《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 基于DSP的人體手勢動(dòng)作實(shí)時(shí)識(shí)別系統(tǒng)
基于DSP的人體手勢動(dòng)作實(shí)時(shí)識(shí)別系統(tǒng)
2014年電子技術(shù)應(yīng)用第7期
秦 勤, 李艷瑋
河南工程學(xué)院 計(jì)算機(jī)學(xué)院, 河南 鄭州451191
摘要: 針對(duì)人體表面肌電信號(hào)(SEMG)的非平穩(wěn)性,、小波包變換系數(shù)維數(shù)過高和識(shí)別率低的問題,,設(shè)計(jì)了基于DSP處理器TMS320VC5502硬件平臺(tái)的便攜式人體手勢動(dòng)作實(shí)時(shí)識(shí)別系統(tǒng),,并提出了一種小波包主元分析(WPPCA)和線性判別分析(LDA)相結(jié)合的表面肌電信號(hào)動(dòng)作特征識(shí)別新方法。實(shí)驗(yàn)結(jié)果表明,該方法能夠?qū)⑿〔ò禂?shù)矩陣由16維降到4維,并且對(duì)前臂的握拳,、展拳、手腕內(nèi)翻和手腕外翻4種動(dòng)作模式的平均正確識(shí)別率達(dá)99.5%,,與傳統(tǒng)的小波包變換相比有較高的識(shí)別率,。
中圖分類號(hào):TP391.4
文獻(xiàn)標(biāo)識(shí)碼:A
文章編號(hào):0258-7998(2014)07-0075-04
Human gesture real-time recognition system based on DSP
Qin Qin,Li Yanwei
College of Computer,Henan Institute of Engineering,Zhengzhou 451191,China
Abstract: In view of surface electromyography (SEMG) non-stationary characteristics,higer dimenasion of wavelet packet transform coefficients and low recognition rate,a portable human gesture real-time recognition system based on TMS320VC5502 DSP processor hardware platform is designed,and a new method of SEMC signal feature recognition which is combined wavelet packet principal componet analysis (WPPCA) and linear discriminant analysis (LDA) is proposed.Experiments show that this method can reduce the wavelet packet coefficient matrix of surface EMG signal from 16 dimensional to 4 dimensional,and successfully identify four kinds fo motions such as hand grasping,hand opening,radial flexion and ulnar flexion,and action recogniion rate is up to 99.5%,which has a higher recognition rate comparing to the traditional wavelet packet transform,this algorithm.
Key words : principal component analysis;action recognition;SEMC;linear discriminant analysis;device control

       手勢控制技術(shù)可以通過在空中小幅度擺動(dòng)手掌或手指控制家電、游戲和殘疾人假肢等智能設(shè)備[1],,為人機(jī)的信息直接交互提供了新的方式,,正在受到越來越多的科技企業(yè)和科研人員的關(guān)注和研究。人體表面肌電信號(hào)(SEMG)是從人體骨骼肌表面通過電極記錄下來的神經(jīng)肌肉活動(dòng)發(fā)放的生物電信號(hào)[2],,是對(duì)人體手勢進(jìn)行識(shí)別的重要途徑之一。張毅等人采用小波變換和AR模型對(duì)SEMG進(jìn)行分析處理,,利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)SEMG信號(hào)進(jìn)行模式識(shí)別,,動(dòng)作識(shí)別率達(dá)到85%[3];侯秀麗等人采用四通道采集SEMG信號(hào),利用小波變換和BP神經(jīng)網(wǎng)絡(luò)來識(shí)別SEMG信號(hào)8種動(dòng)作,動(dòng)作平均識(shí)別率為96.25%[4],;Mahdi Khezri用時(shí)域參數(shù)平均絕對(duì)值(MAV)并采用一種自適應(yīng)神經(jīng)模糊推理系統(tǒng)識(shí)別手部動(dòng)作命令且動(dòng)作識(shí)別率達(dá)到92%[5],。但在SEMG信號(hào)的特征提取和動(dòng)作模式識(shí)別中存在特征向量維數(shù)過高、數(shù)據(jù)冗余度大,,分類器復(fù)雜,、魯棒性差和識(shí)別率低等問題[6]。為了更好地解決上述問題,,在DSP硬件平臺(tái)TMS320VC5502上設(shè)計(jì)了便攜式人體手勢動(dòng)作實(shí)時(shí)識(shí)別系統(tǒng),并提出了一種小波包主元分析(WPPCA)與線性判別分析(LDA)相結(jié)合的新方法,,以提高生物電信號(hào)識(shí)別準(zhǔn)確率和穩(wěn)定性,,并能夠準(zhǔn)確地將手勢識(shí)別結(jié)果轉(zhuǎn)換成智能設(shè)備的控制命令。

1手勢動(dòng)作識(shí)別系統(tǒng)硬件架構(gòu)

        便攜式手勢動(dòng)作識(shí)別系統(tǒng)硬件架構(gòu)主要由DSP處理器TMS320VC5502,、SEMG信號(hào)數(shù)據(jù)采集,、預(yù)處理、串口RS232,、JTAG調(diào)試口,、LCD顯示屏、鋰電池供電單元和SARAM和Flash存儲(chǔ)器等部分組成,。手勢動(dòng)作識(shí)別系統(tǒng)硬件架構(gòu)如圖1所示,。

        肌電信號(hào)的采集利用兩片Ag/AgCl電極作為肌電信號(hào)傳感器,并貼附在尺側(cè)腕屈肌和肱橈肌的皮膚表面上,,把一片Ag/AgCl電極貼在上肢前臂關(guān)節(jié)處的肌膚表面作為參考點(diǎn)來消除共模信號(hào),,提高電路的整體抗干擾能力。

        DSP處理器TMS320VC5502是整個(gè)便攜式手勢動(dòng)作識(shí)別系統(tǒng)的核心,,主要負(fù)責(zé)接收經(jīng)過處理的肌電信號(hào),,再根據(jù)相應(yīng)的算法進(jìn)行特征提取和動(dòng)作識(shí)別,獲得有效的手勢識(shí)別結(jié)果后,,再通過串口RS232發(fā)送給受控設(shè)備,;LCD顯示屏用來直觀展示手勢識(shí)別結(jié)果;由于設(shè)計(jì)的便攜式手勢動(dòng)作識(shí)別系統(tǒng)體積較小,,采用了鋰電池的供電方式,。

2基于小波包主元分析的SEMG特征提取

        WPPCA結(jié)合了小波包變換WPT(Wavelet Packet Transform)和主元分析PCA(Principal Component Analysis)兩種算法的優(yōu)點(diǎn),不僅能夠?qū)υ技‰娦盘?hào)進(jìn)行時(shí)-頻域分析,,而且還能去除小波系數(shù)中線性相關(guān)性較大的特征,,從而實(shí)現(xiàn)對(duì)特征維數(shù)的壓縮,有效地提取肌電信號(hào)中的特征[7],。采用WPPCA來獲取兩路原始肌電數(shù)據(jù)特征矩陣過程如圖2所示,。]

2.1 小波包變換

        WPT是一種更加細(xì)致的時(shí)-頻域分析法[8],能夠?qū)⒏哳l段和低頻段進(jìn)行更加細(xì)致的分析,,得到更全面的特征量,。三層小波包分解過程結(jié)構(gòu)圖如圖3所示。

 

 

2.2 主元分析

 

 

        (4)計(jì)算矩陣C的特征向量和特征值,,依據(jù)特征值從大到小來排列特征向量,。根據(jù)式(5)計(jì)算各特征值λj的累積貢獻(xiàn)率Zi,以Zi≥96%為標(biāo)準(zhǔn)來獲得前Pi(Pi≤2L)個(gè)主元構(gòu)建矩陣D,。

 

        

 

        經(jīng)WPPCA處理后的兩路SEMG信號(hào)的8個(gè)特征值貢獻(xiàn)率如表1所示,。

        從表1可以看出,SEMG信號(hào)經(jīng)WPPCA后所得的橈側(cè)腕曲肌和肱橈肌特征矩陣中,,前兩個(gè)特征1,、2的貢獻(xiàn)率相加后所得的累積貢獻(xiàn)率分別為97.42%和99.25%,,滿足閾值的條件,進(jìn)而將小波系數(shù)矩陣從16維減少到4維數(shù)據(jù),,獲得動(dòng)作類別特征矩陣Y=[Y11,,Y21,Y12,Y22]T,。

3 線性判別分析的SEMG動(dòng)作識(shí)別

        LDA算法的基本思想是將維數(shù)較高的樣品數(shù)據(jù)投影到最優(yōu)樣本分類的矢量空間,,從而達(dá)到有效獲得分類數(shù)據(jù)和動(dòng)作模式識(shí)別[10]。記肌電數(shù)據(jù)運(yùn)動(dòng)模式特征樣本集合Φ為Y=[Y1,,Y2,,…,YN],,Yn=[Y1,n,,Y2,n,…,,YM,n]T,,n=1,2,…,N,T表示矩陣轉(zhuǎn)置。采樣點(diǎn)數(shù)記為N,,樣本特征個(gè)數(shù)記為M,。定義運(yùn)動(dòng)類別w1、w2,,集合Φ中w1類有N1個(gè)采樣點(diǎn)數(shù),,w2類有N2個(gè)采樣點(diǎn)數(shù),N=N1+N2,。屬于w1類的樣本記為子集Φ1,屬于w2類的樣本記為子集Φ2,。SEMG信號(hào)數(shù)據(jù)中兩種動(dòng)作類別的分類具體方法如下:

        (1)計(jì)算肌電數(shù)據(jù)運(yùn)動(dòng)特征樣本中各手勢類別的樣品均值向量mi, wi類的樣品量記為Ni,,i=1,2,。

        (3)計(jì)算最優(yōu)解W*,。

        Fisher準(zhǔn)則函數(shù)被定義為JF(W),,表達(dá)式如式(11)所示,經(jīng)推導(dǎo)后W*的表達(dá)式如式(12)所示,。

 

        

 

  (4)按式(13)將特征數(shù)據(jù)中訓(xùn)練樣品集合內(nèi)所有樣品數(shù)據(jù)進(jìn)行投影,算出en,,從而獲得與集合Φ1和Φ2相對(duì)應(yīng)的兩個(gè)像集合記為Θ1和Θ2,。

 

 

4 實(shí)驗(yàn)結(jié)果分析

        利用設(shè)計(jì)的DSP便攜式人體手勢動(dòng)作實(shí)時(shí)識(shí)別系統(tǒng)進(jìn)行測試實(shí)驗(yàn),根據(jù)香農(nóng)采樣定理設(shè)定2 kHz作為采樣頻率,,分別采集5 s的握拳,、展拳,、手腕內(nèi)翻和手腕外翻4種動(dòng)作的肌電數(shù)據(jù)。并對(duì)所獲取的肌電數(shù)據(jù)進(jìn)行WPPCA分析,,所得的4個(gè)主元數(shù)據(jù)如圖4所示,。

        在圖4中,橈側(cè)腕曲肌的肌電特征數(shù)據(jù)為主元數(shù)據(jù)1,、2,;肱橈肌的肌電特征數(shù)據(jù)為主元數(shù)據(jù)3、4,。在這主元數(shù)據(jù)1~4中包含握拳,、展拳、內(nèi)翻,、外翻數(shù)據(jù)各100個(gè),。從而獲得4行400列的運(yùn)動(dòng)模式特征矩陣Y=[Y1,Y2,,Y3,,Y4]T,矩陣的轉(zhuǎn)置記為T,。

        Yi=[Yi,1,,Yi,2,Yi,3,,Yi,400]為第i個(gè)主元的數(shù)據(jù),,i=1,2,3,4。將前50個(gè)握拳,、展拳,、內(nèi)翻和外翻這4種動(dòng)作的數(shù)據(jù)作為分類器的訓(xùn)練樣本,后50個(gè)握拳,、展拳,、內(nèi)翻和外翻這4種動(dòng)作的數(shù)據(jù)作為分類器的測試樣本,,從而獲得訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)都為4行200列,,并將運(yùn)動(dòng)模式矩陣的訓(xùn)練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)輸入到LDA分類器中,進(jìn)而獲得每一種動(dòng)作類別與其他動(dòng)作類別間的分類閾值如表2所示,。

        采用LDA,、K近鄰、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)對(duì)WPPCA獲取的運(yùn)動(dòng)模式特征矩陣進(jìn)行動(dòng)作識(shí)別,,其分類結(jié)果如表3所示,。

        從表3可以看出同樣使用小波包主元分析法來提取SEMG信號(hào)特征,使用LDA分類器動(dòng)作平均識(shí)別率達(dá)到99.5%,而使用K近鄰分類器動(dòng)作平均識(shí)別率達(dá)87%,,BP神經(jīng)網(wǎng)絡(luò)動(dòng)作平均識(shí)別率達(dá)92%,,RBF神經(jīng)網(wǎng)絡(luò)平均識(shí)別率達(dá)95%。從這四種分類方法的分類結(jié)果可以看出,,應(yīng)用線性判別分析法對(duì)小波包主元分析法所得的運(yùn)動(dòng)特征矩陣進(jìn)行分類,,達(dá)到的動(dòng)作平均識(shí)別率最高。

        利用DSP硬件平臺(tái)設(shè)計(jì)的便攜式人體手勢動(dòng)作實(shí)時(shí)識(shí)別系統(tǒng),,采用人體表面肌電信號(hào)作為手勢識(shí)別的信號(hào)源,,利用小波包主元分析法對(duì)SEMG信號(hào)進(jìn)行特征提取,再利用線性判別分析法對(duì)SEMG的動(dòng)作進(jìn)行識(shí)別,。實(shí)驗(yàn)結(jié)果表明,在不同的SEMG信號(hào)特征提取方法下,,WPPCA具有良好的特征表達(dá)能力,應(yīng)用LDA分類器對(duì)運(yùn)動(dòng)特征矩陣進(jìn)行訓(xùn)練和分類,,達(dá)到了99.5%的動(dòng)作平均識(shí)別率,識(shí)別結(jié)果優(yōu)于其他分類器,解決了人體表面肌電信號(hào)的平穩(wěn)性差,、小波包變換系數(shù)維數(shù)過高和識(shí)別率低等問題,,能夠準(zhǔn)確地將手勢識(shí)別結(jié)果轉(zhuǎn)換成智能設(shè)備的控制命令,為人機(jī)的信息直接交互提供了新的方式。

參考文獻(xiàn)

[1] 王金鳳, 李濤, 孫漫漫. 基于STM32處理器的表面肌電無線采集裝置設(shè)計(jì)[J].電子技術(shù)應(yīng)用,2012,38(7):78-80.

[2] 邱紅, 劉光遠(yuǎn), 賴祥偉. 改進(jìn)的禁忌搜索算法在肌電信號(hào)情感識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2012,33(4):1553-1557.

[3] 張毅, 連奧奇, 羅元. 基于小波變換及AR模型的EMG模式識(shí)別研究[J]. 電子測量與儀器學(xué)報(bào), 2011,25(09):770-774.

[4] 侯秀麗, 宋愛國. 基于小波變換與BP網(wǎng)絡(luò)的四通道表面肌電信號(hào)模式識(shí)別[J].儀器儀表學(xué)報(bào),2007,28(4):528-531.

[5] KHEZRI M,JAHED M. A neuro-fuzzy inference system for sEMG-based identification of hand motion commands[J].IEEE Transactions on Industrial Electronics,2011,58(5):1952-1960. 

[6] 胡明霞. 表面肌電信號(hào)識(shí)別特征提取的仿真研究[J]. 計(jì)算機(jī)仿真, 2013,30(5):345-348.

[7] 李偉, 景占榮, 黃愛萍. 基于微慣性測量單元的人體動(dòng)作檢測系統(tǒng)設(shè)計(jì)[J]. 計(jì)算機(jī)測量與控制, 2009,17(8):1482-1485.

[8] 莊哲民,,張阿妞,李芬蘭.基于優(yōu)化的LDA算法人臉識(shí)別研究[J]. 電子與信息學(xué)報(bào), 2007,29(9):2047-2049.

[9] 周欣, 吳瑛. 核Fisher判別分析在數(shù)字信號(hào)分類中的應(yīng)用[J]. 北京郵電大學(xué)學(xué)報(bào), 2011,34(1):35-39.

[10] 陽誠海, 陳開, 許華虎,等.基于分類特征提取的手部動(dòng)作識(shí)別方法的研究及應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件,2011,28(6):101-104.

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載,。