季祥，白端元

（長(zhǎng)春理工大學(xué) 電子信息工程學(xué)院，長(zhǎng)春 130022）

表面肌電信號(hào)（Surface Electromyography，sEMG）是在人體皮膚表面的一種生物電信號(hào)，其隨著肌肉活動(dòng)產(chǎn)生，且由傳感器探測(cè)，其形式和振幅直接反映了肌肉的運(yùn)動(dòng)狀態(tài)，通過(guò)分析不同類(lèi)型動(dòng)作的sEMG差異，即可識(shí)別出人體的運(yùn)動(dòng)模式、或提前預(yù)測(cè)其活動(dòng)意愿[1-2]。因此，基于sEMG信號(hào)的人體動(dòng)作識(shí)別已成為人機(jī)交互、康復(fù)醫(yī)學(xué)等領(lǐng)域研究的熱點(diǎn)問(wèn)題之一。

目前，業(yè)界主要采用模式識(shí)別方法對(duì)sEMG信號(hào)展開(kāi)研究，并取得了一定的成果。例如，文獻(xiàn)[3]通過(guò)提取手臂4通道sEMG信號(hào)的AR特征，以用于高斯分類(lèi)器來(lái)進(jìn)行識(shí)別，準(zhǔn)確率達(dá)到90%以上；文獻(xiàn)[4]重點(diǎn)探究了信號(hào)的5種特征參量的融合效果，采用LDA分類(lèi)器驗(yàn)證了在不同特征組合和維數(shù)下的分類(lèi)結(jié)果。文獻(xiàn)[5]提出運(yùn)用AdaBoost算法對(duì)肌電信號(hào)進(jìn)行特征提取，并分析了在疲勞肌肉肌電信號(hào)干擾下該方法的效果。

其中對(duì)表面肌電信號(hào)進(jìn)行特征提取主要是為后續(xù)分類(lèi)器的構(gòu)造提供可靠的數(shù)據(jù)，以便減少訓(xùn)練時(shí)間和提高動(dòng)作模式識(shí)別的準(zhǔn)確率。當(dāng)前，常用于動(dòng)作分類(lèi)的算法主要有支持向量機(jī)（Support Vector Machine，SVM）和神經(jīng)網(wǎng)絡(luò)（Neural Network）等。例如，文獻(xiàn)[6]提出引入交叉熵函數(shù)對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行正則化處理以提高網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率，并將其成功應(yīng)用于手部動(dòng)作識(shí)別。文獻(xiàn)[7]分別利用BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)（ELM）兩種方法進(jìn)行肌電信號(hào)的模式識(shí)別，并比較兩種方法在識(shí)別率和識(shí)別時(shí)間的差異。文獻(xiàn)[8]對(duì)高斯核函數(shù)進(jìn)行改進(jìn)，并采用二叉樹(shù)方法構(gòu)建多類(lèi)支持向量機(jī)完成12種上肢姿態(tài)的分類(lèi)。然而，神經(jīng)網(wǎng)絡(luò)存在收斂較慢，極易陷入局部最優(yōu)點(diǎn)和過(guò)擬合的問(wèn)題，從而導(dǎo)致分類(lèi)性能不穩(wěn)定；支持向量機(jī)雖然具有較好的非線性分類(lèi)能力，但是其在面對(duì)不平衡數(shù)據(jù)集和多分類(lèi)問(wèn)題時(shí)，難以達(dá)到最佳分類(lèi)能力，需要科研人員進(jìn)行進(jìn)一步的研究。

針對(duì)上述問(wèn)題，本文提出運(yùn)用向量正則核函數(shù)逼近方法（Vector-Valued Regularized Kernel Function Approximation，VVRKFA）作為分類(lèi)器，并采用花授粉算法[9]（Flower Pollination Algorithm，F(xiàn)PA）優(yōu)化分類(lèi)器參數(shù)，最終對(duì)人體動(dòng)作模式進(jìn)行識(shí)別，取得了較好的分類(lèi)效果。

1 基于肌電信號(hào)的手勢(shì)識(shí)別

本文提出一種基于肌電信號(hào)的手勢(shì)動(dòng)作識(shí)別方法，其主要分為肌電信號(hào)的采集、活動(dòng)段檢測(cè)、特征提取及手勢(shì)識(shí)別?？傮w方案如圖1所示。

圖1 總體方案圖

具體步驟為：

（1）采集手部在不同動(dòng)作模式下活動(dòng)肌肉群所產(chǎn)生的肌電信號(hào)，并將信號(hào)通過(guò)接口協(xié)議傳輸給上位機(jī)；

（2）對(duì)信號(hào)進(jìn)行活動(dòng)段檢測(cè)，篩選出手部動(dòng)作時(shí)生成的數(shù)據(jù)片段，剔除受試者休息時(shí)產(chǎn)生的數(shù)據(jù)片段；隨后對(duì)活動(dòng)段數(shù)據(jù)進(jìn)行特征提取，抽取出反映手部姿態(tài)的關(guān)鍵性信息；

（3）利用已知?jiǎng)幼髂Ｊ降膶?shí)驗(yàn)數(shù)據(jù)對(duì)分類(lèi)進(jìn)行訓(xùn)練，待分類(lèi)器模型訓(xùn)練完成后，運(yùn)行模型對(duì)肌電信號(hào)進(jìn)行手勢(shì)識(shí)別。

1.1 肌電信號(hào)采集

為了保證實(shí)驗(yàn)結(jié)果的可靠性和對(duì)比效果，本文對(duì)照NinaPro肌電信號(hào)基準(zhǔn)數(shù)據(jù)集中Exercise A中的1-6號(hào)手勢(shì)動(dòng)作采集原始的sEMG信號(hào)。六種手勢(shì)動(dòng)作如圖2所示。

圖2 六種手勢(shì)動(dòng)作示意圖

在數(shù)據(jù)采集過(guò)程中，本文采用Thalmic Labs公司開(kāi)發(fā)的MYO臂環(huán)。讓每位受試者佩戴一個(gè)MYO臂環(huán)，其中8個(gè)傳感器通過(guò)彈簧扣等距離排列在一起，并通過(guò)藍(lán)牙將采集到的肌電數(shù)據(jù)傳送給上位機(jī)。實(shí)驗(yàn)過(guò)程中，要求受試者用右手依次做出上述6種手勢(shì)動(dòng)作，并規(guī)定放松-動(dòng)作-放松為一次完整的動(dòng)作，每個(gè)動(dòng)作重復(fù)持續(xù)5秒，然后休息3秒，每種手勢(shì)重復(fù)36次，這樣每種手勢(shì)收集36個(gè)肌電信號(hào)，總共采集216個(gè)肌電信號(hào)樣本。

1.2 活動(dòng)段檢測(cè)

上位機(jī)接收的肌電信號(hào)是連續(xù)變換的，其中包含肌肉靜息和收縮狀態(tài)下產(chǎn)生的數(shù)據(jù)，因此判斷手部動(dòng)作開(kāi)始和終止的信號(hào)動(dòng)作區(qū)間，即活動(dòng)段，是進(jìn)行特征提取及后續(xù)動(dòng)作分類(lèi)的必要操作。對(duì)此，本文提出采用差分能量滑動(dòng)平均方法以提取活動(dòng)段數(shù)據(jù)[10]，詳細(xì)步驟如下：

（1）首先對(duì)單個(gè)通道肌電數(shù)據(jù)sk(i)進(jìn)行差分，并計(jì)算平方能量后，將所有通道數(shù)據(jù)相加并平均，以獲得如下的瞬時(shí)平均能量序列SA_E：

式中，1≤k≤C；C是肌電信號(hào)通道數(shù)；i是肌電信號(hào)中的數(shù)據(jù)點(diǎn)序列號(hào)。

（2）應(yīng)用滑動(dòng)窗對(duì)序列SA_E進(jìn)行截取，并計(jì)算窗口內(nèi)的能量均值：

式中，N=128為滑動(dòng)窗長(zhǎng)度。

（3）設(shè)置閾值Th對(duì)能量均值序列進(jìn)行判斷，判斷結(jié)果如下：

通過(guò)保留大于閾值的數(shù)據(jù)，丟棄低于閾值的數(shù)據(jù)，從而可以有效地剔除掉手部肌肉在靜息狀態(tài)下所產(chǎn)生的干擾信號(hào)，最終識(shí)別出肌電信號(hào)中活動(dòng)段。此外，本文對(duì)獲取的活動(dòng)段進(jìn)行長(zhǎng)度閾值判定，保留大于設(shè)定長(zhǎng)度的活動(dòng)段數(shù)據(jù)，舍棄小于設(shè)定長(zhǎng)度的活動(dòng)段數(shù)據(jù)。

1.3 特征提取

相較于其他類(lèi)型特征，時(shí)域特征計(jì)算速度更快，能在較大程度上揭示肌電數(shù)據(jù)的內(nèi)在特征[11]，因此，本文通過(guò)比較分析，選擇平均絕對(duì)值（MAV）、波形長(zhǎng)度（WL）、過(guò)零點(diǎn)數(shù)（ZC）、均方根（RMS）及Willison幅值（MAMP）作為后續(xù)分類(lèi)器的輸入特征，以進(jìn)行手勢(shì)識(shí)別。

2 FPA-VVRKFA分類(lèi)器設(shè)計(jì)

對(duì)提取到的sEMG信號(hào)進(jìn)行分類(lèi)識(shí)別時(shí)應(yīng)用VVRKFA分類(lèi)算法，并采用花授粉算法優(yōu)化分類(lèi)器的主要參數(shù)，保證FPA-VVRKFA分類(lèi)器的最佳分類(lèi)能力，實(shí)現(xiàn)手部動(dòng)作的分類(lèi)。

2.1 VVRKFA分類(lèi)算法

2.2 花授粉算法

VVRKFA方法中正則化參數(shù)和核函數(shù)參數(shù)是其較為重要的參數(shù)，采用人工方式難以確定合適的參數(shù)，現(xiàn)引入花授粉算法（FPA）對(duì)VVRKFA分類(lèi)器進(jìn)行優(yōu)化，確定合適的參數(shù)。

在2010年，研究人員通過(guò)模擬自然界中花卉植物的授粉過(guò)程，提出花授粉算法，并將其應(yīng)用到解決約束優(yōu)化以及多目標(biāo)優(yōu)化等問(wèn)題中。由于花授粉算法的結(jié)構(gòu)簡(jiǎn)單、無(wú)需梯度信息、參數(shù)相對(duì)較少、易于實(shí)現(xiàn)等優(yōu)點(diǎn)，因此也可以被應(yīng)用于參數(shù)優(yōu)化中。該算法主要具有如下四種規(guī)則：

（1）根據(jù)攜帶花粉的傳播者依照萊維（Levy）飛行進(jìn)行全局授粉，以此模擬生物的異花授粉過(guò)程。

（2）局部授粉是花卉植物因自然因素的自花授粉過(guò)程。

（3）花卉植物的常性指代繁衍概率，其值的大小與花卉植物的相似性具備一定的比例關(guān)系。

（4）因?yàn)榛ǖ氖诜凼艿狡渌T如位置及風(fēng)等自然因素的影響，采用轉(zhuǎn)換概率p∈[0 ,1]調(diào)節(jié)全局授粉和局部授粉之間的轉(zhuǎn)換。

由于在全局授粉過(guò)程中，花粉傳播者依據(jù)萊維飛行，進(jìn)行長(zhǎng)距離的移動(dòng)。因此可以得到如下所示全局授粉過(guò)程的數(shù)學(xué)表達(dá)式：

式中，Γ(λ)為伽馬函數(shù)；λ=1.5。

局部授粉過(guò)程可以由下式實(shí)現(xiàn)：

2.3 花授粉優(yōu)化參數(shù)過(guò)程

采用FPA對(duì)VVRKFA進(jìn)行優(yōu)化以獲得誤差最小的正則化參數(shù)和核函數(shù)參數(shù)，從而使得優(yōu)化后的分類(lèi)器能夠取得更好的分類(lèi)效果。算法整體步驟如圖3所示。

圖3 FPA優(yōu)化VVRKFA參數(shù)優(yōu)化流程圖

其FPA對(duì)VVRKFA具體優(yōu)化步驟如下：

（1）參數(shù)初始化。設(shè)置花粉種群規(guī)模N、花粉粒子維數(shù)及轉(zhuǎn)換概率P等。

（2）求出初始種群的局部最優(yōu)和全局最優(yōu)花粉粒子。計(jì)算種群中每一個(gè)花粉粒子的適應(yīng)度值，確定初始花粉種群此時(shí)局部最優(yōu)和全局最優(yōu)的花粉粒子。

（3）花粉粒子更新。當(dāng)P>rand時(shí)，利用公式（15）進(jìn)行全局授粉操作更新花粉粒子；當(dāng)P

（4）根據(jù)上一過(guò)程，即步驟（3）產(chǎn)生的花粉粒子的適應(yīng)度進(jìn)行計(jì)算。如果其新產(chǎn)生的花粉粒子的適應(yīng)度相對(duì)當(dāng)前的局部最優(yōu)粒子的適應(yīng)度較好，則用當(dāng)前局部最優(yōu)粒子被新產(chǎn)生的花粉粒子替換。如果其新產(chǎn)生的花粉粒子的適應(yīng)度相對(duì)當(dāng)前的全局最優(yōu)粒子的適應(yīng)度較好，則當(dāng)前全局最優(yōu)粒子被新產(chǎn)生的花粉粒子替換。

（5）檢測(cè)是否滿足終止條件。判斷迭代次數(shù)是否達(dá)到最大，如果達(dá)到最大的迭代次數(shù)，則輸出當(dāng)前全局最優(yōu)花粉粒子，否則返回步驟（3）。

3 實(shí)驗(yàn)結(jié)果分析

3.1 肌電信號(hào)活動(dòng)段檢測(cè)

根據(jù)上文論述所示，檢測(cè)肌電信號(hào)的活動(dòng)段，以獲取動(dòng)作的起始點(diǎn)和終止點(diǎn)。圖4為將各個(gè)通道信號(hào)進(jìn)行差分平方后求和平均，得到的反映信號(hào)瞬時(shí)平均能量序列的波形圖。圖5為將低于閾值的信號(hào)點(diǎn)置零后獲得的平均能量序列的波形圖。根據(jù)信號(hào)零點(diǎn)即可確定出動(dòng)作信號(hào)起始點(diǎn)與終止點(diǎn)。

圖4 瞬時(shí)平均能量序列波形圖

圖5 置零后瞬時(shí)平均能量序列波形圖

3.2 手勢(shì)動(dòng)作識(shí)別結(jié)果分析

實(shí)驗(yàn)中，通過(guò)MATLAB軟件進(jìn)行仿真，將活動(dòng)段肌電信號(hào)提取時(shí)域特征后分別輸入到花授粉算法優(yōu)化的向量正則核函數(shù)逼近方法分類(lèi)器（FPA-VVRKFA）及粒子群算法優(yōu)化的支持向量機(jī)分類(lèi)器（PSO-SVM）中，兩種分類(lèi)器在訓(xùn)練過(guò)程中分別采用合適的算法來(lái)優(yōu)化參數(shù)以保證獲得最佳分類(lèi)性能，以此作為對(duì)照從而對(duì)比本文分類(lèi)器構(gòu)造方法的性能。

根據(jù)6種手勢(shì)每種動(dòng)作重復(fù)36次，總共采集216個(gè)肌電信號(hào)樣本。然后從每種動(dòng)作模式選取6個(gè)樣本，一共36個(gè)樣本作為分類(lèi)器的訓(xùn)練數(shù)據(jù)，其余180個(gè)樣本作為分類(lèi)器的測(cè)試數(shù)據(jù)。算法優(yōu)化過(guò)程中，種群大小設(shè)置為10，迭代次數(shù)設(shè)置為100?；ㄊ诜鬯惴▋?yōu)化參數(shù)的迭代過(guò)程如圖6所示，其中FPA-VVRKFA分類(lèi)器很快達(dá)到最佳適應(yīng)度，即得到最佳分類(lèi)性能的參數(shù)。以得到的最佳參數(shù)構(gòu)建FPA-VVRKFA分類(lèi)器，并將其應(yīng)用到測(cè)試集，測(cè)試結(jié)果如圖7所示，其中僅有9個(gè)樣本被錯(cuò)分，整個(gè)測(cè)試集的準(zhǔn)確率達(dá)到95%。

圖6 FPA優(yōu)化VVRKFA參數(shù)適應(yīng)度曲線圖

圖7 FPA-VVRKFA分類(lèi)結(jié)果

對(duì)于SVM分類(lèi)器，粒子群算法優(yōu)化SVM分類(lèi)器參數(shù)的迭代過(guò)程如圖8所示，其中最佳適應(yīng)度僅達(dá)到80%，遠(yuǎn)遠(yuǎn)低于FPA-VVRKFA，這說(shuō)明在小樣本訓(xùn)練集時(shí)，F(xiàn)PA-VVRKFA的分類(lèi)能力較好。圖9所示為PSO-SVM分類(lèi)器在測(cè)試集下的分類(lèi)結(jié)果。其中PSO-SVM分類(lèi)器的準(zhǔn)確率為81.67%，也低于VVRKFA分類(lèi)器。

圖8 PSO優(yōu)化SVM參數(shù)適應(yīng)度曲線圖

圖9 PSO-SVM分類(lèi)結(jié)果

綜上而言，本文所提出的FPA-VVRKFA方法在有限樣本情況下的實(shí)驗(yàn)過(guò)程中取得了較好的分類(lèi)效果。

4 結(jié)論

本文采用MYO傳感器臂環(huán)采集實(shí)驗(yàn)人員不同手勢(shì)下的表面肌電信號(hào)，隨后對(duì)采集到的數(shù)據(jù)進(jìn)行活動(dòng)段分割，以提取出動(dòng)作信號(hào)區(qū)域，并設(shè)計(jì)出一種基于時(shí)域特征的分類(lèi)算法；該分類(lèi)算法主要采用正則核函數(shù)逼近方法作為分類(lèi)器，同時(shí)運(yùn)用花授粉算法優(yōu)化分類(lèi)器基本參數(shù)以獲得最佳分類(lèi)能力；最終實(shí)現(xiàn)對(duì)肌電信號(hào)的手勢(shì)分類(lèi)和識(shí)別，并達(dá)到了較好的效果。