基于改進人工蜂群優(yōu)化與組合特征提取的手部運動意圖識別*

石軍梅，王從慶，左超

(南京航空航天大學自動化學院，南京 210016)

1 引 言

表面肌電(surface electromyography，sEMG)信號的產(chǎn)生超前于實際運動，能夠提供豐富的運動意圖信息[1]，用它作為交互媒介以識別手部運動意圖，構建智能可穿戴康復手套系統(tǒng)具有很大的優(yōu)勢。然而sEMG信號分布較為廣泛[2]，導致采集到的sEMG信號混疊度較高[3]，且sEMG信號自身具有時變和非平穩(wěn)特性[4]，提取的特征不能充分描述sEMG信號等問題限制康復設備的研發(fā)。解決這些問題有兩個途徑，一是使用高密度陣列電極獲取肌電圖像或肌電地形圖[5]，采用深度卷積神經(jīng)網(wǎng)絡獲取泛化能力更強的特征[6];二是對sEMG信號分解，以解析手部運動過程中各肌肉肌腱單元的激活特性[7]，減小電極位置對識別精度的影響。但使用高密度陣列電極的造價過高，短時間內(nèi)不能推廣應用。因此，分解sEMG信號提取運動單元動作電位序列成為提高手部運動意圖識別精度的主要方法。盲源分離方法是sEMG信號分解重要方法，羅志增教授團隊采用快速獨立量分析(fast independent component analysis,FastICA)的方法實現(xiàn)了多通道sEMG信號的盲源分離[8]，提高了手部運動意圖的識別率；Roussel等人使用基于四階循環(huán)累積量的聯(lián)合近似對角化(joint approximative diago-nalization of eigenmatrix,JADE)算法來分解sEMG信號[10]；楊基海教授團隊采用模糊K均值算法得到了sEMG信號發(fā)放時刻信息和動作電位序列波形[11]，應用于手部運動意圖識別。

2 基于改進人工蜂群優(yōu)化算法的sEMG信號盲源有序分離

2.1 改進人工蜂群算法的尋優(yōu)機理

人工蜂群(artificial bee colony，ABC)優(yōu)化算法全局最優(yōu)值附近，收斂速度變慢，算法效率不高[12]。因此,改進ABC算法的優(yōu)化機理，讓一部分蜜蜂按照原來方式進行尋優(yōu)，另一部分在目前得到的最優(yōu)值附近產(chǎn)生新解，繼續(xù)尋優(yōu)以加快收斂速度。見圖1。

圖1 ABC算法的尋優(yōu)機理 (a).ABC算法尋優(yōu)；(b).改進ABC算法尋優(yōu)Fig 1 ABC algorithm optimization mechanism(a).ABC algorithm optimization mechanism；(b).Improved ABC algorithm optimization mechanism

改進ABC優(yōu)化(improved artificial bee colony optimization,IABO)算法的數(shù)學描述如下：

蜂群規(guī)模NF、限定采蜜次數(shù)klimit、最大進化次數(shù)kmax，待優(yōu)化參數(shù)V。工蜂按照式(1)進行尋優(yōu)，比較其目標函數(shù)值F，得到目前最優(yōu)解Vbest。

Vlj=xlj+φlj(xlj-xkj)

(1)

其中φlj為[-1 1]之間的隨機數(shù)；k為[1NF]之間隨機序數(shù),l為工蜂現(xiàn)在的蜜源位置，j為待優(yōu)化的參數(shù)的維數(shù)。

觀察蜂繼續(xù)尋優(yōu)，并通過式(2)計算每個蜜源處的適應度值p(l)。

(2)

與設定的更改尋優(yōu)方式適應度閾值P′比較，若小于閾值，則繼續(xù)按照式(1)進行尋優(yōu)，否則按照式(3)尋優(yōu)。

Vlj=Vbest+φlj(xlj-xrj)

(3)

其中r為在[1NF]之間的隨機序數(shù)。

若偵察蜂連續(xù)klimit次未得到最優(yōu)解的蜜源,則在Vbest處隨機產(chǎn)生新的蜜源，繼續(xù)尋優(yōu)，直到尋找到最優(yōu)解。

2.2 sEMG信號的盲源有序分離原理

設手部動作時指淺屈肌、肱橈肌產(chǎn)生動作電位序列為s(t)=[s1(t)s2(t)]T，在皮膚表面檢測到兩路混疊信號為x(t)=[x1(t)x2(t)]T。定義如下：

(4)

其中A=[a1a2]反映了混合系統(tǒng)或信道的傳輸特性，n(t)為噪聲。

(5)

其中yi(t)(i=1、2)為抽取后的一個源信號s1(t)或s2(t)的估計，抽取權向量Woi為2維的列向量。算法的原理即通過調節(jié)Woi，使得每次分離出的信號與源信號保持一致，即保存的源信號的信息盡可能多。因此，目標函數(shù)選擇能提供更多信息的信號規(guī)范四階累積量，信號yi(t)的四階累積量如下：

(6)

基于規(guī)范四階累積量的準則函數(shù)為：

(7)

因此，獨立源信號的盲分離即等 價于最大化規(guī)范四階累積量的絕對值，盲分離矩陣行向量woi的約束條件為‖woi‖=1。

綜上，最優(yōu)權抽取列向量Woi的代價函數(shù)：

woi=argwoimax|f(woi)|，s.t.‖woi‖=1

(8)

2.3 基于IABO算法的sEMG信號盲源有序分離

使用IABO算法從兩通道sEMG信號中逐次分離出源信號，其算法步驟如下：

(1)確定恢復源信號的數(shù)目，對觀測信號x(t)進行去均值和白化處理；

(2)初始化蜂群基本參數(shù)；

(3)按照式(1)、式(2)、式(3)更新蜜源位置以優(yōu)化式(8)，使得每次分離出來的信號與某一源信號的波形保持一致，得到最優(yōu)抽取向量，通過式(5)計算出一源信號的估計量yi(t)；

(4)對現(xiàn)有混合信號xnow(t)進行消源處理[13]，即除去已分離出的源信號信息，得到新的混合信號xnew(t)；

(5)對xnew(t)進行PCA降維處理，n-1→n′，n為原信號的個數(shù)，n′為降維后信號的個數(shù)。若n′>1，則跳至步驟(3),把信號分別分離出來，否則，分離結束。

(6)按照四階累積量的降序排列分離出的源信號，實現(xiàn)sEMG信號的盲源有序分離。

3 組合特征提取與手部動作識別

3.1 基于小波包分解和樣本熵的特征提取

醫(yī)學研究表明，生物電的能量主要分布在10～250 Hz的低頻部分[14]。因此，選擇‘db5’小波基函數(shù)，對盲源分離后的兩通道sEMG信號進行四層小波包分解并以第四層小波包分解的前八個子空間內(nèi)的信號作為樣本熵的提取對象，指淺屈肌和肱橈肌的樣本熵分別記為Samp11-8、Samp21-8[15]。

3.2 組合特征向量構造

隨著小波分解層數(shù)的增加，空間分辨率降低，選擇能體現(xiàn)sEMG信號細節(jié)的時域特征偏度(η)、峰度(κ)，頻域特征肌電積分值(iEMG)作為特征。參數(shù)定義如下:

(9)

(10)

(11)

每一種手部動作的組合特征向量如下：

Feature={Samp11-8η1k1iEMG1
Samp21-8η2k2iEMG2}

(12)

3.3 二叉樹支持向量機分類器

本研究采用“二叉樹”的方法構造多類分類器[16]，先把所有類別劃分成兩個子類，依次類推，對于6類分類問題構造5個兩類分類器。其基本思想是把輸入的22維特征向量作為樣本，通過非線性變換映射到高維特征空間，從而得到能把樣本分開的超平面，以預測六種手部運動意圖。

4 實驗

4.1 實驗數(shù)據(jù)采集

采用實驗室自主研發(fā)的便攜式兩通道肌電信號采集儀進行sEMG信號采集。其采樣頻率為1 kHz，放大倍數(shù)可調。電極貼采用一次性直徑為10 cm的表面濕電極，實驗平臺見圖2。

圖2 表面肌電信號采集平臺Fig 2 sEMG signal acquisition platform

在實驗人員的聲音提示下做出ok、v、展拳、握拳、內(nèi)翻、外翻六種動作，采集前臂指淺屈肌和肱橈肌的sEMG信號。每個動作持續(xù)1 s,休息2 s，每個動作采集40組數(shù)據(jù)，信號的放大倍數(shù)設為2 000倍。

4.2 實驗結果分析

4.2.1肌電信號的預處理 選取一組采集的ok、v、展拳、握拳、外翻、內(nèi)翻六種手部動作的兩通道sEMG信號，并進行白化加窗處理，見圖3。

4.2.2盲源有序分離方法與經(jīng)典盲分離方法的sEMG信號分解效果比較 IABO算法的初始解采用Logstic混沌映射的方法產(chǎn)生，蜂群規(guī)模NF設為40，花蜜源設為20，同一蜜源被限定采蜜次數(shù)klimit設為5，迭代次數(shù)kmax設為150，適應度閾值P′設為0.025。由于本研究采集兩通道sEMG信號，則待優(yōu)化的權值矩陣為wo1=[wo11wo12]。由約束條件‖woi‖=1對權值進行霍夫變換[17]可得：wo11=cosα11，wo12=sinα12，待優(yōu)化參數(shù)為[α11α12]，產(chǎn)生初始解的上下限為[0 2π]。變換同樣以內(nèi)翻為例，抽取的第一個源信號和第二個源信號見圖4。

圖3 連續(xù)采集六種手部動作的肌電信號Fig 3 Continuously collecting the sEMG signal of six kind ofhand movements

圖4 蜂群優(yōu)化抽取的兩通道源信號Fig 4 Two-channel source signals extracted by bee colony optimization

基于負熵的FastICA算法[17]和基于四階累積量的JADE算法[18]都是比較成熟的盲源分離方法，其分解結果見圖5、圖6，以動作內(nèi)翻為例。

圖5 FastICA分解sEMG信號圖Fig 5 FastICA decomposition of surface EMG signals

計算分離出的獨立分量和觀測信號的相關性系數(shù)[14]以確定獨立分量的次序與多通道sEMG信號的對應關系。基于FastICA和JADE盲源分離的第一個獨立分量與第一通道的觀測信號的相關性系數(shù)為0.8026、0.8574，因此確定其為指淺屈肌處的源信號。分別計算盲分離后的指淺屈肌處的40組源信號的峰度、偏度、肌電積分值，見圖7、圖8、圖9。

圖6 JADE分解sEMG信號圖Fig 6 JADE decomposition of surface EMG signals

圖7 基于改進ABC優(yōu)化的特征值分布散點圖Fig 7 Scatter plot of eigenvalue distribution based on improvedartificial bee colony optimization

圖8 基于FastICA的特征值分布散點圖Fig 8 Scatter plot of eigenvalue distribution based on FastICA

由圖7、圖8、圖9可得，基于FastICA和JADE盲分離后的不同手部動作sEMG信號的細節(jié)特征值區(qū)分度較小；而基于IABO算法的盲源有序分離由于只抽取包含信息較多的信號，保留了sEMG信號的特征使得各個手部動作間的sEMG信號的細節(jié)特征值區(qū)分度變大，更利于分類。

圖9 基于JADE的特征值分布散點圖Fig 9 Scatter plot of eigenvalue distribution based on JADE

4.2.3組合特征提取 計算前八個低頻子空間的樣本熵以濾除高頻噪聲，樣本熵參數(shù)m取2，r為0.25Std(Std為肌電數(shù)據(jù)標準差)。由于個體的微小差異，圖10為每種動作的40組樣本所求結果的均值。

圖10 八個小波分解子空間的樣本熵均值Fig 10 Sample entropy means of eight waveletdecomposition subspaces

基于IABO算法盲分離后的sEMG信號細節(jié)特征值分布散點圖見圖6(以指淺屈肌信號為例)。

4.2.4基于BT-SVM的手部動作分類 內(nèi)翻、外翻、展拳、握拳、ok、v每個動作對應40組22維向量，從中任取15組特征向量作為訓練集送入多分類支持向量機中訓練，其余25組用來檢測手部運動意圖的識別精度。

本研究采用徑向基核函數(shù)設計SVM分類器，其中核函數(shù)中的待定參數(shù)σ取1，懲罰因子C取100。為了進一步驗證對sEMG信號進行盲源有序分離和組合特征提取的重要性，將經(jīng)過IABO算法、FastICA及JADE的盲源分離后的識別結果以及經(jīng)過組合特征提取和未經(jīng)組合特征提取的手部動作識別結果作對比，見表1。

由表1可知，基于IABO的盲源分離算法結合組合特征提取得到的平均識別率比選擇其他盲源分離方法或特征的識別率高。原因在于為了使FastICA、JADE分解有確定解，通常假設獨立分量間是統(tǒng)計絕對獨立的，最多有一個獨立分量滿足高斯分布[19],而表面肌電信號有些是高斯分布，有些則是亞高斯分布，導致重復分離；且基于FastICA、JADE盲分離后的獨立量次序具有不確定性，計算其相關性系數(shù)太耗時，實用性差。因此，不妨嘗試把群智能算法、盲源抽取算法應用在sEMG信號的分解上，例如基于粒子群算法的盲信號分離就得到很好的結果[20]；特征提取也是動作分類中的重要問題，可以考慮肌肉的協(xié)同作用，利用深度學習提取肌電圖像的空間特征和能量分布特征等泛化性能更好的特征[21-22]。

表1 不同方法選擇得到的識別結果

5 結論

本研究提出了一種基于IABO算法的sEMG信號盲源分離方法，實現(xiàn)了對兩通道混疊信號的盲源分離，消除了通道間肌電信號的串擾；并充分考慮了肌電信號的特性，提取非線性、時域、頻域特征構造組合特征向量；最后利用二叉樹支持向量機對手部動作進行識別，識別準確率達到93.33%，有利于提高肌機接口系統(tǒng)的實用性。