洪　潔， 王　璐， 汪　超， 魏　偉， 葉　曄

(安徽工業(yè)大學 機械工程學院，安徽 馬鞍山 243002)

?

基于人工魚群算法優(yōu)化SVM的手部動作sEMG識別*

洪潔， 王璐， 汪超， 魏偉， 葉曄

(安徽工業(yè)大學 機械工程學院，安徽 馬鞍山 243002)

摘要:為了提高人體手部運動模式識別的準確性，提出了一種基于人工魚群算法優(yōu)化支持向量機(SVM)的模式識別方法。該方法對采集的表面肌電信號(sEMG)去噪后提取小波系數(shù)最大值作為特征樣本，將提取后的特征輸入到SVM進行動作模式識別，同時采用人工魚群算法優(yōu)化SVM(AFSVM)的懲罰參數(shù)和核函數(shù)參數(shù)，避免參數(shù)選擇的盲目性，提高模型的識別精度。通過對內翻、外翻、握拳、展拳四種動作仿真結果表明：該方法與傳統(tǒng)的SVM方法相比具有更高的識別率。

關鍵詞:表面肌電信號； 模式識別； 人工魚群算法； 支持向量機； 參數(shù)優(yōu)化

0引言

表面肌電信號(surface electromyography，sEMG)是通過表面肌電拾取電極從人體皮膚表面記錄下來的，能夠反映神經(jīng)肌肉系統(tǒng)相關活動信息的微弱生物電信號[1]。不同的肢體動作對應不同的肌肉收縮模式，相應的肌電信號特征也會有所差異，通過對這些特征的研究有助于進行肢體的不同動作模式識別。近年來，隨著計算機等技術的發(fā)展，國內外學者提出了很多sEMG用于動作的識別的方法,主要包括隱馬爾可夫模型方法、模糊模式識別方法、神經(jīng)網(wǎng)絡方法等，并取得了大量研究成果[2～5]。

支持向量機(support vector machine,SVM)是以統(tǒng)計學習理論為基礎發(fā)展起來的一種新的機器學習方法，具有很好的泛化能力與實時性,已經(jīng)成為目前國內外研究的熱點，在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢[6]，在模式識別領域得到了廣泛的應用。但是SVM的性能的好壞，主要取決于模型參數(shù)(懲罰參數(shù)、核函數(shù)參數(shù))的選擇。人工魚群算法(artificial fish swarm algorithm,AFSA)是李曉磊[7]通過模仿魚類行為方式提出的一種基于動物行為的新型群體智能優(yōu)化算法。該算法具有良好的全局搜索能力，并具有對初值與參數(shù)選擇不敏感、魯棒性好、簡單易實現(xiàn)和使用靈活等諸多優(yōu)點[8]。

本文基于AFSA強大的尋優(yōu)能力和SVM在模式識別方面的獨特的優(yōu)勢提出一種基于AFSA優(yōu)化SVM(AFSA optimization of SVM,AFSVM)的sEMG模式識別方法。采用AFSVM的懲罰參數(shù)和核函數(shù)參數(shù)，將優(yōu)化后的SVM用于sEMG的模式識別中。

1AFSVM參數(shù)

SVM是基于統(tǒng)計學習理論和結構風險最小化準則，其基本思想是將原輸入空間的樣本通過非線性變換映射到高維空間中，在高維空間中找出求取最優(yōu)的線性分類平面。它是一種性能十分優(yōu)越的分類器，分類原理可見文獻[9]。但SVM的分類效果受到自身模型參數(shù)(懲罰參數(shù) 、核函數(shù))的影響較大，在實際應用中，為了獲取精度更高的SVM分類器，需要對SVM自身模型參數(shù)(懲罰參數(shù) 、核函數(shù))進行優(yōu)化調整。AFSA是一種基于動物行為的新型高效群體智能優(yōu)化算法，它通過模擬魚類的覓食、聚群、追尾及隨機行為，通過不斷調整自己的位置，最終集結在收索區(qū)域中食物最豐富的地方，進而實現(xiàn)全局尋優(yōu)。算法的數(shù)學模型描述如文獻[6]。本文利用AFSA強大的尋優(yōu)能力對SVM的懲罰參數(shù)C和核函數(shù)參數(shù)σ進行優(yōu)化調整，以獲得精度更高、分類效果更佳的SVM分類器。

AFSVM參數(shù)流程圖如圖1。

算法實現(xiàn)過程如下：

1)設定人工魚群的參數(shù)，產(chǎn)生初始魚群。

2)根據(jù)個體特征設定SVM的參數(shù)向量(C,σ)的范圍，將樣本集輸入SVM。

圖1　AFSVM參數(shù)流程圖Fig 1　Flow chart of AFSVM parameters

模型進行測試，得到的樣本的識別率，根據(jù)SVM分類決策函數(shù)計算個體的適應度，將適應度最大者作為當前魚群的最優(yōu)值并保存當前最優(yōu)值所對應的(C,σ)。

3)各人工魚分別模擬聚群行為和追尾行為，并按照適用度大的行為實際執(zhí)行，缺省行為方式為覓食行為。

4)在各人工魚每行動一次后，計算一次當前的最大適應度并與已保存的最大適應度進行對比，如果大于，則自身取代之，并保存其所對應的(C,σ)；否則，仍保存原適應度和最優(yōu)值所對應的(C,σ)。

5)判斷是否滿足算法的的終止條件，即是否達到預設魚群的最大迭代次數(shù)，若滿足，則輸出最優(yōu)解；否則，重復執(zhí)行步驟(3)、步驟(4)，直到滿足終止條件，輸出最優(yōu)解。

2實驗與結果分析

2.1sEMG的采集與預處理

本次實驗任取每個動作的70組特征向量作為訓練集，剩下的30組作為測試集，在進行模式識別前，需預先設定各動作的標簽以作為模式識別的標準，各動作對應的標簽如表1。

表1　動作模式識別標簽

2.2模型建立與實驗與結果分析

設初始人工魚群數(shù)量為20，最大迭代次數(shù)為20，人工魚的感知范圍為0.01，人工魚移動的最大步長為0.01，最大試探次數(shù)為5，擁擠度因子為0.618，當進化到最大迭代次數(shù)時尋優(yōu)終止。尋優(yōu)過程如圖2所示，從第一代時候便搜索到最優(yōu)值，此時便可得到最優(yōu)懲罰參數(shù)C=62.9344，核函數(shù)σ=0.2338。

圖2　AFSA參數(shù)尋優(yōu)適應度曲線Fig 2　Fitness curve of AFSA parameter optimization

最后建立的AFSVM分類器，將訓練集數(shù)據(jù)輸入SVM分類器進行訓練，然后將測試集數(shù)據(jù)輸入SVM分類器進行模式分類,識別結果如圖3所示。為了比較分類器的性能，利用常用的k折交叉驗證(k-fold cross validation)法進行測試及訓練。參考文獻[11],這里取k=10，即對每一個手臂動作，將訓練集數(shù)據(jù)均分為10組，輪流將其中的9份用來訓練1份用來測試，將測試得到識別率最高時對應的參數(shù)作為最終分類器的參數(shù)，識別結果如圖4所示。將兩種方法進行對比，對比識別結果分別如表2和表3所示。從表中可知，采用10-fold交叉驗證法對內翻、外翻、握拳、展拳四種動作的識別率分別為：93.3 %，100 %，100 %，93.3 %，平均識別為達96.7 %。采用AFSA優(yōu)化方法對內翻、外翻、握拳、展拳四只動作的識別率分別為：96.7 %，100 %，100 %，100 %，平均識別率達99.2 %，識別效果更理想。

圖3　AFSVM識別結果Fig 3　Recognition results based on AFSVM

圖4　10-fold交叉驗證法識別結果圖Fig 4　Recognition results based on 10-fold cross validation method

四種動作內翻外翻握拳展拳測試樣本數(shù)30303030識別樣本數(shù)29303030識別準確率(%)96.7100100100平均識別率(%)99.2

表3　10-fold交叉驗證法的四種動作識別結果

表2與表3表明的結果表明，在人體前臂動作肌電信號的識別方面，AFSA能夠更準確到懲罰參數(shù)C、核函數(shù)σ的最優(yōu)組合，使得SVM的識別誤差減小，識別準確率上升。與傳統(tǒng)的參數(shù)選擇相比，采用AFSVM優(yōu)化SVM參數(shù)的方法不但能減少計算量，還能提高SVM分類器的性能。

3結論

本文基于AFSA強大的尋優(yōu)能力和SVM在模式識別方面的獨特的優(yōu)勢提出一種基于AFSVM的sEMG模式識別方法。采用EMD小波閾值的方法對采集手部動作兩路sEMG進行去噪，提取小波系數(shù)最大值作為特征矢量，并用AFSVM的參數(shù)進行優(yōu)化，提高了模式識別的準確率，是一種有效的、可靠的sEMG模式識別方法。

參考文獻:

[1]De Luca,Carlp J.Physiology and mathematics of my electric signals[J].IEEE Transactions on Biomedical Engineering,1979,26(6):313-325.

[2]陳貴亮,周曉晨.基于HMM的下肢表面肌電信號模式識別研究[J].機械設計與制造,2015(1):39-42.

[3]Kamel Mebarkia.Fuzzy MUAP recognition in HSR-EMG detection basing on morphological features[J].Journal of Electromyography and Kinesiology,2014,24(4):473-487.

[4]Mane S M,Kambli R A.Hand motion recognition from single channel surface EMG using wavelet & artificial neural network[J].Procedia Computer Science,2015,49:58-65.

[5]Swathi S Dhage,Sushma Shridhar Hegde.DWT-based feature extraction and radon transform based contrast enhancement for improved iris recognition[J].Procedia Computer Science,2015,45:256-265.

[6]Vapnik V.Statistical learning theory [M].New York:Wiley,1998.

[7]李曉磊.一種新型的智能優(yōu)化算法—人工魚群算法[D].杭州:浙江大學,2003.

[8]黃柏儒,樊曉光,禚真福.引入貪心魚群的改進人工魚群算法[J].傳感器與微系統(tǒng)， 2015,34(5):119-122.

[9]高劍,羅志增.支持向量機在肌電信號模式識別中的應用[J].傳感技術學報,2007,20(2):366-369.

[10] 洪潔,王璐,舒軍勇,等.基于EMD小波閾值的表面肌電信號去噪研究[J].重慶理工大學學報：自然科學版,2015,29(8):124-128.

[11] Ahmet Alkan,Mucahid Gunay.Identification of EMG signals using discriminant analysis and SVM classifier[J].Expert Systems with Applications,2012,39(1):44-47.

Recognition of sEMG hand actions based on artificial fish swarm algorithm optimized SVM*

HONG Jie, WANG Lu, WANG Chao, WEI Wei, YE Ye

(School of Mechanical Engineering,Auhui University of Technology,Maanshan 243002,China)

Abstract:To improve accuracy of human hand motion pattern recognition,a pattern recognition method for optimizing support vector machine(SVM) by using artificial fish swarm algorithm(AFSA) is proposed.The maximum value of wavelet coefficients is extracted as feature samples from the de-noised surface electromyography(sEMG) signals,then the extracted feature is inputted into a SVM to classify actions recognition,and at the same time,AFSA is used to optimize the penalty parameters and the kernel parameters of the SVM,which avoids the blindness of parameters selection and improves recognition precision of the model.Simulation results show that four movements(wrist down,wrist up,hand grasps,hand extension) are successfully identified by the method of SVM combined with AFSA.Compared with the traditional SVM method,the method has higher recognition accuracy.

Key words:surface electromyography(sEMG); pattern recognition; artificial fish swarm algorithm(AFSA); support vector machine(SVM); parameters optimization

DOI:10.13873/J.1000—9787(2016)02—0023—03

收稿日期：2015—12—08

*基金項目：國家自然科學基金資助項目(61375068)；教育部人文社科研究項目(11YJC630208，13YJAZH106)；安徽省高等學校省級自然科學研究重點項目(KJ2013A056)；安徽省優(yōu)秀青年人才基金重點項目(2013SQRL023ZD)

中圖分類號:TP 391.4

文獻標識碼:A

文章編號:1000—9787(2016)02—0023—03

作者簡介:

洪潔(1988-)，男，安徽廬江人，碩士研究生，主要研究方向為信號處理、運動仿真。

王璐，通訊作者，E—mail:wanglu@ahut.edu.cn。