, , , ,

(華東理工大學(xué)機(jī)械與動(dòng)力工程學(xué)院,上海 200237)

基于肌音信號(hào)的頭部動(dòng)作模式識(shí)別

顧曉琳,吳清,夏春明,章悅,鐘豪

(華東理工大學(xué)機(jī)械與動(dòng)力工程學(xué)院,上海200237)

肌音信號(hào)(MMG)是一種肌肉收縮時(shí)發(fā)出的低頻信號(hào),通過(guò)測(cè)量分析頸部前后兩側(cè)的胸鎖乳突肌和頭夾肌的肌音信號(hào),成功識(shí)別點(diǎn)頭、抬頭、左擺、右擺、左轉(zhuǎn)、右轉(zhuǎn)6個(gè)頭部動(dòng)作模式。實(shí)驗(yàn)中采集了4個(gè)通道的數(shù)據(jù),經(jīng)濾波、歸一化的預(yù)處理后,用不等長(zhǎng)分割法分割出動(dòng)作幀。提取了動(dòng)作幀的小波包系數(shù)能量及雙譜對(duì)角切片特征,經(jīng)主元分析法(PCA)和Fisher線性判別分析(FLDA)降維,用支持向量機(jī)(SVM)分類。最后對(duì)小波包系數(shù)能量和雙譜對(duì)角切片特征進(jìn)行FLDA降維,識(shí)別率達(dá)95.92%。

肌音; 頭部動(dòng)作; 特征提取; 小波包; 雙譜

人體動(dòng)作包括一系列具有豐富含義的肢體運(yùn)動(dòng),如手指、手、手臂、頭、面部或身體等姿態(tài)或運(yùn)動(dòng)模式,是表達(dá)人的行為意圖或者完成人與環(huán)境的信息傳遞的一種方式[1]。通過(guò)傳感器獲得的肌肉活動(dòng)狀態(tài)信息可以用于疾病診斷、康復(fù)、科學(xué)訓(xùn)練等領(lǐng)域。

伴隨著傳感器技術(shù)的快速發(fā)展,出現(xiàn)越來(lái)越多的檢測(cè)肌肉活動(dòng)情況的方法,其中最主要的是肌電信號(hào)(EMG)[2]方法和肌音信號(hào)(MMG)[3]方法。雖然肌電信號(hào)已被長(zhǎng)期用作評(píng)價(jià)骨骼肌特性的可靠工具,但它還是存在一些缺點(diǎn),比如肌電傳感器需要低噪聲環(huán)境和穩(wěn)定的信號(hào)分量,對(duì)外部噪聲及干擾很敏感,這極大地限制了它的檢測(cè)環(huán)境和應(yīng)用范圍[4-5];另外肌電信號(hào)的采集較為麻煩,需要將皮膚表面清理干凈,并涂上特定的溶液,使皮膚阻抗維持在一定范圍內(nèi)。而肌音信號(hào)是一種肌肉收縮時(shí)發(fā)出的低頻信號(hào),使用特定的傳感器在肌肉表面記錄由內(nèi)部肌纖維產(chǎn)生的機(jī)械振動(dòng)[6],可選擇的傳感器包括壓電接觸式傳感器[7]、麥克風(fēng)傳感器[8]、加速度傳感器[9]和激光測(cè)距傳感器[10]等。比起肌電信號(hào),肌音信號(hào)具有很多優(yōu)點(diǎn):首先,由于其在肌肉組織中的傳播特性,肌音傳感器的位置不需要很精確,采集方便;其次,肌音信號(hào)是機(jī)械信號(hào),不受出汗引起皮膚阻抗變化的影響;再有,容易結(jié)合表面肌電信號(hào)等方法檢測(cè)神經(jīng)肌肉的功能。因此有許多應(yīng)用已用到了肌音信號(hào),如假肢手的控制[11]、評(píng)估肌肉在體育訓(xùn)練中的疲勞情況[12]、監(jiān)測(cè)神經(jīng)肌肉阻滯[13]和人體動(dòng)作的識(shí)別技術(shù)[14]等。

人們?cè)诮刂?、高位截癱、中風(fēng)導(dǎo)致的肢體癱瘓等情況下,往往失去了大多數(shù)的行動(dòng)能力,甚至語(yǔ)言表達(dá)能力,因此經(jīng)常只能通過(guò)一些頭部的動(dòng)作來(lái)表達(dá)自己的想法和意圖,這成為了這一群體能夠和外部溝通的一種有效的表達(dá)手段。如果通過(guò)肌音信號(hào)能夠?qū)崿F(xiàn)頭部動(dòng)作的識(shí)別,獲得這些人的想法和意圖,將為后續(xù)實(shí)現(xiàn)對(duì)輪椅等康復(fù)輔助器具控制提供有效的控制信號(hào)源。但關(guān)于頸部肌音信號(hào)識(shí)別頭部動(dòng)作的相關(guān)研究鮮有報(bào)道。目前模式識(shí)別方法主要有非張量積小波[15]、隱馬爾科夫模型(HMMs)[16]、GMM高斯混合模型、SVM分類等,本文在選取優(yōu)良特征的基礎(chǔ)上,運(yùn)用經(jīng)典模式識(shí)別算法,成功采取SVM識(shí)別頭部動(dòng)作,這對(duì)康復(fù)工程、老年人的健康監(jiān)護(hù)領(lǐng)域具有現(xiàn)實(shí)意義。

1 實(shí)驗(yàn)方案

肌音信號(hào)的完整采集過(guò)程如圖1所示。頭部動(dòng)作的信號(hào)來(lái)源為頸部肌肉,在頸部的4個(gè)部位各固定一個(gè)肌音信號(hào)傳感器,這4個(gè)部位分別是左右兩側(cè)的胸鎖乳突肌(Sternocleidomastoid,SCM)和頭夾肌(Splenius capitis,SPL)[17]。傳感器的選擇需考慮其頻率響應(yīng)特性和質(zhì)量,由于肌音信號(hào)的頻率范圍為0～100Hz,主要信號(hào)能量在低頻段(2～50Hz),因此本研究選取了北京頤松的TD-3加速度傳感器,質(zhì)量為5g[15]。采集設(shè)備為美國(guó)國(guó)家儀器公司的NI9205模擬量采集卡,32路單端輸入或16路差分輸入,采樣頻率為1000Hz,采集到的信號(hào)通過(guò)Matlab進(jìn)行記錄和后續(xù)處理分析。

圖1 頸部肌音信號(hào)采集系統(tǒng)示意圖Fig.1 Mechanomyographic signal acquisition system

實(shí)驗(yàn)對(duì)象為10名志愿者,其中2名女性,8名男性,年齡在23～25周歲,均身體健康,頸部及頭部無(wú)殘疾,所有受試者在測(cè)試之前都對(duì)所測(cè)試項(xiàng)目有具體了解,并簽署了符合《赫爾辛基宣言》主旨的知情同意書(shū)。實(shí)驗(yàn)過(guò)程中,要求受試者完成點(diǎn)頭、抬頭、左擺頭、右擺頭、左轉(zhuǎn)頭、右轉(zhuǎn)頭共6種頭部動(dòng)作,動(dòng)作順序如圖2所示。要求每種動(dòng)作做90次,每次動(dòng)作之間間隔3～4 s。為了消除疲勞對(duì)肌肉的影響,每2種動(dòng)作之間休息0.5 h左右,或看受試者情況,直至受試者休息完畢再進(jìn)行下一種動(dòng)作。每位受試者在此次采集前均經(jīng)過(guò)訓(xùn)練,所做動(dòng)作基本一致。

圖2 頭部動(dòng)作順序圖Fig.2 Head action sequence diagram

2 信號(hào)預(yù)處理與信號(hào)分割

信號(hào)預(yù)處理包括對(duì)原始信號(hào)進(jìn)行濾波和標(biāo)準(zhǔn)化2步操作,通過(guò)用Kaiser窗設(shè)計(jì)的FIR濾波器(2～49 Hz)對(duì)原始信號(hào)進(jìn)行濾波。

濾波之后還需對(duì)信號(hào)歸一化,按照式(1)進(jìn)行。

(1)

其中:Mean是同一通道的電壓均值;Std是標(biāo)準(zhǔn)差。

本文采用的動(dòng)作分割方法為不等長(zhǎng)分割法,其原理是:利用信號(hào)二次包絡(luò)線的方法對(duì)信號(hào)進(jìn)行分割,每個(gè)動(dòng)作都有與之對(duì)應(yīng)的包絡(luò)線,而包絡(luò)線的前后兩處極小值點(diǎn)所對(duì)應(yīng)的位置即為動(dòng)作的開(kāi)始和結(jié)束位置。

3 特征提取與降維處理

3.1特征提取

3.1.1 小波包特征提取 每一個(gè)分割好的動(dòng)作幀即對(duì)應(yīng)一個(gè)頭部動(dòng)作,為了識(shí)別出該動(dòng)作幀對(duì)應(yīng)的頭部動(dòng)作類型,需要對(duì)分割好的6類動(dòng)作幀信號(hào)提取特征,特征可分為時(shí)域特征、頻域特征、時(shí)頻域特征3類。本文選用的是小波包變換特征和雙譜特征2類,其中小波包變換特征屬于時(shí)頻域特征,雙譜特征屬于頻域特征。

小波變換特征有小波(包)系數(shù)最大值、小波(包)系數(shù)奇異值、小波(包)系數(shù)能量等。經(jīng)過(guò)多次實(shí)驗(yàn),結(jié)果顯示在頭部動(dòng)作的肌音信號(hào)識(shí)別中,小波包系數(shù)能量是較好的特征。小波包變換以二叉樹(shù)的形式將信號(hào)分解成相等頻帶寬度的子空間,即當(dāng)信號(hào)分解層數(shù)為i層時(shí),一共有2i個(gè)等頻帶寬的子空間。本文中小波包系數(shù)能量特征如下式所示:

feature={lgEi,i=1,…,2level}

(2)

(3)

為確定小波的類型和分解層數(shù),綜合比較了生物醫(yī)學(xué)信號(hào)中比較常用的sym5、db5、db4和coif4[18]4種小波,通過(guò)4種小波的分類結(jié)果對(duì)比得出 coif4更適合頭部動(dòng)作肌音信號(hào)的特征提取以及模式分類。對(duì)于分解層數(shù)的確定,邱青菊等[18]和Chu等[19-20]均提出4種小波分解對(duì)于生理信號(hào)來(lái)說(shuō)是比較合適的,本文多次實(shí)驗(yàn)結(jié)果也表明分解成4層的效果最好。因此一個(gè)通道信號(hào)的小波包系數(shù)能量特征就有24=16維,一共有4個(gè)通道,即小波包系數(shù)能量特征為64維。

3.1.2 雙譜特征提取 除了小波包系數(shù)能量特征外,本文還提取了雙譜特征。在傳統(tǒng)的隨機(jī)信號(hào)處理中,一般假設(shè)信號(hào)是具有高斯性的平穩(wěn)信號(hào),但是肌音信號(hào)不是高斯信號(hào),也不是平穩(wěn)的,它的相位譜里面含有豐富的信息,因此,需要借助高階統(tǒng)計(jì)量的方法。

高階譜中的三階譜(亦稱雙譜)階數(shù)最低,處理方法也最簡(jiǎn)單,因此本文采用雙譜分析做進(jìn)一步的特征提取。高階譜是由累積量函數(shù)定義的,因而也可稱為累積量譜。設(shè){x(n)}為零均值的k階平穩(wěn)過(guò)程,則該過(guò)程的k階累積量定義為

Ckx(τ1,τ2,…,τk-1)=

cum{x(n),x(n+τ1),…,x(n+τk-1)}

(4)

則k階累積量譜定義為k階累積量的k-1維傅里葉變換,當(dāng)k=3時(shí),即為雙譜,雙譜定義如下:

S3x(w1,w2)=

(5)

其中:|w1|≤π;|w2|≤π;|w1+w2|≤π;C3x(τ1,τ2)是隨機(jī)過(guò)程{x(n)}的三階累積量。

雙譜是二維函數(shù),如果取所有的雙譜信息作為特征還需解決二維的模板匹配問(wèn)題,另外計(jì)算量也很龐大,對(duì)實(shí)時(shí)性會(huì)有影響,所以本文將取用雙譜中的一維特征,即對(duì)角切片信息,作為之后分類的特征。

3.2降維處理

3.2.1 概述 由于小波包系數(shù)能量特征維數(shù)過(guò)多,需要降維處理。線性判別分析(FLDA)和主成分分析(PCA)是針對(duì)向量模式進(jìn)行特征提取和降維普遍使用的典型方法[21]。PCA能使降維后的特征空間具有良好的表現(xiàn)能力;FLDA能使降維后的特征空間具有良好的辨別能力。本文采用這2種方法降維。

3.2.2 FLDA降維 FLDA用于尋找對(duì)不同樣本類進(jìn)行區(qū)分的最有效的方向。其主要思想是考慮將多維空間中的點(diǎn)投影到一條直線上,通過(guò)適當(dāng)選擇直線的方向,有可能找到能夠最大限度地區(qū)分各類樣本數(shù)據(jù)點(diǎn)的投影方向。在投影后的低維空間里能夠使同類的樣本數(shù)據(jù)點(diǎn)離得越近越好,不同類的樣本之間的距離越遠(yuǎn)越好。定義類內(nèi)離散度矩陣如下:

(6)

類間離散度矩陣如下:

(7)

其中:NC是樣本總類數(shù);每個(gè)子類ci分別含有ni個(gè)樣本值;mi為每一個(gè)種類的樣本均值;m為整體的樣本均值。用類內(nèi)離散度矩陣和類間離散度矩陣表示的Fisher判別準(zhǔn)則函數(shù)為

(8)

Fisher判別的目的是要找到使得該準(zhǔn)則函數(shù)J(P)最大化時(shí)的直線W。經(jīng)過(guò)推導(dǎo),J(P)最大化時(shí)P的列向量就是以下特征方程的特征向量:

SBPi=λiSWPi

(9)

其中,Pi表示矩陣P中的第i個(gè)列向量。

FLDA特征投影的計(jì)算公式:

y=PTx

(10)

由于SB矩陣的秩不大于NC-1,因此式(9)得出的非零特征值的個(gè)數(shù)將小于或等于NC-1,所以最后通過(guò)FLDA投影得到的低維特征向量維數(shù)為NC-1,本文中NC為6,所以經(jīng)FLDA降維成5維。

3.2.3 PCA降維 PCA主成分分析的主要思想是對(duì)于原先提出的所有變量,建立盡可能少的新變量,使得這些新變量?jī)蓛刹幌嚓P(guān)。主成分分析的目的是通過(guò)特征的線性組合降低特征空間的維數(shù)。PCA是先求取原來(lái)的特征空間矩陣的協(xié)方差矩陣的特征值和特征向量,并根據(jù)從大到小的貢獻(xiàn)率將特征值降序排列。本文選取累積貢獻(xiàn)率達(dá)到90%的前幾個(gè)特征的主成分系數(shù)為投影矩陣,將原來(lái)的高維特征空間映射到低維空間[22]。

4 分類器

對(duì)信號(hào)預(yù)處理、提取特征、特征降維處理之后,即可送入分類器進(jìn)行分類,本文采用的分類器是SVM支持向量機(jī)。SVM是定義在特征空間上的間隔最大的線性分類器。針對(duì)本文的非線性問(wèn)題,需要通過(guò)引入映射方法,將低維空間中的非線性問(wèn)題轉(zhuǎn)化為高維空間的線性問(wèn)題來(lái)解決。常用的SVM分類器有4種核函數(shù),分別為線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)(RBF)、Sigmoid核函數(shù),本文采用的是RBF核函數(shù),如式(11)。

(11)

其中:xc為核函數(shù)中心;σ為函數(shù)的寬度參數(shù),控制了函數(shù)的徑向作用范圍。

5 信號(hào)處理結(jié)果

5.1動(dòng)作分割結(jié)果

6種連續(xù)動(dòng)作信號(hào)經(jīng)不等長(zhǎng)分割算法后得到的單步動(dòng)作幀情況見(jiàn)圖3。由圖可見(jiàn)6種動(dòng)作的分割情況良好,每種動(dòng)作分割完整,且不同的動(dòng)作之間有明顯的差異性。

圖3 6個(gè)動(dòng)作肌音信號(hào)的分割情況Fig.3 Six actions segmentation of MMG signal

5.2雙譜特征提取結(jié)果

在提取頭部6個(gè)動(dòng)作模式的雙譜特征時(shí),先得出這6個(gè)動(dòng)作的雙譜圖,如圖4所示?？梢钥闯?個(gè)動(dòng)作的雙譜圖各有不同,但某些動(dòng)作之間又有一些相似之處,其中第3個(gè)動(dòng)作左擺頭和第4個(gè)動(dòng)作右擺頭的雙譜圖比較相似,二維圖上都有較多的旁瓣;第1個(gè)動(dòng)作點(diǎn)頭和第2個(gè)動(dòng)作抬頭的雙譜圖也比較相似,相對(duì)其他4個(gè)動(dòng)作來(lái)說(shuō),這2個(gè)動(dòng)作的二維雙譜圖都比較稀疏;最后第5個(gè)動(dòng)作左轉(zhuǎn)頭和第6個(gè)動(dòng)作右轉(zhuǎn)頭也較為相似,它們的二維雙譜圖比第1和第2個(gè)動(dòng)作的雙譜圖密集。

圖4 6個(gè)動(dòng)作模式的二維雙譜圖Fig.4 Two dimensional double spectra of 6 action modes

6個(gè)動(dòng)作的雙譜圖的對(duì)角切片圖如圖5所示,它們各不相同,但某幾個(gè)動(dòng)作有一定的相似處。如動(dòng)作3和動(dòng)作4相對(duì)于其他動(dòng)作,能量比較分散,但最高能量還是集中在中間部分;動(dòng)作1和動(dòng)作2的切片圖的能量比較集中在中部,雖然最中間能量比較低,但最高能量處還是集中在中間周圍,兩邊稍有點(diǎn)小小的旁瓣,另外譜峰的數(shù)量級(jí)也一致,都是1.5×10-3;動(dòng)作5和動(dòng)作6的切片圖中的能量集中程度很高,集中在中間部分,幾乎沒(méi)有兩側(cè)雜波,譜峰的數(shù)量級(jí)也一致,都是4×10-3?？梢钥闯?個(gè)動(dòng)作模式的雙譜圖、切片特征有很明顯的區(qū)分,在小波包系數(shù)能量特征的基礎(chǔ)上,加入雙譜切片特征,推測(cè)能提高識(shí)別率。

5.3特征降維結(jié)果

4個(gè)通道的小波包系數(shù)能量特征為64維,通過(guò)FLDA降維成5維,PCA降維則一般降到11～13維的特征空間。FLDA和PCA降維處理小波包系數(shù)能量特征后,分別采用特征1、特征2、特征3為坐標(biāo)軸,畫(huà)出三維散點(diǎn)圖,圖6所示為FLDA降維后的特征散點(diǎn)圖,圖7所示為PCA降維后的特征散點(diǎn)圖?？梢钥闯鯢LDA降維后的特征分布情況更好,同類樣本更密集,不同類樣本更分散,因此識(shí)別效果更好。

圖5 6個(gè)動(dòng)作模式的切片圖Fig.5 Slice graph of 6 action modes

圖6 FLDA降維后的特征值分布散點(diǎn)圖Fig.6 Scatter plots of characteristic value distribution after FLDA dimension reduction

圖7 PCA降維后的特征值分布散點(diǎn)圖Fig.7 Scatter plots of characteristic value distribution after PCA dimension reduction

5.4動(dòng)作分類結(jié)果

得到降維的信號(hào)特征后,即可對(duì)6類動(dòng)作分類識(shí)別。首先識(shí)別完整的四通道信號(hào),信號(hào)只提取小波包系數(shù)能量特征,PCA降維,輸入SVM分類器中進(jìn)行分類,10位受試者的識(shí)別準(zhǔn)確率見(jiàn)表1。同樣用PCA降維處理小波包系數(shù)能量特征,并加上雙譜對(duì)角切片圖特征進(jìn)行識(shí)別,識(shí)別結(jié)果見(jiàn)表2。對(duì)于同樣的小波包系數(shù)能量特征改用FLDA降維處理,并加上雙譜對(duì)角切片圖特征,SVM識(shí)別后的結(jié)果見(jiàn)表3。

同時(shí)本文也測(cè)試了去除兩個(gè)傳感器,只用位于左前方的胸鎖乳突肌和右后方的頭夾肌的傳感器采集信號(hào),FLDA降維處理小波包系數(shù)能量特征,并加上雙譜對(duì)角切片圖,分析此種方法的有效性,識(shí)別結(jié)果如表4所示。

表1 四通道PCA降維小波包特征所有識(shí)別結(jié)果

表2 四通道PCA降維小波包特征和雙譜特征所有識(shí)別結(jié)果

6 討 論

6.1兩種特征比較

比較表1和表2,即同樣是PCA降維的方法,把只提取小波包系數(shù)能量特征與同時(shí)提取小波包系數(shù)能量特征與雙譜對(duì)角切片特征進(jìn)行比較,可以發(fā)現(xiàn):PCA降維后的小波包系數(shù)能量特征基本上能較準(zhǔn)確地識(shí)別出6個(gè)動(dòng)作模式,但加入雙譜切片特征之后,平均識(shí)別率從91.13%提升至93.08%,提高了1.95% (運(yùn)用T檢驗(yàn)法分析這2種平均識(shí)別率的顯著差異性,發(fā)現(xiàn)P<0.01,有極顯著差異),可以看出屬于時(shí)頻域特征的小波包特征在肌音信號(hào)的模式識(shí)別方面有很強(qiáng)的區(qū)分性,另外頻域特征的雙譜特征對(duì)肌音信號(hào)的模式識(shí)別的準(zhǔn)確率也有一定的貢獻(xiàn),這與上節(jié)中提到的6個(gè)動(dòng)作的二維雙譜圖和雙譜切片圖有一定的區(qū)別相吻合。因此采用小波包系數(shù)能量特征與雙譜對(duì)角切片特征相結(jié)合的肌音信號(hào)特征,對(duì)識(shí)別頭部動(dòng)作更有效。

6.2PCA和FLDA降維比較

比較表2和表3,即同樣是小波包系數(shù)能量特征與雙譜對(duì)角切片圖特征,將PCA降維和FLDA降維進(jìn)行比較,可以發(fā)現(xiàn):FLDA降維后的識(shí)別效果比PCA降維后的識(shí)別效果好,平均識(shí)別率從93.08%提升至95.92% (運(yùn)用T檢驗(yàn)法分析這2種平均識(shí)別率的顯著差異性,發(fā)現(xiàn)P<0.01,有極顯著差異),分析原因,PCA方法尋找的是用來(lái)有效表示同一類樣本共同特點(diǎn)的主軸方向,這對(duì)于表示同一類數(shù)據(jù)樣本的共同特征是非常有效的。但PCA不適合用于區(qū)分不同的樣本類,而FLDA可尋找最有效的對(duì)不同樣本類進(jìn)行區(qū)分的方向。因此FLDA比PCA更適合用于分類降維。

6.3二通道與四通道的比較

從表4中可以看出二通道的平均識(shí)別率比四通道的識(shí)別率有明顯的下降,為90.08%,但基本還能較準(zhǔn)確地識(shí)別出動(dòng)作。

6.4動(dòng)作比較分析

從表1～表4可以看出,6個(gè)動(dòng)作模式中識(shí)別率最低的都是左擺頭和右擺頭動(dòng)作。志愿者在測(cè)試過(guò)程中普遍反映,左擺頭和右擺頭動(dòng)作不是日常生活中常有的動(dòng)作,進(jìn)行實(shí)驗(yàn)時(shí)感覺(jué)不自然,無(wú)法保證動(dòng)作的一致性,這可能是導(dǎo)致這兩個(gè)動(dòng)作識(shí)別率較低的原因。

表3 四通道FLDA降維小波包特征和雙譜特征后所有識(shí)別結(jié)果

表4 二通道識(shí)別結(jié)果

7 結(jié) 論

本文將肌音信號(hào)用于頭部動(dòng)作的模式識(shí)別,通過(guò)采集頸部左右兩側(cè)胸鎖乳突肌和頭夾肌的肌音信號(hào),采集了4個(gè)通道的肌音信號(hào)。經(jīng)過(guò)前期去噪、歸一化的預(yù)處理,不等長(zhǎng)分割法分割動(dòng)作幀后,首先提取各個(gè)動(dòng)作幀的小波包系數(shù)能量特征,PCA降維后進(jìn)行識(shí)別,識(shí)別率達(dá)到91.13%,說(shuō)明小波包系數(shù)能量特征可基本區(qū)別6類不同的頭部動(dòng)作;而在PCA降維小波包系數(shù)能量特征的基礎(chǔ)上,加上雙譜圖中的對(duì)角切片強(qiáng)化特征后,平均識(shí)別率提高至93.08%,說(shuō)明雙譜特征有獨(dú)立于小波包系數(shù)能量特征的有用特征信息,可進(jìn)一步提高識(shí)別準(zhǔn)確率;再用FLDA降維小波包系數(shù)能量特征,并加上雙譜對(duì)角切片特征后,識(shí)別率又有所提高,為95.92%,說(shuō)明FLDA更適用于對(duì)區(qū)分不同類型的樣本進(jìn)行特征降維。所以選用FLDA對(duì)coif4小波包系數(shù)能量特征降維,結(jié)合雙譜對(duì)角切片特征送入SVM分類器進(jìn)行動(dòng)作識(shí)別的方法最有效,能取得最高識(shí)別率。

對(duì)位于左前方的胸鎖乳突肌和右后方的頭夾肌的這兩個(gè)傳感器采集到的二通道的數(shù)據(jù)進(jìn)行模式識(shí)別,識(shí)別率也能達(dá)到90.08%,但整個(gè)系統(tǒng)簡(jiǎn)化,成本降低。因此在考慮成本和識(shí)別率要求在90%的情況下,可以只用兩個(gè)傳感器進(jìn)行采集。

[1] 張旭.基于表面肌電信號(hào)的人體動(dòng)作識(shí)別與交互[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2010.

[2] CHO Youngjin,KIM Jungyong.The effects of load,flexion,twisting and window size on the stationarity of trunk muscle EMG signals[J].International Journal of Industrial Ergonomics,2012,42(3):287-292.

[3] SHIGEHISA K,NAOKI K,NAOTO M,etal.Mechanomyographic activity in the human lateral pterygoid muscle during mandibular movement[J].Journal of Neuroscience Methods,2012,203(1):157-162.

[4] MA Martin.MMG sensor for muscle activity detection-low cost design,implementation and experimentation[D].Auckland,New zealand:Massey University,2010.

[5] ANDERSON E,WYBO C,BARTOL S.An analysis of agreement between MMG vs.EMG systems for identification of nerve location during spinal procedures[J].The Spine Journal,2010,10(9) :93-94.

[6] JOTTA B,GARCIA M,SOUZA M.An alternative method of muscle force analysis based on the mechanomyographic signal[C]//Progress in Motor Control:VI.International Society of Motor Control.Mendes Convetion Center,Santos,S?o Paulo:ISMG,2007:65-66.

[7] TRAVIS B,HOUSH T,GLEN J,etal.Comparison of Fourier and wavelet transform procedures for examining the mechanomyographic and electromyographic frequency domain responses during fatiguing isokinetic muscle actions of the biceps brachii[J].Journal of Electromyography and Kinesiology,2005,15(2):190-199.

[8] ALVES N,FALK T H,CHAU T.A novel integrated mechanomyogram-vocalization access solution[J].Medical Engineering and Physics,2010,32(8):940-944.

[9] ZUNIGA J M,HOUSH T J,CAMIC C L,etal.The effects of accelerometer placement on mechanomyographic amplitude and mean power frequency during cycle ergometry[J].Journal of Electromyography and Kinesiology,2010,20(4):719-725.

[10] BECK T W,DILLON M A,DEFREITAS J M,etal.Cross-correlation analysis of mechan- omyographic signals detected in two axes[J].Physiological Measurement,2009,30(12):1465-1471.

[11] 曹煒.基于肌音信號(hào)的手部多動(dòng)作模式識(shí)別與假肢手控制研究[D].上海:華東理工大學(xué),2012.

[12] SHIN I,AHN S,CHOI E,etal.Fatigue analysis of the quadriceps femoris muscle based on mechanomyography[J].International Journal of Precision Engineering and Manufacturing,2016,17(4):473-478.

[13] GUILLAUME T,GUILLAUME M,STEPHANE D,etal.Comparison of phonomyography,kinemyography and mechanomyography for neuromuscular monitoring[J].Canadian Journal of Anesthesia,2006,53(2):130-135.

[14] 宋中建.基于肌音信號(hào)的指部動(dòng)作模式識(shí)別研究[D].上海:華東理工大學(xué),2013.

[15] YOU Xinge,DU Liang,CHEUANG Yiuming,etal.A Blind watermarking scheme using new nontensor product wavelet filter banks[J].IEEE Transactions on Image Processing,2010,19(12):3271-3284.

[16] ARIKI Y,ISHIKAWA N.Recognition of head gestures using hidden markov models[C]//International Conference on Pattern Recognition.Vienna,Austria:IEEE,1996:461-465.

[17] 孫子軍,吳東蘇,邵正.虛擬座艙環(huán)境頭頸部sEMG采集相關(guān)肌肉研究[J].航空計(jì)算技術(shù),2014,44(1):115-122.

[18] 邱青菊.表面肌電信號(hào)的特征提取與模式分類研究[D].上海:上海交通大學(xué),2009.

[19] CHU JU,MOON I,LEE Y J,etal.A supervised feature-projection-based real-time EMG pattern recognition for multifunction myoelectric hand control[J].IEEE/ASME Transactions on Mechatronics,2007,12 (3):282-290.

[20] CHU Ju,MOON I,Kim S K,etal.Control of multifunction myoelectric hand using a real-time EMG pattern recognition[C]//International Conference on Intelligent Robots and Systems.Center Edmont Alberta Canada:IEEE,2005:3511-3516

[21] 朱玉蓮.基于矩陣模式和向量子模式表示的特征提取及其分類[D].南京:南京航空航天大學(xué),2003.

[22] 陳彥釗.基于sEMG信號(hào)的上肢自主康復(fù)訓(xùn)練動(dòng)作模式識(shí)別[D].濟(jì)南:山東大學(xué),2015.

PatternRecognitionofHeadMovementBasedonMechanomyographicSignal

GUXiao-lin,WUQing,XIAChun-ming,ZHANGYue,ZHONGHao

(SchoolofMechanicalandPowerEngineering,EastChinaUniversityofScienceandTechnology,Shanghai200237,China)

Mechanomyography (MMG) is a low frequency signal when muscle is contracted.Four channel MMG signals are collected from the sternocleidomastoid (SCM) muscles and splenius capitis (SPL) muscles in the subjects’ neck when they bowed head,raised head,bent side to left,bent side to right,turned to left,and turned to right,i.e.,six action modes,which could be successfully recognized.The four channel MMG signals were then filtered,normalized,and divided using unequal length segmentation algorithm.After extracting the energy features of wavelet packet coefficients and the feature of diagonal slices of spectrum,the dimension of features were reduced by principal component analysis (PCA) or fisher linear discriminant analysis (FLDA).Finally,all the features were classified by SVM classifier.When the features of wavelet packet coefficients energy and diagonal slices of spectrum went through FLDA dimension reduction,the recognition rate were up to95.92%.

mechanomyography; head movement; feature extraction; wavelet packet; bispectrum

R496

A

1006-3080(2017)05-0704-08

10.14135/j.cnki.1006-3080.2017.05.016

2017-01-10

顧曉琳(1992-),女,碩士生,研究方向?yàn)榧∫粜盘?hào)應(yīng)用。E-mail:905399099@qq.com

夏春明,E-mail:cmxia@ecust.edu.cn;吳 清,E-mail:qwu@ecust.edu.cn