張 鵬 張峻霞* 劉瑞恒 Ahmed Mohamed Moneeb Elsabbagh

1(天津科技大學(xué)機(jī)械工程學(xué)院，天津 300222)

2(艾因夏姆斯大學(xué)工程學(xué)院，開羅 11566)

引言

可穿戴設(shè)備廣泛應(yīng)用于康復(fù)醫(yī)療、軍事助力、休閑娛樂等領(lǐng)域[1]。據(jù)調(diào)查，國內(nèi)與康復(fù)醫(yī)療相關(guān)的可穿戴設(shè)備多達(dá)150 種，其中下肢外骨骼機(jī)器人成為許多學(xué)者研究的熱點(diǎn)[2]。該設(shè)備在軍事上作為軍人的助力裝備，在醫(yī)療領(lǐng)域作為下肢運(yùn)動障礙患者的康復(fù)輔具。對于外骨骼機(jī)器人而言，準(zhǔn)確的下肢運(yùn)動動作識別是其實(shí)現(xiàn)前提，識別動作的數(shù)量直接影響其整體功能。表面肌電信號(surface electronomyography，sEMG)作為信號源識別人體步態(tài)是重要的研究方向之一。

下肢動作識別最常利用機(jī)器學(xué)習(xí)方法[3]，包括支持向量機(jī)[4](support vector machines，SVM)、人工神經(jīng)網(wǎng)絡(luò)[5-6](artificial neural network，ANN)、深度卷積神經(jīng)網(wǎng)絡(luò)[7](convolutional neural network，CNN)、k近鄰算法[8](k-nearest neighbor，KNN)等等。sEMG 信號的特征一般有以下幾個(gè)種:時(shí)域特征[9](如平均絕對值和過零點(diǎn)數(shù)等)、頻域特征[10](如平均功率頻率和短時(shí)傅里葉變換等)、時(shí)頻域特征[11](如小波變換[12])。這些分類器和特征所組成的識別模型具有較好的性能，但也存在一些不足，如預(yù)測類別數(shù)量少，訓(xùn)練模型的重復(fù)次數(shù)多、時(shí)間長。下肢運(yùn)動動作識別存在的難點(diǎn)問題主要在于個(gè)體步態(tài)存在較大的差異和動作的重復(fù)性差等。針對以上問題，該課題研究sEMG 信號預(yù)處理和特征提取的方法，提出GA 算法優(yōu)化的RBF 神經(jīng)網(wǎng)絡(luò)分類模型，提高下肢表面肌電信號動作識別的準(zhǔn)確率，降低模型的訓(xùn)練和識別時(shí)間。

1 材料與方法

1.1 實(shí)驗(yàn)

實(shí)驗(yàn)對象包含15 名青年受試者，年齡24 ～26周歲，身高175～185 cm，體重65 ～75 kg。在實(shí)驗(yàn)開始前告知受試者8 種實(shí)驗(yàn)動作以及動作要求，所有受試者在實(shí)驗(yàn)開始前熟悉實(shí)驗(yàn)動作和流程，并進(jìn)行3～5 min 的熱身和拉伸運(yùn)動。受試者測試前均無下肢肌肉、膝關(guān)節(jié)和踝關(guān)節(jié)手術(shù)史。選取其中8 個(gè)通道分別采集左右腿8 塊肌肉的表面肌電信號，通道1～8 分別對應(yīng)受試者的左腿腓腸肌、右腿腓腸肌、左股直肌、右股直肌、左半腱肌、右半腱肌、左股外側(cè)肌和右股外側(cè)肌。把專用電極片貼于肌腹位置，且肌電片的方向與肌肉纖維的方向相同如圖1所示。本實(shí)驗(yàn)通過天津科技大學(xué)倫理委員會批準(zhǔn)，受試者簽署了知情同意書。

圖1 受試者肌電片所貼的位置Fig.1 The position of the sEMG patch

15 名受試者分別完成平地行走、上樓梯、下樓梯、左轉(zhuǎn)、右轉(zhuǎn)、起立、坐下和慢跑8 種動作，每個(gè)動作10 次為一組，每種動作做6 組。每種動作完成后休息5 min。

1.2 sEMG 信號識別流程

利用基于遺傳算法(genetic algorithm，GA)的RBF 神經(jīng)網(wǎng)絡(luò)(GA-RBF)，對不同運(yùn)動模式的sEMG信號識別的流程如圖2所示。在數(shù)據(jù)采集完成過后，進(jìn)行數(shù)據(jù)處理，包括數(shù)據(jù)濾波、數(shù)據(jù)動作分割和主成分分析，構(gòu)建新型GA-RBF 神經(jīng)網(wǎng)絡(luò)對下肢8類動作進(jìn)行分類識別。在實(shí)驗(yàn)部分，采用BP、RBF和GA-RBF 神經(jīng)網(wǎng)絡(luò)模型分別對同一受試者的8 種下肢動作數(shù)據(jù)和15 位受試者的混合數(shù)據(jù)(800 個(gè)數(shù)據(jù)樣本)的動作識別，通過實(shí)驗(yàn)結(jié)果對比驗(yàn)證本研究所提出的識別模型的有效性和優(yōu)越性。

圖2 表面肌電信號運(yùn)動模式識別的流程Fig.2 The process of motion pattern recognition of surface EMG signals

1.3 數(shù)據(jù)濾波

表面肌電信號屬于典型的隨機(jī)非平穩(wěn)性信號，而且很容易受到外界噪聲、電極和電力線的干擾，這些污染源會影響模型的分類結(jié)果。利用小波變換技術(shù)(discrete wavelet transform，DWT)對sEMG信號去噪，小波變換技術(shù)可以有效地對時(shí)間和頻率分量進(jìn)行分解，把信號分解到不同的頻域，用小波頻域能量閾值法對信號進(jìn)行濾波。采用離散小波變換，選取“sym6”小波母函數(shù)對信號進(jìn)行降噪處理，最終取得了良好的效果，如圖3所示。

圖3 原始信號(上)和小波濾波信號(下)對比Fig.3 Comparison of original signal (the top)and wavelet signal (the bottom)

1.4 數(shù)據(jù)動作分割

在每個(gè)動作完成后，需要將所采集的肌電信號進(jìn)行有效精確的劃分，除去無動作信號，尋找動作的始末點(diǎn)，提高模型的分類準(zhǔn)確率并且降低肌電信號的數(shù)據(jù)處理量，加快程序的運(yùn)行和分析速度。肌肉的收縮程度與肌電信號的強(qiáng)度具有相關(guān)性，因此，采用信號能量閾值法自動分割sEMG 信號，以肌電信號窗口的能量值作為動作的判斷依據(jù)。

選取n個(gè)數(shù)據(jù)樣本點(diǎn)長度的滑動窗對肌電信號進(jìn)行掃描，把滑窗內(nèi)的數(shù)據(jù)的波形長度(wave length，WL)作為特征向量，作為肌肉有無運(yùn)動判決標(biāo)準(zhǔn)。波形長度是信號幅值、頻率及持續(xù)時(shí)間的綜合效果，反映信號復(fù)雜程度，定義為

設(shè)置閾值S，當(dāng)波形長度大于閾值，窗口D(i)有動作且標(biāo)記為1，否則為0，D(i)定義為

假設(shè)當(dāng)前窗口為D(i)，窗口向后依次滑動計(jì)算波形長度并計(jì)算D(i)，當(dāng)D(i)的值由0 變?yōu)? 時(shí)，判定該點(diǎn)為動作起始點(diǎn)，反之，該點(diǎn)為動作結(jié)束點(diǎn)。

1.5 主成分分析

由于表面肌電信號的復(fù)雜性，所以正確選擇信號特征是分類的關(guān)鍵一步。時(shí)域特征不需要復(fù)雜的計(jì)算，實(shí)時(shí)性很高。傳統(tǒng)的頻域特征是基于平穩(wěn)信號假設(shè)為前提，而表面肌電信號屬于非平穩(wěn)時(shí)變信號，傳統(tǒng)的頻率特征會丟失信號時(shí)間的信息。小波分解信號具有時(shí)域和頻域兩方面的信息，表現(xiàn)出的信息更加全面和豐富[13]。本研究對sEMG 信號進(jìn)行特征提取，特征樣本的數(shù)據(jù)高達(dá)32 維，其中包括許多冗余信息，直接輸入到分類模型會導(dǎo)致訓(xùn)練時(shí)間過長、精度低，因此采用主成分分析(principal component analysis，PCA)對數(shù)據(jù)成分進(jìn)行定量分析，用較少的主要成分代替復(fù)雜原始變量，在識別精度不減的情況下提高識別速度[14-15]。

1.6 GA-RBF 神經(jīng)網(wǎng)絡(luò)分類模型

RBF 神經(jīng)網(wǎng)絡(luò)是一種有輸入層、隱藏層和輸出層組成的前饋型神經(jīng)網(wǎng)絡(luò)，從輸入節(jié)點(diǎn)到隱藏層節(jié)點(diǎn)的變換是非線性的，而從隱藏層到輸出的變換是線性的，激活函數(shù)為高斯核函數(shù)[16-17]。相較于BP神經(jīng)網(wǎng)絡(luò)[18]，RBF 神經(jīng)網(wǎng)絡(luò)不用設(shè)置特定的神經(jīng)元的數(shù)量，而能自動增加神經(jīng)元個(gè)數(shù)滿足精度，學(xué)習(xí)效率快，識別精度高，但隱藏層的神經(jīng)元數(shù)量難以確定，從隱藏層到輸出層的權(quán)值學(xué)習(xí)能力較低，這些缺陷容易導(dǎo)致學(xué)習(xí)能力和識別精度的下降。針對這一問題，本研究提出了一種新的基于遺傳算法的優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)算法(GA-RBF 算法)，該算法利用遺傳算法對RBF 神經(jīng)網(wǎng)絡(luò)的權(quán)值和結(jié)構(gòu)進(jìn)行優(yōu)化。

遺傳算法從一個(gè)代表潛在解集的種群開始，種群是由一定數(shù)量的編碼基因個(gè)體組成的，這些個(gè)體是具有特征染色體的實(shí)體[19-20]。GA-RBF 神經(jīng)網(wǎng)絡(luò)算法主要包括10 個(gè)步驟。

步驟1:根據(jù)隱藏層中的最大神經(jīng)元數(shù)設(shè)置RBF 神經(jīng)網(wǎng)絡(luò)，利用k聚類算法獲取基函數(shù)中心，使用式(3)計(jì)算中心的寬度；

式中，d為每個(gè)神經(jīng)元之間的間距，s為RBF 神經(jīng)網(wǎng)絡(luò)的最大隱藏神經(jīng)元個(gè)數(shù)；

步驟2:設(shè)置遺傳算法的參數(shù)、種群大小、交叉率、突變率、選擇機(jī)制、交叉算子和變異算子、目標(biāo)函數(shù)誤差以及最大迭代次數(shù)；

步驟3:隨機(jī)初始化種群P，種群數(shù)量為N，每個(gè)個(gè)體對應(yīng)的網(wǎng)絡(luò)由式(4)編碼:

式中，隱層神經(jīng)元的個(gè)數(shù)采用二進(jìn)制編碼方法進(jìn)行編碼，表示為ci，當(dāng)ci為1 時(shí)，表示此神經(jīng)元存在，ci為0 代表神經(jīng)元不存在。ωij為從第i個(gè)輸出神經(jīng)元到第j個(gè)隱藏神經(jīng)元的連接權(quán)值，θj為第j個(gè)輸出神經(jīng)元的閾值，m為輸出神經(jīng)元的數(shù)量；

步驟4:用訓(xùn)練樣本訓(xùn)練初始構(gòu)造的RBF 神經(jīng)網(wǎng)絡(luò)，其數(shù)量為N，以式(5)計(jì)算網(wǎng)絡(luò)的訓(xùn)練誤差:

式中，tk為真實(shí)值，yk為神經(jīng)網(wǎng)絡(luò)輸出值。通過迭代式(5)得到最優(yōu)神經(jīng)網(wǎng)絡(luò)；

步驟5:根據(jù)訓(xùn)練誤差E和隱藏層神經(jīng)元個(gè)數(shù)s，使用式(6)計(jì)算每個(gè)網(wǎng)絡(luò)對應(yīng)的染色體的適應(yīng)度，適應(yīng)度函數(shù)為

式中，C為常數(shù)，smax為隱藏層神經(jīng)元數(shù)量的上限，網(wǎng)絡(luò)規(guī)模越小(隱藏層神經(jīng)元數(shù)量越少)，訓(xùn)練誤差越小，染色體對應(yīng)的適應(yīng)度越高；

步驟6:根據(jù)適應(yīng)度值對染色體進(jìn)行排序；選擇種群的最佳適應(yīng)度，定義為Fb，如果E＜Emin，轉(zhuǎn)到步驟9，否則進(jìn)入步驟7；

步驟7:選擇幾個(gè)最好的個(gè)體生成新的下一代種群，定義為NewP；

步驟8:選擇一對染色體進(jìn)行單點(diǎn)交叉，產(chǎn)生兩個(gè)新個(gè)體作為下一代成員，重復(fù)這個(gè)過程，直到新生代達(dá)到最大種群規(guī)模Ps；

步驟9:使新一代的種群發(fā)生突變，二進(jìn)制編碼部分和實(shí)數(shù)編碼部分采用不同的突變策略，然后產(chǎn)生新的種群，取P=NewP，并返回到步驟4；

步驟10:得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，終止遺傳算法的迭代，即停止優(yōu)化。

1.7 模型訓(xùn)練環(huán)境及參數(shù)設(shè)置

實(shí)驗(yàn)環(huán)境采用Intel(R)Xeon(R)W- 2133 CPU ＠ 3.60 GHz，采用C++和Matlab 進(jìn)行混合編程。模型最大迭代次數(shù)為600，種群數(shù)量為50，交叉率為0.7，突變率為0.01，學(xué)習(xí)率為0.15，隱藏層神經(jīng)元最大數(shù)量smax為90，最小訓(xùn)練誤差Emin為0.01。

對同一受試者使用保持法把數(shù)據(jù)劃分為兩個(gè)不相交的集合，一部分作為訓(xùn)練集，剩余的部分作為驗(yàn)證集，在驗(yàn)證集上評價(jià)模型的性能，兩個(gè)集合的劃分比例為2 ∶1，把數(shù)據(jù)分別輸入BP 神經(jīng)網(wǎng)絡(luò)和BRF 神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練停止的條件為訓(xùn)練誤差小于0.01。將所有受試者的數(shù)據(jù)混合在一起組成新的數(shù)據(jù)集，采用K折交叉驗(yàn)證，將訓(xùn)練集分為K個(gè)子樣本，保留單個(gè)子樣本作為識別模型的驗(yàn)證數(shù)據(jù)，其余K-1 個(gè)子樣本用于訓(xùn)練識別模型。交叉驗(yàn)證重復(fù)K次，每個(gè)子樣本驗(yàn)證一次，平均K次的結(jié)果為單個(gè)估計(jì)。K的值是通過多次實(shí)驗(yàn)測試獲得的，當(dāng)K=6 時(shí)，識別準(zhǔn)確率和識別效率都能得到較好的結(jié)果。因此，本研究考慮到不同受試者的身體狀況和生活習(xí)慣導(dǎo)致個(gè)體的步態(tài)存在差異，受試者的肌電信號也具有一定的差異性。把混合數(shù)據(jù)樣本分割成K=6 個(gè)樣本，其中的5 個(gè)樣本數(shù)據(jù)作為訓(xùn)練集，剩余的1 個(gè)樣本數(shù)據(jù)作為驗(yàn)證集。交叉驗(yàn)證重復(fù)6 次，平均6 次的識別結(jié)果的平均準(zhǔn)確率作為該模型的準(zhǔn)確率。為了驗(yàn)證單次實(shí)驗(yàn)是否可能存在實(shí)驗(yàn)誤差，又進(jìn)行了對比實(shí)驗(yàn)。時(shí)隔為1 周對3名受試者采集的數(shù)據(jù)采用上述方法對8 種動作識別。

2 結(jié)果

采用信號能量閾值法進(jìn)行動作劃分的結(jié)果如圖4所示，其中圖4(a)是某一受試者在平地行走動作的右股直肌電信號的一部分，圖4(b)和圖4(c)中，第1 個(gè)和第2 個(gè)波峰分別對應(yīng)1 個(gè)步態(tài)周期的支撐相和擺動相，動作的起始點(diǎn)和結(jié)束點(diǎn)判斷準(zhǔn)確。實(shí)驗(yàn)結(jié)果證明，所采用的方法實(shí)現(xiàn)了8 種不同動作的肌電信號起始點(diǎn)和終止點(diǎn)的自動分割，保證了分割結(jié)果準(zhǔn)確。

圖4 動作劃分計(jì)算過程. (a)原始信號；(b)WL 波形劃分；(c)二值化處理Fig.4 Action division calculation process. (a)Raw sEMG signal； ( b )WL waveform classification；(c)Binarization processing

通過分析特征數(shù)量對識別準(zhǔn)確度的影響以確定本研究所需要的特征數(shù)量，結(jié)果如圖5所示，當(dāng)特征數(shù)量高于10 的時(shí)候，識別準(zhǔn)確率保持不變。通過使用PCA 方法對所采集的32 維特征進(jìn)行分析，選取貢獻(xiàn)率前10 的主成分作為特征向量。

圖5 主成分特征的識別準(zhǔn)確率Fig.5 Recognition accuracy of principal component

使用PCA 方法對所有特征進(jìn)行處理后的貢獻(xiàn)率和累積貢獻(xiàn)率如表1所示。表1的主成分1 ～10分別為積分肌電值、均方根值、過零點(diǎn)數(shù)、斜率符號變化數(shù)、波形長度、平均功率頻率、中值頻率、功率譜比值、小波系數(shù)最大值和小波系數(shù)奇異值。由表可見，前10 個(gè)主成分的累積貢獻(xiàn)率達(dá)到93.41%，基本包含了全部的信息，PCA 法對于高維特征降維取得很好的效果。

表1 主成分分析貢獻(xiàn)率和累積貢獻(xiàn)率Tab.1 Principal component analysis contribution rate and cumulative contribution rate

采用不同神經(jīng)網(wǎng)絡(luò)算法對同一受試者的數(shù)據(jù)進(jìn)行識別的結(jié)果如表2所示。相較于傳統(tǒng)的BP和RBF 神經(jīng)網(wǎng)絡(luò)分類算法，所提出的改進(jìn)算法在識別效率和識別準(zhǔn)確率方面都取得明顯的提高。

表2 不同方法的動作識別結(jié)果對比(平均值±標(biāo)準(zhǔn)差)Tab.2 Comparison of action recognition results with different methods(mean±SD)

15 位受試者數(shù)據(jù)混合后采用6 折交叉驗(yàn)證的識別準(zhǔn)確率如表3所示。與傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法相比，GA-RBF 識別準(zhǔn)確率提高了11.8%，識別時(shí)間從6.41 s 降至0.28 s，顯示了所提出算法的優(yōu)越性。

表3 受試者混合數(shù)據(jù)識別準(zhǔn)確率及預(yù)測時(shí)間Tab.3 Subject mixed data recognition accuracy and time

圖6為基于GA- RBF 神經(jīng)網(wǎng)絡(luò)識別模型對15位受試者8 種動作分類的混淆矩陣。第1 行表示模型把88 個(gè)行走動作正確識別，11%代表識別出的行走動作數(shù)量占總樣本數(shù)的概率，其中2 個(gè)行走動作錯(cuò)誤地識別為站起，6 個(gè)行走動作錯(cuò)誤地識別為左轉(zhuǎn)，目標(biāo)動作的精度為91.7%。第1 列表示目標(biāo)行走動作有88 個(gè)被正確識別，其中12 個(gè)行走動作錯(cuò)誤地識別為左轉(zhuǎn)，目標(biāo)動作的識別精度為88%。由第1 行和第1 列可以看出，行走動作與左轉(zhuǎn)動作的時(shí)域特征有較高的重疊部分，對這兩種動作的識別準(zhǔn)確率較低，這是因?yàn)樾凶吲c左轉(zhuǎn)都是右側(cè)腿首先發(fā)生運(yùn)動并且運(yùn)動姿勢相近，因此會造成錯(cuò)誤識別。綜合來看，模型對下肢8 種動作的平均識別精度為89.3%，改進(jìn)的GA-RBF 神經(jīng)網(wǎng)絡(luò)能夠較為準(zhǔn)確的識別8 種運(yùn)動。

圖6 15 位受試者8 種動作分類模型的混淆矩陣Fig.6 Confounding matrix of 8 action classification models for fifteen subjects

3 討論

對于智能康復(fù)輔具而言，準(zhǔn)確地識別患者下肢動作是進(jìn)行康復(fù)訓(xùn)練的前提，錯(cuò)誤的識別動作可能對患者造成傷害[21]。本研究基于GA-RBF 神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)8 種下肢動作的分類識別，通過GA 算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)參數(shù)，提高模型的準(zhǔn)確率。由表2可見，在相同的數(shù)據(jù)情況下，GA-RBF 神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)和RBF 神經(jīng)網(wǎng)絡(luò)的識別準(zhǔn)確率分別提高9.50%和4.12%，通過識別準(zhǔn)確率的標(biāo)準(zhǔn)差也可以發(fā)現(xiàn)GA-RBF 網(wǎng)絡(luò)的穩(wěn)定性要明顯優(yōu)于其他兩種算法，識別時(shí)間分別縮短了5.33 和0.08 s，證明了該模型有助于提高分類的精度。

由圖5可知，主成分分析時(shí)能充分反映特征之間的關(guān)聯(lián)，本研究選取了累積貢獻(xiàn)率大于90%的主成分代表當(dāng)前動作的特征，并獲得較高的識別準(zhǔn)確率。在實(shí)驗(yàn)采集過程中，采集了8 個(gè)通道的表面肌電信號，分別把時(shí)域信號和小波信號作為特征，但是不同特征的數(shù)據(jù)之間存在相關(guān)性，這些相關(guān)數(shù)據(jù)不僅會造成模型訓(xùn)練時(shí)間長，而且會引起過擬合現(xiàn)象。由圖5可見，當(dāng)特征數(shù)量增加到10 時(shí)，模型的識別準(zhǔn)確率不再增加，反而還有所降低。因此，在基于sEMG 的下肢動作識別模型中不能通過單純地增加特征數(shù)量就提高識別精度。根據(jù)表2可以看出，經(jīng)過PCA 處理過的數(shù)據(jù)，BP 神經(jīng)網(wǎng)絡(luò)算法和RBF 神經(jīng)網(wǎng)絡(luò)算法的識別時(shí)間分別縮短了16.21 和8 s，這對識別效率有極大的提高，但是BP 神經(jīng)網(wǎng)絡(luò)的識別準(zhǔn)確率降低了0.88%，這是由于表1所提到的10 個(gè)主成分的累積貢獻(xiàn)率為93.41%，存在少量數(shù)據(jù)的缺失?？傮w來說，PCA 方法對模型的性能提高有積極效果。

針對sEMG 的下肢動作識別，GA-RBF 比BP 神經(jīng)網(wǎng)絡(luò)對8 個(gè)動作的識別準(zhǔn)確率較高，而且在訓(xùn)練迭代次數(shù)方面具有明顯的優(yōu)勢。傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)模型的權(quán)值是隨機(jī)生成，必然會造成訓(xùn)練過程不穩(wěn)定，識別精度低的問題[22]，而GA 算法可以將隨機(jī)權(quán)值進(jìn)行優(yōu)化，使權(quán)值達(dá)到穩(wěn)定的最優(yōu)解，通過優(yōu)化神經(jīng)網(wǎng)絡(luò)內(nèi)部的參數(shù)進(jìn)一步提高了模型的識別準(zhǔn)確率并降低了模型的訓(xùn)練時(shí)間。不僅如此，優(yōu)化后的模型相較于傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)有更好魯棒性和普適性，對于15 名的受試者混合數(shù)據(jù)，GA-RBF神經(jīng)模型的識別精度提高了11.8%。

從圖6對15 位受試者8 種動作分類模型的混淆矩陣中可以看出:就單一動作而言，慢跑動作的識別準(zhǔn)確最高，其次是行走、上行下樓梯和站立做動作，轉(zhuǎn)彎和坐下動作的識別準(zhǔn)確率較低。這是因?yàn)槁軇幼髋c其它動作特征區(qū)分較為明顯，而行走動作與轉(zhuǎn)彎動作所采集的肌肉信號的區(qū)分度較小，訓(xùn)練得到的模型對信號的特征不敏感，導(dǎo)致區(qū)分轉(zhuǎn)彎和行走動作時(shí)較易出現(xiàn)誤判。

為驗(yàn)證所提出的方法對下肢動作模式識別的優(yōu)越性，將所提出的方法與現(xiàn)有的識別方法進(jìn)行了比較。Chen 提出了一種識別6 種下肢運(yùn)動模式的參數(shù)優(yōu)化策略，結(jié)合二次判別分析方法構(gòu)建分類器，識別準(zhǔn)確率達(dá)到90%[23]。Liu 等[24]根據(jù)步行速度和地形的笛卡爾積，采用隱馬爾可夫模型實(shí)現(xiàn)步行、上下樓、上下坡5 個(gè)穩(wěn)態(tài)動作的識別，并取得不錯(cuò)的識別結(jié)果。但是，二者所識別的下肢動作種類較少，并且對于行走動作、轉(zhuǎn)彎動作等區(qū)分度低的運(yùn)動識別的研究不充分。本研究提出的基于GA 算法優(yōu)化的徑RBF 神經(jīng)網(wǎng)絡(luò)分類模型可以很好的實(shí)現(xiàn)對下肢8 類動作的高效識別，為下肢康復(fù)機(jī)器人的應(yīng)用提供支持。

本研究仍存在一些不足。首先，由于受試者并沒有覆蓋各個(gè)年齡段的人群，數(shù)據(jù)樣本量不夠均衡，導(dǎo)致某些動作識別精度不高。另外，實(shí)驗(yàn)的重點(diǎn)在于下肢動作的識別，一個(gè)重要的步驟是劃分有效動作的片段，但準(zhǔn)確定位有效動作肌電信號仍然是一個(gè)難點(diǎn)。在下一步工作中，準(zhǔn)備增加受試者人群的數(shù)據(jù)集，采用實(shí)時(shí)數(shù)據(jù)進(jìn)行識別，優(yōu)化模型，使之具備更好的泛化性能，更好的應(yīng)用于康復(fù)訓(xùn)練設(shè)備。

4 結(jié)論

綜合分析上述結(jié)果，使用PCA 方法有效的實(shí)現(xiàn)了特征向量的降維，保證識別精度的前提下降低了模型的訓(xùn)練時(shí)間，GA 算法優(yōu)化的RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)一步提高了動作的識別精度。最終，GA-RBF 神經(jīng)網(wǎng)絡(luò)模型對單一受試者的識別準(zhǔn)確率為94%。對于15 位年齡、身體情況存在差異的不同受試者，GA-RBF 神經(jīng)網(wǎng)絡(luò)模型識別準(zhǔn)確率可以達(dá)到89.3%，證明了該方法的有效性，本研究為基于sEMG 信號的穿戴式機(jī)器人的動作識別和康復(fù)訓(xùn)練應(yīng)用研究提供了參考。