《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 測(cè)試測(cè)量 > 設(shè)計(jì)應(yīng)用 > 基于WPKPCA和SVM的SEMG動(dòng)作識(shí)別方法
基于WPKPCA和SVM的SEMG動(dòng)作識(shí)別方法
2014年電子技術(shù)應(yīng)用第4期
 華 敏,, 李 響
(1. 信陽農(nóng)林學(xué)院 計(jì)算機(jī)科學(xué)系,,河南 信陽464000;2. 開封大學(xué) 軟件學(xué)院, 河南 開封475004)
摘要: 為了有效提取表面肌電信號(hào)SEMG(Surface Electromyographic)的特征,更好的識(shí)別人體上肢運(yùn)動(dòng)模式,,提出了一種小波包核主元分析(WPKPCA)和支持向量機(jī)(SVM)相結(jié)合的新方法,。通過虛擬儀器采集橈側(cè)腕屈肌和肱橈肌兩路表面肌電信號(hào),應(yīng)用小波包核主元分析法對(duì)表面肌電信號(hào)進(jìn)行特征提取,,采用支持向量機(jī)對(duì)表面肌電信號(hào)特征數(shù)據(jù)進(jìn)行分類識(shí)別,。實(shí)驗(yàn)結(jié)果表明,采用此方法能夠從表面肌電信號(hào)中識(shí)別出握拳,、展拳,、手腕內(nèi)翻和手腕外翻4種動(dòng)作,更能有效提取表面肌電信號(hào)信息,,動(dòng)作識(shí)別率高達(dá)98%,。
中圖分類號(hào): TP212.3
文獻(xiàn)標(biāo)識(shí)碼: A
文章編號(hào): 0258-7998(2014)04-0084-04
SEMG action recognition method based on WPKPCA and SVM
Hua Min1, Li Xiang2
1. Department of Computer Science, Xinyang College of Agriculture and Forestry, Xinyang 464000, China;2. Software College, Kaifeng University, Kaifeng 475004, China
Abstract: To extract surface electromyography (SEMG) features and discriminate upper limb motion mode better, a new method which combining wavelet packet kernel principal component analysis (WPKPCA) and support vector machine (SVM) is proposed. Through the acquisition of two channels of SEMG on flexor carpi radialis and brachioradialis with virtual instruments, wavelet packet kernel principal component analysis is used to extract SEMG features. Support vector machine is used to classify and recognize the characteristics of SEMG signal data. Experiments show that this method can successfully identify four kinds of motions, such as hand grasping, hand opening, radial flexion and ulnar flexion, and effectively extract the information of SEMG signal, and the action recognition rate is up to 98%.
Key words : WPKPCA; SVM; SEMG; feature extraction

  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:

  HY]WLRMRE07VW@)PFE_OBU3.png

  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):

  Y[%TCF@DZVFTI~_)ML%I$P2.png    

  (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:

  [$P(ULY2O87`()OR$)AV[)U.png 

  (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。

  %3IO$~6M_X_5[BN[3A[)K1J.png

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,。

Image 003.jpg

  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:

  U6C56P]J30(_$$ENC[[18WO.png

  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):

  BP(MPR4VWMKE%PZ558D~VDS.png

  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,。

Image 004.jpg

  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,。

Image 005.jpg

  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,。

Image 006.jpg

  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,。

Image 007.jpg

  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,。

Image 008.jpg

  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.


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