魏慶麗， 肖 瑋， 梁偉強(qiáng)， 孫振超， 張 莉

(吉林大學(xué) 儀器科學(xué)與電氣工程學(xué)院，吉林 長春 130061)

0 引 言

表面肌電[1,2](surface electromyography，SEMG)信號具有采集過程無創(chuàng)性、易被檢測性等優(yōu)點(diǎn)，隨著檢測技術(shù)和信號處理技術(shù)的快速發(fā)展受到了越來越多的青睞，國內(nèi)外學(xué)者對使用神經(jīng)網(wǎng)絡(luò)處理表面肌電信號也有了更加深入的研究。國外學(xué)者M(jìn)ahdi Khezri采用一種自適應(yīng)神經(jīng)模糊推理系統(tǒng)識別手部動作命令且動作識別率達(dá)到92 %[3]；國內(nèi)張毅等人采用小波變換和AR模型對SEMG進(jìn)行分析處理，利用徑向基函數(shù)(radial basis function,RBF)神經(jīng)網(wǎng)絡(luò)對SEMG信號進(jìn)行模式識別，正確識別出了手勢動作[4]；楊善曉用小波變換多尺度分解系數(shù)的最大和最小值作為特征量將特征向量輸入到改進(jìn)的基于L-M算法的反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)，取得了十分理想的識別效果[5]。隨著計(jì)算機(jī)算法技術(shù)的快速發(fā)展，神經(jīng)網(wǎng)絡(luò)的發(fā)展空間將十分廣闊。

本文針對SEMG的多種特性，以信號的采集分析、處理為基礎(chǔ)，提取并選擇更為有效的特征值，構(gòu)造神經(jīng)網(wǎng)絡(luò)輸入向量并用其訓(xùn)練概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network，PNN)，分析模式識別結(jié)果，為后續(xù)的仿生手研究提供理論依據(jù)。

1 PNN

PNN是前饋型網(wǎng)絡(luò)的一種，采用Parzen窗函數(shù)密度估計(jì)方法估算條件概率，進(jìn)行分類模式識別[6]。PNN基本結(jié)構(gòu)[7]如圖1所示。

圖1 PNN基本結(jié)構(gòu)

2 手勢識別系統(tǒng)

識別系統(tǒng)主要由采集模塊、信號處理模塊、模/數(shù)(A/D)轉(zhuǎn)換模塊、無線通信模塊、上位機(jī)顯示界面等組成。首先使用無創(chuàng)的AgCl貼片電極采集前臂表面肌電信號，通過肌電傳感器進(jìn)行放大、濾波等處理，處理后的信號經(jīng)過A/D轉(zhuǎn)換和藍(lán)牙無線通信，傳輸至上位機(jī)上進(jìn)行信號處理并顯示，最終經(jīng)由視覺等信息反饋確認(rèn)識別結(jié)果。識別系統(tǒng)總體框圖如圖2所示。其中信號處理流程如圖3所示。

圖2 系統(tǒng)整體框圖

圖3 信號處理流程

3 實(shí)驗(yàn)與結(jié)果分析

采集的SEMG信號仍需進(jìn)行進(jìn)一步的處理方能實(shí)現(xiàn)手勢識別的目的。主要包括信號處理，特征值的選擇及提取，模式識別等實(shí)驗(yàn)過程。

3.1 信號處理

1)由于SEMG的間歇性、隨機(jī)性，因此需要對其進(jìn)行活動段檢測。本文采用邊緣檢測的方法檢測并提取活動段，即用小區(qū)域模板卷積來近似計(jì)算每個(gè)像素點(diǎn)的梯度算子，以獲得X和Y方向的邊緣強(qiáng)度[8]。以握拳動作為例，動作信號及活動段檢測結(jié)果如圖4所示。

圖4 活動段檢測信號時(shí)域

2)通過設(shè)計(jì)巴特沃斯濾波器分別進(jìn)行帶通濾波和帶阻濾波，以去除基線漂移和工頻干擾。降噪前后信號對比如圖5所示，已濾除50 Hz工頻干擾。

圖5 濾波前后頻域比較

3.2 特征值的選擇及提取

降噪處理后的SEMG需要提取特征值才能進(jìn)行模式識別。本文著重研究伸食指、伸腕、屈腕和握拳動作產(chǎn)生的表面肌電信號，動作示意如圖6所示。

圖6 動作示意

待選擇的特征值有時(shí)域分析的積分肌電值(integrated EMG，IEMG)和均方根值(root mean square，RMS)，頻域分析的平均功率頻率(mean power frequency，MPF)、功率譜密度(power spectral density，PSD)和中值頻率(median frequency，MF)。

積分肌電值是指對信號求取絕對值后的均值，即

(1)

均方根值用于描述信號的平均程度，其計(jì)算公式為

(2)

頻域上的MPF一定程度反映SEMG特征，即

(3)

式中p(f)為SEMG功率譜密度函數(shù)。

經(jīng)過大量實(shí)驗(yàn)對比發(fā)現(xiàn)，伸食指、伸腕、屈腕和握拳4種動作的方均根值和積分肌電值特征值區(qū)分較為明顯。通過將特征值作為橫縱坐標(biāo)進(jìn)行標(biāo)點(diǎn)的方式查看區(qū)分度，標(biāo)記結(jié)果如圖7所示。

可以看出，不同動作的分布區(qū)域重疊部分較少，進(jìn)一步驗(yàn)證了特征值的選取。

圖7 特征值提取結(jié)果

3.3 模式識別

選取每個(gè)動作50組特征向量共計(jì)200組數(shù)據(jù)，隨機(jī)選取每個(gè)動作30組共120組數(shù)據(jù)組成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，每個(gè)動作余下的20組總計(jì)80組數(shù)據(jù)用作測試。

PNN設(shè)置徑向基函數(shù)的擴(kuò)展系數(shù)為0.000 6，訓(xùn)練網(wǎng)絡(luò)后進(jìn)行預(yù)測識別。某一次識別結(jié)果如圖8所示。

圖8 PNN模式識別結(jié)果

為了驗(yàn)證PNN的識別效果，選用常用的BP作為對比。設(shè)置輸入層節(jié)點(diǎn)數(shù)n=12，隱含層節(jié)點(diǎn)數(shù)l=13，輸出層節(jié)點(diǎn)數(shù)m=4，權(quán)值初始化為小于1的隨機(jī)數(shù)。其中一次的識別結(jié)果如圖9所示。

圖9 BPNN模式識別結(jié)果

通過大量重復(fù)實(shí)驗(yàn)，隨機(jī)選取10組2種網(wǎng)絡(luò)下4個(gè)動作的識別率結(jié)果并將其分別記錄于表1和表2中。

表1 BPNN識別率結(jié)果 %

表2 PNN識別率結(jié)果 %

本文得出的PNN的模式識別平均正確率為97.625 %，而BPNN的模式識別平均正確率為91.125 %，PNN的識別結(jié)果更為理想。

4 結(jié)束語

大量實(shí)驗(yàn)分析表明： PNN對表面肌電信號的模式識別的正確率較高，能夠滿足模式識別的需求。將其用于手勢識別研究，可以為后續(xù)的手勢動作識別系統(tǒng)提供理論基礎(chǔ)。參考文獻(xiàn):

[1] 洪 潔，王 璐，汪 超，等.基于人工魚群算法優(yōu)化SVM的手部動作sEMG識別[J].傳感器與微系統(tǒng)，2016，35(2):23-25.

[2] 毛東杰.基于小波變換的表面肌電信號低功耗壓縮濾波算法[J].傳感技術(shù)學(xué)報(bào)，2016,29(5):648-653.

[3] Mahdi Khezri，Mehrah Jahed.A neuro-fuzzy inference system for SEMG-based identification of hand motion commands[J].IEEE Transactions on Industrial Electronics,2011,58(5):1952-1960.

[4] 張 毅,連奧奇,羅 元.基于小波變換及AR模型的EMG模式識別研究[J].電子測量與儀器學(xué)報(bào)，2011,25(9):770-774.

[5] 王紅旗.基于線性判別分析的表面肌電信號特征識別[J].河南理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2015,34(6)：832-835.

[6] 劉朝陽，陳 以，李少博.概率神經(jīng)網(wǎng)絡(luò)在手寫漢字識別中的應(yīng)用[J].電子設(shè)計(jì)工程,2016,24(2):32-34.

[7] 史 峰，王小川.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2010：1.

[8] 李海華，范 娟.一種改進(jìn)的基于梯度的自適應(yīng)邊緣檢測算法[J].科學(xué)技術(shù)與工程,2013,13(1):90-93.