BP神經網絡手勢動作識別在腦卒中患者手臂訓練中的應用

2015-11-24 12:03:28朱彥平陳善超嚴良文

機械制造 2015年10期

關鍵詞：動作模型

□ 朱彥平 □ 陳善超 □ 嚴良文 □ 葉帥 □ 余雪

上海大學機電工程與自動化學院上海 200072

BP神經網絡手勢動作識別在腦卒中患者手臂訓練中的應用

□ 朱彥平 □ 陳善超 □ 嚴良文 □ 葉帥 □ 余雪

上海大學機電工程與自動化學院上海 200072

為了更好地配合腦卒中患者手臂康復訓練，利用手勢動作時從手臂肌肉上獲取表面肌電信號，經特征提取，采用BP神經網絡的方法建立智能識別模型，對8種手勢動作模式進行了識別。鑒于BP神經網絡具有較強的模式分類能力，而特征提取又利用了多路肌電信號的信息，實驗結果取得了較高的識別正確率。經實驗測試可知，建立的BP模型方法客觀、合理，識別精度高，實用性強，具有良好的理論與實際應用價值。

表面肌電信號 BP神經網絡手勢識別

傳統的治療方法無法讓腦卒中患者直觀看到訓練效果，以及提高訓練的信心和參與性，如果能將其運動意圖識別，并用反饋予以矯正就能實現這樣的效果。對于那些肌肉能輕微收縮，但運動變化不明顯的患者來說，如果能通過肌電信號識別其運動意圖和趨勢，可以將這種良好的效果反饋給患者，以便輔助康復訓練。BP算法結構簡單，可操作性強，能模擬任意的非線性輸入輸出關系，常常被用于表面肌電信號的識別。在神經網絡的實際應用中，絕大部分的神經網絡模型采用BP網絡或其變化形式，它也是前饋神經網絡的核心部分，體現了人工神經網絡中的精華部分［1］。

1 模式識別的方法

手勢動作肌電信號采集模式識別流程如圖1所示。

▲圖1 模式識別的流程

1.1 手勢動作

選取常用的8個手部動作為訓練目標，如圖2所示，分別為掌面向上、掌面向下、握拳、展拳、上切、下切、內翻、外翻。這8個動作為日常生活中較為常用的動作，例如：手腕的旋轉作用于調整手部的姿勢；握拳和展拳實際上是抓取物品所必須使用的。

1.2 肌電信號的采集

肌電信號采集結構如圖3所示，主要由采集電極、前置放大器、調理電路、加速度傳感器、A/D轉換模塊、DSP以及PC部分構成。采集電極將皮膚表面的肌電信號通過電纜傳導至放大器輸入部分，放大后的信號經過調理電路的升壓以適于DSP的AD模塊信號接收范圍，DSP經過運算后將需要的結果傳輸至PC［2］。

▲圖2 8種常用手部動作

▲圖3 肌電信號采集流程

1.3 特征值的提取

提取肌電信號的模型參數，AR模型和ARMA模型是最常用的擬合肌電信號的兩種參數模型，兩種模型都各有優缺點，AR模型在計算便利上占優勢，而ARMA模型所需要的參數較少。但是ARMA模型的計算耗時較長，影響其實時操作性，筆者采用AR模型。

AR模型描述如下：

式中：ai為自相關系數；xk為AR系數；p為模型階數；ek為殘差白噪聲。

在AR模型系統的傳遞函數中，只有極點，沒有零點，所以又叫全極點模型。

2 BP神經網絡設計

使用模式識別的方法即通過肌電信號判斷患者的運動趨勢和意圖，是一種良好的反饋方式，模式識別是指對事物或現象以各種表現形式的（數值、文字或邏輯關系）信息進行處理和分析，對事物或現象進行描述、辨認、分類和解釋的過程，是信息科學和人工智能的重要組成部分，是人類的基本智能。

2.1 BP神經網絡模型

BP網絡的結構如圖4所示，BP網絡是一種有三層或三層以上神經元的神經網絡，包括輸入層、中間層（隱含層）和輸出層。這個網絡的前一層和后一層之間所有的神經元是相互連接的，但是每層內部的神經元之間無任何連接。輸入層各神經元作為系統的輸入接口，用來接收輸入信息，輸入層接收到信息后，傳遞給中間層的神經元，中間層的神經元對收到的信息進行處理和變化，變換的次數取決于中間層的層數，最后的結果由輸出層輸出，即可得到所需的結果。

▲圖4 神經網絡模型

2.2 BP神經網絡的學習算法

BP網絡在進行正確推理之前必須先進行學習，這里的學習也叫作訓練，也就是不斷訓練網絡以便能夠獲得期望的輸出。訓練的具體算法過程為：首先將已知輸出的學習樣本輸入給網絡，神經元的激活值按照網絡結果歷經各神經元逐層傳遞，該樣本輸入對應的輸出也賦給相應的輸出層中的神經元，按照減少目標輸出與實際輸出之間誤差的方向，從輸出層反向經過各中間層回到輸入層，逐層修正各連接權值。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差達到設定的目標值，或者預先設定的學習次數為止［3］。經過這樣的循環，各連接權值逐步得到修正，網絡正確率也就不斷上升。BP算法中常見的傳遞函數有正切函數、Sigmoid型對數、線性函數等，這些函數都是可微的，因為在誤差反向傳播中會被求導。

2.3 BP神經網絡的設計

BP網絡的設計主要是設置網絡的參數，也就是找到最適合于該應用的網絡參數，主要是網絡的層數、隱含層神經元的個數、訓練函數等參數。

2.3.1 輸入輸出層的設計

輸入的神經元要根據問題的實際情況與輸入變量的類型來確定。常見的輸入有一維數組、模擬信號、二維圖像等。筆者確定使用AR模型系數作為網絡的輸入，每一通道有3個AR系數和1個殘差，一共是4通道，則輸入層的維數為n=16。輸出層的維數根據網絡的要求確定，一般將BP網絡用作分類器，類別模式一共有m個，則輸出神經元的個數為m或log2m，這里一共設計了8個訓練動作，即輸出層的維數為q=8。

2.3.2 隱層的設計

對于BP網絡，存在一個非常重要的定理，即對任何在閉區間內的一個連續函數都可以用單隱層的BP網絡逼近，也就是說大部分問題下，三層BP網絡就能實現所有的應用。隱層的神經元數目確定比較困難，隱含神經元的個數會對網絡性能產生重要影響，如果數目過多，則學習時間長、網絡構成復雜、難以收斂，最后的正確率也不一定高，反之，如果單元數目過少，網絡性能可能變糟，導致容錯性差、泛化能力弱的問題，因此需要尋找一個最佳的隱單元數。有以下3個經驗算式可以用于選擇隱單元最佳個數的參考。

（3）ni=log2n，其中，n為輸入單元數。

綜合上述3個算式，3＜ni＜15。將ni的值逐個代入網絡中進行訓練得到結果，見表1。

表1 不同節點數的訓練效果對比圖

根據表1的結果可以看到，當神經元的個數ni=8時，網絡通過一個較少的運算次數即獲得了一個誤差較小的網絡。由于采用不同的訓練函數對網絡的性能會有影響，如收斂速度、網絡推廣能力等，為了選取合理的訓練函數，采用以下3種訓練函數對網絡進行訓練。

Traingdx是動量及自適應lrBP的梯度遞減訓練函

數，該函數可以使網絡的學習速度提高很多倍，并且能跳過一些凸性較小的區域。使用它對隱含層神經元數目為8的網絡進行訓練的結果如圖5所示。從圖中可看出，使用該算法達到網絡逼近誤差0.000 1的訓練目標，要經過531次的運算。

改用Traingd梯度下降BP算法重新進行計算，它是最基本的BP算法。反向傳播采用的是梯度下降法，按照梯度下降的方向修正各連接權的權值，默認是平均方誤差。Traingd的收斂速度很慢，學習步長的選擇很重要，過大會導致振蕩嚴重，無法收斂到深窄的極小點，過小則速度慢，或者陷于局部極小［4］。Traingd算法的結果如圖6所示，經過了1 000次訓練，仍然不能達到預定的誤差目標，而且網絡訓練過程收斂得非常緩慢，訓練完畢后，全局誤差res=0.124 435。

接下來采用Trainlm函數對網絡進行訓練，該函數的學習算法為Levenberg-Marquardt反傳算法，由于梯度下降法在最初幾步下降較快，而在接近最優值的階段，因為梯度趨于零，目標函數下降變得很緩慢；而牛頓法則可在靠近最優值的地方產生理想的搜索方向。 Levenberg-Marquardt法結合了梯度下降法和牛頓法各自的優點，使得當網絡權值數目較少時收斂非常迅速［5］。

從圖7可見，經10次訓練，網絡的目標誤差就達到了要求，該訓練函數收斂速度較快，網絡誤差較小。

經過上面的分析與試驗，最終確定了本例的BP網絡結構，見表2。