吳常鋮 嚴余超 曹青青 費飛 楊德華 徐寶國 宋愛國
摘要 基于肌電信號的手部動作識別中,肌電信號測量位置的選擇直接關系到動作識別的準確率.本文以使用最少的肌電傳感器和獲得較高的動作識別率為目標,提出一種基于ANOVA(方差分析)和BP神經(jīng)網(wǎng)絡的肌電信號測量位置優(yōu)選方法.使用4個肌電傳感器采集受試者做出指定動作時的肌電信號,提取肌電信號的時域特征,并按測量位置組合構成15個不同的樣本進行BP神經(jīng)網(wǎng)絡的訓練和測試.采用單因素ANOVA分析測量位置對動作識別結果影響的顯著性,采用Tukey HSD將測量位置進行歸類,并從動作識別率最高的子集中選擇測量位置最少但識別準確率最高的測量位置組合作為最優(yōu)的肌電信號測量位置.實驗結果表明,測量位置對動作識別的結果具有顯著的影響,隨著測量位置數(shù)的增加,動作識別準確率呈上升趨勢,最優(yōu)的測量位置組合為P1+P3+P4,其動作識別準確率為94.6%.
關鍵詞 表面肌電信號;動作識別;神經(jīng)網(wǎng)絡;方差分析
中圖分類號 TP241
文獻標志碼 A
0 引言
表面肌電信號是眾多肌肉纖維中的動作電位傳播到皮膚表面疊加而成的一種微弱生物電信號.由于蘊含了肢體活動信息,能夠在一定程度上反映神經(jīng)肌肉的活動狀況,因此肌電信號在肌肉狀態(tài)評估、假肢控制及康復等領域有著廣泛的應用.
手勢動作識別是肌電信號最重要的應用之一,國內(nèi)外學者在這方面做了大量的研究[1-4].文獻[5]提出一種自學習方法,采用2個肌電傳感器測量手臂上一對拮抗肌表面的肌電信號,實現(xiàn)了仿生假手的抓握控制;文獻[6]利用小波變換和神經(jīng)網(wǎng)絡實現(xiàn)了單通道肌電信號的動作識別;文獻[7]采用高密度電極測量殘疾人殘臂上的肌電,并提出3種新的肌電信號時域特征,動作識別準確率達到92.00%±3.11%;文獻[8]提出了一種基于瞬時肌電信號的動作識別方法.為了獲得較高的動作識別準確率,學者們通常使用更多的肌電傳感器來進行肌電信號的采集,然而數(shù)量過多的傳感器會給信號采集帶來不便.
本文針對手部動作識別中的肌電測量位置選擇問題,提出一種基于ANOVA(方差分析)和BP神經(jīng)網(wǎng)絡的最優(yōu)肌電信號測量位置選擇方案,在保證動作識別準確率的情況下減少肌電信號的測量點.
1 基于肌電信號和神經(jīng)網(wǎng)絡的手部動作識別
如圖1所示, 基于肌電信號和神經(jīng)網(wǎng)絡的手部動作識別主要包括模型訓練和在線動作識別兩個環(huán)節(jié).模型訓練環(huán)節(jié),受試者根據(jù)動作提示做出相應的動作,在此過程中粘貼于受試者皮膚表面的肌電傳感器采集人體手臂肌肉表面的肌電信號,采集得到的肌電信號經(jīng)過特征提取后用于模型訓練.完成模型訓練后得到的模型參數(shù)可用于在線動作識別,即進行在線動作識別時,從肌電信號中提取到的特征值將直接輸入神經(jīng)網(wǎng)絡進行計算得到動作類型.
1.1 信號采集
將4個表面肌電信號傳感器粘貼在人體手臂皮膚表面的4個不同位置(肱橈?。≒1)、指伸肌(P2)、尺側腕伸?。≒3)、肱側腕屈?。≒4))進行肌電信號的采集.傳感器的信號采樣率設置為1 kHz.信號
EMG measurement position optimization based on ANOVA and BP neural network.〖SX)〗〖SM)〗
采集過程中,受試者需根據(jù)提示做出指定的手部動作.本文采集了受試者做伸掌、握拳、內(nèi)翻腕、外翻腕、抬手腕和壓手腕這6個不同手勢
時的肌電信號,即選定了這6個手勢作為動作識別的目標.
1.2 特征提取
肌電信號是一種復雜的時間序列信號,雖然蘊含了肢體的運動信息,但并不能直接用于肢體動作的識別.將肌電信號用于肢體動作的識別通常需要進行特征提取,本文選取絕對值積分均值、方差、過零點數(shù)、Willison幅值對采集得到的肌電信號進行特征提取.
1)絕對值積分均值(IEMG)
依據(jù)上述描述,選擇長度為100的滑動窗計算一段典型肌電信號的時域特征如圖2所示.
根據(jù)V1~V15的維度,采用圖3中的網(wǎng)絡結構設計15個不同的BP神經(jīng)網(wǎng)絡,并分別將V1~V15作為樣本進行訓練和檢驗,可以得到15個網(wǎng)絡的動作識別準確率,即一種測量位置組合對應一個動作識別準確率.
2 基于ANOVA的肌電信號最優(yōu)測量位置選擇
方差分析(Analysis of Variance, ANOVA)是由R.A.Fisher提出的一種用于2個及2個以上樣本均數(shù)差別顯著性檢驗的方法.如表2所示,方差分析結果中的P值直接代表了被分析因素對結果的影響是否顯著.
本文將肌電信號的測量位置作為影響動作識別結果的因素,通過單因素ANOVA分析肌電測量位置對動作識別結果的影響是否顯著,同時利用Tukey HSD方法將測量位置進行分類,將對動作識別結果影響相似的測量位置組合歸入同一子集.本文在識別率最高的子集中,選擇測量位置最少且相同數(shù)量測量位置中識別率最高的位置組合作為最優(yōu)測量位置.本文實驗研究中利用SPSS軟件對1.3中的15種特征向量的動作識別結果進行方差分析.
3 實驗及結果
3.1 實驗平臺
本文實驗研究中所用的肌電信號傳感器為南京航空航天大學先進機器人與精密系統(tǒng)研究中心研制的便攜式無線肌電傳感器.該傳感器內(nèi)部具有通頻帶為10~500 Hz、放大倍數(shù)為1 000的信號調理電路,用于調理電極片從人體皮膚表面獲取到的微弱肌電信號.傳感器的采樣率可通過軟件設置為200~1 000 Hz,采集得到肌電信號后通過WiFi發(fā)送給計算機.圖4所示為肌電傳感器配套的上位機軟件.
3.2 手勢識別實驗
6名健康的受試者(2女4男,年齡在23~26歲)參與了實驗.實驗場景如圖6所示.實驗分2個階段進行.第1階段為實驗準備階段,主要是為了讓受試者熟悉整個實驗流程和所需要完成的各種手勢,并對肌電信號采集軟件的相關參數(shù)進行調整,以便受試者能夠更加順利地完成整個實驗.該階段要求受試者連續(xù)完成每種手勢15次.為了防止受試者疲勞,每2種手勢動作之間,受試者有2 min的休息時間.第2階段為手勢識別實驗階段,該階段實驗分15組,每組包含30個手勢動作,每種手勢動作出現(xiàn)5次且各手勢的出現(xiàn)順序是由Matlab軟件隨機生成的.受試者根據(jù)軟件界面的提示,完成對應的手勢動作.為了避免受試者疲勞,每2組手勢動作之間,受試者有5 min的休息時間.
根據(jù)1.2和1.3,將實驗中獲取的肌電信號特征數(shù)據(jù)按照位置組合進行分組,運用神經(jīng)網(wǎng)絡算法進行手勢識別,統(tǒng)計得到各位置組合的手勢識別結果如圖7和圖8所示.單一位置的手勢識別率由高到低的順序依次為P3、P1、P2、P4,2個位置組合的手勢識別率由高到低的順序依次為P1+P3、P2+P3、P1+P2、P1+P4、P3+P4、P2+P4,3個位置組合的手勢識別率由高到低的順序依次為P1+P3+P4、P1+P2+P3、P2+P3+P4、P1+P2+P4.圖7中,P12表示P1+P2,其余組合依此類推.實驗結果表明,手勢識別率隨著測量位置數(shù)量的增加而提高,在使用全部4個位置的肌電特征數(shù)據(jù)時,手勢識別率最高,達到96.1%.
對15種位置組合的動作識別結果進行方差分析,結果如表3所示.表3中P值遠小于0.01,表明不同肌電信號測量位置的手勢識別率具有顯著的差異.采用Tukey HSD做進一步分析,結果如表4和圖9所示.Tukey HSD分析結果顯示,15種位置組合共被分到8個子集,手勢識別率最低的子集(第1子集),包含P4,手勢識別率最高的子集(第8子集),包含P1+P2+P3、P1+P3+P4、P1+P2+P3+P4.對手勢識別率次高的子集(第7子集)分析,2個位置組合(P1+P3)的手勢識別效果可以與一些3個位置組合(P1+P2+P4、P2+P3+P4)類似.根據(jù)前文提到的最優(yōu)位置組合的選取原則,最優(yōu)的位置組合為P1+P3+P4.
4 結束語
本文針對基于肌電信號動作識別中的測量位置選擇問題,提出一種基于BP神經(jīng)網(wǎng)絡和單因素ANOVA的測量位置優(yōu)選方法.本文首先選定了6個常用手勢(握拳、伸掌、內(nèi)翻腕、外翻腕、抬手腕、壓手腕)作為動作識別的目標,選定4塊肌肉(肱側腕屈肌、肱橈肌、指伸肌、尺側腕伸?。┳鳛閭溥x的肌電信號測量位置.受試者做出指定目標動作時,采集受試者手臂上的肌電信號并進行特征提取,根據(jù)不同的通道數(shù)量對提取后的肌電特征數(shù)據(jù)進行組合,得到15個肌電特征向量.分別將15個肌電特征向量作為樣本,對BP神經(jīng)網(wǎng)絡進行訓練和測試,得到不同測量位置組合對應的動作識別率.最后以測量位置組合作為影響動作識別準確率的因素,采用單因素ANOVA和Tukey HSD對15個肌電特征對應的動作識別結果進行分析.實驗結果表明,最優(yōu)的測量位置組合為P1+P3+P4,即采用肱橈肌、尺側腕伸肌、肱側腕屈肌的信號進行動作識別的方案為最優(yōu)測量位置方案.
參考文獻
References
[1] Ariyanto M,Caesarendra W,Mustaqim K A,et al.Finger movement pattern recognition method using artificial neural network based on electromyography (EMG) sensor[C]∥International Conference on Automation.2016
[2] Oleinikov A,Abibullaev B,Shintemirov A,et al.Feature extraction and real-time recognition of hand motion intentions from EMGs via artificial neural networks[C]∥International Conference on Brain-computer Interface.2018
[3] 肖凱,鄒任玲.基于表面肌電信號的人體動作識別算法研究進展[J].生物信息學,2018,16(2):14-20
XIAO Kai,ZOU Renling.Research on human body motion recognition algorithm based on surface EMG signal[J].Chinese Journal of Bioinformatics,2018,16(2):14-20
[4] 楊亞慧,謝宏.基于卷積神經(jīng)網(wǎng)絡的表面肌電信號手勢識別[J].微型機與應用,2017,36(15):59-61
YANG Yahui,XIE Hong.Research on surface EMG signal gesture recognition based on convolution neural network[J].Microcomputer & Its Applications,2017,36(15):59-61
[5] 吳常鋮,宋愛國,章華濤.一種肌電假手的自適應模糊控制方法[J].儀器儀表學報,2013,34(6):140-146
WU Changcheng,SONG Aiguo,ZHANG Huatao.Adaptive Fuzzy Control Method for EMG Prosthetic Hand[J].Chinese Journal of Scientific Instrument,2013,34(6):140-146
[6] Mane S M,Kambli R A,Kazi F S,et al.Handmotion recognition from single channel surface EMG using wavelet & artificial neural network[J].Procedia Computer Science,2015,49:58-65
[7] Samuel O W,Zhou H,Li X,et al.Pattern recognition of electromyography signals based on novel time domain features for amputees limb motion classification[J].Computers & Electrical Engineering,2018,67:646-655
[8] Geng W,Du Y,Jin W,et al.Gesture recognition by instantaneous surface EMG images[J].Scientific Reports,2016,6,DOI:10.1038/srep36571
EMG measurement position optimization based on
ANOVA and BP neural network
WU Changcheng1,2 YAN Yuchao1 CAO Qingqing3 FEI Fei1 YANG Dehua1 XU Baoguo2 SONG Aiguo2
1 College of Automation Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing 211106
2 School of Instrument Science and Engineering,Southeast University,Nanjing 210096
3 School of Aviation Engineering,Nanjing Institute of Industry Technology,Nanjing 210023
AbstractThe locations of electromyography (EMG) measurements are directly related to the accuracy of motion recognitionin hand gesture recognition based on EMG signals.This study proposes an EMG measurement position optimization strategy based on ANOVA and back propagation (BP) neural network to obtain the best motion recognition with the fewest EMG sensors.Four EMG sensors are used to capture the EMG signals when the subjects perform specific hand gestures.Feature data extracted from the raw EMG signals are combined into 15 different vectors according to different measurement position combinations.These 15 feature vectors are used to train and test the BP neural network.Single factor analysis of variance (ANOVA)is employed to analyze the significance of the influence of the measured position on themotion recognition.Tukeys honest significant differencetest is adopted to classify the position combinations.The position combinations are divided into several subsets.In the subset with the highest recognition rate,the position combination with the least measurement position and the highest recognition accuracy is considered to be the optimized measurement position.The experimental results show that the measurement position has a significant impact on the results of motion recognition.The accuracy of motion recognition shows an upward trend with the increase in measurement position.The optimal combination of measurement position is P1+P3+P4,and the accuracy of motion recognition is 94.6%.
Key wordssurface electromyography;motion recognition;neural network;analysis of variance