手勢(shì)動(dòng)作識(shí)別分類的研究①

摘 要：手勢(shì)動(dòng)作識(shí)別分類已成為當(dāng)今的熱點(diǎn)研究問(wèn)題，但目前所采用的識(shí)別方法識(shí)別率較低。為了尋找高識(shí)別率的手勢(shì)識(shí)別方法，本文提出了一種基于改進(jìn)的PNN神經(jīng)網(wǎng)絡(luò)手勢(shì)識(shí)別算法。主要對(duì)傳播率參數(shù)進(jìn)行優(yōu)化，克服了傳統(tǒng)傳播率需要人工設(shè)置的缺點(diǎn)。經(jīng)過(guò)仿真實(shí)驗(yàn)研究，改進(jìn)算法平均正確識(shí)別率均在90%以上，而傳統(tǒng)算法的正確率僅為80%左右，即改進(jìn)的PNN神經(jīng)網(wǎng)絡(luò)算法具有更短的訓(xùn)練時(shí)間和更強(qiáng)的分類能力。

關(guān)鍵詞：手勢(shì)動(dòng)作識(shí)別 PNN 傳播率 識(shí)別率

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2013）07（a）-0217-01

表面肌電信號(hào)（sEMG）是從皮膚表面由電極引導(dǎo)記錄下來(lái)的一種重要的生物電信號(hào)。表面肌電信號(hào)使用方便，對(duì)人體無(wú)損傷，被廣大的手勢(shì)動(dòng)作識(shí)別研究中應(yīng)用，同時(shí)也是智能假肢理想的控制信號(hào)源。目前，在手勢(shì)動(dòng)作識(shí)別方面國(guó)內(nèi)外學(xué)者取得了有效的成果。例如K.Englehart等對(duì)四種手勢(shì)動(dòng)作進(jìn)行識(shí)別，識(shí)別率為90%。2004年Kiguchi.K等人提出的識(shí)別方法大致可分為統(tǒng)計(jì)識(shí)別方法、句法識(shí)別、集成識(shí)別方法、神經(jīng)網(wǎng)絡(luò)識(shí)別方法等。本文采用改進(jìn)的PNN神經(jīng)網(wǎng)絡(luò)方法進(jìn)行識(shí)別，該方法結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練時(shí)間短且識(shí)別率較高不僅克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)識(shí)別率低、訓(xùn)練時(shí)間長(zhǎng)的缺點(diǎn)同時(shí)也克服了傳統(tǒng)PNN網(wǎng)絡(luò)傳播率系數(shù)需要手動(dòng)設(shè)置的不足，較好的改善了識(shí)別率。本文采用改進(jìn)的PNN神經(jīng)網(wǎng)絡(luò)對(duì)造型“C”、食指伸展、伸腕、向下曲腕、握拳、向側(cè)曲腕、手掌伸展7種手勢(shì)動(dòng)作進(jìn)行模式識(shí)別。

1 sEMG的特征提取與特征選擇

表面肌電信號(hào)的特征提取對(duì)手勢(shì)動(dòng)作的識(shí)別率有直接影響。本文采用時(shí)域、頻域及時(shí)頻域的特征作為不同手勢(shì)動(dòng)作的特征。但是，特征太多會(huì)給計(jì)算帶來(lái)困難，而且會(huì)造成分類效果的惡化。因此本文采用K-W檢驗(yàn)的方法對(duì)時(shí)域、頻域及時(shí)頻域的單個(gè)特征進(jìn)行評(píng)價(jià)，選擇最具有分離度的特征。本文將提取的特征作為改進(jìn)PNN神經(jīng)網(wǎng)絡(luò)的輸入信息對(duì)7種手勢(shì)動(dòng)作識(shí)別分類，并與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別率對(duì)比分析。

2 改進(jìn)PNN神經(jīng)網(wǎng)絡(luò)模型

PNN神經(jīng)網(wǎng)絡(luò)是1990年由Specht提出的一種徑向基函數(shù)（RBF）網(wǎng)絡(luò)的重要變形。它的訓(xùn)練學(xué)習(xí)過(guò)程是一個(gè)完全正向的過(guò)程這一點(diǎn)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不同，大大減少了訓(xùn)練時(shí)間。不僅如此該網(wǎng)絡(luò)不易陷入局部極小值點(diǎn)，非常適合模式識(shí)別研究。在進(jìn)行仿真實(shí)驗(yàn)時(shí)，傳播率的改變對(duì)識(shí)別結(jié)果的影響明顯，總會(huì)有一個(gè)值能使識(shí)別率最高，但是在概率神經(jīng)網(wǎng)絡(luò)中該參數(shù)一般是手工設(shè)定，增加了訓(xùn)練時(shí)間，為了提高效率本文通過(guò)仿真實(shí)驗(yàn)，在多次試驗(yàn)中找使結(jié)果最好的取值。粒子群優(yōu)化算法被廣泛應(yīng)用與優(yōu)化數(shù)值的求解，本文采用該方法選取最優(yōu)的傳播率參數(shù)。

3 仿真實(shí)驗(yàn)及結(jié)果分析

將本文的改進(jìn)算法統(tǒng)傳統(tǒng)的算法進(jìn)行比較分析，改進(jìn)PNN神經(jīng)網(wǎng)絡(luò)算法記為P1算法，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法記為P2算法。對(duì)于P1算法：設(shè)計(jì)的PNN網(wǎng)絡(luò)的結(jié)構(gòu)為：輸入層有4個(gè)神經(jīng)元，輸出層有7個(gè)神經(jīng)元，中間層的傳遞函數(shù)為高斯函數(shù)，輸出層的傳遞函數(shù)為線性函數(shù)。將第1通道均值、第2通道均值、第1通道功率譜密度、第2通道功率譜密度作為輸入特征，進(jìn)行仿真實(shí)驗(yàn)研究。

4 結(jié)論

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)且易陷入局部極小值，在手勢(shì)動(dòng)作識(shí)別研究中正確識(shí)別率也并不高，本文針對(duì)這些問(wèn)題提出的改進(jìn)PNN神經(jīng)網(wǎng)絡(luò)有效克服了這些不足，識(shí)別率提高到90%左右，并且訓(xùn)練時(shí)間也縮短了一半。有效的改善了手勢(shì)動(dòng)作識(shí)別效果。

改進(jìn)PNN神經(jīng)網(wǎng)絡(luò)的提出為手勢(shì)動(dòng)作識(shí)別分類提供了理論基礎(chǔ)，為智能假肢的研究提高的科學(xué)依據(jù)，但是，為了將手勢(shì)動(dòng)作的識(shí)別算法應(yīng)用于智能假肢，改進(jìn)的概率神經(jīng)網(wǎng)絡(luò)識(shí)別算法的識(shí)別率仍有待提高。因此，尋找更有效的識(shí)別算法，提高手勢(shì)動(dòng)作的識(shí)別準(zhǔn)確率是今后的研究熱點(diǎn)問(wèn)題。

參考文獻(xiàn)

[1]JIN D W，WANG R CH.Artificial lntelligent prosthesis[J].Chinese J. Clinical Rehabilitation，2002，5（20）：2994-2995.

[2]Paclik P，Novovicova J，Pudil P.Road sign classification using Laplace classifier[J].Pattern Recognition Letters，2000，21（13-14）：1165-1173.

[3]Sueteus P，F(xiàn)ua P， Hanson A J.Computational strategies for object recognition[J].ACM Computing Surveys，1992，24（1）：5-61.

[4]Specht D.Probabilistic neural network[J].Neural Networks，1990，3（1）：109-118.

[5]McDuff R J，Simpson P K.An Investigation of Neural Networks for F-16 Fault Dignosis：II.System Performance[C]//SPIE 1294 Application of Artificial Neural Networks.1990：42-45.

[6]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2005.

[7]雷正偉，徐章遂.一種基于故障重要度的概率神經(jīng)網(wǎng)絡(luò)診斷方法[J].計(jì)算機(jī)測(cè)量與控制，2005，12（2）：107-109.