基于BP神經(jīng)網(wǎng)絡(luò)的手勢動作表面肌電信號的模式識別

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

2、號，經(jīng)特征提取并采用BP神經(jīng)網(wǎng)絡(luò)，對8種手勢動作模式進行了識別。鑒于BP網(wǎng)絡(luò)具有較強的模式分類能力，而特征提取（幅度絕對值均值、AR模型系數(shù)、過零率）又利用了多路肌電信號的信息，實驗結(jié)果取得了較高的識別正確率，表明所采用的方法是有效的。 【關(guān)鍵詞】  模式識別；手勢語言；表面肌電信號；BP網(wǎng)絡(luò)； AR模型系數(shù)； 過零率    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    手勢語言在人們?nèi)粘Ｉ钪械膽?yīng)用極為廣泛，如交警指揮交通，排球場上裁判的手勢，聾啞人之間的手語交流等等。而且，許多手勢動作在不同地域是通用的，這就為不同語種的人們相互交流提供了方便。    目前，對于手勢語言的識別主要有基于數(shù)據(jù)手套1的手語識別和基于視覺圖像2的手語識別，前者識別率高，但輸入設(shè)備昂貴，難以普及；后者輸入設(shè)備簡單，但識別率較低，實時性比較差。由于手勢動作與手指和關(guān)節(jié)的運動相關(guān)聯(lián)，而手指和關(guān)節(jié)的運動又由對應(yīng)肌肉群所控制，因此，可以通過控制相

6、關(guān)肌肉活動產(chǎn)生的表面肌電（SEMG）信號及其差異來識別不同的手勢動作。采用基于SEMG信號的手勢動作識別的優(yōu)點是：傳感系統(tǒng)設(shè)計簡單，對周圍環(huán)境要求不高，處理算法的計算量也較少，它要解決的關(guān)鍵問題是提高對多種動作識別的分類正確率。    BP 算法結(jié)構(gòu)簡單，可操作性強，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的識別中。在神經(jīng)網(wǎng)絡(luò)的實際應(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  識別方法    手

7、勢動作SEMG的信號模式識別流程見圖1。    圖1  動作肌電信號的模式識別流程    Fig 1  The flow chart of gesture SEMG recognition    2.1  手勢動作的定義    本研究借鑒Sign Language庫中的常用手勢定義，手勢名稱用四位英文字母命名，通常為英文描述的單詞簡寫。我們選取了其中的八種動作，其名稱和表述見表1。表1  動作的名稱和含義  

8、0; 2.2  SEMG信號的獲取和預(yù)處理    分別在前臂的尺側(cè)腕伸肌、伸指總肌、指深屈肌和拇長屈肌安放4對電極（長10 mm，間距5 mm），檢測手勢動作時的SEMG信號。利用DELSYS公司的16通道肌電采集系統(tǒng)采集信號，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。然后進一步利用巴特沃思帶通濾波器對肌電信號數(shù)據(jù)進行濾波，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  活動段檢測 &#

9、160;  動作SEMG信號可以分成許多活動段和非活動段，每個活動段代表一個有效動作，而非活動段僅由噪聲和背景肌電活動組成。為了區(qū)分各單個動作信號，必須確定動作的起始和結(jié)束位置。由于背景噪聲的能量比動作信號的能量小，采用一種反映信號能量大小的移動窗法4進行活動段檢測。具體思路是：提取一小段時間內(nèi)的信號數(shù)據(jù), 對其進行平方積分，則有    Qi=ti+tti-tx(t)2dt(1)    其中x(t)是窗內(nèi)的肌電信號數(shù)據(jù)，Qi表示ti時刻信號的能量值。Qi若大于某閾值A(chǔ)，且在窗移動后有連續(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時刻是動作的開始時刻。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)為動作結(jié)束，并以tj時刻為結(jié)束時刻。若能量值Q在A與B之間，則認(rèn)為動作處于保持狀態(tài)；若能量值Q小于A，則認(rèn)為無動作產(chǎn)生。    2.4  特征提取    對肌電信號分析和處理常用的特征有：信號的平均值，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，它將肌電信號看作為零均值白噪聲過程激勵一線性系統(tǒng)的輸出，只要激勵白噪聲的功率和系統(tǒng)的參數(shù)已知，就可以通過利用模型參數(shù)和性

11、質(zhì)以及白噪聲通過此系統(tǒng)后的輸入輸出關(guān)系來研究肌電信號。參數(shù)模型把肌電信號的隨機性和一定程度的可預(yù)測性結(jié)合起來，激勵白噪聲反映過程的隨機性，確定性模型反映過程的可預(yù)測性5。一個隨機信號的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。    由于不同種類動作信號的幅度不同，因此將動作信號幅度絕對值均值作為SEMG信號的另一種特征。    過零率即信號中波形穿越零電平的次數(shù)，用來描述波

12、形在幅度上變化的劇烈程度，反映了信號的變化趨勢，將它用作肌電信號的一個特征，其計算公式如下：    ZCR=N-1i=1sign(-SEMG(i)×SEMG(i+1)SEMG(i)-SEMG(i+1)0.02(3)    上式的含義是，若同時滿足相臨采樣點之間異號并且相臨采樣點差的絕對值大于一個常數(shù)(0.02)這兩個條件，則可認(rèn)為信號此刻存在一個過零點。式中的SEMG(i)是一個活動段的肌電信號，N為活動段長度，sign為符號函數(shù)：    sign(x)=1  x0 

13、0;  0  x0(4)    考慮到描述信號特征的一種特征集只能從某一個角度對信號進行刻畫，僅用一種特征參數(shù)難以很好識別不同動作，因此，我們將信號的AR模型系數(shù)、信號的過零率和信號幅度絕對值均值融合在一起構(gòu)成SEMG信號的特征向量。由此一個活動段(有效動作)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；a5是信號的過零率。    再考慮到各種手勢動作是由相關(guān)肌肉群所控制，由其活動產(chǎn)生的各路SEMG信號及其特征是

14、有差異的，故進一步將4導(dǎo)SEMG信號對應(yīng)活動段提取的5個特征組合在一起，構(gòu)成20維特征向量，這樣更有利于對手勢動作的識別。    2.5  BP神經(jīng)網(wǎng)絡(luò)分類器    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)的實際輸出與期望輸出之間的誤差來修改其權(quán)值，使實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，通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向上計算網(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算法分為兩個階段：第一階段（正向過程）輸入信息從輸入層經(jīng)隱層逐層計算各單元的輸出值；第二階段（反向傳播過程）由輸出誤差逐層向前計算出隱層各單