基于PNN的手勢識別*

魏慶麗， 肖 瑋， 梁偉強， 孫振超， 張 莉

(吉林大學 儀器科學與電氣工程學院，吉林 長春 130061)

0 引 言

表面肌電[1,2](surface electromyography，SEMG)信號具有采集過程無創性、易被檢測性等優點，隨著檢測技術和信號處理技術的快速發展受到了越來越多的青睞，國內外學者對使用神經網絡處理表面肌電信號也有了更加深入的研究。國外學者Mahdi Khezri采用一種自適應神經模糊推理系統識別手部動作命令且動作識別率達到92 %[3]；國內張毅等人采用小波變換和AR模型對SEMG進行分析處理，利用徑向基函數(radial basis function,RBF)神經網絡對SEMG信號進行模式識別，正確識別出了手勢動作[4]；楊善曉用小波變換多尺度分解系數的最大和最小值作為特征量將特征向量輸入到改進的基于L-M算法的反向傳播(back propagation,BP)神經網絡，取得了十分理想的識別效果[5]。隨著計算機算法技術的快速發展，神經網絡的發展空間將十分廣闊。

本文針對SEMG的多種特性，以信號的采集分析、處理為基礎，提取并選擇更為有效的特征值，構造神經網絡輸入向量并用其訓練概率神經網絡(probabilistic neural network，PNN)，分析模式識別結果，為后續的仿生手研究提供理論依據。

1 PNN

PNN是前饋型網絡的一種，采用Parzen窗函數密度估計方法估算條件概率，進行分類模式識別[6]。PNN基本結構[7]如圖1所示。

圖1 PNN基本結構

2 手勢識別系統

識別系統主要由采集模塊、信號處理模塊、模/數(A/D)轉換模塊、無線通信模塊、上位機顯示界面等組成。首先使用無創的AgCl貼片電極采集前臂表面肌電信號，通過肌電傳感器進行放大、濾波等處理，處理后的信號經過A/D轉換和藍牙無線通信，傳輸至上位機上進行信號處理并顯示，最終經由視覺等信息反饋確認識別結果。識別系統總體框圖如圖2所示。其中信號處理流程如圖3所示。

圖2 系統整體框圖

圖3 信號處理流程

3 實驗與結果分析

采集的SEMG信號仍需進行進一步的處理方能實現手勢識別的目的。主要包括信號處理，特征值的選擇及提取，模式識別等實驗過程。

3.1 信號處理

1)由于SEMG的間歇性、隨機性，因此需要對其進行活動段檢測。本文采用邊緣檢測的方法檢測并提取活動段，即用小區域模板卷積來近似計算每個像素點的梯度算子，以獲得X和Y方向的邊緣強度[8]。以握拳動作為例，動作信號及活動段檢測結果如圖4所示。

圖4 活動段檢測信號時域

2)通過設計巴特沃斯濾波器分別進行帶通濾波和帶阻濾波，以去除基線漂移和工頻干擾。降噪前后信號對比如圖5所示，已濾除50 Hz工頻干擾。

圖5 濾波前后頻域比較

3.2 特征值的選擇及提取

降噪處理后的SEMG需要提取特征值才能進行模式識別。本文著重研究伸食指、伸腕、屈腕和握拳動作產生的表面肌電信號，動作示意如圖6所示。

圖6 動作示意

待選擇的特征值有時域分析的積分肌電值(integrated EMG，IEMG)和均方根值(root mean square，RMS)，頻域分析的平均功率頻率(mean power frequency，MPF)、功率譜密度(power spectral density，PSD)和中值頻率(median frequency，MF)。

積分肌電值是指對信號求取絕對值后的均值，即

(1)

均方根值用于描述信號的平均程度，其計算公式為

(2)

頻域上的MPF一定程度反映SEMG特征，即

(3)

式中p(f)為SEMG功率譜密度函數。

經過大量實驗對比發現，伸食指、伸腕、屈腕和握拳4種動作的方均根值和積分肌電值特征值區分較為明顯。通過將特征值作為橫縱坐標進行標點的方式查看區分度，標記結果如圖7所示。

可以看出，不同動作的分布區域重疊部分較少，進一步驗證了特征值的選取。

圖7 特征值提取結果

3.3 模式識別

選取每個動作50組特征向量共計200組數據，隨機選取每個動作30組共120組數據組成神經網絡的訓練集，每個動作余下的20組總計80組數據用作測試。

PNN設置徑向基函數的擴展系數為0.000 6，訓練網絡后進行預測識別。某一次識別結果如圖8所示。

圖8 PNN模式識別結果

為了驗證PNN的識別效果，選用常用的BP作為對比。設置輸入層節點數n=12，隱含層節點數l=13，輸出層節點數m=4，權值初始化為小于1的隨機數。其中一次的識別結果如圖9所示。

圖9 BPNN模式識別結果

通過大量重復實驗，隨機選取10組2種網絡下4個動作的識別率結果并將其分別記錄于表1和表2中。

表1 BPNN識別率結果 %

表2 PNN識別率結果 %

本文得出的PNN的模式識別平均正確率為97.625 %，而BPNN的模式識別平均正確率為91.125 %，PNN的識別結果更為理想。

4 結束語

大量實驗分析表明： PNN對表面肌電信號的模式識別的正確率較高，能夠滿足模式識別的需求。將其用于手勢識別研究，可以為后續的手勢動作識別系統提供理論基礎。參考文獻:

[1] 洪 潔，王 璐，汪 超，等.基于人工魚群算法優化SVM的手部動作sEMG識別[J].傳感器與微系統，2016，35(2):23-25.

[2] 毛東杰.基于小波變換的表面肌電信號低功耗壓縮濾波算法[J].傳感技術學報，2016,29(5):648-653.

[3] Mahdi Khezri，Mehrah Jahed.A neuro-fuzzy inference system for SEMG-based identification of hand motion commands[J].IEEE Transactions on Industrial Electronics,2011,58(5):1952-1960.

[4] 張 毅,連奧奇,羅 元.基于小波變換及AR模型的EMG模式識別研究[J].電子測量與儀器學報，2011,25(9):770-774.

[5] 王紅旗.基于線性判別分析的表面肌電信號特征識別[J].河南理工大學學報：自然科學版，2015,34(6)：832-835.

[6] 劉朝陽，陳 以，李少博.概率神經網絡在手寫漢字識別中的應用[J].電子設計工程,2016,24(2):32-34.

[7] 史 峰，王小川.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2010：1.

[8] 李海華，范 娟.一種改進的基于梯度的自適應邊緣檢測算法[J].科學技術與工程,2013,13(1):90-93.