基于時(shí)頻組合特征的PSO-SVM手勢(shì)識(shí)別方法

王亮，張安元，李佳佳，李奇

（長(zhǎng)春理工大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，長(zhǎng)春 130022）

表面肌電（sEMG）信號(hào)是肌肉收縮過程中多個(gè)活躍神經(jīng)單元發(fā)放出的動(dòng)作電位序列，經(jīng)過脂肪組織容積導(dǎo)體濾波后，在皮膚表面上的綜合疊加效應(yīng)［1］。不同的肢體運(yùn)動(dòng)對(duì)應(yīng)不同的肌肉收縮方式，相對(duì)應(yīng)動(dòng)作的sEMG信號(hào)特征也會(huì)有不同程度的差異［2］。通過提取sEMG信號(hào)特征可以確定其對(duì)應(yīng)肌肉的收縮狀態(tài)，從而識(shí)別出人體所對(duì)應(yīng)的動(dòng)作模式［3］。在基于sEMG信號(hào)的動(dòng)作模式識(shí)別中，只需將電極放置在肌肉表面，無(wú)需侵入人體內(nèi)，再通過藍(lán)牙等傳輸設(shè)備將電極采集的信號(hào)傳輸?shù)浇K端進(jìn)行特征提取及動(dòng)作分類識(shí)別。因此，sEMG信號(hào)作為一種安全、無(wú)創(chuàng)、簡(jiǎn)單的肌肉功能檢測(cè)手段，在人工智能控制等領(lǐng)域研究中得到越來(lái)越廣泛的應(yīng)用。

sEMG信號(hào)的特征提取是手勢(shì)識(shí)別中的關(guān)鍵步驟之一。目前，在識(shí)別人體的多種手勢(shì)時(shí)，通常從時(shí)域、頻域、時(shí)頻域三方面對(duì)信號(hào)提取特征，例如，時(shí)域特征：過零點(diǎn)數(shù)（ZC）、斜率變化數(shù)（SSC）、自 回 歸 系 數(shù)（AR5、AR4）、絕 對(duì) 均 值（MAV）、均方根值（RMS）、方差（VAR）、波形長(zhǎng)度（WL）等。頻域特征：平均功率頻率（MPF）、中位頻率（MF）等。時(shí)頻域特征：小波系數(shù)能量特征（EWC）、小波系數(shù)極大值特征（MWC）、小波包系數(shù)能量特征（EWPC）、小波包系數(shù)極大值特征（MWPC）等，然而這些特征提取方法有各自的優(yōu)缺點(diǎn)［4］。例如，時(shí)域分析較為形象直觀，而頻域分析則更為簡(jiǎn)練，分析問題更加深刻，但在時(shí)間或頻率上描述sEMG信號(hào)時(shí)，二者對(duì)信號(hào)細(xì)節(jié)表征缺少靈活性，比較單一、片面［5-6］。因此，單純從時(shí)域或頻域上描述sEMG信號(hào)特征具有一定的局限性。對(duì)于時(shí)頻域特征分析來(lái)說，它雖然兼顧了信號(hào)的時(shí)域和頻域信息，但此方法用于多手勢(shì)識(shí)別時(shí)，獲取到的動(dòng)作信息不是十分顯著，所以時(shí)頻域特征分析用于多手勢(shì)識(shí)別時(shí)，也有一定的局限［7］。

另外，分類器對(duì)于手勢(shì)識(shí)別也十分重要。對(duì)于小樣本數(shù)據(jù)來(lái)說，支持向量機(jī)（SVM）分類器通常有著良好的分類性能。但SVM分類器在分類前，需要針對(duì)不同樣本數(shù)據(jù)對(duì)分類器參數(shù)進(jìn)行優(yōu)化。粒子群（PSO）算法在參數(shù)優(yōu)化上有著良好的性能，可以在短時(shí)間內(nèi)找到參數(shù)，完成SVM分類器的優(yōu)化，從而提高分類器的分類性能。

本文提出了基于時(shí)頻組合特征和粒子群算法優(yōu)化支持向量機(jī)（PSO-SVM）相結(jié)合的手勢(shì)識(shí)別方法。首先，提取8種時(shí)域特征、2種頻域特征、4種時(shí)頻域特征，將14種單一特征作為分類特征對(duì)手勢(shì)sEMG進(jìn)行分類。然后，將8種時(shí)域特征和2種頻域特征進(jìn)行線性組合，組合的16種時(shí)頻組合特征作為新的分類特征對(duì)手勢(shì)sEMG特征進(jìn)行分類，來(lái)解決單一時(shí)域或頻域特征分類準(zhǔn)確率不高和時(shí)頻域特征對(duì)多手勢(shì)識(shí)別時(shí)分類信息不顯著的問題。最后，采用PSO算法優(yōu)化SVM分類器參數(shù)，來(lái)解決SVM分類器分類性能的問題，以期來(lái)提高手勢(shì)識(shí)別的準(zhǔn)確率。

1 實(shí)驗(yàn)和方法

1.1 數(shù)據(jù)獲取

本文采用NORAXON公司生產(chǎn)的NORAXONDTS無(wú)線肌電采集系統(tǒng)（采樣頻率1 500 Hz）采集sEMG信號(hào)，采集了日常生活中具有代表性的八類手勢(shì)：（a）掌面向上；（b）掌面向下；（c）內(nèi)翻；（d）外翻；（e）握拳；（f）展拳；（g）上切；（h）下切。如圖1所示。

圖1 八種手勢(shì)動(dòng)作示意圖

sEMG信號(hào)數(shù)據(jù)來(lái)自五名健康大學(xué)生（男5名，右利手，平均年齡23.0±1.5歲），均無(wú)神經(jīng)肌肉功能疾病史。所有被試在sEMG信號(hào)數(shù)據(jù)采集前均接受過訓(xùn)練，掌握了實(shí)驗(yàn)的基本流程和注意事項(xiàng)，能夠正常完成實(shí)驗(yàn)操作流程。實(shí)驗(yàn)前，待測(cè)肌肉的皮膚表面需用酒精擦拭干凈，然后將肌電傳感器的雙電極放置在肌肉的肌腹處，兩電極間隔為20 mm［8］。在sEMG信號(hào)數(shù)據(jù)采集過程中，實(shí)驗(yàn)環(huán)境應(yīng)避免電磁干擾，減少人員走動(dòng)，讓被試的干擾減到最小。被試坐在電腦屏幕前，放松手臂，根據(jù)電腦屏幕上的指令，完成相應(yīng)的動(dòng)作。

被試每種手勢(shì)動(dòng)作連續(xù)執(zhí)行5次，每次之間停歇5秒。一個(gè)動(dòng)作執(zhí)行完后，讓手臂處于放松狀態(tài)，休息3分鐘，執(zhí)行下一個(gè)手勢(shì)動(dòng)作。然后，肌電采集軟件（NORAXON MR）對(duì)采集的手勢(shì)sEMG信號(hào)進(jìn)行濾波（20～ 450 Hz的帶通濾波，50 Hz的陷波濾波），最后保存。

1.2 特征提取

本文采用滑動(dòng)窗口來(lái)處理記錄的手勢(shì)sEMG信號(hào)，并在各窗口中提取手勢(shì)sEMG信號(hào)特征。每個(gè)窗口中，特征向量由五通道的手勢(shì)sEMG信號(hào)組成。窗口長(zhǎng)度為300 ms（450個(gè)數(shù)據(jù)點(diǎn)），步移長(zhǎng)度為100 ms（150個(gè)數(shù)據(jù)點(diǎn)）。本文對(duì)采集的手勢(shì)sEMG信號(hào)分別提取8種時(shí)域特征、2種頻域特征、4種時(shí)頻域特征。

1.2.1 單一特征

本文提取的8種時(shí)域特征分別是：過零點(diǎn)數(shù)（ZC）、斜率變化數(shù)（SSC）、自回歸系數(shù)（AR5、AR4）、絕對(duì)均值（MAV）、均方根值（RMS）、方差（VAR）、波形長(zhǎng)度（WL）。2種頻域特征分別是：平均功率頻率（MPF）、中位頻率（MF）。各特征提取公式如下：

（1）過零點(diǎn)數(shù)（ZC）：

其中，n是窗口中樣本數(shù)；xi是窗口中第i個(gè)樣本點(diǎn)；δ是閾值。

（2）斜率變化數(shù)（SSC）：

其中，n是窗口中樣本數(shù)；xi是窗口中第i個(gè)樣本點(diǎn)；β是閾值。

（3）自回歸系數(shù)（AR5 AR4）：

式中，AR為模型數(shù)學(xué)表達(dá)式；xi是窗口中第i個(gè)樣本點(diǎn)；wi為噪聲殘差；p是模型階數(shù)；ak是模型的第k個(gè)系數(shù)。當(dāng)p=4時(shí)，所得的系數(shù)即為AR4系數(shù)，同理p=5時(shí)，所得系數(shù)為AR5系數(shù)。

（4）絕對(duì)均值（MAV）：

其中，n是窗口中樣本數(shù)；xi是窗口中第i個(gè)樣本點(diǎn)。

（5）均方根值（RMS）：

其中，n是窗口中樣本數(shù)；xi是窗口中第i個(gè)樣本點(diǎn)。

（6）方差（VAR）：

其中，n是窗口中樣本數(shù)；xi是窗口中第i個(gè)樣本點(diǎn)。

（7）波形長(zhǎng)度（WL）：

其中，n是窗口中樣本數(shù)；xi是窗口中第i個(gè)樣本點(diǎn)。

（8）平均功率頻率（MPF）、中位頻率（MF）：

其中，p(x)是信號(hào)的功率譜密度函數(shù)。

本文提取的4種時(shí)頻域特征分別是：小波系數(shù)能量特征（EWC）、小波系數(shù)極大值特征（MWC）、小波包系數(shù)能量特征（EWPC）、小波包系數(shù)極大值特征（MWPC）。

小波分解示意圖如圖2所示，其中，S為原始信號(hào)，進(jìn)行 3層小波分解，cA3、cD3、cD2、cD1為小波系數(shù)。所以，EWC特征為小波系數(shù)cA3、cD3、cD2、cD1的能量值組成的數(shù)組。MWC特征為小波系數(shù)cA3、cD3、cD2、cD1的極大值組成的數(shù)組。

圖2 小波分解示意圖

小波包分解示意圖如圖3所示，其中S為原始信號(hào)，進(jìn)行3層小波包分解，cA31、cD31、cA32、cD32、cA33、cD33、cA34、cD34為小波包系數(shù)。所以，EWPC特征為各個(gè)頻段小波包系數(shù)的能量值組成的數(shù)組，MWPC特征為各個(gè)頻段小波包系數(shù)的極大值組成的數(shù)組。

圖3 小波包分解示意圖

1.2.2 時(shí)頻組合特征

本文將8種時(shí)域特征和2種頻域特征成對(duì)線性組合，合成16種時(shí)頻組合特征，作為新的手勢(shì)識(shí)別特征。時(shí)頻組合特征的組合過程如下：

假定，時(shí)域特征X=(x1,x2,x3,…,xm)，m為時(shí)域特征X的維數(shù)。頻域特征Y=(y1,y2,y3,…,yn)，n為頻域特征Y的維數(shù)。則時(shí)頻組合特征Z=(z1,z2,z3,…,zm,zm+1,zm+2,zm+3,…,zm+n)，m+n為 時(shí)頻組合特征Z的維數(shù)，其中，Z的前m列為時(shí)域特征X，Z的后n列為頻域特征Y。

本文提出16種時(shí)頻組合特征：ZC-MPF、SSC-MPF、 AR5-MPF、 AR4-MPF、 MAV-MPF、RMS-MPF、VAR-MPF、WL-MPF、ZC-MF、SSCMF、AR5-MF、AR4-MF、MAV-MF、RMS-MF、VAR-MF、WL-MF（注時(shí)頻組合特征ZC-MPF是時(shí)域特征ZC和頻域特征MPF的組合特征）。

2 PSO算法優(yōu)化SVM參數(shù)

為了讓SVM分類器有更好的分類性能，本文采用PSO算法來(lái)優(yōu)化SVM分類器的懲罰參數(shù)C和核函數(shù)參數(shù)g。

SVM是常見的非線性分類器，它的思想是將輸入的樣本通過非線性變換把樣本映射到高維空間中，在高維空間中找到輸入樣本與輸出樣本之間的非線性關(guān)系［9］。即選擇合適的核函數(shù)，將樣本投影到高維空間，找到最優(yōu)的分類超平面，使得樣本與分類平面距離最大。最優(yōu)超平面即決策函數(shù)如下：

其中，ai為訓(xùn)練樣本的拉格朗日系數(shù)；C為懲罰因子；m為閾值；p(xi,x)為徑向基函數(shù)的核函數(shù)。

其中，g為核函數(shù)（徑向基函數(shù)）參數(shù)。

PSO算法是一種基于全局的優(yōu)化算法，最優(yōu)解是通過粒子本身及周圍粒子的經(jīng)驗(yàn)進(jìn)行搜索，并在搜索過程中不斷調(diào)整粒子的位置和速度，找到最優(yōu)解［10］。粒子的位置和速度的迭代更新公式如下：

其中，w是慣性權(quán)重；d是空間維數(shù)；i∈（1，n）是粒子數(shù)；m看是迭代次數(shù)；v表示粒子速度；x表示粒子位置；p為最優(yōu)解；c為學(xué)習(xí)因子；r為［0，1］區(qū)間的隨機(jī)數(shù)。圖4為PSO算法流程圖。

圖4 PSO算法流程圖

（1）初始化參數(shù)，通過優(yōu)化學(xué)習(xí)因子C和權(quán)重系數(shù)，確定粒子的權(quán)重和位置。

（2）計(jì)算粒子的適應(yīng)度并進(jìn)行評(píng)估。

（3）根據(jù)公式（12）更新粒子位置和速度。

（4）看是否滿足終止條件，若不滿足執(zhí)行步驟（3）；若滿足，則得到最優(yōu)的參數(shù)C和g，并用選擇的參數(shù)對(duì)SVM分類器進(jìn)行訓(xùn)練模型。

實(shí)驗(yàn)中設(shè)定PSO的參數(shù)如下：學(xué)習(xí)因子c1=1.5，c2=1.7，粒子迭代的終止次數(shù)為100，種群數(shù)量為 pop=40［11］。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 基于單一特征的手勢(shì)識(shí)別

本文分別選取上述的8種時(shí)域特征、2種頻域特征、4種時(shí)頻域特征作為分類特征，采用經(jīng)PSO優(yōu)化參數(shù)后SVM分類器對(duì)8類手勢(shì)進(jìn)行識(shí)別，5位被試對(duì)8類手勢(shì)的平均識(shí)別率如表1所示。

由表1可知，對(duì)于時(shí)域特征而言，基于AR4系數(shù)特征的手勢(shì)平均識(shí)別率最高，為91.54%?；赪L特征的手勢(shì)平均識(shí)別率次之，為91.49%?；赯C特征的手勢(shì)平均識(shí)別率最低，僅為76.23%。對(duì)于頻域特征而言，基于MPF特征的手勢(shì)平均識(shí)別率為88.90%，基于MF特征的手勢(shì)平均識(shí)別率為78.96%。

表1 單一特征的手勢(shì)平均識(shí)別率

可以看出，單一時(shí)域特征和單一頻域特征的手勢(shì)平均識(shí)別率都不高，均未達(dá)到95%。因此選取單一時(shí)域或頻域特征作為手勢(shì)識(shí)別的特征進(jìn)行分類，分類效果并不理想。

對(duì)于時(shí)頻域特征而言，基于MWC特征的手勢(shì)平均識(shí)別率最高，為93.78%?；贛WPC特征、EWPC特征的手勢(shì)平均識(shí)別率次之，分別為93.62%、92.57%。基于EWC特征的手勢(shì)平均識(shí)別率最低，為92.07%?？梢钥闯?，4種時(shí)頻域特征的手勢(shì)平均識(shí)別率均高于單一時(shí)域特征和單一頻域特征的手勢(shì)平均識(shí)別率，但4種時(shí)頻域特征的手勢(shì)平均識(shí)別率均未達(dá)到95%。因此，時(shí)頻域特征在進(jìn)行多手勢(shì)識(shí)別時(shí)效果并不顯著。

3.2 基于時(shí)頻組合特征的手勢(shì)識(shí)別

本文選取了16種時(shí)頻組合特征作為分類特征。表2顯示的是基于16種時(shí)頻組合特征的手勢(shì)平均識(shí)別率。在16種時(shí)頻組合特征的手勢(shì)平均識(shí)別率中，8種時(shí)頻組合特征的手勢(shì)平均識(shí)別率達(dá)到95%。其中基于RMS-MPF時(shí)頻組合特征的手勢(shì)平均識(shí)別率最高，為97.29%。所以時(shí)頻組合特征的手勢(shì)平均識(shí)別率相對(duì)于單一特征的手勢(shì)平均識(shí)別率來(lái)說有了比較明顯的提高。

表2 時(shí)頻組合特征的手勢(shì)平均識(shí)別率

由表2知，時(shí)域特征與MPF頻域特征的組合特征中，有7種時(shí)頻組合特征的平均識(shí)別率達(dá)到95%，時(shí)域特征與MF頻域特征的組合特征中，沒有時(shí)頻組合特征的手勢(shì)平均識(shí)別率達(dá)到95%。所以，與MF頻域特征相比，MPF頻域特征和時(shí)域特征的組合特征有更好的手勢(shì)平均識(shí)別率。

為了進(jìn)一步研究時(shí)頻組合特征與單一時(shí)域特征和單一頻域特征手勢(shì)識(shí)別率之間的關(guān)系，本文將時(shí)頻組合特征與它對(duì)應(yīng)的時(shí)域特征和頻域特征分別做配對(duì)t檢驗(yàn)，t檢驗(yàn)p值如表3所示。由表3可知，表中（除AR5-MPF與AR5、AR4-MPF與AR4、MAV-MF與MAV的p值）時(shí)頻組合特征和單一時(shí)域特征的所有p值均小于0.05，表明時(shí)域特征與頻域特征組合之后，時(shí)頻組合特征的手勢(shì)識(shí)別率有顯著性提高；由表3可知，表中（除ZC-MF、VAR-MF與MF的p值）時(shí)頻組合特征和頻域特征的所有p值均小于0.05，表明頻域特征與時(shí)域特征組合之后，時(shí)頻組合特征的手勢(shì)識(shí)別率有顯著性提高。所以，除個(gè)別特征外，時(shí)頻組合特征與它對(duì)應(yīng)的時(shí)域特征和頻域特征相比，時(shí)頻組合特征有更好的手勢(shì)識(shí)別率。

表3 時(shí)頻組合特征與它對(duì)應(yīng)的時(shí)域特征和頻域特征配對(duì)t檢驗(yàn)的p值

為了進(jìn)一步研究時(shí)頻組合特征與時(shí)頻域特征手勢(shì)識(shí)別率之間的關(guān)系，本文將時(shí)頻組合特征與時(shí)頻域特征做配對(duì)t檢驗(yàn)，t檢驗(yàn)p值如表4所示。

表4 時(shí)頻組合特征與時(shí)頻域特征配對(duì)t檢驗(yàn)的p值

由表2和表4可知，時(shí)頻組合特征RMS-MPF的手勢(shì)平均識(shí)別率在16種時(shí)頻組合特征手勢(shì)平均識(shí)別率中最高，與時(shí)頻域特征EWC、EWPC的P值為0.02、0.023（p<0.05）。可以看出時(shí)頻組合特征RMS-MPF的手勢(shì)識(shí)別率相對(duì)于時(shí)頻域特征EWC、EWPC的手勢(shì)識(shí)別率有顯著性提高。

由表2和表4可知，時(shí)頻組合特征RMS-MPF與時(shí)頻域特征MWC、MWPC的p值分別為0.065、0.082，雖然它們的p>0.05，但是它們的p值與0.05非常接近，并且p值均小于0.1，所以，可以認(rèn)為時(shí)頻組合特征RMS-MPF的手勢(shì)識(shí)別率相對(duì)于時(shí)頻域特征MWC、MWPC的手勢(shì)識(shí)別率有顯著性提高。所以，可以認(rèn)為時(shí)頻組合特征RMSMPF的手勢(shì)識(shí)別率相對(duì)于時(shí)頻域特征的手勢(shì)識(shí)別率有顯著性提高。

同理，結(jié)合表2和表4可發(fā)現(xiàn)，時(shí)頻組合特征MAV-MPF與RMS-MPF有相似特性。所以，可以認(rèn)為時(shí)頻組合特征MAV-MPF的手勢(shì)識(shí)別率相對(duì)于時(shí)頻域特征的手勢(shì)識(shí)別率有顯著性提高。

4 結(jié)論

由于單一特征描述手勢(shì)sEMG信號(hào)的片面性，所以僅靠單一的時(shí)域特征、頻域特征、時(shí)頻域特征去識(shí)別多種手勢(shì)時(shí)，往往手勢(shì)識(shí)別效果不是很理想，為了提高手勢(shì)識(shí)別的準(zhǔn)確率，本文提出了基于時(shí)頻組合特征的PSO-SVM手勢(shì)識(shí)別方法，對(duì)8類手勢(shì)進(jìn)行識(shí)別分類。結(jié)果顯示，時(shí)頻組合特征RMS-MPF、MAV-MPF相對(duì)于它對(duì)應(yīng)的時(shí)域特征、頻域特征有更好的手勢(shì)識(shí)別率，同時(shí)對(duì)時(shí)頻域特征也有更好的手勢(shì)識(shí)別率?？梢钥闯觯跁r(shí)頻組合特征RMS-MPF、MAV-MPF的PSO-SVM識(shí)別方法對(duì)手勢(shì)識(shí)別有良好的分類效果。

下一階段的研究?jī)?nèi)容是采集更多的手勢(shì)SEMG信號(hào)，對(duì)更多的手勢(shì)進(jìn)行分類識(shí)別。以及提取更多單一的時(shí)域特征、頻域特征、時(shí)頻域特征，進(jìn)行更多時(shí)頻組合特征的實(shí)驗(yàn)分析。并且PSO算法在對(duì)SVM分類器參數(shù)優(yōu)化時(shí)運(yùn)行耗時(shí)較長(zhǎng)，還需要不斷的優(yōu)化PSO算法本身，在不影響算法性能的前提下，極大的縮短PSO算法的運(yùn)行時(shí)間。