貢獻(xiàn).

圖11(a)為每類動(dòng)作50個(gè)模板樣本的動(dòng)作模板制作平均耗時(shí)對(duì)比，圖11(b)為100個(gè)測(cè)試樣本的動(dòng)作識(shí)別平均耗時(shí)對(duì)比.可看出，無(wú)論是模板制作階段還是識(shí)別階段，基于子動(dòng)作特征矩陣的方法耗時(shí)都小于基于時(shí)間序列的方法.進(jìn)一步觀察圖11，發(fā)現(xiàn)基于時(shí)間序列的方法識(shí)別耗時(shí)與動(dòng)作的持續(xù)時(shí)間成正相關(guān)，而基于子動(dòng)作特征矩陣的方法識(shí)別耗時(shí)差距很小，與動(dòng)作的持續(xù)時(shí)間長(zhǎng)短無(wú)關(guān)，證明了本文提出的識(shí)別方法具有良好的實(shí)時(shí)性.

(a) 動(dòng)作模板制作耗時(shí)

(b) 動(dòng)作識(shí)別耗時(shí)

6 結(jié)論

1) 設(shè)計(jì)了手臂動(dòng)作識(shí)別流程，包含手臂空間位置解算、子動(dòng)作拆解、子動(dòng)作特征矩陣構(gòu)造、動(dòng)作模板制作、動(dòng)作識(shí)別等5個(gè)步驟.

2) 針對(duì)常見(jiàn)基于時(shí)間序列的DTW動(dòng)作識(shí)別方法在準(zhǔn)確性和實(shí)時(shí)性方面的不足，采用拆解手臂動(dòng)作、構(gòu)造子動(dòng)作特征矩陣的方法，用子動(dòng)作特征矩陣代替時(shí)間序列對(duì)手臂動(dòng)作進(jìn)行識(shí)別.

3) 選取6種生活中常見(jiàn)的手臂動(dòng)作進(jìn)行實(shí)驗(yàn)，與基于時(shí)間序列的DTW方法相比，本文方法在識(shí)別準(zhǔn)確性和實(shí)時(shí)性上有顯著提高，驗(yàn)證了本文方法的有效性.

4) 由于動(dòng)作識(shí)別的準(zhǔn)確性和實(shí)時(shí)性與特征選擇緊密相關(guān)，因此后續(xù)研究將圍繞手臂位姿變換，深入研究子動(dòng)作特征的提取，以進(jìn)一步提高識(shí)別的準(zhǔn)確性并減少算法的延時(shí)性，為助殘手智能控制打下基礎(chǔ).