文獻(xiàn)標(biāo)識(shí)碼: A
文章編號(hào): 0258-7998(2014)04-0084-04
表面肌電信號(hào)SEMG(Surface Electromyographic)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)[1]。隨著檢測(cè)技術(shù),、信號(hào)處理技術(shù)和模式識(shí)別技術(shù)的長(zhǎng)足發(fā)展,,國(guó)內(nèi)外學(xué)者對(duì)表面肌電的特征提取和模式識(shí)別也有更加深入的研究[2]。參考文獻(xiàn)[3]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%[3],;參考文獻(xiàn)[4]采用主成分分析提取SEMG信號(hào)的特征參數(shù),,進(jìn)而識(shí)別手部動(dòng)作。參考文獻(xiàn)[5]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85%[5],;參考文獻(xiàn)[6]采用4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96.25%,。但在SEMG信號(hào)的特征提取和動(dòng)作模式識(shí)別中仍然存在特征向量維數(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[7]?;谝陨蠁栴},,提出了一種小波包核主元分析和支持向量機(jī)相結(jié)合的新方法。通過SEMG信號(hào)對(duì)前臂動(dòng)作識(shí)別進(jìn)行研究,,研究表明,,該方法魯棒性好,成功實(shí)現(xiàn)了對(duì)前臂4種不同動(dòng)作的模式分類,。
1 SEMG信號(hào)采集系統(tǒng)平臺(tái)設(shè)計(jì)
整個(gè)系統(tǒng)主要由表面肌電信號(hào)檢測(cè)電極,、儀表放大電路,、10~1 000 Hz帶通濾波電路,、DAQ板卡以及LabVIEW框架下的計(jì)算機(jī)系統(tǒng)組成[8]。SEMG信號(hào)采集系統(tǒng)框圖如圖1所示,。
在實(shí)驗(yàn)室條件下,,用儀表放大器INA128和運(yùn)算放大器LM324,設(shè)計(jì)了一套差分輸入SEMG信號(hào)采集與調(diào)理電路,。此電路具有高輸入阻抗,、高共模抑制比,能夠很好地提取表面肌電信號(hào),。調(diào)理電路的放大倍數(shù)為250倍,,通頻帶為10~1 000 Hz[9]。在采樣頻率為2 000 Hz,,握拳動(dòng)作時(shí)采集到的SEMG信號(hào)如圖2所示,。
2 小波包分析與核主元分析
2.1 小波包分析
小波包分析(WPA)是在小波分析基礎(chǔ)上將頻帶進(jìn)行多層次劃分,對(duì)小波分析沒有細(xì)分的高頻部分進(jìn)一步分解,,根據(jù)信號(hào)特征,,選擇相應(yīng)頻帶,達(dá)到與信號(hào)頻譜相匹配,,提高時(shí)-頻分辨率的目的[10],。
小波包的分解算法為由尺度j下的系數(shù)d計(jì)算出下一層尺度j+1下的系數(shù)d,即:
2.2 核主元分析
核主元分析(KPCA)多用于統(tǒng)計(jì)領(lǐng)域,,它是常用的數(shù)據(jù)壓縮方法之一,,采用KPCA能夠達(dá)到用較少的特征量對(duì)數(shù)據(jù)樣本進(jìn)行描述,,實(shí)現(xiàn)了降低空間維數(shù)的目的,并且在降維后,,仍然保留了原始特征中主要的非線性信息,,使處理運(yùn)算量大大降低[11]。
設(shè)SEMG數(shù)據(jù)的特征總數(shù)目為M,,樣本個(gè)數(shù)為N,,樣本空間X=[x1,x2,…,xM],經(jīng)KPCA處理后的矩陣為V,。具體的 KPCA 分析步驟如下:
(1) 選取多項(xiàng)式核作為核映射函數(shù):
(2) 求在核空間下的協(xié)方差矩陣D:
對(duì)每一維m=1,2,…,M計(jì)算經(jīng)驗(yàn)均值,,將計(jì)算得到的均值放入M×1維的經(jīng)驗(yàn)均值向量um中:
(3) 計(jì)算協(xié)方差矩陣D的特征向量和特征值,特征向量按照特征值由大到小排列的矩陣就是投影變換矩陣,。在M維的樣本空間中,,有M個(gè)主元,根據(jù)式(6)計(jì)算主元的比率Z,,按照比率大于等于95%,,選取前P(P<M)個(gè)對(duì)偏差貢獻(xiàn)大的主元構(gòu)成向量D。
3 基于小波包核主元分析的SEMG特征提取
采用小波包核主元分析(WPKPCA)提取兩路SEMG信號(hào)特征矩陣過程如圖3所示,。
由圖3可得具體的WPKPCA實(shí)現(xiàn)SEMG信號(hào)特征提取具體過程如下:
(1)將采集到的兩路SEMG信號(hào)X1,、 X2分別經(jīng)L層小波包變換(WPT)得到各個(gè)尺度下的小波系數(shù)的均方根 D1,D2,,…,,D,構(gòu)成小波系數(shù)特征矩陣y1,、y2,。各個(gè)尺度下的小波系數(shù)均方根為:
其中j=1,2,…,2L, dj,i為第j尺度下的數(shù)據(jù),,N為該段的采樣點(diǎn)數(shù),,這里選取N為100。
(2)將y1,、y2經(jīng)核主元分析后得到各路SEMG信號(hào)特征矩陣Y1,、Y2;
(3)將Y1,、Y2合并為運(yùn)動(dòng)特征矩陣Y,。得到運(yùn)動(dòng)特征矩陣Y后進(jìn)行后續(xù)的動(dòng)作識(shí)別。
4 基于SVM的SEMG信號(hào)動(dòng)作識(shí)別
支持向量機(jī)(SVM)是統(tǒng)計(jì)學(xué)習(xí)理論發(fā)展的產(chǎn)物,,其基本思想是將低維輸入空間中的數(shù)據(jù)通過非線性函數(shù)映射到高維屬性空間,,將分類問題轉(zhuǎn)化為屬性空間中進(jìn)行,在屬性空間中求取樣本最優(yōu)分類面[12],。SVM算法克服了傳統(tǒng)統(tǒng)計(jì)學(xué)中經(jīng)驗(yàn)風(fēng)險(xiǎn)與期望風(fēng)險(xiǎn)可能具有較大差別的不足,,使得其在有限樣本下具有了較強(qiáng)的泛化能力[13],。SVM通過構(gòu)造最優(yōu)超平面,在滿足經(jīng)驗(yàn)風(fēng)險(xiǎn)最小的條件下使得VC(Vapnik和Chervonnenkis)維置信范圍最小,。最優(yōu)超平面的構(gòu)造問題實(shí)質(zhì)上是約束條件下求解一個(gè)二次規(guī)劃問題,,以得到一個(gè)最優(yōu)分類函數(shù):
其中ai*是拉格朗日系數(shù),b*是閾值,,Xi是第i個(gè)訓(xùn)練樣本,,X是測(cè)試樣本,n為總體訓(xùn)練樣本數(shù),,K(Xi·X)為滿足Mercer條件的核函數(shù),。使用核函數(shù)能夠避免高維屬性空間中的直接運(yùn)算,大大降低了運(yùn)算量,。一般應(yīng)用較多的核函數(shù)有下面4種:線性核函數(shù),、多項(xiàng)式核函數(shù)、RBF核函數(shù)和多層感知器核函數(shù),。此算法選用RBF函數(shù)作為核函數(shù),。
SVM多類分類器的基本構(gòu)造方法是通過組合多個(gè)二值分類器來實(shí)現(xiàn)的。具體的構(gòu)造方法有一對(duì)一和一對(duì)多兩種,。一對(duì)一的方法中對(duì)兩類樣本設(shè)計(jì)一個(gè)SVM分類器,,通過設(shè)計(jì)k(k-1)/2(k為類別數(shù))個(gè)SVM分類器,設(shè)分類函數(shù)為fij(x)用于判別i和j兩類樣本,。
若fij(x)>0,,則x屬于第i類,記i類得一票,,最后決策時(shí),通過比較哪一類得票數(shù)最多,,就把測(cè)試樣本歸于該類,。在一對(duì)多的方法中,需要構(gòu)造k個(gè)SVM分類器,,對(duì)于第i個(gè)SVM分類器,,將第i個(gè)模式的樣本作為一類(正類),剩下的k-1類樣本作為另一類(負(fù)類),決策時(shí),將待測(cè)樣本x依次輸入到各個(gè)SVM分類器中,比較哪一個(gè)SVM分類器輸出值最大,,把測(cè)試樣本歸于該類,。考慮到SEMG樣本類別較少,,而一對(duì)一的SVM分類器算法簡(jiǎn)單,,易于實(shí)現(xiàn),因此選用一對(duì)一的SVM分類器來構(gòu)造多類分類器。
5 實(shí)驗(yàn)結(jié)果分析
將差分式肌電信號(hào)采集電極粘貼在受試者的尺側(cè)腕屈肌和肱橈肌對(duì)應(yīng)的皮膚表面上,,選取橈腕關(guān)節(jié)處的皮膚表面作為參考點(diǎn)接地,,以消除共模信號(hào),。設(shè)置采樣頻率為2 000 Hz,當(dāng)手部做握拳,、展拳,、手掌內(nèi)翻和手掌外翻四種動(dòng)作時(shí),同時(shí)采集尺側(cè)腕屈肌和尺側(cè)腕伸肌兩路SEMG信號(hào),。每種動(dòng)作采集5 s,。前2.5 s作為訓(xùn)練樣本,后2.5 s作為測(cè)試樣本,,則訓(xùn)練樣本和測(cè)試樣本都是5 000個(gè)數(shù)據(jù),。以100個(gè)數(shù)據(jù)為子樣本,每種動(dòng)作有50組數(shù)據(jù),。
針對(duì)手部動(dòng)作的SEMG,,采用db08小波基,對(duì)預(yù)處理后的兩路肌電信號(hào)進(jìn)行3層小波包分解,,得到各個(gè)尺度下的小波系數(shù)矩陣,。圖4為握拳動(dòng)作時(shí),肱橈肌SEMG信號(hào)的3層小波包分解圖,,經(jīng)小波包3層分解后得到8維小波系數(shù)矩陣,。
由圖4可知,兩路SEMG信號(hào)經(jīng)小波包分解后構(gòu)成16維的小波系數(shù)矩陣,。采用KPCA分別對(duì)兩路SEMG信號(hào)的小波系數(shù)矩陣進(jìn)行降維,,去除數(shù)據(jù)間的冗余。圖5所示為肱橈肌和橈側(cè)腕屈肌的8維小波系數(shù)矩陣經(jīng)KPCA后的各主成分解釋方差貢獻(xiàn)率,。
從圖5可以看出,,經(jīng)WPKPCA的橈側(cè)腕屈肌和肱橈肌的SEMG小波系數(shù)矩陣中,主元1與主元2的累積貢獻(xiàn)率分別為98.42%和99.26%,,其他6個(gè)主元的累積貢獻(xiàn)率不到2%,,因此將后6個(gè)主元忽略,從而將16維的小波系數(shù)矩陣降至4維,,得到運(yùn)動(dòng)模式矩陣,。將運(yùn)動(dòng)模式矩陣輸入到SVM分類器中,其分類結(jié)果如表1所示,。
從表1可以看出,, LDA分類器分類結(jié)果中內(nèi)翻和展拳的正確識(shí)別率可達(dá)100%,外翻和握拳的正確識(shí)別率分別為94%和98%,,總體平均識(shí)別率98%,。表2所示為WPKPCA、WPT,、時(shí)域參數(shù)平均絕對(duì)值(MAV)和AR系數(shù)4種特征提取方法在LDA分類器中的分類結(jié)果,。
從表2可以看出,SVM作為分類器時(shí),,選取WPKPCA對(duì)SEMG信號(hào)進(jìn)行特征提取,動(dòng)作識(shí)別率最高,。WPKPCA能夠更加有效地提取SEMG信號(hào)中的細(xì)節(jié)信息,,與SVM分類器結(jié)合有更好的識(shí)別效果。采用SVM,、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可得,,在應(yīng)用WPKPCA來提取SEMG信號(hào)特征的情況下,采用SVM分類器動(dòng)作率最高,,效果最好,。因此,WPKPCA與SVM相結(jié)合的方法更能準(zhǔn)確地識(shí)別手部不同的運(yùn)動(dòng)狀態(tài),。
通過采集橈側(cè)腕曲肌和肱橈肌兩路SEMG信號(hào)來識(shí)別前臂4種動(dòng)作(握拳,、展拳、手掌內(nèi)翻和手掌外翻),,采用小波包變換對(duì)SEMG信號(hào)進(jìn)行分析,,將各頻段的子帶均方根作為每個(gè)動(dòng)作模式的特征向量并建立KPCA模型。在不同的SEMG信號(hào)特征提取方法下,,WPKPCA具有良好的特征表達(dá)能力,。運(yùn)用SVM分類器對(duì)所取特征進(jìn)行訓(xùn)練和分類時(shí),取得優(yōu)良的分類效果,。小波包核主元分析的特征提取方法與SVM分類器的組合是非常適合SEMG信號(hào)處理,。實(shí)驗(yàn)表明,運(yùn)用此方法能夠較好地識(shí)別手部4種動(dòng)作,,動(dòng)作平均識(shí)別率達(dá)到98%,。
參考文獻(xiàn)
[1] FUKUDA O,TSUJI T.A human-assisting manipulator tel-eoperated by EMG signal and arm motion[J]. IEEE Trans-actions on Robotics and Automation, 2003,19(2):210-222.
[2] ZHAO Z Y, CHEN X, ZHANG X, et a1. Study on onlinegesture SEMG recognition[C].Intelligent Computing (ICIC 2007), Lecture Note in Computer Science,2007,4681:1257-1265.
[3] KHEZRI M, JAHED M. A neuro-fuzzy inference systemfor sEMG-Based identification of hand motion commands[J].IEEE Transactions on Industrial Electronics, 2011,58(5):1952-1960.
[4] RYAIT H S. ARORA R A S, AGARWAL R. Interpreta-tions of wrist/grip operations from SEMG signals at differ-ent locations on arm[J]. IEEE Transactions on Industrial Electronics, 2010,4(2):101-111.
[5] 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(cè)量與儀器學(xué)報(bào),2011,25(9):770-774.
[6] 侯秀麗, 宋愛國(guó). 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.
[7] 李天博,陳玲,陳坤華,等.基于MSP430的肌電假手系統(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng),2012,31(4):75-78.
[8] 張兢,盧鳳蘭,余成波.基于DAQ數(shù)據(jù)采集卡的虛擬儀器通用硬件平臺(tái)設(shè)計(jì)[J].重慶工學(xué)院學(xué)報(bào),2001,15(2):42-44.
[9] 陳珍萍. 基于自適應(yīng)提升小波變換的電能質(zhì)量檢測(cè)節(jié)點(diǎn)[J].電子技術(shù)應(yīng)用,2011,37(7):86-88.
[10] 左來. 基于小波包分析和LS-SVM的柴油機(jī)故障診斷方法[J]. 計(jì)算機(jī)測(cè)量與控制,2009,17(11):2150-2152.
[11] 周欣, 吳瑛. 基于KPCA和LDA的信號(hào)調(diào)制識(shí)別[J].系統(tǒng)工程與電子技術(shù), 2011,33(7):1611-1616.
[12]崔建國(guó),王旭,李忠海,等.支持向量機(jī)在表面肌電信號(hào)模式分類中的應(yīng)用[J]. 東北大學(xué)學(xué)報(bào)(自然科學(xué)版), 2006,27(3):280-283.
[13]席旭剛,李仲寧,羅志增. 基于相關(guān)性分析和支持向量機(jī)的手部肌電信號(hào)動(dòng)作識(shí)別[J].電子與信息學(xué)報(bào),2008,30(10) :2315-2319.