基于AFSA-SVM的手勢識別方法

鄧嘉,崔冰艷,張祥

(華北理工大學 機械工程學院,河北 唐山 063210)

引言

腦卒中通稱中風,發病機制是腦部缺血或出血性損傷誘發。80%～90%的患者會存在手部運動功能障礙癥,腦卒中患者腕部功能障礙主要表現為腕部僵硬,腕自由度的缺失[1]。根據臨床調研發現,患者的主動康復訓練更有助于康復[2],因此智能化上肢康復訓練系統具有發展性。目前,針對sEMG分類的方法有:張龍嬌等人提出一種融合卷積神經網絡(CNN)和長短時記憶(LSTM)網絡的神經網絡[3],將MYO臂環采集到的8通道sEMG數據進行分類,實驗結果表明,手勢識別準確率為91.6%。江茜等人,提出一種以多通道相關性為特征的肌電手勢識別方法,實驗結果表明,在采集的健康受試者8種手勢數據集上平均識別準確率達到94%[4]。來全寶等人為提高手勢識別的準確率,提出一種基于人工魚群算法優化的極限學習機(AFSA-ELM)分類模型,實驗結果表明,AFSA-ELM分類模型對多種手勢的平均識別準確率高達97.4%,比BP神經網絡分類模型和未優化的ELM分類模型分別提高3.5%和1.6%[5]。Chen等人設計了一種改進的基于多策略的麻雀搜索算法(MSISSA)用于提高人體上肢運動模式識別分類[6]。結果表明,基于MSISSA算法優化的分類器準確度相對單一的分類器提升了2.835%。Karnam等人提出了一種用于sEMG分類的能量特征集合[7],其原理是將能量特征與運動力建立關系,使用NinaPro DB1 sEMG手勢數據集,其中KNN分類器達到了88.8%的最高驗證準確率。Jiang, XY等人使用 HD-sEMG 從20名受試者獲得了35個手勢分類任務的結果[8]。結果表明,使用滑動窗口和數據增強有助于提高分類精度。對于11個選定的日常常用手勢的分類,支持向量機分類器使用13個特征(每個從滑動窗口中提取)的最佳組合,實現了91.9%的最高分類準確率。AlOmari, Firas等人將遺傳算法(GA)和粒子群優化(PSO)2種進化算法與支持向量機(SVM)相結合,構建了一個新的模型(GAPSO-SVM)[9]。在手勢分類實驗中,GAPSO-SVM比SVM、LS-SVM和KNN分類模型的分類準確率更高。張楊等人采用雙群粒子群優化算法改進的支持向量機(DP-PSO-SVM)構建分類識別器[10]。采用DP-PSO-SVM算法比標準粒子群SVM(PSO-SVM)算法分類識別精度提高4%,達到96.7%。

為了實現手勢動作識別,該項目對基于表面肌電信號的手勢識別技術進行了研究。首先對肌電信號(sEMG)進行數據分割,然后為了探索不同特征提取和不同手勢的分類效果,該項研究特征提取采用積分肌電值和均方根值。最后提出了人工魚群支持向量機分類算法(Artificial fish swarm algorithm-Support vector machines,AFSA-SVM)對sEMG信號進行運動動作分類,得到了每種特征提取方法的識別精度。

1 表面肌電信號預處理

1.1 信號去噪

sEMG是幅值僅為uV級的微電信號,它具有非線性與非平穩特點。sEMG分布在500 Hz以下的頻帶范圍內,其中主要頻率集中在10～300 Hz,核心能量集中在20～150 Hz?；趕EMG信號的特點,可知它極易受到噪聲的干擾,因此在使用sEMG信號之前必須濾除其中的噪聲?？紤]巴特沃斯濾波器比切比雪夫濾波器具有更平滑的濾波特性,所以選用巴特沃斯濾波器去噪。使用巴特沃斯濾波器(Butter Worth FIlter)和切比雪夫濾波器,現對sEMG信號進行截止頻率為10 Hz的巴特沃斯高通濾波去除低頻噪聲,截止頻率為500Hz的巴特沃斯低通濾波去除高頻噪聲。該研究選擇三階巴特沃斯高通濾波器進行信號去噪。

一個N階低通巴特沃斯濾波器頻率響應的模平方公式如式(1)所示。

(1)

1.2 數據分割

在采集動作的sEMG信號時,獲得的數據量較大,如果直接使用原始sEMG信號,會大大降低效率,增加計算機的負荷和計算時間,合理的數據分割十分重要?；瑒哟翱诩夹g作為一種流控制技術,最早用于網絡通信的數據處理。在圖像處理技術的不斷發展過程中,滑動窗技術在圖像處理和其它一些算法的設計中得到了廣泛的應用。在處理數據結構時,滑動窗口技術可被運用來處理的一維數組。sEMG信號屬于時間序列的一維數據,符合使用滑動窗口技術對其進行數據分割。采用滑動窗口的方法來處理數據流,處理滑動窗口內同一時段各序列之間的關聯關系,當移動一個基本窗口時,就能夠對下一時刻序的數據進行處理。該項研究采用時間滑動窗口對表面肌電信號進行數據分割,時間滑動窗口[11]是指使用固定的長度窗口來包含一段時間序列數據,然后提取并計算窗口內的數據特征,其工作原理如圖1所示。

圖1 時間滑動窗口

圖1中核心是找到合適的滑動窗口寬度(W)與滑動增量(Wd),從而達到良好的數據分割,增加數據的辨識度。為了避免使用者察覺明顯的操作延時,通常肌電系統的控制周期應小于300 ms[12]。該項研究設計的表面肌電采集系統的采樣頻率fs=2 000 Hz,采樣周期Ts=0.5 ms,所以數據窗口寬度應滿足W<300/Ts=600的基本要求,所以W采集數為600。當Wd=8時,該段數據的處理時間為4 ms,且數據量較大,使特征提取和分類器處理的時間加大,并對計算機性能的要求很高,還會限制算法的復雜性,數據量過少會導致分類模型過擬合。因此,選擇Wd為16、32和64對數據量的影響較小,但過大的W會使信號的細節特征被吞沒,所以選擇W為32、64和128?？紤]計算機處理數據的機制,將滑動窗口大小限定為2的整數次冪進行驗證選擇?？紤]窗口寬度的數據包容量與數據間隔問題,選擇W=128、Wd= 64作為數據分割的參數。

2 特征提取

目前,表面肌電信號特征計算方法主要包括時域、頻域、時頻域和非線性動力學分析。時域特征提取通常采取均方根(Root Mean Square,RMS)、肌電積分值(Integrated EMG,iEMG)、平均絕對值(Mean Absolute Value,MAV)、過零點數(Zero Crossing,ZC)、波形長度(Waveform Length,WL)、斜率符號變化數(Slope Sign Shange,SSC)、方差(Variance,VAR)、對數特征(Log)、威爾遜賦值(Willison Amplitude,WAMP)和幅值立方均值(Amplitude Cubic Mean,ACM)等方法,為增強數據特征的可靠性,該項研究選用時域信號中的積分肌電值和均方根值。

2.1 積分肌電值

積分肌電值(Integrated EMG, iEMG)表示肌纖維的電荷活動程度[13],所有整流曲線下面積,能夠體現肌電值的波動和能量熵。積分肌電值公式如(2)所示:

(2)

式中,N表示信號數。Δt表示信號點之間的時間差,xi為信號值。

以受試者2手掌伸展原始表面肌電信號為例,其積分肌電值處理結果如圖2所示。

圖2 積分肌電值

圖2中,iEMG1_1表示1號動作手掌伸展的1號肌電傳感器肌電積分值,iEMG1_2表示1號動作手掌伸展的2號肌電傳感器肌電積分值。由圖2可以看出,圖中其中通過時域積分肌電特征提取后的2個傳感器采集信號具有明顯的起伏規律,具有良好的區分度。

2.2 均方根值

均方根值(Root Mean Square, RMS)與肌電信號的能量直接聯系[14],它表示表面肌電信號在單位時間內的變化,可以反應肌肉的活躍程度。均方根值公式如式(3)所示。

(3)

式中,N表示信號總數;xi為信號值。

以受試者2手掌伸展原始表面肌電信號為例,其積分肌電值處理結果如圖3所示。

圖3 均方根值

圖3中,RMS1_1表示1號動作手掌伸展的1號肌電傳感器均方根值,RMS1_2表示1號動作手掌伸展的2號肌電傳感器均方根值。由圖3可以看出,圖中其中通過時域均方根特征提取后的2個傳感器采集信號具有明顯的起伏規律,具有良好的區分度。

3 分類算法

3.1 人工魚群算法

人工魚群算法[15](Artificial Fish Swarm Algorithm,AFSA)最早是由李曉磊等人提出。其原理是模擬魚的覓食、聚群和追尾行為,通過魚群中每個個體的局部尋優,循循漸進從而得到全局最優值,主要內容如下:

(1)覓食行為:初始魚的位置狀態在其視野范圍內隨機選擇另一新位置狀態,若該位置判定是更接近食物,則朝該方向移動一步。否則,在其視野范圍內重新隨機選擇另一狀態位置,判斷是否滿足前進條件。如果仍然不能移動,則隨機移動一步;

(2)聚群行為:魚在當前位置狀態,在其視野范圍內搜索魚群數目和中心位置,若位置狀態較優且不太擁擠,則向中心位置移動一步,否則執行覓食行為;

(3)追尾行為:魚在當前位置狀態,在其視野范圍內搜索最優的伙伴,如果最優魚群不太擁擠,則向此方向移動一步,否則執行覓食行為。

3.2 支持向量機

支持向量機(SVM)的多分類是在二分類的基礎上發展來[16],1964年前蘇聯學者V.N. Vapnik首次提出支持向量機,它的提出解決了在小樣本中特征為非線性關系和特征維數較高等分類應用場景。SVM以結構風險最小化原則為基礎,在實質上有別于傳統神經網絡。它改善了傳統神經網絡過學習的問題和收斂于局部極小值點的不足,具有全局優化、模型訓練時間短、通用性能好以及適應性強等優點,因此,它被廣泛應用于機器學習領域的二分類問題。支持向量機常常被用于肌電信號的模式識別,而傳統的神經網絡不具備支持向量機的一些優點,例如:SVM中的網絡結構分類使用的支持向量由自身來決定,而傳統神經網絡則是不斷地迭代試錯;SVM即使在非大樣本的條件下,也能獲得全局最優的結果,然而,與之形成鮮明對比的是,傳統神經網絡需要更多的數據才能獲得全局最優的結果;在 SVM中,支持向量的選取直接決定了最后的判決函數的求解難度,降低了因數據的維數而產生的誤差。通過核函數和松弛變量將樣本映射到高維空間,超平面間將空間劃分為多個區域進行分類。該項研究選擇高斯核(Gaussian kernel)作為核函數,其公式如式(4)所示:

(4)

式中,σ核函數參數影響著樣本映射到高維空間后的分布。

4 實驗結果與分析

目前獲取人體肌電信號的方法一般有2種:一種是通過電極針刺入皮膚來獲得肌肉的電信號,另一種是在皮膚表層放置肌電傳感器電極來獲取肌肉的電流變化。因此,肌電信號屬于生物電信號。因為,表面肌電信號源自于表層肌肉群,所以稱其為表面肌電信號。肌肉是人體的基本結構之一,它是聯接骨骼和支撐器官的關鍵組織,肌肉通過收縮運動產生力和動作。當大腦發送肢體運動指令,神經元傳遞來的電信號控制肌肉纖維中的收縮機制,這些電信號會引起肌細胞中的離子產生運動,使離子不均勻,分布在細胞膜內外兩側,從而產生電場,此時使用肌電傳感器可以記錄肌電表面上2個電極之間的電壓差,電壓差大小可以用來表示該肌肉的激活程度。由神經沖動引起的肌肉電勢變化被稱為肌肉動作電位(MAP),其幅度、頻率和持續時間與肌肉收縮的性質、強度和時序有關。肌電信號的大小和形狀很大程度取決于肌電傳感器電極的放置位置,也與人體的肌肉形狀和尺寸有關,以及其他外界因素,如皮膚表面的水分和體毛、不同人體皮膚的電導率等。

在表面肌電信號采集實驗過程中使用的設備為Delysis TrignoTM無線肌電儀,它具有16路無線傳感器,可同時采集16塊肌肉的肌電信號和3軸加速度。

在整個實驗過程中,受試者坐在符合人體工程學的椅子上,以穩定的人體姿勢進行手勢動作。在實驗中,采集10位受試者日常8種手勢動作的表面肌電信號,受試者使用右手進行如圖4所示的手腕動作,為了排除肌肉疲勞對表面肌電信號的影響,受試者在任何2個動作之間都會休息2～5 s。實驗期間,實驗員分別以2 s和5 s的運動周期完成至少6次同一手部運動。

圖4 手部運動示意圖

根據局部解剖學原理,手臂的屈伸運動主要由上臂肌肉區控制,握拳和伸肌主要由前臂肌肉群控制[17]。根據該項實驗的動作,選擇指淺屈肌與指伸肌作為表面肌電信號的來源,如圖5所示。

圖5 指淺屈肌與指伸肌位置示意圖

利用AFSA對SVM徑向基核函數參數(c,σ)尋優,當尋優次數達到所設的最大迭代數時,尋優終止并輸出最優的(c,σ),采用交叉驗證方法來證明所識別分類模型的實際識別率,隨機選取70%的樣本作為訓練集,30%的樣本作為測試集,將運行10次分類模型識別結果的平均值作為評估結果。

表1與圖6為實驗采集的10位受試者的8種手勢的識別準確率,其中AF表示AFSA-SVM。

表1 8種手勢的平均分類準確率

圖6 8種手勢動作平均識別率

其中,AF-iEMG表示AFSA-SVM分類器對積分肌電特征值的分類,SVM-iEMG表示SVM對積分肌電特征空間分類,AF-RMS表示AFSA-SVM分類器對均方根特征值的分類,RMS表示SVM對均方根特征值的分類。由表1和圖6可知,其中手勢動作下彎手掌,上彎手掌和左旋手掌具有較高的識別率,右旋手掌識別率最低。實驗采集的10位受試者平均分類準確率見表2,其中AF表示AFSA-SVM。

表2 受試者的平均識別準確率

由表2可知,各受試者的平均分類準確率不同,受試者2,3和8的分類平均準確率較低,在不同受試者實驗結果中,其中,相對于SVM,AFSA-SVM在手勢分類的平均分類準確率上更具優勢,并且相對均方根值,時域特征肌電積分值在同一分類模型中更具區分度。

5 結論

(1)iEMG特征中AFSA-SVM較SVM平均識別率提高3.92%,在RMS特征中AFSA-SVM較SVM平均識別率提高3.16%,因此使用AFSA-SVM作為分類器比SVM具有更佳的性能。

(2)通過對比2種不同的時域特征方法,使用iEMG特征的AFSA-SVM較使用RMS特征的AFSA-SVM 平均分類準確率提高了1.36%。表明時域特征iEMG相對于RMS更具區分度。

(3)在表面肌電手勢分類中,以iEMG作為特征,采用AFSA-SVM分類器具有良好的性能。該方法為上肢智能康復機器人的意圖識別研究提供參考,為老年中風康復的智能人機交互過程提供了一條新途徑。