基于BP神經(jīng)網(wǎng)絡(luò)的手勢(shì)動(dòng)作表面肌電信號(hào)的模式識(shí)別

1、基于BP神經(jīng)網(wǎng)絡(luò)的手勢(shì)動(dòng)作表面肌電信號(hào)的模式識(shí)別         11-02-08 15:06:00     編輯：studa20                作者：于擎，楊基海，陳香，張旭 【摘要】  手勢(shì)語(yǔ)言在日常生活中有著廣泛的應(yīng)用，本研究利用手勢(shì)動(dòng)作時(shí)從前臂4塊肌肉上獲取的4路表面肌電(SEMG)信

2、號(hào)，經(jīng)特征提取并采用BP神經(jīng)網(wǎng)絡(luò)，對(duì)8種手勢(shì)動(dòng)作模式進(jìn)行了識(shí)別。鑒于BP網(wǎng)絡(luò)具有較強(qiáng)的模式分類(lèi)能力，而特征提取（幅度絕對(duì)值均值、AR模型系數(shù)、過(guò)零率）又利用了多路肌電信號(hào)的信息，實(shí)驗(yàn)結(jié)果取得了較高的識(shí)別正確率，表明所采用的方法是有效的。 【關(guān)鍵詞】  模式識(shí)別；手勢(shì)語(yǔ)言；表面肌電信號(hào)；BP網(wǎng)絡(luò)； AR模型系數(shù)； 過(guò)零率    Abstract：Sign language is widely used in our daily life. In this paper, some features are extracted, using surface m

3、yoelectrogram(SEMG)signals, which were generated on four muscles of forearm when gesture actions happened. Owing to stronger classification ability of BP networks and better separability of feature vectors(which include mean absolute value, AR model parameters, and zerocrossing rate) extracted from

4、multichannel SEMG signals, the higher accuracy was obtained in the experiments. It shows that the method is efficient.    Key words：Pattern recognition;  Sign language;  Surface myoelectrogram signals; BP networks;  Auto-regressive model parameter;  Zero-crossing r

5、ate    1  引  言    手勢(shì)語(yǔ)言在人們?nèi)粘Ｉ钪械膽?yīng)用極為廣泛，如交警指揮交通，排球場(chǎng)上裁判的手勢(shì)，聾啞人之間的手語(yǔ)交流等等。而且，許多手勢(shì)動(dòng)作在不同地域是通用的，這就為不同語(yǔ)種的人們相互交流提供了方便。    目前，對(duì)于手勢(shì)語(yǔ)言的識(shí)別主要有基于數(shù)據(jù)手套1的手語(yǔ)識(shí)別和基于視覺(jué)圖像2的手語(yǔ)識(shí)別，前者識(shí)別率高，但輸入設(shè)備昂貴，難以普及；后者輸入設(shè)備簡(jiǎn)單，但識(shí)別率較低，實(shí)時(shí)性比較差。由于手勢(shì)動(dòng)作與手指和關(guān)節(jié)的運(yùn)動(dòng)相關(guān)聯(lián)，而手指和關(guān)節(jié)的運(yùn)動(dòng)又由對(duì)應(yīng)肌肉群所控制，因此，可以通過(guò)控制相

6、關(guān)肌肉活動(dòng)產(chǎn)生的表面肌電（SEMG）信號(hào)及其差異來(lái)識(shí)別不同的手勢(shì)動(dòng)作。采用基于SEMG信號(hào)的手勢(shì)動(dòng)作識(shí)別的優(yōu)點(diǎn)是：傳感系統(tǒng)設(shè)計(jì)簡(jiǎn)單，對(duì)周?chē)h(huán)境要求不高，處理算法的計(jì)算量也較少，它要解決的關(guān)鍵問(wèn)題是提高對(duì)多種動(dòng)作識(shí)別的分類(lèi)正確率。    BP 算法結(jié)構(gòu)簡(jiǎn)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(hào)的識(shí)別中。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)或其它的變化形式，它也是前向網(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3。    2  識(shí)別方法    手

7、勢(shì)動(dòng)作SEMG的信號(hào)模式識(shí)別流程見(jiàn)圖1。    圖1  動(dòng)作肌電信號(hào)的模式識(shí)別流程    Fig 1  The flow chart of gesture SEMG recognition    2.1  手勢(shì)動(dòng)作的定義    本研究借鑒Sign Language庫(kù)中的常用手勢(shì)定義，手勢(shì)名稱(chēng)用四位英文字母命名，通常為英文描述的單詞簡(jiǎn)寫(xiě)。我們選取了其中的八種動(dòng)作，其名稱(chēng)和表述見(jiàn)表1。表1  動(dòng)作的名稱(chēng)和含義  

8、0; 2.2  SEMG信號(hào)的獲取和預(yù)處理    分別在前臂的尺側(cè)腕伸肌、伸指總肌、指深屈肌和拇長(zhǎng)屈肌安放4對(duì)電極（長(zhǎng)10 mm，間距5 mm），檢測(cè)手勢(shì)動(dòng)作時(shí)的SEMG信號(hào)。利用DELSYS公司的16通道肌電采集系統(tǒng)采集信號(hào)，該系統(tǒng)的低頻截止頻率為10 Hz，高頻截止頻率為500 Hz，設(shè)置數(shù)據(jù)采樣率為1 000 Hz，得到4導(dǎo)數(shù)據(jù)，存入PC機(jī)。然后進(jìn)一步利用巴特沃思帶通濾波器對(duì)肌電信號(hào)數(shù)據(jù)進(jìn)行濾波，濾波器的通帶頻率范圍20400 Hz，通帶內(nèi)衰減不大于3 dB，阻帶內(nèi)的衰減不小于40 dB。  2.3  活動(dòng)段檢測(cè) &#

9、160;  動(dòng)作SEMG信號(hào)可以分成許多活動(dòng)段和非活動(dòng)段，每個(gè)活動(dòng)段代表一個(gè)有效動(dòng)作，而非活動(dòng)段僅由噪聲和背景肌電活動(dòng)組成。為了區(qū)分各單個(gè)動(dòng)作信號(hào)，必須確定動(dòng)作的起始和結(jié)束位置。由于背景噪聲的能量比動(dòng)作信號(hào)的能量小，采用一種反映信號(hào)能量大小的移動(dòng)窗法4進(jìn)行活動(dòng)段檢測(cè)。具體思路是：提取一小段時(shí)間內(nèi)的信號(hào)數(shù)據(jù), 對(duì)其進(jìn)行平方積分，則有    Qi=ti+tti-tx(t)2dt(1)    其中x(t)是窗內(nèi)的肌電信號(hào)數(shù)據(jù)，Qi表示ti時(shí)刻信號(hào)的能量值。Qi若大于某閾值A(chǔ)，且在窗移動(dòng)后有連續(xù)n1次能量值Qk (k=i,i+1，i

10、+n1)都大于閾值A(chǔ)，則可認(rèn)為ti時(shí)刻是動(dòng)作的開(kāi)始時(shí)刻。此后若有連續(xù)n2次能量值Qk(k=j,j+1，j+n2)都小于某閾值B（BA），則可認(rèn)為動(dòng)作結(jié)束，并以tj時(shí)刻為結(jié)束時(shí)刻。若能量值Q在A與B之間，則認(rèn)為動(dòng)作處于保持狀態(tài)；若能量值Q小于A，則認(rèn)為無(wú)動(dòng)作產(chǎn)生。    2.4  特征提取    對(duì)肌電信號(hào)分析和處理常用的特征有：信號(hào)的平均值，方差，功率譜密度，AR模型系數(shù)等。其中AR模型系數(shù)是較常用的一種，它將肌電信號(hào)看作為零均值白噪聲過(guò)程激勵(lì)一線性系統(tǒng)的輸出，只要激勵(lì)白噪聲的功率和系統(tǒng)的參數(shù)已知，就可以通過(guò)利用模型參數(shù)和性

11、質(zhì)以及白噪聲通過(guò)此系統(tǒng)后的輸入輸出關(guān)系來(lái)研究肌電信號(hào)。參數(shù)模型把肌電信號(hào)的隨機(jī)性和一定程度的可預(yù)測(cè)性結(jié)合起來(lái)，激勵(lì)白噪聲反映過(guò)程的隨機(jī)性，確定性模型反映過(guò)程的可預(yù)測(cè)性5。一個(gè)隨機(jī)信號(hào)的AR模型可以表示為：    x(n)=-pk=1akx(n-k)+u(n)(2)    其中ak為模型各階系數(shù)，p為模型階次，u(n)為白噪聲。    由于不同種類(lèi)動(dòng)作信號(hào)的幅度不同，因此將動(dòng)作信號(hào)幅度絕對(duì)值均值作為SEMG信號(hào)的另一種特征。    過(guò)零率即信號(hào)中波形穿越零電平的次數(shù)，用來(lái)描述波

12、形在幅度上變化的劇烈程度，反映了信號(hào)的變化趨勢(shì)，將它用作肌電信號(hào)的一個(gè)特征，其計(jì)算公式如下：    ZCR=N-1i=1sign(-SEMG(i)×SEMG(i+1)SEMG(i)-SEMG(i+1)0.02(3)    上式的含義是，若同時(shí)滿足相臨采樣點(diǎn)之間異號(hào)并且相臨采樣點(diǎn)差的絕對(duì)值大于一個(gè)常數(shù)(0.02)這兩個(gè)條件，則可認(rèn)為信號(hào)此刻存在一個(gè)過(guò)零點(diǎn)。式中的SEMG(i)是一個(gè)活動(dòng)段的肌電信號(hào)，N為活動(dòng)段長(zhǎng)度，sign為符號(hào)函數(shù)：    sign(x)=1  x0 

13、0;  0  x0(4)    考慮到描述信號(hào)特征的一種特征集只能從某一個(gè)角度對(duì)信號(hào)進(jìn)行刻畫(huà)，僅用一種特征參數(shù)難以很好識(shí)別不同動(dòng)作，因此，我們將信號(hào)的AR模型系數(shù)、信號(hào)的過(guò)零率和信號(hào)幅度絕對(duì)值均值融合在一起構(gòu)成SEMG信號(hào)的特征向量。由此一個(gè)活動(dòng)段(有效動(dòng)作)的一導(dǎo)數(shù)據(jù)的特征向量表示為a=a1, a2, a3 ,a4, a5；其中：a1表示數(shù)據(jù)的幅度均值；a2、a3、a4分別是一導(dǎo)數(shù)據(jù)AR模型系數(shù)的前三項(xiàng)；a5是信號(hào)的過(guò)零率。    再考慮到各種手勢(shì)動(dòng)作是由相關(guān)肌肉群所控制，由其活動(dòng)產(chǎn)生的各路SEMG信號(hào)及其特征是

14、有差異的，故進(jìn)一步將4導(dǎo)SEMG信號(hào)對(duì)應(yīng)活動(dòng)段提取的5個(gè)特征組合在一起，構(gòu)成20維特征向量，這樣更有利于對(duì)手勢(shì)動(dòng)作的識(shí)別。    2.5  BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器    BP算法是一種常用的神經(jīng)網(wǎng)絡(luò)算法，是一種監(jiān)督式的學(xué)習(xí)算法。學(xué)習(xí)的目的是利用網(wǎng)絡(luò)的實(shí)際輸出與期望輸出之間的誤差來(lái)修改其權(quán)值，使實(shí)際與期望盡可能地接近，即使網(wǎng)絡(luò)輸出層的誤差平方和達(dá)到最小，通過(guò)連續(xù)不斷地在相對(duì)于誤差函數(shù)斜率下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值和偏差的變化而逐漸逼近目標(biāo)。每一次權(quán)值和偏差的變化都與網(wǎng)絡(luò)誤差的影響成正比，并以反向傳播的方式傳遞到每一層。BP算法分為兩個(gè)階段：第一階段（正向過(guò)程）輸入信息從輸入層經(jīng)隱層逐層計(jì)算各單元的輸出值；第二階段（反向傳播過(guò)程）由輸出誤差逐層向前計(jì)算出隱層各單