基于NNE技術(shù)的手臂運(yùn)動(dòng)模式識(shí)別算法研究

陳萬忠，孫保峰，高韌杰，雷 俊

(吉林大學(xué)通信工程學(xué)院，長(zhǎng)春130022)

表面肌電信號(hào)(Surface electromyography，sEMG)是神經(jīng)肌肉系統(tǒng)在進(jìn)行活動(dòng)時(shí)的生物電變化經(jīng)表面電極的引導(dǎo)、放大、顯示和記錄所獲得的一維電壓時(shí)間序列信號(hào)。由于肌電控制仿生假肢具有操作方便、實(shí)時(shí)性好的特點(diǎn)，表面肌電信號(hào)被廣泛應(yīng)用于肌電假肢控制、人工智能等領(lǐng)域?；诒砻婕‰娦盘?hào)的手臂運(yùn)動(dòng)模式識(shí)別是利用表面肌電信號(hào)完成對(duì)仿生假肢控制過程中最重要的環(huán)節(jié)。目前，肌電信號(hào)識(shí)別方法主要有神經(jīng)網(wǎng)絡(luò)、隱馬爾科夫模型、線性判別分析等［1－2］。在這些識(shí)別方法中，以神經(jīng)網(wǎng)絡(luò)技術(shù)最為成熟、應(yīng)用最廣。然而在實(shí)際使用神經(jīng)網(wǎng)絡(luò)時(shí)也有一些困難，如神經(jīng)網(wǎng)絡(luò)模型及網(wǎng)絡(luò)參數(shù)的確定、訓(xùn)練集和測(cè)試集的分配、神經(jīng)網(wǎng)絡(luò)收斂性時(shí)間的確定等，這些因素影響了神經(jīng)網(wǎng)絡(luò)技術(shù)模式識(shí)別的正確率［3－4］。為了提高表面肌電信號(hào)的模式識(shí)別率，本文進(jìn)行了神經(jīng)網(wǎng)絡(luò)集成技術(shù)的相關(guān)研究。

Hansen和Salamon在1990年首次證明了神經(jīng)網(wǎng)絡(luò)集成技術(shù)可以顯著地提高個(gè)體神經(jīng)網(wǎng)絡(luò)的泛化能力［5］。近年來，神經(jīng)網(wǎng)絡(luò)集成技術(shù)被廣泛地應(yīng)用于人工智能、模式識(shí)別等領(lǐng)域中。2007年于繁華等［6］成功地將神經(jīng)網(wǎng)絡(luò)集成技術(shù)應(yīng)用于結(jié)構(gòu)損傷的識(shí)別，并取得了較高的模式識(shí)別率，2011年李明愛等［3］將該技術(shù)用于人體腦電信號(hào)的識(shí)別并取得了良好的識(shí)別效果。本文將神經(jīng)網(wǎng)絡(luò)集成技術(shù)應(yīng)用于人體手臂運(yùn)動(dòng)模式識(shí)別中，實(shí)驗(yàn)結(jié)果表明，神經(jīng)網(wǎng)絡(luò)集成技術(shù)可以顯著提高單個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)手臂運(yùn)動(dòng)模式的正確識(shí)別率。

1 方法和材料

1.1 神經(jīng)網(wǎng)絡(luò)集成技術(shù)基本原理

集成神經(jīng)網(wǎng)絡(luò)的輸出主要通過兩種方法獲得，當(dāng)集成神經(jīng)網(wǎng)絡(luò)用于數(shù)據(jù)回歸估計(jì)時(shí)，集成的輸出常常由單個(gè)網(wǎng)絡(luò)輸出的平均或加權(quán)和構(gòu)成，而當(dāng)集成神經(jīng)網(wǎng)絡(luò)用于模式識(shí)別時(shí)，其輸出常由單個(gè)神經(jīng)網(wǎng)絡(luò)的輸出經(jīng)投票法產(chǎn)生［7］。

數(shù)據(jù)集中共有N個(gè)樣本，且每個(gè)樣本均對(duì)應(yīng)一個(gè)M維的特征向量時(shí)，若任一輸入特征向量為Ii，神經(jīng)網(wǎng)絡(luò)集成的期望輸出為Oi，神經(jīng)網(wǎng)絡(luò)Lj，(j=1，2，…，n)的實(shí)際輸出為fij，若集成神經(jīng)網(wǎng)絡(luò)的輸出由參與集成的各個(gè)體神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的加權(quán)和構(gòu)成，則集成神經(jīng)網(wǎng)絡(luò)的輸出可以用

表示。個(gè)體神經(jīng)網(wǎng)絡(luò)Lj在整個(gè)數(shù)據(jù)樣本上的泛化誤差為

集成神經(jīng)網(wǎng)絡(luò)在整個(gè)數(shù)據(jù)集上的泛化誤差為

［8］，神經(jīng)網(wǎng)絡(luò)集成的泛化誤差

根據(jù)參考文獻(xiàn)［8］，若利用相對(duì)多數(shù)投票法產(chǎn)生集成神經(jīng)網(wǎng)絡(luò)的輸出時(shí)，集成神經(jīng)網(wǎng)絡(luò)的泛化誤差要小于任何一個(gè)參與集成的單個(gè)神經(jīng)網(wǎng)絡(luò)的泛化誤差，即提高了系統(tǒng)整體的泛化能力。為此，本文將神經(jīng)網(wǎng)絡(luò)集成用于表面肌電信號(hào)的模式識(shí)別，集成神經(jīng)網(wǎng)絡(luò)的輸出由參與集成的各單個(gè)神經(jīng)網(wǎng)絡(luò)輸出經(jīng)過相對(duì)多數(shù)投票法產(chǎn)生。

1.2 sEMG采集

由生理學(xué)知識(shí)，掌管手臂前臂各運(yùn)動(dòng)模式的肌肉主要有尺側(cè)腕伸肌和尺側(cè)腕屈肌。因此，本文中所應(yīng)用的表面肌電信號(hào)均采自人體上臂的兩塊肌肉組織。

為了獲得較為純凈的表面肌電信號(hào)，在信號(hào)開始采集前，我們使用醫(yī)用酒精對(duì)受試者皮膚進(jìn)行清污處理。本文中信號(hào)采集儀器為日本蝶和股份有限公司生產(chǎn)的MQ－8型表面肌電信號(hào)采集分析系統(tǒng)，肌電信號(hào)均采自8名健康、成年男性的右臂，信號(hào)采樣頻率為2 000 Hz。

待分析的4個(gè)手臂動(dòng)作分別為握拳(HG)、上翻(WS)、下翻(WP)及手勢(shì)”V”(GT)。實(shí)驗(yàn)中，4個(gè)動(dòng)作所對(duì)應(yīng)的雙路sEMG各采集了160組，每個(gè)受試者采集20組。為了避免在采集過程中因受試者肌肉疲勞而影響信號(hào)質(zhì)量，信號(hào)采集期間每做8次重復(fù)動(dòng)作之間休息1分鐘。4個(gè)動(dòng)作模式及表面電極的擺放位置如圖1所示。

圖1 表面肌電信號(hào)采集過程Fig.1 Acquisition process of sEMG

2 手臂動(dòng)作模式識(shí)別實(shí)驗(yàn)

2.1 sEMG 的特征提取

特征提取是模式識(shí)別過程的關(guān)鍵環(huán)節(jié)，所提取特征向量的好壞對(duì)模式識(shí)別結(jié)果具有顯著影響。表面肌電信號(hào)是一種復(fù)雜的時(shí)變非平穩(wěn)信號(hào)，具有微弱、交變和易干擾的特點(diǎn)，它的研究已成為康復(fù)工程、臨床醫(yī)學(xué)等領(lǐng)域的研究熱點(diǎn)之一。近年來，短時(shí)傅里葉變換、小波變換、小波包變換等一些常見的信號(hào)時(shí)－頻分析方法被廣泛應(yīng)用于表面肌電信號(hào)的分析處理領(lǐng)域。小波變換是傳統(tǒng)傅里葉變換的發(fā)展，具備多尺度分解特性，在信號(hào)去噪、特征提取方面應(yīng)用較廣。但由于其固定的時(shí)－頻分解形式并不是最優(yōu)的，如在一些情況下，它的高端分辨率較低［9］。

小波包分解(Wavelet Packet Decomposition)是小波變換的延伸。與小波變換相比，它同時(shí)對(duì)分解得到的信號(hào)高頻和低頻部分進(jìn)行下級(jí)分解，可以根據(jù)需要將信號(hào)分解到各個(gè)不同頻段上，因此，提高了信號(hào)的自適應(yīng)處理能力。如果原始信號(hào)為S，小波包變換級(jí)數(shù)為3，則小波包分解結(jié)束后可以得到8段信號(hào)小波包分解系數(shù)信號(hào)。試驗(yàn)中，我們根據(jù)已查閱資料，小波包分解級(jí)數(shù)設(shè)定為3，這樣每個(gè)sEMG信號(hào)在分解結(jié)束后得到8段小波包系數(shù)(Wavelet Packet Coefficients，WPC)。

肌電信號(hào)的能量與手臂動(dòng)作強(qiáng)度直接相關(guān)，它在一定程度上反應(yīng)了信號(hào)在各動(dòng)作完成過程中的貢獻(xiàn)大小。手臂的不同動(dòng)作均是由不同的肌肉組織相互協(xié)調(diào)配合共同完成的，在手臂動(dòng)作完成的過程中，各肌肉組織對(duì)動(dòng)作完成的貢獻(xiàn)大小不同，其表面肌電信號(hào)在能量上必然存在差異。因此，我們利用表面肌電信號(hào)小波包分解后得到的小波包系數(shù)能量作為表面肌電信號(hào)的特征元素，并從中選擇具有較強(qiáng)互異性的特征元素構(gòu)成最終的特征向量。

4種運(yùn)動(dòng)模式所對(duì)應(yīng)表面肌電信號(hào)的8段小波包系數(shù)的能量大小如圖2所示(每個(gè)動(dòng)作僅畫出22組)，從圖2中可以看出第1、2段小波包系數(shù)的能量具有較強(qiáng)的分類性，故選擇每路肌電信號(hào)的WPC1、WPC2的能量作為最終特征向量的構(gòu)成元素，則我們共得到4個(gè)動(dòng)作模式下的特征向量各160個(gè)，每個(gè)特征向量的維數(shù)均為4。

圖2 小波包系數(shù)能量圖Fig.2 Energy of wavelet packet coefficients

2.2 神經(jīng)網(wǎng)絡(luò)集成分類器設(shè)計(jì)

集成神經(jīng)網(wǎng)絡(luò)可以提高神經(jīng)網(wǎng)絡(luò)的泛化能力，從而提高模式識(shí)別的準(zhǔn)確率。目前，用于集成神經(jīng)網(wǎng)絡(luò)各個(gè)體神經(jīng)網(wǎng)絡(luò)生成的算法主要有Boosting法和Bagging法。Boosting法不太穩(wěn)定，有時(shí)效果很好，有時(shí)卻得不到分類效果［7］。而Bagging法基于可重復(fù)取樣技術(shù)，增加了神經(jīng)網(wǎng)絡(luò)集成的差異度，由式(4)可知，增加神經(jīng)網(wǎng)絡(luò)集成差異度的同時(shí)，神經(jīng)網(wǎng)絡(luò)集成的泛化能力得到提高。本文利用Bagging算法產(chǎn)生神經(jīng)網(wǎng)絡(luò)集成的各單個(gè)神經(jīng)網(wǎng)絡(luò)，利用相對(duì)多數(shù)投票法產(chǎn)生集成神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果?；谏窠?jīng)網(wǎng)絡(luò)集成技術(shù)的表面肌電信號(hào)識(shí)別流程如圖3所示。

圖3 表面肌電信號(hào)模式識(shí)別流程圖Fig.3 Structure diagram of integrated neural network

2.3 神經(jīng)網(wǎng)絡(luò)集成用于sEMG模式識(shí)別

文獻(xiàn)［10］中已證明任意非線性函數(shù)均可由一個(gè)3層的BP神經(jīng)網(wǎng)絡(luò)來逼近。因此，本文利用3層BP神經(jīng)網(wǎng)絡(luò)作為參與系統(tǒng)集成的單個(gè)神經(jīng)網(wǎng)絡(luò)。由于待識(shí)別的手臂動(dòng)作模式有4種，且輸入神經(jīng)網(wǎng)絡(luò)特征向量維數(shù)為4，實(shí)驗(yàn)中所設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)的輸入層含有4個(gè)神經(jīng)元節(jié)點(diǎn)，輸出層含有2個(gè)神經(jīng)元節(jié)點(diǎn)。隱含層最佳神經(jīng)元節(jié)點(diǎn)數(shù)目的確定尚無成熟理論［11］，我們通過反復(fù)試驗(yàn)確定隱含層神經(jīng)元節(jié)點(diǎn)數(shù)目，隱含層神經(jīng)元數(shù)目最終確定為6。

集成神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果與參與集成的單個(gè)神經(jīng)網(wǎng)絡(luò)的個(gè)數(shù)有關(guān)，隨著參與集成的單個(gè)神經(jīng)網(wǎng)絡(luò)數(shù)目的增加，集成神經(jīng)網(wǎng)絡(luò)的正確識(shí)別率也逐漸增大。但當(dāng)單個(gè)神經(jīng)網(wǎng)絡(luò)數(shù)目達(dá)到一定程度后，繼續(xù)增加單個(gè)神經(jīng)網(wǎng)絡(luò)的數(shù)目反而會(huì)導(dǎo)致識(shí)別率的下降。產(chǎn)生此現(xiàn)象的主要原因是當(dāng)單個(gè)神經(jīng)網(wǎng)絡(luò)的數(shù)目超過一定的限制后，各單個(gè)神經(jīng)網(wǎng)絡(luò)之間的差異度逐漸減小。根據(jù)式(4)可知，參與集成的神經(jīng)網(wǎng)絡(luò)的差異度減小會(huì)導(dǎo)致集成神經(jīng)網(wǎng)絡(luò)的泛化誤差增大，即正確識(shí)別率會(huì)降低。本文試驗(yàn)中我們利用Bagging方法生成各訓(xùn)練集，并對(duì)各參與集成的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過實(shí)驗(yàn)的方式確定單個(gè)神經(jīng)網(wǎng)絡(luò)的最佳數(shù)目為5。為了驗(yàn)證神經(jīng)網(wǎng)絡(luò)集成具有較好的識(shí)別率，我們利用網(wǎng)絡(luò)結(jié)構(gòu)為4－6－2的單個(gè)BP神經(jīng)網(wǎng)絡(luò)做了對(duì)比試驗(yàn)。

3 實(shí)驗(yàn)結(jié)果與分析

通過信號(hào)特征提取后，得到了4個(gè)運(yùn)動(dòng)模式下的特征向量各160個(gè)，分別從160個(gè)特征向量中抽取40個(gè)作為訓(xùn)練集，剩下的構(gòu)成測(cè)試集。最終訓(xùn)練集中含有160個(gè)特征向量，每個(gè)運(yùn)動(dòng)模式40個(gè)，測(cè)試集中含有480個(gè)特征向量，每個(gè)運(yùn)動(dòng)模式120個(gè)。即所有表面肌電信號(hào)特征向量中，測(cè)試集與訓(xùn)練集的分配如表1所示。

表1 測(cè)試集與訓(xùn)練集分配Table 1 Assignment in training and test sets

本文中表面肌電信號(hào)的識(shí)別率由下面公式計(jì)算得出

由式(5)計(jì)算得出4個(gè)運(yùn)動(dòng)模式下表面肌電信號(hào)的識(shí)別率如表2所示。從表2中看出，集成神經(jīng)網(wǎng)絡(luò)技術(shù)顯著地提高了手臂動(dòng)作的模式識(shí)別率，說明了將神經(jīng)網(wǎng)絡(luò)集成技術(shù)用于手臂動(dòng)作模式識(shí)別領(lǐng)域的可行性與正確性。

表2 手臂動(dòng)作的模式識(shí)別率Table 2 Correct recognition rates of hand motions

4 結(jié)束語(yǔ)

本文主要利用神經(jīng)網(wǎng)絡(luò)集成技術(shù)對(duì)手臂運(yùn)動(dòng)模式進(jìn)行識(shí)別，通過小波包分解提取兩路表面肌電信號(hào)的特征向量，根據(jù)已提取的特征向量完成對(duì)手臂運(yùn)動(dòng)模式的識(shí)別。實(shí)驗(yàn)結(jié)果表明，與單一神經(jīng)網(wǎng)絡(luò)相比，神經(jīng)網(wǎng)絡(luò)集成技術(shù)可以顯著地提高手臂運(yùn)動(dòng)模式的正確識(shí)別率。因此，將神經(jīng)網(wǎng)絡(luò)集成技術(shù)應(yīng)用于人體手臂運(yùn)動(dòng)模式識(shí)別領(lǐng)域，有助于肌電控制仿生假肢的開發(fā)，促進(jìn)人工智能、康復(fù)工程、臨床醫(yī)學(xué)的發(fā)展。

參考文獻(xiàn):

［1］Abdulhamit Subasi，Mustafa Yilmaz，Hasan Riza Ozcalik.Classification of EMG signals using wavelet neural network［J］.Journal of Neuroscience Methods，2006，156(1－2):360－367.

［2］Chan A D C，Englehart K B.Continusmyoelectric control for powered prosthesis using hidden markovmodels［J］.IEEE Transactions on Biomedical Engineering，2005，52(1):121－124.

［3］李明愛，王蕊，郝冬梅.基于神經(jīng)網(wǎng)絡(luò)集成技術(shù)的運(yùn)動(dòng)想像腦電識(shí)別方法［J］.北京工業(yè)大學(xué)學(xué)報(bào)，2011，37(3):347－351.

LiMing－ai，Wang Rui，Hao Dong－mei.An EEG recognition algorithm ofmotor imagery based on neural network ensemble［J］.Journal of Beijing University of Technology，2011，37(3):347－351.

［4］Sun Bao－feng，Chen Wan－zhong.Classification of sEMG signals using integrated neural network with small sized training data［J］.Biomedical Engineering:Applications，Basis and Communications，2012，24(4):365－376.

［5］Hansen L，Salamon P.Neurnl network ensemble［J］. IEEE Transaction on Pattern Analysis and Machine Intelligence，1990，12(10):993－1001.

［6］于繁華，劉寒冰，譚國(guó)金.神經(jīng)網(wǎng)絡(luò)集成在結(jié)構(gòu)損傷識(shí)別中的應(yīng)用［J］.吉林大學(xué)學(xué)報(bào):工學(xué)版，2007，37 (2):438－441.

Yu Fan－h(huán)ua，Liu Han－bing，Tan Guo－jin.Application of neural network ensemble for structural damage detection［J］.Journal of Jilin University(Engineering and Technology Edition)，2007，37(2):438－441.

［7］周志華，陳世福.神經(jīng)網(wǎng)絡(luò)集成［J］.計(jì)算機(jī)學(xué)報(bào)，2002，25(1):28－31.

Zhou Zhi－h(huán)ua，Chen Shi－fu.Neural network ensemble［J］.Chinese Journal of Computers，2002，25(1):1－8.

［8］白雪飛，李茹.神經(jīng)網(wǎng)絡(luò)集成的多表情人臉識(shí)別方法［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46(4):145－148.

Bai Xue－fei，Li Ru.Neural network ensemble based expression invariant face recognition［J］.Computer Engineering and Applications，2010，46(4):145－148.

［9］羅志增，熊靜，劉志宏.一種基于WPT和LVQ神經(jīng)網(wǎng)絡(luò)的手部動(dòng)作識(shí)別方法［J］，模式識(shí)別與人工智能，2010，23(5):695－700.

Luo Zhi－zeng，Xiong Jing，Liu Zhi－h(huán)ong.Pattern recognition of hand motions based on WPT and LVQ［J］.Pattem Recognition and Aitificial Intelligence，2010，23 (5):695－700.

［10］Sankar K Pal，Sushmita Mitra.Multilayer perceptron，fuzzy sets，and classification［J］.IEEE Trans Neural Networks 1992，5(3):683－697.

［11］呂硯山，趙正琦.BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化及應(yīng)用研究［J］.北京化工大學(xué)學(xué)報(bào)，2001，28(1):67－69.

LüYan－shan，Zhao Zheng－qi.Optimization and application research of BP neural network［J］.Journal of Beijing University of Chemical Technology，2001，28(1): 67－69.