劉瑞恒，張峻霞，錢芊橙

（1.天津科技大學(xué) 機(jī)械工程學(xué)院，天津 300222；2.天津市輕工與食品工程機(jī)械裝備集成設(shè)計(jì)與在線監(jiān)控重點(diǎn)實(shí)驗(yàn)室，天津 300222）

0 引 言

可穿戴設(shè)備廣泛應(yīng)用于康復(fù)醫(yī)療、軍事助力、休閑娛樂等領(lǐng)域。據(jù)調(diào)查，國內(nèi)與康復(fù)醫(yī)療相關(guān)的可穿戴設(shè)備多達(dá)150種，其中下肢外骨骼機(jī)器人成為許多學(xué)者研究的熱點(diǎn)，該設(shè)備在軍事上作為軍人的助力裝備，在醫(yī)療領(lǐng)域作為下肢運(yùn)動(dòng)障礙患者的康復(fù)輔具。對(duì)于外骨骼機(jī)器人而言，下肢運(yùn)動(dòng)意圖識(shí)別是其實(shí)現(xiàn)主動(dòng)訓(xùn)練的前提，識(shí)別動(dòng)作的數(shù)量直接影響其整體功能。

根據(jù)肌電信號(hào)的特性可知，肌電信號(hào)的產(chǎn)生總是早于人體的實(shí)際動(dòng)作，人體運(yùn)動(dòng)之前的500 ms肌肉就會(huì)產(chǎn)生電信號(hào)。有研究表明，肌電信號(hào)源算法的穩(wěn)定性優(yōu)于機(jī)械信號(hào)源算法，如果在肌電信號(hào)產(chǎn)生300 ms之內(nèi)能夠識(shí)別下肢動(dòng)作就可以做到運(yùn)動(dòng)意圖的識(shí)別，而且表面肌電信號(hào)（Surface Electronomyography，sEMG）具有易采集、對(duì)人體無損傷的優(yōu)點(diǎn)。因此，表面肌電信號(hào)作為信號(hào)源識(shí)別人體步態(tài)是一個(gè)重要的研究方向。

基于機(jī)器學(xué)習(xí)的sEMG識(shí)別是一種重要的方法，下肢動(dòng)作識(shí)別最常用的機(jī)器學(xué)習(xí)方法有：支持向量機(jī)（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）、K近鄰算法（KNN）等。sEMG信號(hào)的特征一般有以下幾種：時(shí)域特征（如平均絕對(duì)值和過零點(diǎn)數(shù)等）、頻域特征（如平均功率頻率和短時(shí)傅里葉變換等）、時(shí)頻域特征（如小波變換）和樣本熵。文獻(xiàn)[17]分別提取時(shí)域、時(shí)頻域和熵特征三種特征對(duì)腦癱兒童的不同肌肉活性對(duì)比研究，結(jié)果表明時(shí)域和熵特征有更好的效果。文獻(xiàn)[18]提出基于小波包能量分析的肌肉疲勞識(shí)別方法，該方法可以快速地檢測肌肉收縮和松弛狀態(tài)。文獻(xiàn)[19]使用排列組合熵特征對(duì)手部四種動(dòng)作信號(hào)進(jìn)行識(shí)別，該特征很好地反映了肌電信號(hào)的細(xì)微變化。目前，下肢動(dòng)作識(shí)別的研究已經(jīng)取得了較好的成果，但是下肢運(yùn)動(dòng)意圖識(shí)別存在許多難點(diǎn)問題，如：單一特征訓(xùn)練的識(shí)別模型識(shí)別準(zhǔn)確率低，傳統(tǒng)識(shí)別模型識(shí)別時(shí)間較長，不能達(dá)到意圖識(shí)別。

針對(duì)以上難點(diǎn)問題，本文通過采集下肢8塊肌肉（左右腿的腓腸肌、股直肌、半腱肌和股外側(cè)?。┑谋砻婕‰娦盘?hào)，使用小波基函數(shù)對(duì)原始信號(hào)進(jìn)行降噪處理，采用信號(hào)能量閾值法自動(dòng)分割sEMG信號(hào)，提取時(shí)域、小波和樣本熵特征，通過主成分分析法剔除冗余特征，并利用差分進(jìn)化算法優(yōu)化特征的權(quán)重值，實(shí)現(xiàn)多特征向量優(yōu)化組合。使用動(dòng)態(tài)自適應(yīng)學(xué)習(xí)率的神經(jīng)網(wǎng)絡(luò)算法，既提升了模型的收斂速度，又提高了模型的識(shí)別精度，最終實(shí)現(xiàn)下肢8種運(yùn)動(dòng)意圖識(shí)別，并驗(yàn)證了該方法的有效性。

1 人體下肢運(yùn)動(dòng)的識(shí)別實(shí)驗(yàn)

1.1 實(shí)驗(yàn)對(duì)象

實(shí)驗(yàn)對(duì)象包括50名受試者，身高在165～185 cm之間，體重在60～80 kg之間。在實(shí)驗(yàn)開始前告知受試者8種實(shí)驗(yàn)動(dòng)作以及動(dòng)作要求，所有受試者采集前熟悉實(shí)驗(yàn)動(dòng)作及實(shí)驗(yàn)過程，進(jìn)行3～5 min的熱身和拉伸運(yùn)動(dòng)。受試者實(shí)驗(yàn)前半年均無下肢肌肉、膝關(guān)節(jié)和踝關(guān)節(jié)手術(shù)，且均表示自愿參加本次實(shí)驗(yàn)。

1.2 實(shí)驗(yàn)過程

實(shí)驗(yàn)中，采集肌電信號(hào)的設(shè)備是美國Noraxon公司研發(fā)的Telemyo 2400DTS表面肌電遙測器，該產(chǎn)品可以實(shí)現(xiàn)16通道表面肌電信號(hào)的無線實(shí)時(shí)傳輸，采集頻率為1 500 Hz。在采集實(shí)驗(yàn)進(jìn)行之前，對(duì)受試者腿部用酒精擦拭除去角質(zhì)，選取其中8個(gè)通道分別采集左右腿8塊肌肉的表面肌電信號(hào)，通道1～8分別對(duì)應(yīng)受試者的左腿腓腸肌、右腿腓腸肌、左股直肌、右股直肌、左半腱肌、右半腱肌、左股外側(cè)肌和右股外側(cè)肌。把專用電極片貼于肌腹位置，且肌電片的方向與肌肉纖維的方向相同，如圖1所示。

圖1 受試者肌電片所貼肌肉位

50名受試者分別完成平地行走、上樓梯、下樓梯、左轉(zhuǎn)、右轉(zhuǎn)、起立、坐下和慢跑8種動(dòng)作，每個(gè)動(dòng)作10次為一組，每種動(dòng)作做5組。每種動(dòng)作完成后休息5 min。

2 實(shí)驗(yàn)數(shù)據(jù)分析方法

本文利用Matlab進(jìn)行數(shù)據(jù)處理，實(shí)現(xiàn)對(duì)下肢動(dòng)作的意圖識(shí)別。下肢動(dòng)作識(shí)別的流程圖如圖2所示。

圖2 下肢動(dòng)作識(shí)別的流程圖

2.1 數(shù)據(jù)預(yù)處理

表面肌電信號(hào)屬于典型的非平穩(wěn)性隨機(jī)信號(hào)，具有很高的敏感性，容易受到外界噪聲、電極和電力線的干擾，這些污染源會(huì)影響模型的分類結(jié)果。本文利用小波變換對(duì)sEMG信號(hào)去噪，小波變換技術(shù)可以有效地對(duì)時(shí)間和頻率分量進(jìn)行分解，把信號(hào)分解到不同的頻域并對(duì)信號(hào)進(jìn)行濾波。本文采用離散小波變換（DWT），選取“sym6”小波母函數(shù)對(duì)信號(hào)進(jìn)行降噪處理，最終取得了良好的效果，如圖3所示。

圖3 原始信號(hào)和小波濾波信號(hào)的對(duì)比圖

2.2 有效動(dòng)作段劃分

受試者采集每個(gè)動(dòng)作完成后，需要將肌電信號(hào)進(jìn)行有效精確的劃分，除去無動(dòng)作信號(hào)，尋找動(dòng)作的始末點(diǎn)，提高模型的分類準(zhǔn)確率并且降低肌電信號(hào)的數(shù)據(jù)處理量，加快程序的運(yùn)行和分析速度。

肌肉的收縮程度與肌電信號(hào)的強(qiáng)度具有相關(guān)性，因此，采用信號(hào)能量閾值法自動(dòng)分割sEMG信號(hào)，以肌電信號(hào)窗口的能量值作為動(dòng)作的判斷依據(jù)。選取400個(gè)數(shù)據(jù)樣本點(diǎn)長度的滑動(dòng)窗對(duì)肌電信號(hào)進(jìn)行掃描，把滑窗內(nèi)數(shù)據(jù)的波形長度（Wave Length，WL）作為特征向量，該特征值的大小作為肌肉有無運(yùn)動(dòng)的判決標(biāo)準(zhǔn)。波形長度是信號(hào)幅值、頻率及持續(xù)時(shí)間的綜合效果，反映信號(hào)復(fù)雜程度，定義如下：

設(shè)置閾值，當(dāng)波形長度大于閾值，窗口（）有動(dòng)作且標(biāo)記為1，否則為0，（）定義為：

假設(shè)當(dāng)前窗口為（），窗口向后依次滑動(dòng)計(jì)算波形長度并計(jì)算（），當(dāng)（）的值由0變?yōu)?時(shí)，判定該點(diǎn)為動(dòng)作起始點(diǎn)，反之，該點(diǎn)為動(dòng)作結(jié)束點(diǎn)。動(dòng)作劃分計(jì)算過程如圖4所示，其中圖4a）是某一受試者在平地行走動(dòng)作的右股直肌電信號(hào)的一部分，圖4b）和圖4c）中，第一個(gè)和第二個(gè)波峰分別對(duì)應(yīng)一個(gè)步態(tài)周期的支撐相和擺動(dòng)相，且支撐相比擺動(dòng)相的峰值大，動(dòng)作的起始點(diǎn)和結(jié)束點(diǎn)判斷準(zhǔn)確。

圖4 動(dòng)作劃分計(jì)算過程

最后，通過該方法實(shí)現(xiàn)8種不同動(dòng)作的肌電信號(hào)起始點(diǎn)的自動(dòng)分割，當(dāng)受試者存在步態(tài)差異、身體差異等因素時(shí)，也能保證分割結(jié)果準(zhǔn)確。

2.3 提取原始特征

由于表面肌電信號(hào)的復(fù)雜性，所以正確選擇信號(hào)特征是分類的關(guān)鍵一步。對(duì)于不同的下肢運(yùn)動(dòng)動(dòng)作，很難通過提取出一個(gè)特征參數(shù)完全反映被測表面肌電信號(hào)的特征，因此對(duì)肌電信號(hào)進(jìn)行分類時(shí)需要使用多個(gè)特征參數(shù)。時(shí)域特征主要有絕對(duì)平均值（Mean Absolute Value，MAV）、斜坡變更數(shù)（Slop Sign Change，SSC）、過零點(diǎn)數(shù)（Zero Crossing，ZC）、波長（Waveform Length，WL）、均方根（Root Mean Square，RMS）。傳統(tǒng)的頻域特征是基于平穩(wěn)信號(hào)假設(shè)為前提，而表面肌電信號(hào)屬于非平穩(wěn)時(shí)變信號(hào)，傳統(tǒng)的頻域特征會(huì)丟失信號(hào)時(shí)間的信息。小波變換具有時(shí)域和頻域兩方面的信息，表現(xiàn)出的信息更加全面和豐富。

小波變換能夠表達(dá)不同頻域段的特征，通過伸縮平移運(yùn)算對(duì)信號(hào)逐步進(jìn)行多尺度細(xì)化，達(dá)到高頻和低頻處頻率細(xì)分，能適應(yīng)肌電信號(hào)分析的特點(diǎn)，其表達(dá)式如下：

式中：（）代表分析信號(hào)函數(shù)；“*”代表復(fù)共軛；代表小波函數(shù)；WT（，）是小波變換后的系數(shù)，為伸縮因子，為平移因子。用不同小波函數(shù)的線性組合對(duì)原信號(hào)進(jìn)行重組，如下：

式中：w為低頻小波系數(shù)；a（）為低頻小波函數(shù)；w為高頻小波系數(shù)；d （）為高頻小波函數(shù)。小波分解層數(shù)為，則有2個(gè)子空間，把分解后的子函數(shù)記作W。Symlets（sym）小波函數(shù)系是一種近似對(duì)稱的小波函數(shù)，該函數(shù)具有很好的非線性相位。本文使用Matlab工具箱，選取sym4小波函數(shù)系對(duì)肌電信號(hào)進(jìn)行5層小波分解，共有2=32個(gè)子空間特征。

樣本熵（Sample Entropy，SE）是一種分析非線性時(shí)間序列信號(hào)的方法，能夠充分反映時(shí)間序列信號(hào)的復(fù)雜性，該方法適合分析非平穩(wěn)、非線性的肌電信號(hào)。該特征的計(jì)算方式如下：

公式（5）中，（）為表面肌電信號(hào)，[（），（）]表示（）與（）之間的距離為兩者對(duì)應(yīng)元素中差值的最大值：

公式（6）給定相似容差，統(tǒng)計(jì)[(),()]＜的模板匹配數(shù)，并對(duì)距離總數(shù)--1求均值，得到所有-條件下的模板匹配數(shù)的平均值，記為B（）：

聯(lián)合式（5）、式（6）得到數(shù)據(jù)長度為的表面肌電信號(hào)的樣本熵值為：

3 基于多特征融合的自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)

3.1 主成分分析法特征降維

Step1：將樣本數(shù)據(jù)標(biāo)準(zhǔn)化，得到標(biāo)準(zhǔn)化矩陣。

Step2：計(jì)算樣本的特征相關(guān)矩陣=(r)，如下：

Step3：求 |-|=0的特征值以及特征向量，其中為單位矩陣，為協(xié)方差矩陣的特征值。

Step4：求各個(gè)成分的貢獻(xiàn)率，并選取前個(gè)滿足貢獻(xiàn)率大于90%的主成分。

Step5：求解個(gè)主成分的特征向量，作為新的輸入特征。

采取如上步驟對(duì)時(shí)域特征、小波分解子空間和樣本熵使用主成分分析法降維，降維后的sEMG特征之間互不相關(guān)，能夠最大程度地包含原特征的信息。

3.2 基于CNN的差分進(jìn)化算法特征融合

為了更好地設(shè)置時(shí)域、小波變換特征和樣本熵的權(quán)重，引進(jìn)了差分進(jìn)化算法尋找最優(yōu)權(quán)值。差分進(jìn)化（Differential Evolution，DE）算法是一種高效的全局優(yōu)化算法，具有結(jié)構(gòu)簡單、收斂快速、魯棒性強(qiáng)等優(yōu)點(diǎn)，因此被廣泛應(yīng)用于數(shù)據(jù)挖掘、模式識(shí)別、神經(jīng)網(wǎng)絡(luò)等各個(gè)領(lǐng)域。針對(duì)表面肌電信號(hào)多特征融合的問題，本文提出一種改進(jìn)的差分進(jìn)化算法。

習(xí)近平總書記對(duì)浙江工作重要指示、全國組織工作會(huì)議和省委十四屆三次全會(huì)精神，對(duì)新時(shí)代組織工作作出了一系列新部署，提出了一系列新要求。我們一定要以勇于自我革命的決心和勇氣，不斷推動(dòng)組織工作創(chuàng)新發(fā)展。要以“八個(gè)有機(jī)融合”的方法和手段，“五個(gè)品格”“五個(gè)帶頭”的要求和目標(biāo)，不斷推動(dòng)組織部門自身建設(shè)，充分展示新氣象新作為。要以“大學(xué)習(xí)大調(diào)研大抓落實(shí)”的措施和行動(dòng)，不斷推進(jìn)能力大提升、作風(fēng)大轉(zhuǎn)變，為“‘八八戰(zhàn)略’再深化、改革開發(fā)再出發(fā)”提供堅(jiān)強(qiáng)組織保障。

按照公式（9）將時(shí)域特征f、樣本熵特征f和小波特征f融合，得到融合特征f。

在融合三種特征時(shí)，為了提高實(shí)驗(yàn)的準(zhǔn)確率，本研究對(duì)三種特征進(jìn)行標(biāo)準(zhǔn)化處理。權(quán)值，和的適應(yīng)度評(píng)價(jià)函數(shù)由次交叉驗(yàn)證分類結(jié)果的平均分類結(jié)果和下肢動(dòng)作分類結(jié)果錯(cuò)誤的數(shù)量決定。

式中：是epoch的個(gè)數(shù)；CV 是一次交叉驗(yàn)證的平均分類結(jié)果；ZCV是8次交叉驗(yàn)證的平均分類結(jié)果；error是下肢動(dòng)作分類結(jié)果錯(cuò)誤的數(shù)量。

針對(duì)下肢表面肌電信號(hào)不同特征融合優(yōu)化的問題，對(duì)DE算法進(jìn)行改進(jìn)，通過增加參數(shù)自適應(yīng)方法提高算法的收斂速度，更快速地找到最優(yōu)解。DE算法的主要參數(shù)有交叉率和放縮因子，這兩個(gè)參數(shù)的好壞很大程度決定了算法性能，本文采用文獻(xiàn)[24]快速自適應(yīng)方法。與CR的自適應(yīng)控制見式（13）和式（14）：

式中：為放縮因子；CR為交叉率；為所有個(gè)體適應(yīng)度的平均值；為適應(yīng)度值的最大值。將arcsin()作為依據(jù)，當(dāng)該值小于π6時(shí)，說明種群的適應(yīng)度值比較分散，應(yīng)該自適應(yīng)地增大交叉率CR的值，并且自適應(yīng)地減小放縮因子的值；反之，亦然。由于加入自適應(yīng)參數(shù)的方法使子代獲得更好的分布性，加快算法收斂速度，避免陷入局部極值，更好地找到全局最優(yōu)解。根據(jù)標(biāo)準(zhǔn)的差分進(jìn)化算法，得到基于改進(jìn)差分進(jìn)化算法優(yōu)化的融合特征權(quán)值的DE算法，具體步驟如圖5所示。

圖5 改進(jìn)的DE算法流程圖

3.3 動(dòng)態(tài)自適應(yīng)神經(jīng)網(wǎng)絡(luò)運(yùn)動(dòng)意圖識(shí)別

BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）是一種由輸入層、一個(gè)或多個(gè)隱含層以及輸出層組成的前饋型神經(jīng)網(wǎng)絡(luò)，同一層級(jí)的神經(jīng)元相互獨(dú)立，相鄰層級(jí)的神經(jīng)元互相連接。該算法的原理是：通過訓(xùn)練樣本的結(jié)果與實(shí)際結(jié)果比較，對(duì)兩者誤差使用反向傳播算法修正神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，經(jīng)過反復(fù)計(jì)算使誤差小于一定的值，該模型可以對(duì)未知的變量進(jìn)行預(yù)測。

然而，標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)存在學(xué)習(xí)率確定難、收斂速度慢的問題。對(duì)于此問題，本文提出通過附加動(dòng)量改進(jìn)修正權(quán)值和偏置過程的方法和學(xué)習(xí)率自適應(yīng)調(diào)整方法，將上述兩種方法結(jié)合起來，形成一種動(dòng)態(tài)自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型（Dynamic Adaptive Neural Network，DANN），該模型是在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入自適應(yīng)學(xué)習(xí)率改進(jìn)而來的。該方法的核心是引入自適應(yīng)學(xué)習(xí)因子，學(xué)習(xí)因子根據(jù)神經(jīng)元梯度值動(dòng)態(tài)更新學(xué)習(xí)因子，并且選擇交叉熵函數(shù)作為損失函數(shù)，其公式為：

對(duì)于標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)輸出層權(quán)值和隱含層權(quán)值的更新方法如下：

式中：ω是第次迭代的參數(shù)調(diào)整量；為學(xué)習(xí)率；E為第個(gè)樣本誤差；y為輸出層節(jié)點(diǎn)的輸出。

在添加附加動(dòng)量項(xiàng)后，神經(jīng)網(wǎng)絡(luò)梯度下降的參數(shù)更新項(xiàng)為：

式中g（）為第次迭代計(jì)算出的梯度。

由于動(dòng)量因子取值為0～1。式（18）也等價(jià)于：

式中：稱為遺忘因子；·Δ表示上一次梯度對(duì)當(dāng)前梯度下降的調(diào)整影響值。

附加動(dòng)量法存在學(xué)習(xí)率選取困難的問題，進(jìn)而產(chǎn)生收斂速度與收斂性之間的矛盾，因此，引入動(dòng)態(tài)自適應(yīng)學(xué)習(xí)率方法：

將上述兩種方法結(jié)合，形成改進(jìn)的動(dòng)態(tài)自適應(yīng)學(xué)習(xí)率神經(jīng)網(wǎng)絡(luò)流程圖，如圖6所示。

圖6 改進(jìn)的動(dòng)態(tài)自適應(yīng)學(xué)習(xí)率神經(jīng)網(wǎng)絡(luò)流程圖

4 實(shí)驗(yàn)結(jié)果與分析

4.1 主成分與DE算法多特征融合分析

把上述實(shí)驗(yàn)中采集的sEMG信號(hào)進(jìn)行特征提取，原始肌電信號(hào)的時(shí)域、小波特征和樣本熵是一組高維數(shù)據(jù)，其中包括許多冗余信息。本文使用主成分分析法分析特征，選取貢獻(xiàn)率前10的主成分作為特征向量。主成分分析貢獻(xiàn)率和累積貢獻(xiàn)率如表1所示。由表1可知，前10個(gè)主成分的累積貢獻(xiàn)率達(dá)到92.43%，基本包含了全部的信息。

表1 主成分分析貢獻(xiàn)率和累積貢獻(xiàn)率 %

由表1可知，肌電信號(hào)的主要信息集中在貢獻(xiàn)率排名前10的主要成分中，它們分別是：樣本熵（SE）、絕對(duì)平均值（MAV）、過零點(diǎn)數(shù)（ZC）、波形長度（WL）、斜坡變更數(shù)（SSC）、均方根值（RMS）以及4個(gè)小波分解子空間。

隨機(jī)選取1名受試者的數(shù)據(jù)，對(duì)8種下肢動(dòng)作的sEMG信號(hào)進(jìn)行識(shí)別，使用保持法（Holdout）把數(shù)據(jù)劃分為兩個(gè)不相交的集合，一部分作為訓(xùn)練集，剩余的部分作為驗(yàn)證集，在驗(yàn)證集上評(píng)價(jià)模型的性能，兩個(gè)集合的劃分比例為2∶1，每種動(dòng)作60組數(shù)據(jù)，選取其中40組數(shù)據(jù)作為訓(xùn)練集，20組作為驗(yàn)證集。根據(jù)主成分分析法對(duì)特征貢獻(xiàn)率的大小依次加入特征集識(shí)別，特征維數(shù)與動(dòng)作分類準(zhǔn)確率的關(guān)系如圖7所示。

圖7 特征維數(shù)與動(dòng)作分類準(zhǔn)確率曲線圖

特征維數(shù)與動(dòng)作分類能力的關(guān)系曲線表明，模型識(shí)別的準(zhǔn)確率隨著特征維數(shù)的增加而增加；但是，當(dāng)按照主成分分析法排列的特征集維數(shù)增加到10時(shí)，動(dòng)作意圖識(shí)別的準(zhǔn)確率基本趨于穩(wěn)定；當(dāng)特征維數(shù)超過10，識(shí)別模型的準(zhǔn)確率只有很小的提高。隨著特征維數(shù)的增加，識(shí)別模型的訓(xùn)練和識(shí)別時(shí)間會(huì)增加。因此，PCA法對(duì)特征降維取得很好的效果，不僅保留了主要信息，還提高了識(shí)別模型的性能。

對(duì)于不同的特征融合權(quán)值，和會(huì)影響模型的識(shí)別效果，本文采用差分進(jìn)化算法求解融合特征的最優(yōu)權(quán)值。設(shè)置改進(jìn)差分進(jìn)化算法的進(jìn)化代數(shù)為80，種群規(guī)模為30，交叉因子為0.8，變異因子的初始值為0.6，在算法不斷迭代過程中變異因子會(huì)不斷更新。改進(jìn)的DE算法經(jīng)過53次迭代后模型的誤差已經(jīng)趨于穩(wěn)定，此時(shí)得到融合特征的最優(yōu)權(quán)值。

4.2 動(dòng)態(tài)自適應(yīng)神經(jīng)網(wǎng)絡(luò)識(shí)別算法性能分析

不同受試者的身體狀況和生活習(xí)慣導(dǎo)致個(gè)體的步態(tài)存在差異，受試者的肌電信號(hào)也具有一定的差異性。為了增加模型的魯棒性，將50名受試者的數(shù)據(jù)混合在一起組成新的數(shù)據(jù)集，對(duì)新數(shù)據(jù)采用折交叉驗(yàn)證（-fold Cross-validation）進(jìn)行分割，分別使用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和動(dòng)態(tài)自適應(yīng)神經(jīng)網(wǎng)絡(luò)對(duì)8種動(dòng)作進(jìn)行識(shí)別。當(dāng)=6時(shí)，將混合數(shù)據(jù)樣本分割成6組，其中的5個(gè)樣本數(shù)據(jù)作為訓(xùn)練集，剩余的1個(gè)樣本數(shù)據(jù)作為驗(yàn)證集。交叉驗(yàn)證重復(fù)6次，6次識(shí)別結(jié)果的平均準(zhǔn)確率作為該模型的準(zhǔn)確率。

將改進(jìn)的動(dòng)態(tài)自適應(yīng)神經(jīng)網(wǎng)絡(luò)簡稱為DANN，多特征融合BP神經(jīng)網(wǎng)絡(luò)模型簡稱為MBPNN，基于多特征融合的動(dòng)態(tài)自適應(yīng)神經(jīng)網(wǎng)絡(luò)稱為MDANN。BPNN、MBPNN和MDANN分別在測試集的性能曲線對(duì)比圖如圖8所示。

圖8 不同識(shí)別算法在測試集上的性能曲線對(duì)比圖

由圖8可知：和BPNN相比，MBPNN經(jīng)過融合權(quán)值的重新加權(quán)，使得時(shí)域、小波子空間和樣本熵不同的特征充分表達(dá)自身所包含的信息，從而提高模型的識(shí)別精度；與MBPNN相比，MDANN加入動(dòng)態(tài)自適應(yīng)學(xué)習(xí)因子，提高了模型的收斂速度。

為了進(jìn)一步對(duì)比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)與動(dòng)態(tài)自適應(yīng)神經(jīng)網(wǎng)絡(luò)的性能，圖9比較了時(shí)域、小波子空間、樣本熵和優(yōu)化組合特征分別在傳統(tǒng)BPNN和DANN模型中訓(xùn)練集和測試集識(shí)別準(zhǔn)確率，無論是在測試集還是訓(xùn)練集，DANN模型都優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，并且多特征融合的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率優(yōu)于單一特征神經(jīng)網(wǎng)絡(luò)模型；在模型的識(shí)別時(shí)間方面，時(shí)域特征模型的識(shí)別時(shí)間最短，耗時(shí)206 ms，其他特征模型的識(shí)別時(shí)間基本相同，分別為294 ms、263 ms和286 ms。由于數(shù)據(jù)經(jīng)過主成分分析法降維，減少冗余信息，有效地降低了模型的識(shí)別時(shí)間，所以組合特征與單一特征模型的識(shí)別時(shí)間相差不大。

圖9 改進(jìn)神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對(duì)比圖

表2分別統(tǒng)計(jì)了在DANN模型中，不同特征的8種下肢運(yùn)動(dòng)意圖識(shí)別準(zhǔn)確率。由表2可知，直接利用時(shí)域特征進(jìn)行下肢運(yùn)動(dòng)意圖識(shí)別，平均識(shí)別準(zhǔn)確率達(dá)到87.45%；通過分解小波子空間特征平均識(shí)別準(zhǔn)確率為86.91%；使用樣本熵作為特征對(duì)模型進(jìn)行訓(xùn)練，模型的平均識(shí)別準(zhǔn)確率只有83.5%；而優(yōu)化組合特征作為動(dòng)作識(shí)別樣本的平均識(shí)別準(zhǔn)確率可以達(dá)到94.89%。經(jīng)過對(duì)比同一動(dòng)作的識(shí)別準(zhǔn)確率可知：時(shí)域特征對(duì)于坐下、站立、上樓梯和慢跑4個(gè)動(dòng)作有很好的識(shí)別準(zhǔn)確率，而在行走、左轉(zhuǎn)和右轉(zhuǎn)動(dòng)作識(shí)別中的效果較差；小波分解特征對(duì)于上樓梯、下樓梯、左轉(zhuǎn)、右轉(zhuǎn)和慢跑的動(dòng)作有良好的識(shí)別效果，小波分解子空間特征很好地彌補(bǔ)了時(shí)域特征左右轉(zhuǎn)彎動(dòng)作識(shí)別準(zhǔn)確率低的缺點(diǎn)；而樣本熵特征對(duì)于行走和上、下樓梯有較高的識(shí)別準(zhǔn)確率。通過把三種特征融合，得到一個(gè)包含更加豐富信息的組合特征，從而提高了下肢運(yùn)動(dòng)意圖識(shí)別準(zhǔn)確率。

表2 不同特征的8種動(dòng)作識(shí)別準(zhǔn)確率 %

綜合分析上述結(jié)果可知：使用主成分分析法有效地實(shí)現(xiàn)了特征向量的降維；通過使用改進(jìn)的DE算法對(duì)下肢動(dòng)作特征融合參數(shù)的優(yōu)化，得到了一個(gè)包含更多信息的融合特征，解決了人工設(shè)置融合特征的參數(shù)效率低、難以得到最優(yōu)權(quán)值參數(shù)的問題；最后，使用動(dòng)態(tài)自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型對(duì)8種下肢運(yùn)動(dòng)意圖識(shí)別，平均識(shí)別時(shí)間為280 ms，識(shí)別時(shí)間小于預(yù)期的300 ms，達(dá)到意圖識(shí)別的目的，并且準(zhǔn)確率可以達(dá)到94.89%。由此證明，基于sEMG多特征融合的動(dòng)態(tài)自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型在下肢運(yùn)動(dòng)意圖識(shí)別中取得了良好的效果。

5 結(jié) 語

為了保證運(yùn)動(dòng)識(shí)別的精度，很難實(shí)現(xiàn)一個(gè)模型精確識(shí)別所有受試者的動(dòng)作，但對(duì)于體態(tài)特征相似的受試者可以增加訓(xùn)練的數(shù)據(jù)量實(shí)現(xiàn)下肢動(dòng)作的識(shí)別。本文通過優(yōu)化融合特征，使用動(dòng)態(tài)自適應(yīng)神經(jīng)網(wǎng)絡(luò)將基于sEMG的患者運(yùn)動(dòng)意圖識(shí)別準(zhǔn)確率提高到94.89%，證明了該方法的有效性，為穿戴式機(jī)器人的動(dòng)作識(shí)別方法提供了參考。但本方法還存在一定的局限性，通過多特征融合后的模型，相比時(shí)域特征模型的實(shí)時(shí)性還需要進(jìn)一步優(yōu)化，繼續(xù)完善不同年齡階段受試者的數(shù)據(jù)庫，提高模型的魯棒性。

注：本文通訊作者為張峻霞。