基于NNE技術的手臂運動模式識別算法研究

陳萬忠，孫保峰，高韌杰，雷 俊

(吉林大學通信工程學院，長春130022)

表面肌電信號(Surface electromyography，sEMG)是神經肌肉系統在進行活動時的生物電變化經表面電極的引導、放大、顯示和記錄所獲得的一維電壓時間序列信號。由于肌電控制仿生假肢具有操作方便、實時性好的特點，表面肌電信號被廣泛應用于肌電假肢控制、人工智能等領域。基于表面肌電信號的手臂運動模式識別是利用表面肌電信號完成對仿生假肢控制過程中最重要的環節。目前，肌電信號識別方法主要有神經網絡、隱馬爾科夫模型、線性判別分析等［1－2］。在這些識別方法中，以神經網絡技術最為成熟、應用最廣。然而在實際使用神經網絡時也有一些困難，如神經網絡模型及網絡參數的確定、訓練集和測試集的分配、神經網絡收斂性時間的確定等，這些因素影響了神經網絡技術模式識別的正確率［3－4］。為了提高表面肌電信號的模式識別率，本文進行了神經網絡集成技術的相關研究。

Hansen和Salamon在1990年首次證明了神經網絡集成技術可以顯著地提高個體神經網絡的泛化能力［5］。近年來，神經網絡集成技術被廣泛地應用于人工智能、模式識別等領域中。2007年于繁華等［6］成功地將神經網絡集成技術應用于結構損傷的識別，并取得了較高的模式識別率，2011年李明愛等［3］將該技術用于人體腦電信號的識別并取得了良好的識別效果。本文將神經網絡集成技術應用于人體手臂運動模式識別中，實驗結果表明，神經網絡集成技術可以顯著提高單個神經網絡對手臂運動模式的正確識別率。

1 方法和材料

1.1 神經網絡集成技術基本原理

集成神經網絡的輸出主要通過兩種方法獲得，當集成神經網絡用于數據回歸估計時，集成的輸出常常由單個網絡輸出的平均或加權和構成，而當集成神經網絡用于模式識別時，其輸出常由單個神經網絡的輸出經投票法產生［7］。

數據集中共有N個樣本，且每個樣本均對應一個M維的特征向量時，若任一輸入特征向量為Ii，神經網絡集成的期望輸出為Oi，神經網絡Lj，(j=1，2，…，n)的實際輸出為fij，若集成神經網絡的輸出由參與集成的各個體神經網絡輸出結果的加權和構成，則集成神經網絡的輸出可以用

表示。個體神經網絡Lj在整個數據樣本上的泛化誤差為

集成神經網絡在整個數據集上的泛化誤差為

［8］，神經網絡集成的泛化誤差

根據參考文獻［8］，若利用相對多數投票法產生集成神經網絡的輸出時，集成神經網絡的泛化誤差要小于任何一個參與集成的單個神經網絡的泛化誤差，即提高了系統整體的泛化能力。為此，本文將神經網絡集成用于表面肌電信號的模式識別，集成神經網絡的輸出由參與集成的各單個神經網絡輸出經過相對多數投票法產生。

1.2 sEMG采集

由生理學知識，掌管手臂前臂各運動模式的肌肉主要有尺側腕伸肌和尺側腕屈肌。因此，本文中所應用的表面肌電信號均采自人體上臂的兩塊肌肉組織。

為了獲得較為純凈的表面肌電信號，在信號開始采集前，我們使用醫用酒精對受試者皮膚進行清污處理。本文中信號采集儀器為日本蝶和股份有限公司生產的MQ－8型表面肌電信號采集分析系統，肌電信號均采自8名健康、成年男性的右臂，信號采樣頻率為2 000 Hz。

待分析的4個手臂動作分別為握拳(HG)、上翻(WS)、下翻(WP)及手勢”V”(GT)。實驗中，4個動作所對應的雙路sEMG各采集了160組，每個受試者采集20組。為了避免在采集過程中因受試者肌肉疲勞而影響信號質量，信號采集期間每做8次重復動作之間休息1分鐘。4個動作模式及表面電極的擺放位置如圖1所示。

圖1 表面肌電信號采集過程Fig.1 Acquisition process of sEMG

2 手臂動作模式識別實驗

2.1 sEMG 的特征提取

特征提取是模式識別過程的關鍵環節，所提取特征向量的好壞對模式識別結果具有顯著影響。表面肌電信號是一種復雜的時變非平穩信號，具有微弱、交變和易干擾的特點，它的研究已成為康復工程、臨床醫學等領域的研究熱點之一。近年來，短時傅里葉變換、小波變換、小波包變換等一些常見的信號時－頻分析方法被廣泛應用于表面肌電信號的分析處理領域。小波變換是傳統傅里葉變換的發展，具備多尺度分解特性，在信號去噪、特征提取方面應用較廣。但由于其固定的時－頻分解形式并不是最優的，如在一些情況下，它的高端分辨率較低［9］。

小波包分解(Wavelet Packet Decomposition)是小波變換的延伸。與小波變換相比，它同時對分解得到的信號高頻和低頻部分進行下級分解，可以根據需要將信號分解到各個不同頻段上，因此，提高了信號的自適應處理能力。如果原始信號為S，小波包變換級數為3，則小波包分解結束后可以得到8段信號小波包分解系數信號。試驗中，我們根據已查閱資料，小波包分解級數設定為3，這樣每個sEMG信號在分解結束后得到8段小波包系數(Wavelet Packet Coefficients，WPC)。

肌電信號的能量與手臂動作強度直接相關，它在一定程度上反應了信號在各動作完成過程中的貢獻大小。手臂的不同動作均是由不同的肌肉組織相互協調配合共同完成的，在手臂動作完成的過程中，各肌肉組織對動作完成的貢獻大小不同，其表面肌電信號在能量上必然存在差異。因此，我們利用表面肌電信號小波包分解后得到的小波包系數能量作為表面肌電信號的特征元素，并從中選擇具有較強互異性的特征元素構成最終的特征向量。

4種運動模式所對應表面肌電信號的8段小波包系數的能量大小如圖2所示(每個動作僅畫出22組)，從圖2中可以看出第1、2段小波包系數的能量具有較強的分類性，故選擇每路肌電信號的WPC1、WPC2的能量作為最終特征向量的構成元素，則我們共得到4個動作模式下的特征向量各160個，每個特征向量的維數均為4。

圖2 小波包系數能量圖Fig.2 Energy of wavelet packet coefficients

2.2 神經網絡集成分類器設計

集成神經網絡可以提高神經網絡的泛化能力，從而提高模式識別的準確率。目前，用于集成神經網絡各個體神經網絡生成的算法主要有Boosting法和Bagging法。Boosting法不太穩定，有時效果很好，有時卻得不到分類效果［7］。而Bagging法基于可重復取樣技術，增加了神經網絡集成的差異度，由式(4)可知，增加神經網絡集成差異度的同時，神經網絡集成的泛化能力得到提高。本文利用Bagging算法產生神經網絡集成的各單個神經網絡，利用相對多數投票法產生集成神經網絡的輸出結果?；谏窠浘W絡集成技術的表面肌電信號識別流程如圖3所示。

圖3 表面肌電信號模式識別流程圖Fig.3 Structure diagram of integrated neural network

2.3 神經網絡集成用于sEMG模式識別

文獻［10］中已證明任意非線性函數均可由一個3層的BP神經網絡來逼近。因此，本文利用3層BP神經網絡作為參與系統集成的單個神經網絡。由于待識別的手臂動作模式有4種，且輸入神經網絡特征向量維數為4，實驗中所設計BP神經網絡的輸入層含有4個神經元節點，輸出層含有2個神經元節點。隱含層最佳神經元節點數目的確定尚無成熟理論［11］，我們通過反復試驗確定隱含層神經元節點數目，隱含層神經元數目最終確定為6。

集成神經網絡的識別結果與參與集成的單個神經網絡的個數有關，隨著參與集成的單個神經網絡數目的增加，集成神經網絡的正確識別率也逐漸增大。但當單個神經網絡數目達到一定程度后，繼續增加單個神經網絡的數目反而會導致識別率的下降。產生此現象的主要原因是當單個神經網絡的數目超過一定的限制后，各單個神經網絡之間的差異度逐漸減小。根據式(4)可知，參與集成的神經網絡的差異度減小會導致集成神經網絡的泛化誤差增大，即正確識別率會降低。本文試驗中我們利用Bagging方法生成各訓練集，并對各參與集成的BP神經網絡進行訓練，通過實驗的方式確定單個神經網絡的最佳數目為5。為了驗證神經網絡集成具有較好的識別率，我們利用網絡結構為4－6－2的單個BP神經網絡做了對比試驗。

3 實驗結果與分析

通過信號特征提取后，得到了4個運動模式下的特征向量各160個，分別從160個特征向量中抽取40個作為訓練集，剩下的構成測試集。最終訓練集中含有160個特征向量，每個運動模式40個，測試集中含有480個特征向量，每個運動模式120個。即所有表面肌電信號特征向量中，測試集與訓練集的分配如表1所示。

表1 測試集與訓練集分配Table 1 Assignment in training and test sets

本文中表面肌電信號的識別率由下面公式計算得出

由式(5)計算得出4個運動模式下表面肌電信號的識別率如表2所示。從表2中看出，集成神經網絡技術顯著地提高了手臂動作的模式識別率，說明了將神經網絡集成技術用于手臂動作模式識別領域的可行性與正確性。

表2 手臂動作的模式識別率Table 2 Correct recognition rates of hand motions

4 結束語

本文主要利用神經網絡集成技術對手臂運動模式進行識別，通過小波包分解提取兩路表面肌電信號的特征向量，根據已提取的特征向量完成對手臂運動模式的識別。實驗結果表明，與單一神經網絡相比，神經網絡集成技術可以顯著地提高手臂運動模式的正確識別率。因此，將神經網絡集成技術應用于人體手臂運動模式識別領域，有助于肌電控制仿生假肢的開發，促進人工智能、康復工程、臨床醫學的發展。

參考文獻:

［1］Abdulhamit Subasi，Mustafa Yilmaz，Hasan Riza Ozcalik.Classification of EMG signals using wavelet neural network［J］.Journal of Neuroscience Methods，2006，156(1－2):360－367.

［2］Chan A D C，Englehart K B.Continusmyoelectric control for powered prosthesis using hidden markovmodels［J］.IEEE Transactions on Biomedical Engineering，2005，52(1):121－124.

［3］李明愛，王蕊，郝冬梅.基于神經網絡集成技術的運動想像腦電識別方法［J］.北京工業大學學報，2011，37(3):347－351.

LiMing－ai，Wang Rui，Hao Dong－mei.An EEG recognition algorithm ofmotor imagery based on neural network ensemble［J］.Journal of Beijing University of Technology，2011，37(3):347－351.

［4］Sun Bao－feng，Chen Wan－zhong.Classification of sEMG signals using integrated neural network with small sized training data［J］.Biomedical Engineering:Applications，Basis and Communications，2012，24(4):365－376.

［5］Hansen L，Salamon P.Neurnl network ensemble［J］. IEEE Transaction on Pattern Analysis and Machine Intelligence，1990，12(10):993－1001.

［6］于繁華，劉寒冰，譚國金.神經網絡集成在結構損傷識別中的應用［J］.吉林大學學報:工學版，2007，37 (2):438－441.

Yu Fan－hua，Liu Han－bing，Tan Guo－jin.Application of neural network ensemble for structural damage detection［J］.Journal of Jilin University(Engineering and Technology Edition)，2007，37(2):438－441.

［7］周志華，陳世福.神經網絡集成［J］.計算機學報，2002，25(1):28－31.

Zhou Zhi－hua，Chen Shi－fu.Neural network ensemble［J］.Chinese Journal of Computers，2002，25(1):1－8.

［8］白雪飛，李茹.神經網絡集成的多表情人臉識別方法［J］.計算機工程與應用，2010，46(4):145－148.

Bai Xue－fei，Li Ru.Neural network ensemble based expression invariant face recognition［J］.Computer Engineering and Applications，2010，46(4):145－148.

［9］羅志增，熊靜，劉志宏.一種基于WPT和LVQ神經網絡的手部動作識別方法［J］，模式識別與人工智能，2010，23(5):695－700.

Luo Zhi－zeng，Xiong Jing，Liu Zhi－hong.Pattern recognition of hand motions based on WPT and LVQ［J］.Pattem Recognition and Aitificial Intelligence，2010，23 (5):695－700.

［10］Sankar K Pal，Sushmita Mitra.Multilayer perceptron，fuzzy sets，and classification［J］.IEEE Trans Neural Networks 1992，5(3):683－697.

［11］呂硯山，趙正琦.BP神經網絡的優化及應用研究［J］.北京化工大學學報，2001，28(1):67－69.

LüYan－shan，Zhao Zheng－qi.Optimization and application research of BP neural network［J］.Journal of Beijing University of Chemical Technology，2001，28(1): 67－69.