王 博， 閆 娟， 楊慧斌， 徐春波， 吳 晗

（上海工程技術(shù)大學(xué)機(jī)械與汽車工程學(xué)院， 上海 201620）

0 引 言

目前，國內(nèi)人口老齡化的問題較為嚴(yán)峻，老年人的健康問題已經(jīng)逐漸成為人們關(guān)注的焦點(diǎn)。 研究可知，老年人往往行動(dòng)不便或者難以表達(dá)，因此通過手勢(shì)表達(dá)內(nèi)心想法便成為非常重要的一種途徑。 目前，主要的手勢(shì)識(shí)別方式有視覺識(shí)別［1］和人體生物信號(hào)［2］識(shí)別兩種，其中表面肌電信號(hào)（SEMG）識(shí)別方式作為一種生物信號(hào)顯得尤為重要，因?yàn)槠渲刑N(yùn)含著大量的信息?；诖耍疚闹型ㄟ^人體表面肌電信號(hào)進(jìn)行手勢(shì)識(shí)別，通過手勢(shì)識(shí)別的研究為后續(xù)研究提供基礎(chǔ)。 迄今為止，關(guān)于肌電信號(hào)對(duì)人體手勢(shì)識(shí)別的研究已經(jīng)取得較多成果，但大多研究對(duì)手勢(shì)識(shí)別研究不夠深入，趙詩琪等學(xué)者［3］使用了支持向量機(jī)來識(shí)別4 種手勢(shì)，識(shí)別結(jié)果為99.92%。隋修武等學(xué)者［4］通過非負(fù)矩陣分解與支持向量機(jī)的聯(lián)合模型識(shí)別6 種手勢(shì)動(dòng)作，識(shí)別結(jié)果為93%。 江茜等學(xué)者［5］通過多通道相關(guān)性特征識(shí)別8 種手勢(shì)動(dòng)作，識(shí)別結(jié)果為94%。 當(dāng)識(shí)別的手勢(shì)種類增多時(shí)，分類器的識(shí)別精度將會(huì)隨之降低，大量學(xué)者對(duì)分類器進(jìn)行優(yōu)化以利于提高識(shí)別精度。 Leon 等學(xué)者［6］對(duì)9種手勢(shì)進(jìn)行識(shí)別，識(shí)別精度為94%。 Lian 等學(xué)者［7］通過K 最鄰近和決策樹算法識(shí)別10 種手勢(shì)動(dòng)作，識(shí)別率僅為89%。 綜上所述，為了滿足當(dāng)前醫(yī)療康復(fù)設(shè)備的需求，多手勢(shì)識(shí)別的精確度還有待提高。

使用SEMG 信號(hào)進(jìn)行手勢(shì)識(shí)別時(shí)，特征提取和模式識(shí)別是提高手勢(shì)識(shí)別精度的關(guān)鍵。 典型的特征提取方法主要包括時(shí)域特征提取、頻域特征提取和時(shí)頻域特征提取［8］。 模式識(shí)別主要通過搭建分類器實(shí)現(xiàn)，基于SEMG 識(shí)別常用的分類器主要包括BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)［9］、極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）［10］、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）［11］和支持向量機(jī)（Support Vector Machine，SVM）［12］等分類模型。 但以上方法均存在一定程度的不足：BP 神經(jīng)網(wǎng)絡(luò)在識(shí)別手勢(shì)時(shí)準(zhǔn)確率較低；由于極限學(xué)習(xí)機(jī)要經(jīng)過反復(fù)的迭代學(xué)習(xí)，因此其訓(xùn)練速度在一定程度上相對(duì)緩慢；KNN 計(jì)算量較大，計(jì)算時(shí)間長；SVM 分類思想簡單、分類效果較好，但訓(xùn)練參數(shù)值的選取會(huì)影響分類器的效果［13］。

基于上述分析，本文中提出一種基于粒子群算法（Particle Swarm Optimization， PSO）優(yōu)化支持向量機(jī)的多手勢(shì)識(shí)別方法，以提高多手勢(shì)的識(shí)別精度。首先，利用主成分分析法對(duì)提取的表面肌電信號(hào)特征進(jìn)行降維處理；然后，利用PSO 對(duì)SVM 的懲罰參數(shù)C和核函數(shù)半徑參數(shù)g迭代尋優(yōu)；最后，使用PSO優(yōu)化的SVM（PSO－SVM）分類模型識(shí)別了16 種手勢(shì)，并與未優(yōu)化的SVM 分類模型和遺傳算法（Genetic Algorithm， GA）優(yōu)化的SVM 分類模型進(jìn)行對(duì)比，從而驗(yàn)證本文所提方法的準(zhǔn)確性。

1 SEMG 數(shù)據(jù)采集方法分析

1.1 實(shí)驗(yàn)數(shù)據(jù)采集

受試者為實(shí)驗(yàn)室中3 名男生和1 名女生。 受試者年齡在23 ～28 歲，平均身高在170 cm，均為右手使用者且無神經(jīng)肌肉骨骼疾病。 實(shí)驗(yàn)前24 h 內(nèi)沒有進(jìn)行高強(qiáng)度運(yùn)動(dòng)并且身心舒適。

用磨砂膏和75%酒精棉清潔右肢掌長肌、橈側(cè)腕屈肌、尺側(cè)腕屈肌、指伸肌、指淺屈肌和肱橈肌皮膚表面皮膚，減少皮膚阻抗干擾。 通過Delsys 無線肌電設(shè)備對(duì)6 塊肌肉的表面肌電信號(hào)同時(shí)進(jìn)行采集。 受試者端坐于試驗(yàn)臺(tái)前，背部保持90°，左手臂自然垂下。 實(shí)驗(yàn)時(shí)，共采集16 個(gè)手勢(shì)動(dòng)作，每個(gè)動(dòng)作維持6 s，休息4 s，進(jìn)行6 次循環(huán)，重復(fù)以上動(dòng)作直至4 名受試者全部采集完成。

1.2 信號(hào)預(yù)處理

SEMG 信號(hào)是由人體內(nèi)神經(jīng)肌肉系統(tǒng)產(chǎn)生的一種特別微弱的生物電信號(hào)。 SEMG 信號(hào)的電壓幅度范圍是0～5 mV，頻率范圍是20～1 000 Hz，其主要能量集中在50～150 Hz 范圍內(nèi)。 因此，首先設(shè)計(jì)陷波濾波去除原始信號(hào)中50 Hz 的工頻干擾，再設(shè)計(jì)30～300 Hz 的巴特沃斯帶通濾波器去除肌電信號(hào)中的基線漂移及其他噪聲信號(hào)。 圖1 分別為濾波前后的時(shí)域波形及頻域振幅譜，較好地濾除了有效范圍外的噪聲信號(hào)。

圖1 肌電信號(hào)濾波圖Fig. 1 Filtering diagram of SEMG signal

1.3 特征提取

為了能更全面地分析SEMG 信號(hào)中所包含的信息，本文分別提取了肌電信號(hào)中的時(shí)域特征、頻域特征和時(shí)頻域特征三種特征模型。

1.3.1 時(shí)域特征提取

本文選用的時(shí)域特征有均方根值（RMS） 和絕對(duì)平均值（ARV）。 時(shí)域特征值的計(jì)算公式為：

其中，xi（i＝1，2，…，N） 是信號(hào)的時(shí)間序列。

1.3.2 頻域特征提取

本文選用的頻域特征是平均功率頻率（MPF）和中值頻率（MF）。 頻域特征值的計(jì)算公式為：

其中，f是SEMG 信號(hào)的頻率，PSD（f） 是SEMG 信號(hào)的功率譜密度函數(shù)。

1.3.3 時(shí)頻域特征提取

時(shí)頻分析法可以對(duì)信號(hào)在時(shí)域和頻域內(nèi)的能量信號(hào)同時(shí)進(jìn)行展現(xiàn)，這對(duì)于分析非平穩(wěn)信號(hào)相當(dāng)重要。 其中，小波變換具有較好的準(zhǔn)確性， 本文采用小波變換計(jì)算時(shí)頻域特征瞬時(shí)平均功率（IMPF） 和瞬時(shí)中值頻率（IMF），公式具體如下：

其中，f是SEMG信號(hào)的頻率，PSD（t，f）是頻率和時(shí)間的二維函數(shù)。

1.4 特征降維

本文利用6 通道SEMG 信號(hào)，以此對(duì)36 個(gè)維度的特征參數(shù)進(jìn)行提取。 高維數(shù)據(jù)由于存在很多冗余特征，使得實(shí)驗(yàn)過程中的計(jì)算量增多，并因此對(duì)分類器產(chǎn)生極大的影響。 同時(shí)，在此過程會(huì)產(chǎn)生“過擬合”、“維數(shù)災(zāi)難”等系列問題，從而降低分類器的性能［14］。 因此，本文中使用主成分分析法進(jìn)行降維處理。 對(duì)其步驟流程可做分述如下。

（1）首先，將計(jì)算得到的特征值進(jìn)行處理構(gòu)建樣本矩陣，樣本矩陣通過m行n列的矩陣X表示，得到：

（3）分解協(xié)方差矩陣C并計(jì)算協(xié)方差矩陣的特征值λ1≥λ2≥…≥λn和特征向量a1，a2，…，an。

（4）確定特征矩陣主成分的個(gè)數(shù)v并構(gòu)建主成分矩陣：

其中，An×v＝［a1，a2，…，av］， 最后得到SEMG手勢(shì)特征降維后的主成分特征Ym×v。

2 分類器設(shè)計(jì)

2.1 支持向量機(jī)分類

支持向量機(jī)（SVM）是基于統(tǒng)計(jì)學(xué)領(lǐng)域的VC 維理論和結(jié)構(gòu)風(fēng)險(xiǎn)學(xué)最小理論基礎(chǔ)上的一種機(jī)器學(xué)習(xí)算法，常用于模式分類和非線性回歸［15］。 通常，通過將向量映射到高維空間，以此來解決輸入量與輸出量之間的非線性問題。 同時(shí)，通過設(shè)定的核函數(shù)g，將輸入空間利用非線性變換轉(zhuǎn)變到高維空間，從而通過高維空間得到最優(yōu)線性分類面。

對(duì)于給定的訓(xùn)練樣本集｛（xi，yi）｝，i＝1，2，…，n，x∈Rn，y∈（－1，1），設(shè)最優(yōu)平面為ωTx＋b＝0，分類間隔為：

判別模型為：

若要找到最大間隔，即找到參數(shù)和使得最大，等價(jià)于最小化，因此求解問題最終轉(zhuǎn)化為帶約束的凸二次規(guī)劃問題：

其中，εi＝1－yi（ωTxi＋b）為損失函數(shù)，C是懲罰參數(shù)，C的值與錯(cuò)誤分類的懲罰程度成正比，其值越小，則懲罰程度越小；反之，懲罰程度越大。 同時(shí)，利用凸優(yōu)化理論，將約束問題通過引入的拉格朗日乘子法轉(zhuǎn)化為無約束問題：

因此，最終得到：

2.2 粒子群優(yōu)化算法

粒子群優(yōu)化算法（PSO）是一種設(shè)計(jì)無質(zhì)量的粒子來模擬鳥群中的鳥不斷迭代尋優(yōu)來解決優(yōu)化問題的方法［16］。 粒子的速度和位置通過迭代進(jìn)行更新，粒子群優(yōu)化算法公式為：

其中，ω表示慣量因子；d＝1，2，…，D表示空間維數(shù)；i＝1，2，…，n表示粒子數(shù)；k表示當(dāng)前迭代次數(shù)；表示第i個(gè)粒子在第k次迭代速度；表示第i個(gè)粒子在第k次迭代位置；表示第i個(gè)粒子的個(gè)體最優(yōu)解；表示第i個(gè)粒子的全局最優(yōu)解；c1，c2表示學(xué)習(xí)因子；r1，r2表示隨機(jī)數(shù)。

空間中的粒子不斷搜尋其自身的最優(yōu)解，將自身最優(yōu)解傳遞給其他粒子，在所有傳遞的個(gè)體最優(yōu)解中尋找全局最優(yōu)解，所有粒子根據(jù)自身最優(yōu)解及全局最優(yōu)解不斷調(diào)整位置及速度。

2.3 粒子群優(yōu)化支持向量機(jī)

為了使SVM 能夠?qū)‰娦盘?hào)特征進(jìn)行快速精確地識(shí)別，通過PSO 對(duì)SVM 中分類識(shí)別影響最大的2 個(gè)元素進(jìn)行優(yōu)化，即懲罰參數(shù)C和核函數(shù)半徑參數(shù)g，將SVM 結(jié)果中誤差最小的一組懲罰參數(shù)和核函數(shù)半徑參數(shù)用于預(yù)測(cè)分類。 圖2 是PSO 優(yōu)化SVM 的流程圖。 由圖2 可知，m個(gè)粒子在D維空間中不斷更新運(yùn)動(dòng)速度及自身所處位置，通過反復(fù)迭代尋優(yōu)得到SVM 的最優(yōu)參數(shù)。

圖2 PSO－SVM 流程圖Fig. 2 PSO－SVM flow chart

PSO 優(yōu)化SVM 主要包括初始化種群、尋找初始極值、迭代尋優(yōu)等操作，其步驟為：

（1）在D維空間中，隨機(jī)對(duì)m個(gè)粒子進(jìn)行初始化，即對(duì)SVM 參數(shù)編碼，形成初始種群。

（2）初始化的種群輸入到SVM 分類器中，通過訓(xùn)練得到適應(yīng)度值。

（3）評(píng)估計(jì)算得到的粒子適應(yīng)度值。

（4）尋找全局最優(yōu)參數(shù)，并判斷是否滿足終止條件。

（5）若尋找得到的最優(yōu)參數(shù)不滿足終止條件，則更新迭代過程中的全局最優(yōu)速度和全局最優(yōu)位置，形成新的種群返回到步驟2 繼續(xù)計(jì)算；當(dāng)結(jié)束條件得到滿足時(shí)，通過將最優(yōu)參數(shù)對(duì)SVM 重新訓(xùn)練，并將其作為最終分類器對(duì)特征識(shí)別分類。

通過上述PSO 優(yōu)化算法得到SVM 中懲罰參數(shù)C和核函數(shù)半徑g的最優(yōu)解，對(duì)分類器進(jìn)行訓(xùn)練和分類預(yù)測(cè)。

3 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)將從2 方面對(duì)所提出方法模型進(jìn)行分析驗(yàn)證：

（1）分別使用本文設(shè)計(jì)的算法模型與傳統(tǒng)SVM模型、遺傳算法優(yōu)化SVM 模型對(duì)相同的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)對(duì)比，驗(yàn)證模型的有效性。

（2）為判斷模型的識(shí)別性能，使用交叉驗(yàn)證，將訓(xùn)練樣本與驗(yàn)證樣本的數(shù)據(jù)來源分割開來用于實(shí)驗(yàn)，以評(píng)估方法的通用性，使用不同人的訓(xùn)練樣本去驗(yàn)證其他人的測(cè)試樣本。

3.1 不同分類模型的對(duì)比分析

將PCA 降維后的特征矩陣按照5 ∶1 的比例分類參與分類器的訓(xùn)練和驗(yàn)證，訓(xùn)練和測(cè)試的樣本不重疊且從實(shí)驗(yàn)者中平均調(diào)取。 測(cè)試結(jié)果如圖3 所示。 表2 是關(guān)于分類器識(shí)別性能在不同方法下的對(duì)比。

表2 不同數(shù)據(jù)源實(shí)驗(yàn)結(jié)果對(duì)比表Tab. 2 Comparison table of experimental results of different data sources

圖3 測(cè)試結(jié)果對(duì)比圖Fig. 3 Comparison table of results of different models

表1 不同模型結(jié)果對(duì)比表Tab. 1 Comparison table of results of different models

由上述實(shí)驗(yàn)結(jié)果可以得出分析如下，不同方法表現(xiàn)出不同的分類效果。 其中，傳統(tǒng)的SVM 方法，分類效果易受到干擾，分類精度不高；GA－SVM 雖然能夠提高手勢(shì)的識(shí)別精度，但在分類過程中需要經(jīng)過31 次的迭代才能夠達(dá)到分類的效果；對(duì)于本文中的方法，不僅對(duì)手勢(shì)識(shí)別的準(zhǔn)確率保持最高，同時(shí)也大大縮減了算法的復(fù)雜度，極大地提高了運(yùn)算處理效率，表現(xiàn)出較好的分類識(shí)別性能。

3.2 不同數(shù)據(jù)源實(shí)驗(yàn)驗(yàn)證

考慮模型的通用性，即模型中訓(xùn)練的數(shù)據(jù)是基于部分受試者肌電信號(hào)進(jìn)行訓(xùn)練，但手勢(shì)識(shí)別對(duì)其他受試者的肌電信號(hào)同樣適用。 同時(shí)，為了分析所提出的模型在相同被試和不同被試下的識(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2 位男性同學(xué)的肌電信號(hào)進(jìn)行訓(xùn)練，另外2位同學(xué)的肌電信號(hào)用于識(shí)別。 分別使用SVM 和POS－SVM 進(jìn)行實(shí)驗(yàn)對(duì)比，驗(yàn)證本文中所提方法的有效性。 得到的訓(xùn)練結(jié)果性能對(duì)比見表2。

由表2 中的結(jié)果可知：不同數(shù)據(jù)源的實(shí)驗(yàn)比同一數(shù)據(jù)源降低了3.61%，而SVM 下降程度更高，也進(jìn)一步說明了本文中所提出的優(yōu)化方法具有較好的識(shí)別性。

4 結(jié)束語

為了提高多手勢(shì)識(shí)別的精度，文中提出了基于PSO－SVM 的識(shí)別方法。 結(jié)果表明，通過肌電信號(hào)的陷波濾波和帶通濾波進(jìn)行預(yù)處理，并對(duì)其從時(shí)域、頻域和時(shí)頻域提取信號(hào)特征，再經(jīng)過PCA 降維后使用本文所構(gòu)建的PSO－SVM 分類模型對(duì)16 種手勢(shì)識(shí)別準(zhǔn)確率達(dá)到94.253%，將其與未被優(yōu)化的SVM 模型和GA－SVM 模型進(jìn)行對(duì)比，可知其識(shí)別效果有非常明顯的改善。 后續(xù)可將PSO－SVM 分類模型應(yīng)用于機(jī)械運(yùn)動(dòng)控制、外骨骼控制等領(lǐng)域。