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λ_j的累積貢獻(xiàn)率Z_i，以Z_i≥96%為標(biāo)準(zhǔn)來獲得前P_i(P_i≤2^L)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,，…，Y_N],，Y_n=[Y_1,n,，Y_2,n，…,，Y_M,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m_i， w_i類的樣品量記為N_i,，i=1,2,。

        (3)計(jì)算最優(yōu)解W*,。

        Fisher準(zhǔn)則函數(shù)被定義為J_F(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e_n,，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,。

        Y_i=[Y_i,1,，Y_i,2，Y_i,3,，Y_i,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.