BP神經(jīng)網(wǎng)絡(luò)手勢動作識別在腦卒中患者手臂訓(xùn)練中的應(yīng)用

□ 朱彥平 □ 陳善超 □ 嚴(yán)良文 □ 葉 帥 □ 余 雪

上海大學(xué) 機(jī)電工程與自動化學(xué)院 上海 200072

BP神經(jīng)網(wǎng)絡(luò)手勢動作識別在腦卒中患者手臂訓(xùn)練中的應(yīng)用

□ 朱彥平 □ 陳善超 □ 嚴(yán)良文 □ 葉 帥 □ 余 雪

上海大學(xué) 機(jī)電工程與自動化學(xué)院 上海 200072

為了更好地配合腦卒中患者手臂康復(fù)訓(xùn)練，利用手勢動作時(shí)從手臂肌肉上獲取表面肌電信號，經(jīng)特征提取，采用BP神經(jīng)網(wǎng)絡(luò)的方法建立智能識別模型，對8種手勢動作模式進(jìn)行了識別。鑒于BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的模式分類能力，而特征提取又利用了多路肌電信號的信息，實(shí)驗(yàn)結(jié)果取得了較高的識別正確率。經(jīng)實(shí)驗(yàn)測試可知，建立的BP模型方法客觀、合理，識別精度高，實(shí)用性強(qiáng)，具有良好的理論與實(shí)際應(yīng)用價(jià)值。

表面肌電信號 BP神經(jīng)網(wǎng)絡(luò) 手勢識別

傳統(tǒng)的治療方法無法讓腦卒中患者直觀看到訓(xùn)練效果，以及提高訓(xùn)練的信心和參與性，如果能將其運(yùn)動意圖識別，并用反饋予以矯正就能實(shí)現(xiàn)這樣的效果。對于那些肌肉能輕微收縮，但運(yùn)動變化不明顯的患者來說，如果能通過肌電信號識別其運(yùn)動意圖和趨勢，可以將這種良好的效果反饋給患者，以便輔助康復(fù)訓(xùn)練。BP算法結(jié)構(gòu)簡單，可操作性強(qiáng)，能模擬任意的非線性輸入輸出關(guān)系，常常被用于表面肌電信號的識別。在神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，絕大部分的神經(jīng)網(wǎng)絡(luò)模型采用BP網(wǎng)絡(luò)或其變化形式，它也是前饋神經(jīng)網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)中的精華部分［1］。

1 模式識別的方法

手勢動作肌電信號采集模式識別流程如圖1所示。

▲圖1 模式識別的流程

1.1 手勢動作

選取常用的8個(gè)手部動作為訓(xùn)練目標(biāo)，如圖2所示，分別為掌面向上、掌面向下、握拳、展拳、上切、下切、內(nèi)翻、外翻。這8個(gè)動作為日常生活中較為常用的動作，例如：手腕的旋轉(zhuǎn)作用于調(diào)整手部的姿勢；握拳和展拳實(shí)際上是抓取物品所必須使用的。

1.2 肌電信號的采集

肌電信號采集結(jié)構(gòu)如圖3所示，主要由采集電極、前置放大器、調(diào)理電路、加速度傳感器、A/D轉(zhuǎn)換模塊、DSP以及PC部分構(gòu)成。采集電極將皮膚表面的肌電信號通過電纜傳導(dǎo)至放大器輸入部分，放大后的信號經(jīng)過調(diào)理電路的升壓以適于DSP的AD模塊信號接收范圍，DSP經(jīng)過運(yùn)算后將需要的結(jié)果傳輸至PC［2］。

▲圖2 8種常用手部動作

▲圖3 肌電信號采集流程

1.3 特征值的提取

提取肌電信號的模型參數(shù)，AR模型和ARMA模型是最常用的擬合肌電信號的兩種參數(shù)模型，兩種模型都各有優(yōu)缺點(diǎn)，AR模型在計(jì)算便利上占優(yōu)勢，而ARMA模型所需要的參數(shù)較少。但是ARMA模型的計(jì)算耗時(shí)較長，影響其實(shí)時(shí)操作性，筆者采用AR模型。

AR模型描述如下：

式中：ai為自相關(guān)系數(shù)；xk為AR系數(shù)；p為模型階數(shù)；ek為殘差白噪聲。

在AR模型系統(tǒng)的傳遞函數(shù)中，只有極點(diǎn)，沒有零點(diǎn)，所以又叫全極點(diǎn)模型。

2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

使用模式識別的方法即通過肌電信號判斷患者的運(yùn)動趨勢和意圖，是一種良好的反饋方式，模式識別是指對事物或現(xiàn)象以各種表現(xiàn)形式的（數(shù)值、文字或邏輯關(guān)系）信息進(jìn)行處理和分析，對事物或現(xiàn)象進(jìn)行描述、辨認(rèn)、分類和解釋的過程，是信息科學(xué)和人工智能的重要組成部分，是人類的基本智能。

2.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示，BP網(wǎng)絡(luò)是一種有三層或三層以上神經(jīng)元的神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層（隱含層）和輸出層。這個(gè)網(wǎng)絡(luò)的前一層和后一層之間所有的神經(jīng)元是相互連接的，但是每層內(nèi)部的神經(jīng)元之間無任何連接。輸入層各神經(jīng)元作為系統(tǒng)的輸入接口，用來接收輸入信息，輸入層接收到信息后，傳遞給中間層的神經(jīng)元，中間層的神經(jīng)元對收到的信息進(jìn)行處理和變化，變換的次數(shù)取決于中間層的層數(shù)，最后的結(jié)果由輸出層輸出，即可得到所需的結(jié)果。

▲圖4 神經(jīng)網(wǎng)絡(luò)模型

2.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

BP網(wǎng)絡(luò)在進(jìn)行正確推理之前必須先進(jìn)行學(xué)習(xí)，這里的學(xué)習(xí)也叫作訓(xùn)練，也就是不斷訓(xùn)練網(wǎng)絡(luò)以便能夠獲得期望的輸出。訓(xùn)練的具體算法過程為：首先將已知輸出的學(xué)習(xí)樣本輸入給網(wǎng)絡(luò)，神經(jīng)元的激活值按照網(wǎng)絡(luò)結(jié)果歷經(jīng)各神經(jīng)元逐層傳遞，該樣本輸入對應(yīng)的輸出也賦給相應(yīng)的輸出層中的神經(jīng)元，按照減少目標(biāo)輸出與實(shí)際輸出之間誤差的方向，從輸出層反向經(jīng)過各中間層回到輸入層，逐層修正各連接權(quán)值。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差達(dá)到設(shè)定的目標(biāo)值，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止［3］。經(jīng)過這樣的循環(huán)，各連接權(quán)值逐步得到修正，網(wǎng)絡(luò)正確率也就不斷上升。BP算法中常見的傳遞函數(shù)有正切函數(shù)、Sigmoid型對數(shù)、線性函數(shù)等，這些函數(shù)都是可微的，因?yàn)樵谡`差反向傳播中會被求導(dǎo)。

2.3 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

BP網(wǎng)絡(luò)的設(shè)計(jì)主要是設(shè)置網(wǎng)絡(luò)的參數(shù)，也就是找到最適合于該應(yīng)用的網(wǎng)絡(luò)參數(shù)，主要是網(wǎng)絡(luò)的層數(shù)、隱含層神經(jīng)元的個(gè)數(shù)、訓(xùn)練函數(shù)等參數(shù)。

2.3.1 輸入輸出層的設(shè)計(jì)

輸入的神經(jīng)元要根據(jù)問題的實(shí)際情況與輸入變量的類型來確定。常見的輸入有一維數(shù)組、模擬信號、二維圖像等。筆者確定使用AR模型系數(shù)作為網(wǎng)絡(luò)的輸入，每一通道有3個(gè)AR系數(shù)和1個(gè)殘差，一共是4通道，則輸入層的維數(shù)為n=16。輸出層的維數(shù)根據(jù)網(wǎng)絡(luò)的要求確定，一般將BP網(wǎng)絡(luò)用作分類器，類別模式一共有m個(gè)，則輸出神經(jīng)元的個(gè)數(shù)為m或log2m，這里一共設(shè)計(jì)了8個(gè)訓(xùn)練動作，即輸出層的維數(shù)為q=8。

2.3.2 隱層的設(shè)計(jì)

對于BP網(wǎng)絡(luò)，存在一個(gè)非常重要的定理，即對任何在閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用單隱層的BP網(wǎng)絡(luò)逼近，也就是說大部分問題下，三層BP網(wǎng)絡(luò)就能實(shí)現(xiàn)所有的應(yīng)用。隱層的神經(jīng)元數(shù)目確定比較困難，隱含神經(jīng)元的個(gè)數(shù)會對網(wǎng)絡(luò)性能產(chǎn)生重要影響，如果數(shù)目過多，則學(xué)習(xí)時(shí)間長、網(wǎng)絡(luò)構(gòu)成復(fù)雜、難以收斂，最后的正確率也不一定高，反之，如果單元數(shù)目過少，網(wǎng)絡(luò)性能可能變糟，導(dǎo)致容錯(cuò)性差、泛化能力弱的問題，因此需要尋找一個(gè)最佳的隱單元數(shù)。有以下3個(gè)經(jīng)驗(yàn)算式可以用于選擇隱單元最佳個(gè)數(shù)的參考。

（3）ni=log2n，其中，n為輸入單元數(shù)。

綜合上述3個(gè)算式，3＜ni＜15。將ni的值逐個(gè)代入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練得到結(jié)果，見表1。

表1 不同節(jié)點(diǎn)數(shù)的訓(xùn)練效果對比圖

根據(jù)表1的結(jié)果可以看到，當(dāng)神經(jīng)元的個(gè)數(shù)ni=8時(shí)，網(wǎng)絡(luò)通過一個(gè)較少的運(yùn)算次數(shù)即獲得了一個(gè)誤差較小的網(wǎng)絡(luò)。由于采用不同的訓(xùn)練函數(shù)對網(wǎng)絡(luò)的性能會有影響，如收斂速度、網(wǎng)絡(luò)推廣能力等，為了選取合理的訓(xùn)練函數(shù)，采用以下3種訓(xùn)練函數(shù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

Traingdx是動量及自適應(yīng)lrBP的梯度遞減訓(xùn)練函

數(shù)，該函數(shù)可以使網(wǎng)絡(luò)的學(xué)習(xí)速度提高很多倍，并且能跳過一些凸性較小的區(qū)域。使用它對隱含層神經(jīng)元數(shù)目為8的網(wǎng)絡(luò)進(jìn)行訓(xùn)練的結(jié)果如圖5所示。從圖中可看出，使用該算法達(dá)到網(wǎng)絡(luò)逼近誤差0.000 1的訓(xùn)練目標(biāo)，要經(jīng)過531次的運(yùn)算。

改用Traingd梯度下降BP算法重新進(jìn)行計(jì)算，它是最基本的BP算法。反向傳播采用的是梯度下降法，按照梯度下降的方向修正各連接權(quán)的權(quán)值，默認(rèn)是平均方誤差。Traingd的收斂速度很慢，學(xué)習(xí)步長的選擇很重要，過大會導(dǎo)致振蕩嚴(yán)重，無法收斂到深窄的極小點(diǎn)，過小則速度慢，或者陷于局部極?。?］。Traingd算法的結(jié)果如圖6所示，經(jīng)過了1 000次訓(xùn)練，仍然不能達(dá)到預(yù)定的誤差目標(biāo)，而且網(wǎng)絡(luò)訓(xùn)練過程收斂得非常緩慢，訓(xùn)練完畢后，全局誤差res=0.124 435。

接下來采用Trainlm函數(shù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，該函數(shù)的學(xué)習(xí)算法為Levenberg-Marquardt反傳算法，由于梯度下降法在最初幾步下降較快，而在接近最優(yōu)值的階段，因?yàn)樘荻融呌诹悖繕?biāo)函數(shù)下降變得很緩慢；而牛頓法則可在靠近最優(yōu)值的地方產(chǎn)生理想的搜索方向。 Levenberg-Marquardt法結(jié)合了梯度下降法和牛頓法各自的優(yōu)點(diǎn)，使得當(dāng)網(wǎng)絡(luò)權(quán)值數(shù)目較少時(shí)收斂非常迅速［5］。

從圖7可見，經(jīng)10次訓(xùn)練，網(wǎng)絡(luò)的目標(biāo)誤差就達(dá)到了要求，該訓(xùn)練函數(shù)收斂速度較快，網(wǎng)絡(luò)誤差較小。

經(jīng)過上面的分析與試驗(yàn)，最終確定了本例的BP網(wǎng)絡(luò)結(jié)構(gòu)，見表2。

▲圖5 Traingdx函數(shù)訓(xùn)練收斂圖

▲圖6 Traingd函數(shù)訓(xùn)練收斂圖

▲圖7 Levenberg-Marquardt反傳算法訓(xùn)練收斂圖

表2 BP網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)表

表3 訓(xùn)練集來自同一個(gè)體的識別率/%

表4 訓(xùn)練集來自同六位個(gè)體的識別率/%

3 結(jié)果分析

首先，筆者將從同一個(gè)人采集到的8個(gè)動作，每個(gè)動作100組數(shù)據(jù)，抽取10組作為訓(xùn)練樣本，剩余90組的數(shù)據(jù)作為分類的測試數(shù)據(jù)，得到表3，結(jié)果表明BP網(wǎng)絡(luò)對來自于同一個(gè)體的數(shù)據(jù)有著良好的識別率。

最后，對6位個(gè)體，每個(gè)動作100組數(shù)據(jù)，抽取10組作為訓(xùn)練樣本，剩余每個(gè)動作90組的數(shù)據(jù)作為分類的測試數(shù)據(jù)，得到如表4的結(jié)果，由此可見，BP網(wǎng)絡(luò)對個(gè)體識別效果非常好。

4 結(jié)論

本研究利用DSP采集腦卒中患者的肌電信號，對其常見的8種手勢動作模式進(jìn)行了識別。根據(jù)提取的特征值，設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)，并且對不同人的多組肌電信號實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了處理，均獲得了較高的手勢動作分類正確率，實(shí)驗(yàn)表明所采用的方法是有效的。

［1］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.

［2］李文，趙麗娜，李騰飛，等.表面肌電信號在腦卒中患者上肢運(yùn)動功能康復(fù)中的應(yīng)用 ［J］.中國康復(fù)醫(yī)學(xué)雜志，2013（2）:163-165.

［3］楊行峻，鄭君里.人工神經(jīng)網(wǎng)絡(luò)［M］.北京:高等教育出版社，1992.

［4］蒲春，孫政順，趙世敏.Matlab神經(jīng)網(wǎng)絡(luò)工具箱BP算法比較［J］.計(jì)算機(jī)仿真，2006（5）:142-144.

［5］高雪鵬，叢爽.BP網(wǎng)絡(luò)改進(jìn)算法的性能對比研究［J］.控制與決策，2001，16（2）:167-171.

（編輯 丁 罡）

TH122；TP391.9

A

1000-4998（2015）10-0018-03

2015年4月