季祥，白端元

（長春理工大學(xué) 電子信息工程學(xué)院，長春 130022）

表面肌電信號（Surface Electromyography，sEMG）是在人體皮膚表面的一種生物電信號，其隨著肌肉活動產(chǎn)生，且由傳感器探測，其形式和振幅直接反映了肌肉的運動狀態(tài)，通過分析不同類型動作的sEMG差異，即可識別出人體的運動模式、或提前預(yù)測其活動意愿[1-2]。因此，基于sEMG信號的人體動作識別已成為人機交互、康復(fù)醫(yī)學(xué)等領(lǐng)域研究的熱點問題之一。

目前，業(yè)界主要采用模式識別方法對sEMG信號展開研究，并取得了一定的成果。例如，文獻[3]通過提取手臂4通道sEMG信號的AR特征，以用于高斯分類器來進行識別，準(zhǔn)確率達到90%以上；文獻[4]重點探究了信號的5種特征參量的融合效果，采用LDA分類器驗證了在不同特征組合和維數(shù)下的分類結(jié)果。文獻[5]提出運用AdaBoost算法對肌電信號進行特征提取，并分析了在疲勞肌肉肌電信號干擾下該方法的效果。

其中對表面肌電信號進行特征提取主要是為后續(xù)分類器的構(gòu)造提供可靠的數(shù)據(jù)，以便減少訓(xùn)練時間和提高動作模式識別的準(zhǔn)確率。當(dāng)前，常用于動作分類的算法主要有支持向量機（Support Vector Machine，SVM）和神經(jīng)網(wǎng)絡(luò)（Neural Network）等。例如，文獻[6]提出引入交叉熵函數(shù)對人工神經(jīng)網(wǎng)絡(luò)進行正則化處理以提高網(wǎng)絡(luò)的識別準(zhǔn)確率，并將其成功應(yīng)用于手部動作識別。文獻[7]分別利用BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機（ELM）兩種方法進行肌電信號的模式識別，并比較兩種方法在識別率和識別時間的差異。文獻[8]對高斯核函數(shù)進行改進，并采用二叉樹方法構(gòu)建多類支持向量機完成12種上肢姿態(tài)的分類。然而，神經(jīng)網(wǎng)絡(luò)存在收斂較慢，極易陷入局部最優(yōu)點和過擬合的問題，從而導(dǎo)致分類性能不穩(wěn)定；支持向量機雖然具有較好的非線性分類能力，但是其在面對不平衡數(shù)據(jù)集和多分類問題時，難以達到最佳分類能力，需要科研人員進行進一步的研究。

針對上述問題，本文提出運用向量正則核函數(shù)逼近方法（Vector-Valued Regularized Kernel Function Approximation，VVRKFA）作為分類器，并采用花授粉算法[9]（Flower Pollination Algorithm，F(xiàn)PA）優(yōu)化分類器參數(shù)，最終對人體動作模式進行識別，取得了較好的分類效果。

1 基于肌電信號的手勢識別

本文提出一種基于肌電信號的手勢動作識別方法，其主要分為肌電信號的采集、活動段檢測、特征提取及手勢識別?？傮w方案如圖1所示。

圖1 總體方案圖

具體步驟為：

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

（2）對信號進行活動段檢測，篩選出手部動作時生成的數(shù)據(jù)片段，剔除受試者休息時產(chǎn)生的數(shù)據(jù)片段；隨后對活動段數(shù)據(jù)進行特征提取，抽取出反映手部姿態(tài)的關(guān)鍵性信息；

（3）利用已知動作模式的實驗數(shù)據(jù)對分類進行訓(xùn)練，待分類器模型訓(xùn)練完成后，運行模型對肌電信號進行手勢識別。

1.1 肌電信號采集

為了保證實驗結(jié)果的可靠性和對比效果，本文對照NinaPro肌電信號基準(zhǔn)數(shù)據(jù)集中Exercise A中的1-6號手勢動作采集原始的sEMG信號。六種手勢動作如圖2所示。

圖2 六種手勢動作示意圖

在數(shù)據(jù)采集過程中，本文采用Thalmic Labs公司開發(fā)的MYO臂環(huán)。讓每位受試者佩戴一個MYO臂環(huán)，其中8個傳感器通過彈簧扣等距離排列在一起，并通過藍牙將采集到的肌電數(shù)據(jù)傳送給上位機。實驗過程中，要求受試者用右手依次做出上述6種手勢動作，并規(guī)定放松-動作-放松為一次完整的動作，每個動作重復(fù)持續(xù)5秒，然后休息3秒，每種手勢重復(fù)36次，這樣每種手勢收集36個肌電信號，總共采集216個肌電信號樣本。

1.2 活動段檢測

上位機接收的肌電信號是連續(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)，因此判斷手部動作開始和終止的信號動作區(qū)間，即活動段，是進行特征提取及后續(xù)動作分類的必要操作。對此，本文提出采用差分能量滑動平均方法以提取活動段數(shù)據(jù)[10]，詳細(xì)步驟如下：

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

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

（2）應(yīng)用滑動窗對序列SA_E進行截取，并計算窗口內(nèi)的能量均值：

式中，N=128為滑動窗長度。

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

通過保留大于閾值的數(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，最終識別出肌電信號中活動段。此外，本文對獲取的活動段進行長度閾值判定，保留大于設(shè)定長度的活動段數(shù)據(jù)，舍棄小于設(shè)定長度的活動段數(shù)據(jù)。

1.3 特征提取

相較于其他類型特征，時域特征計算速度更快，能在較大程度上揭示肌電數(shù)據(jù)的內(nèi)在特征[11]，因此，本文通過比較分析，選擇平均絕對值（MAV）、波形長度（WL）、過零點數(shù)（ZC）、均方根（RMS）及Willison幅值（MAMP）作為后續(xù)分類器的輸入特征，以進行手勢識別。

2 FPA-VVRKFA分類器設(shè)計

對提取到的sEMG信號進行分類識別時應(yīng)用VVRKFA分類算法，并采用花授粉算法優(yōu)化分類器的主要參數(shù)，保證FPA-VVRKFA分類器的最佳分類能力，實現(xiàn)手部動作的分類。

2.1 VVRKFA分類算法

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VVRKFA分類器進行優(yōu)化，確定合適的參數(shù)。

在2010年，研究人員通過模擬自然界中花卉植物的授粉過程，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)化等問題中。由于花授粉算法的結(jié)構(gòu)簡單、無需梯度信息、參數(shù)相對較少、易于實現(xiàn)等優(yōu)點，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）飛行進行全局授粉，以此模擬生物的異花授粉過程。

（2）局部授粉是花卉植物因自然因素的自花授粉過程。

（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）因為花的授粉受到其他諸如位置及風(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。

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

式中，Γ(λ)為伽馬函數(shù)；λ=1.5。

局部授粉過程可以由下式實現(xiàn)：

2.3 花授粉優(yōu)化參數(shù)過程

采用FPA對VVRKFA進行優(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)化后的分類器能夠取得更好的分類效果。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。計算種群中每一個花粉粒子的適應(yīng)度值，確定初始花粉種群此時局部最優(yōu)和全局最優(yōu)的花粉粒子。

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

（4）根據(jù)上一過程，即步驟（3）產(chǎn)生的花粉粒子的適應(yīng)度進行計算。如果其新產(chǎn)生的花粉粒子的適應(yīng)度相對當(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）檢測是否滿足終止條件。判斷迭代次數(shù)是否達到最大，如果達到最大的迭代次數(shù)，則輸出當(dāng)前全局最優(yōu)花粉粒子，否則返回步驟（3）。

3 實驗結(jié)果分析

3.1 肌電信號活動段檢測

根據(jù)上文論述所示，檢測肌電信號的活動段，以獲取動作的起始點和終止點。圖4為將各個通道信號進行差分平方后求和平均，得到的反映信號瞬時平均能量序列的波形圖。圖5為將低于閾值的信號點置零后獲得的平均能量序列的波形圖。根據(jù)信號零點即可確定出動作信號起始點與終止點。

圖4 瞬時平均能量序列波形圖

圖5 置零后瞬時平均能量序列波形圖

3.2 手勢動作識別結(jié)果分析

實驗中，通過MATLAB軟件進行仿真，將活動段肌電信號提取時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)逼近方法分類器（FPA-VVRKFA）及粒子群算法優(yōu)化的支持向量機分類器（PSO-SVM）中，兩種分類器在訓(xùn)練過程中分別采用合適的算法來優(yōu)化參數(shù)以保證獲得最佳分類性能，以此作為對照從而對比本文分類器構(gòu)造方法的性能。

根據(jù)6種手勢每種動作重復(fù)36次，總共采集216個肌電信號樣本。然后從每種動作模式選取6個樣本，一共36個樣本作為分類器的訓(xùn)練數(shù)據(jù)，其余180個樣本作為分類器的測試數(shù)據(jù)。算法優(yōu)化過程中，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)的迭代過程如圖6所示，其中FPA-VVRKFA分類器很快達到最佳適應(yīng)度，即得到最佳分類性能的參數(shù)。以得到的最佳參數(shù)構(gòu)建FPA-VVRKFA分類器，并將其應(yīng)用到測試集，測試結(jié)果如圖7所示，其中僅有9個樣本被錯分，整個測試集的準(zhǔn)確率達到95%。

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

圖7 FPA-VVRKFA分類結(jié)果

對于SVM分類器，粒子群算法優(yōu)化SVM分類器參數(shù)的迭代過程如圖8所示，其中最佳適應(yīng)度僅達到80%，遠遠低于FPA-VVRKFA，這說明在小樣本訓(xùn)練集時，F(xiàn)PA-VVRKFA的分類能力較好。圖9所示為PSO-SVM分類器在測試集下的分類結(jié)果。其中PSO-SVM分類器的準(zhǔn)確率為81.67%，也低于VVRKFA分類器。

圖8 PSO優(yōu)化SVM參數(shù)適應(yīng)度曲線圖

圖9 PSO-SVM分類結(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驗過程中取得了較好的分類效果。

4 結(jié)論

本文采用MYO傳感器臂環(huán)采集實驗人員不同手勢下的表面肌電信號，隨后對采集到的數(shù)據(jù)進行活動段分割，以提取出動作信號區(qū)域，并設(shè)計出一種基于時域特征的分類算法；該分類算法主要采用正則核函數(shù)逼近方法作為分類器，同時運用花授粉算法優(yōu)化分類器基本參數(shù)以獲得最佳分類能力；最終實現(xiàn)對肌電信號的手勢分類和識別，并達到了較好的效果。