雷華勤

（1．福州市職業(yè)教育實(shí)訓(xùn)中心 福建 福州：350009；2．福州大學(xué)，物理與信息工程學(xué)院 福建 福州：350108）

對(duì)肢體殘疾的殘障人士而言，肢體功能的缺失不僅給自身生活帶來(lái)了不便，也給家庭和社會(huì)帶來(lái)了巨大負(fù)擔(dān)，因此，研究殘疾人康復(fù)具有重要的社會(huì)意義。假肢作為殘疾人的康復(fù)工具一直是研究的熱點(diǎn)，而對(duì)假肢的控制源——表面肌電信號(hào)（Surface Electronomyography，sEMG）［1］是其中最重要的研究?jī)?nèi)容。sEMG是人類(lèi)肌肉收縮產(chǎn)生的一種非穩(wěn)態(tài)時(shí)變信號(hào)，其幅度很小，由于能在一定程度上反映神經(jīng)肌肉的活動(dòng)，因此在假肢研究領(lǐng)域得到了廣泛應(yīng)用。

sEMG信號(hào)采集、數(shù)據(jù)預(yù)處理、提取特征、模式識(shí)別等環(huán)節(jié)構(gòu)成了整個(gè)表面肌電信號(hào)人手動(dòng)作識(shí)別系統(tǒng)。其中，特征提取及模式識(shí)別是系統(tǒng)中研究重點(diǎn)內(nèi)容。在特征提取上，本文選用時(shí)頻域特征小波包分解與主成分分析方法結(jié)合提取sEMG信號(hào)特征，將組合提取到的的特征向量作為分類(lèi)器的輸入。在模式識(shí)別中，將具有很強(qiáng)的自學(xué)習(xí)能力且目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)作為人手動(dòng)作識(shí)別的分類(lèi)器。如何在人手動(dòng)作種類(lèi)數(shù)多（本文人手動(dòng)作數(shù)量達(dá)13種）的情況下達(dá)到較高的正確分類(lèi)識(shí)別率是目前研究的主要工作。本文通過(guò)大量實(shí)驗(yàn)，將粒子群優(yōu)化算法應(yīng)用于Elman神經(jīng)網(wǎng)絡(luò)，對(duì)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行了優(yōu)化，從而提高人手動(dòng)作分類(lèi)識(shí)別率。

1 基于小波包分解與主成分分析的sEMG特征提取

1．1 特征提取方法選取研究

肌電信號(hào)特征提取是正確識(shí)別整個(gè)動(dòng)作模式識(shí)別的關(guān)鍵，它直接影響到運(yùn)動(dòng)識(shí)別率。目前，用于肌電信號(hào)人手動(dòng)作模式識(shí)別的特征提取方法主要分為時(shí)域、頻域和時(shí)頻域特征提取。

由于肌電信號(hào)十分微弱且信噪比較低的時(shí)變特性，時(shí)域特征提取方法通常不容易提取。而頻域特征提取是假定sEMG為穩(wěn)定的信號(hào)，這與肌電信號(hào)是非平穩(wěn)時(shí)變信號(hào)相違背，且不能提供信號(hào)在時(shí)域上的信息，可見(jiàn)單獨(dú)采用時(shí)域或者頻域特征表征肌電信號(hào)有一定的局限性。因此，兼具時(shí)域和頻域分析優(yōu)點(diǎn)的時(shí)頻域特征提取方法越來(lái)越受到研究者的應(yīng)用［2］。

目前常用的時(shí)頻特征提取方法有小波包分解（WPT）及小波分解（WT），小波分解只對(duì)信號(hào)低頻部分進(jìn)行分解，會(huì)導(dǎo)致提取的信息不全面影響分類(lèi)結(jié)果。想獲取更加全面且豐富的sEMG信號(hào)信息，應(yīng)該采用能同時(shí)對(duì)信號(hào)的高頻部分進(jìn)行分解的方法，因此本節(jié)采用對(duì)sEMG信號(hào)的低頻和高頻部分都可分解的小波包分解特征提取方法。但時(shí)頻域的特征提取方法會(huì)增加信號(hào)的維度，增加計(jì)算負(fù)擔(dān)，需要進(jìn)行降維處理，降低了控制的實(shí)時(shí)性［3］。時(shí)域特征特征提取方法——主成分分析（PCA）是一種能對(duì)數(shù)據(jù)進(jìn)行降維、減少工作量且不影響效果的方法。因此，本文將時(shí)頻域特征小波包分解和時(shí)域特征主成分分析相結(jié)合提取表面肌電信號(hào)的特征。

1．2 信號(hào)特征的提取實(shí)驗(yàn)

在小波包變換中，小波基的選擇、分解層數(shù)的確定和分解子圖的選取是小波包變換應(yīng)用于人手動(dòng)作模式識(shí)別中的幾個(gè)關(guān)鍵問(wèn)題［4］。

本文首先使用MATLAB小波分析工具箱實(shí)現(xiàn)肌電信號(hào)的分解，選取“db”系的小波基函數(shù)作為小波基，使用db3小波包對(duì)信號(hào)進(jìn)行8層分解，共將獲得28個(gè)頻帶。其次，將小波包分解后的數(shù)據(jù)使用主成分分析方法進(jìn)行降維提取10維肌電信號(hào)特征。具體步驟見(jiàn)圖1所示。

在本實(shí)驗(yàn)中，選取前10個(gè)主成分，即Z1～Z10的特征向量，輸入神經(jīng)網(wǎng)絡(luò)分類(lèi)器，實(shí)現(xiàn)對(duì)人手抓取行為的模式識(shí)別。提取主成分特征值和貢獻(xiàn)率的實(shí)驗(yàn)結(jié)果如表1所示。

表1 特征值提取數(shù)據(jù)表

由表可知，第一主成分貢獻(xiàn)率為78．718276%，此主成分貢獻(xiàn)率越大，包含的肌電信號(hào)也越豐富，第二主成分貢獻(xiàn)率為10．370155%，第三主成分貢獻(xiàn)率為3．6525115%，…，第十主成分貢獻(xiàn)率為0．3368555%。主成分貢獻(xiàn)率越大，包含的肌電信號(hào)越豐富，從表1中可得，第一主成分貢獻(xiàn)率就高達(dá)78%，說(shuō)明WPT及PCA兩者方法結(jié)合提取信號(hào)特征取得了較好的效果。

2 基于粒子群算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)

2．1 Elman神經(jīng)網(wǎng)絡(luò)

1990年，Jeffrey L．Elman提出Elman神經(jīng)網(wǎng)絡(luò)，它是目前應(yīng)用廣泛、具有很強(qiáng)的計(jì)算能力反饋神經(jīng)網(wǎng)絡(luò)。

Elman神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、承接層和輸出層組成。其中，輸入層單元是進(jìn)行信號(hào)傳輸；隱含層單元通常由兩類(lèi)傳遞函數(shù)（線(xiàn)性和非線(xiàn)性）起到作用，實(shí)際研究中，較多用Signmoid非線(xiàn)性函數(shù)，隱含層的輸出通過(guò)承接層自聯(lián)到隱含層的輸入，從而達(dá)到動(dòng)態(tài)建模的目的；承接層則是通過(guò)接收隱含層的反饋信號(hào)，來(lái)記憶隱含層單元上一時(shí)刻的輸出值；輸出層單元?jiǎng)t起到累加權(quán)重的作用，其結(jié)構(gòu)圖如圖2所示。

圖2 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

Elman神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法是一種學(xué)習(xí)速率動(dòng)量梯度下降的自適應(yīng)反向傳播算法。該方法不僅提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，而且有效地解決了網(wǎng)絡(luò)局部極小值問(wèn)題。Elman神經(jīng)網(wǎng)絡(luò)算法的步驟如圖3所示［5］：

圖3 Elman神經(jīng)網(wǎng)絡(luò)算法的步驟

Step 1：假設(shè)輸入層、隱含層、承接層和輸出層之間的權(quán)重W1、W2、W3。

Step 2：建立特征輸入矩陣。

Step 3：建立特征輸出矩陣得到y(tǒng)d（k）。

Step 4：通過(guò)閾值和權(quán)重計(jì)算出輸入層、隱含層及承接層的輸出。

Step 5：通過(guò)計(jì)算每一層的輸出，最終計(jì)算訓(xùn)練矩陣。

Step 6：設(shè)定步長(zhǎng)為n，可以得到第k次的訓(xùn)練輸出為y（k）。

2．2 粒子群算法

1995年，肯尼迪和埃伯哈特提出了一種計(jì)算智能領(lǐng)域的群體優(yōu)化算法，稱(chēng)為粒子群優(yōu)化算法（PSO，Particle Swarm Optimization）。

粒子群優(yōu)化算法核心是粒子更新，在每一次重復(fù)反饋過(guò)程中，粒子通過(guò)和來(lái)更替原有的位置和速度，公式見(jiàn)（1）和（2）［6］。

式中，VK＋1為更新的粒子速度；VK為當(dāng)前的粒子速度；ω為慣性權(quán)重；pbestk為種群的個(gè)體極值；Gbestk為種群的群體極值；c1和c2為學(xué)習(xí)因子，分別表示新粒子向pbestk和Gbestk的靠攏速度；Xpresentk為當(dāng)前迭代時(shí)粒子的位置；Xpresentk＋1為下次迭代更新時(shí)粒子的位置。

PSO常被運(yùn)用于參數(shù)尋優(yōu)算法，其計(jì)算步驟如圖4所示［7］：

圖4 PSO算法流程圖

步驟1 需設(shè)置最大的速度區(qū)間，賦值粒子的最初位置及速度，設(shè)定種群的大小、迭代次數(shù)、約束條件等；

步驟2 計(jì)算每個(gè)粒子的適應(yīng)值；

步驟3 個(gè)體極值pbestk為每個(gè)粒子找到最優(yōu)的位置信息，把所有粒子的適應(yīng)值逐個(gè)與pbestk進(jìn)行對(duì)比。若適應(yīng)值更好，就用該適應(yīng)值替代相應(yīng)的pbestk；

步驟4 個(gè)體歷史最優(yōu)解中找到一個(gè)群體極值Gbestk，把所有粒子的適應(yīng)值逐個(gè)與Gbestk進(jìn)行對(duì)比，若適應(yīng)值更好，則用該適應(yīng)值替代當(dāng)前Gbestk；

步驟5 根據(jù)公式（1）和（2）確定每個(gè)粒子的位置和飛行速度；

步驟6 若沒(méi)達(dá)到預(yù)設(shè)的最大迭代次數(shù)，則返回步驟2，若達(dá)到則停止計(jì)算。

本文根據(jù)不斷實(shí)驗(yàn)測(cè)試，選取了PSO算法最優(yōu)參數(shù)，其中設(shè)置種群規(guī)模為20，最大迭代次數(shù)設(shè)置為2000，最大速度vmax＝0．0151，學(xué)習(xí)因子C1＝C2＝2，慣性權(quán)重最大值為wmax＝0．9，最小值為wmin＝0．3。

3 數(shù)據(jù)準(zhǔn)備

實(shí)驗(yàn)數(shù)據(jù)采用CyberGlove II手套和十個(gè)OttoBock電極設(shè)備采集得到，實(shí)驗(yàn)由27名受試者進(jìn)行13種人手動(dòng)作（包括無(wú)動(dòng)作及12種基本手指動(dòng)作組成），每種動(dòng)作各重復(fù)10次，圖5展示了具體的這12種手指基本動(dòng)作。

圖5 12種手指基本動(dòng)作

實(shí)驗(yàn)數(shù)據(jù)分訓(xùn)練集與測(cè)試集兩部分，訓(xùn)練集數(shù)據(jù)用于作為輸入模式識(shí)別方法的訓(xùn)練數(shù)據(jù)生成一定的分類(lèi)器模型，測(cè)試集數(shù)據(jù)用于輸入獲得的分類(lèi)器模型，鑒別其是否可以有效分類(lèi)。表面肌電信號(hào)的每個(gè)動(dòng)作的樣本數(shù)為130個(gè)，27名受試者，共3510個(gè)動(dòng)作樣本。現(xiàn)將3510個(gè)動(dòng)作樣本進(jìn)行分組，第一組3000個(gè)樣本用于學(xué)習(xí)訓(xùn)練，剩下的510個(gè)樣本作為第二組數(shù)據(jù)用于識(shí)別預(yù)測(cè)。

在進(jìn)行模式識(shí)別實(shí)驗(yàn)前，將13種動(dòng)作分別對(duì)應(yīng)13個(gè)動(dòng)作標(biāo)簽，輸出結(jié)果可根據(jù)動(dòng)作標(biāo)簽進(jìn)行判斷，分為四種情況：第一種，如果動(dòng)作表中的數(shù)據(jù)與標(biāo)簽完全匹配，那么分類(lèi)被認(rèn)為是正確的；第二種，如果有一個(gè)動(dòng)作的數(shù)據(jù)組，其標(biāo)簽屬性不能被識(shí)別，那么該組數(shù)據(jù)被認(rèn)為是誤判；第三種，如果一半以上的動(dòng)作是表中的標(biāo)簽沒(méi)有的，那么這被認(rèn)為是動(dòng)作不能被識(shí)別；第四種，如果實(shí)驗(yàn)結(jié)果有一組數(shù)據(jù)不匹配表中的標(biāo)簽，那么認(rèn)為不能正確識(shí)別這組數(shù)據(jù)［1］。

4 實(shí)驗(yàn)結(jié)果及分析

4．1 PSO算法優(yōu)化網(wǎng)絡(luò)與閾值

本文采用14－60－13的Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層有14個(gè)神經(jīng)元，隱含層有60個(gè)神經(jīng)元，輸出層有13個(gè)神經(jīng)元，訓(xùn)練目標(biāo)誤差為0．0001%，最大迭代次數(shù)設(shè)置為2000，最大允許識(shí)別錯(cuò)誤次數(shù)為6次；最大訓(xùn)練次數(shù)為3000；學(xué)習(xí)率為0．1。其中，粒子群算法參數(shù)設(shè)置如表2所示。

表2 粒子群算法參數(shù)

從圖6可以看到，迭代次數(shù)達(dá)到40的時(shí)候誤差率變化趨向于穩(wěn)定，通過(guò)粒子群算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)較快達(dá)到了穩(wěn)定，節(jié)省了計(jì)算時(shí)間。

圖6 PSO－Elman最優(yōu)迭代圖

4．2 網(wǎng)絡(luò)預(yù)測(cè)結(jié)果對(duì)比分析

本實(shí)驗(yàn)主要應(yīng)用神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行仿真測(cè)試，將所獲得的13種動(dòng)作特征向量及動(dòng)作標(biāo)簽，分別應(yīng)用標(biāo)準(zhǔn)Elman神經(jīng)網(wǎng)絡(luò)算法及優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)算法進(jìn)行數(shù)據(jù)訓(xùn)練，以獲得兩種模式分類(lèi)器模型。

Elman神經(jīng)網(wǎng)絡(luò)通常一般用Sigmoid型函數(shù)作為傳遞函數(shù)，常用的sigmoid型函數(shù)分Logsig和Tansig函數(shù)兩類(lèi)，由于Tansig函數(shù)要比Logsig函數(shù)的誤差小，因此本次將Tansig函數(shù)作為神經(jīng)網(wǎng)絡(luò)隱含層和輸出層的傳遞函數(shù)。Elman神經(jīng)網(wǎng)絡(luò)測(cè)試分類(lèi)結(jié)果如圖7所示。

粒子群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)通過(guò)matlab訓(xùn)練后的結(jié)果如圖8所示。

圖7 Elman神經(jīng)網(wǎng)絡(luò)測(cè)試分類(lèi)結(jié)果

圖8 PSO－Elman神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果

將表面肌電信號(hào)的測(cè)試數(shù)據(jù)集部分輸入到神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)行數(shù)據(jù)的測(cè)試，獲得的測(cè)試結(jié)果即為動(dòng)作分類(lèi)識(shí)別率，見(jiàn)表3，并基于識(shí)別率作為指標(biāo)，對(duì)模式識(shí)別方法進(jìn)行分析。

表3 不同神經(jīng)網(wǎng)絡(luò)算法分類(lèi)器的分類(lèi)識(shí)別率

根據(jù)表3中人手動(dòng)作模式識(shí)別正確識(shí)別率顯示，PCA＋WPT－Elman的分類(lèi)識(shí)別率為93．65±1．3%，PCA＋WPT＋PSO－Elman的分類(lèi)識(shí)別率為95．15±0．1%，與傳統(tǒng)的Elman神經(jīng)網(wǎng)絡(luò)對(duì)比發(fā)現(xiàn)，利用PSO優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)模型得到的預(yù)測(cè)結(jié)果具有較高的精度，該模型是可行的。

5 結(jié)論

本文采用小波包分解方法對(duì)sEMG信號(hào)的低頻和高頻部分同時(shí)進(jìn)行分解，并采用主成分分析方法進(jìn)行降維得到特征向量，發(fā)現(xiàn)小波包分解與主成分分析相結(jié)合的方法獲取的信息量更豐富。再采用粒子群優(yōu)化的Elman模型和傳統(tǒng)的Elman模型對(duì)13種人體手部運(yùn)動(dòng)的仿真結(jié)果進(jìn)行了分析比較，粒子群優(yōu)化的Elman模型的分類(lèi)識(shí)別率為95．15±0．1%，傳統(tǒng)的Elman模型的分類(lèi)識(shí)別率為93．65±1．3%，可以看出粒子群優(yōu)化后神經(jīng)網(wǎng)絡(luò)對(duì)人手模式識(shí)別率提高約2%，表明基于粒子群優(yōu)化后的Elman神經(jīng)網(wǎng)絡(luò)是一種可行的人手運(yùn)動(dòng)分類(lèi)識(shí)別方法。