基于PCA和ELM 的表面肌電信號(hào)手腕動(dòng)作識(shí)別研究

景甜甜，洪 潔

（1.安徽建筑大學(xué) 機(jī)械與電氣工程學(xué)院，合肥 230601；2.安徽江淮汽車集團(tuán)股份有限公司，合肥 230601）

表面肌電信號(hào)（surface electromyogram，sEMG）是肌肉收縮時(shí)通過(guò)表面電極與相關(guān)儀器記錄下來(lái)的一種能反映人體運(yùn)動(dòng)特征的微弱生物電信號(hào)［1］。當(dāng)肢體進(jìn)行不同的動(dòng)作時(shí)，對(duì)應(yīng)的肌肉收縮也不同，因此，通過(guò)對(duì)肌肉收縮時(shí)產(chǎn)生的表面肌電信號(hào)進(jìn)行處理可以得到不同的肢體動(dòng)作特征信息，這些特征信息也就成為肢體動(dòng)作識(shí)別的關(guān)鍵。近年來(lái)，隨著相關(guān)技術(shù)的發(fā)展，表面肌電信號(hào)被廣泛應(yīng)用于臨床醫(yī)學(xué)、康復(fù)醫(yī)學(xué)等領(lǐng)域［2］。

在肌電信號(hào)對(duì)肢體動(dòng)作的識(shí)別過(guò)程中，如何準(zhǔn)確地提取肢體動(dòng)作信息以及選擇何種分類器決定著肢體動(dòng)作識(shí)別的準(zhǔn)確度。通常，為了獲取較高的肢體動(dòng)作識(shí)別率，采集多通道肌電信號(hào)并提取相關(guān)特征構(gòu)成高維特征向量。但是這些高維特征向量包含許多無(wú)效信息，影響肢體動(dòng)作識(shí)別準(zhǔn)確度，且處理復(fù)雜。因此，對(duì)高維特征向量進(jìn)行降維，剔除無(wú)效信息是一種有效的處理方法。主成分分析（PCA）能在保留有效特征信息的同時(shí)對(duì)高維數(shù)據(jù)進(jìn)行降維，因而在表面肌電信號(hào)的處理中被廣泛應(yīng)用［3］。在挖掘出信號(hào)的特征信息后，隨之就是分類器的選擇，它決定著信號(hào)識(shí)別的準(zhǔn)確程度。目前用于肌電信號(hào)識(shí)別的方法主要有人工神經(jīng)網(wǎng)絡(luò)［4］、支持向量機(jī)等［5-6］。然而這些方法含有大量的迭代運(yùn)算，涉及的參數(shù)多，往往導(dǎo)致識(shí)別精度不高。極限學(xué)習(xí)機(jī)（ELM）作為一種新的算法，具有學(xué)習(xí)速度快、分類精度高等優(yōu)點(diǎn)，已經(jīng)得到廣泛運(yùn)用［7］。

本文基于PCA和ELM算法的優(yōu)勢(shì)，將兩者結(jié)合引入表面肌電信號(hào)的手腕動(dòng)作識(shí)別過(guò)程中。實(shí)驗(yàn)結(jié)果表明，該方法能較好地識(shí)別內(nèi)翻、外翻、握拳、展拳等4種手腕動(dòng)作。

1 PCA原理

PCA降維算法基本思路是：對(duì)各維數(shù)據(jù)進(jìn)行分析，將數(shù)據(jù)的主成分（包含信息量大的維度）保留下來(lái)，忽略對(duì)數(shù)據(jù)描述不重要的成分，從而實(shí)現(xiàn)多維數(shù)據(jù)的降維處理［8］。其基本原理如下所述。

定義1記x1，x2，…，xm為原始多維變量，y1，y2，…，yn為新多維變量，兩者關(guān)系如下所示：

在求解式（1）過(guò)程中，系數(shù)a、i、j的確定原則如下：

1）yi與yj（i≠j；i，j＝1，2，…，m）相互無(wú)關(guān)；

2）新多維變量數(shù)據(jù)的方差逐漸減小，s2（y1）＞s2（y2）＞…＞s2（yn）；

從以上的分析可以看出，PCA的實(shí)質(zhì)就是確定原變量xj（j＝1，2，…，m）的主成分yi（i＝1，2，…，n）上的荷載aij（i＝1，2，…，n；j＝1，2，…，m）。

2 ELM 模型

ELM（extreme learningmachine）是一種新型單隱層前饋神經(jīng)網(wǎng)絡(luò)算法。相對(duì)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，ELM隱含層節(jié)點(diǎn)參數(shù)可以是隨機(jī)給定的且不需要調(diào)整，學(xué)習(xí)過(guò)程僅需計(jì)算輸出權(quán)重，具有學(xué)習(xí)效率高和泛化能力強(qiáng)的優(yōu)點(diǎn)［9］。假設(shè)有m個(gè)輸入變量，n個(gè)輸出變量，隱含神經(jīng)元數(shù)為a。對(duì)于M個(gè)訓(xùn) 練 樣 本（xi，yi），xi＝［xi1，xi2，…，xim］T，yi＝［yi1，yi2，…，yim］T（i＝1，2，…，M）。

ELM數(shù)學(xué)模型可表示為

其中：wi＝［wi1，wi2，…，wim］T為輸入節(jié)點(diǎn)和隱層節(jié)點(diǎn)的輸入權(quán)值；bi為第i層隱層神經(jīng)元偏差，即閾值；βi＝［yi1，yi2，…，yia］為輸出神經(jīng)元的權(quán)值向量；rj＝［rj1，xj2，…，xjn］T為輸出閾值。

式中：H為樣本隱層輸出矩陣，于是轉(zhuǎn)化成求解權(quán)值最小二乘解的問(wèn)題，即

H＋是H的MP廣義逆。

3 基于PCA和ELM 的手腕動(dòng)作sEMG信號(hào)識(shí)別方法

為了提高手腕動(dòng)作sEMG的識(shí)別準(zhǔn)確性，將兩者結(jié)合起來(lái)對(duì)采集后sEMG進(jìn)行降維處理與識(shí)別，以獲得精度更高、分類效果更佳的分類器。基于PCA和ELM的手腕動(dòng)作sEMG信號(hào)識(shí)別流程如圖1所示。

圖1 手腕動(dòng)作sEMG信號(hào)識(shí)別流程

算法實(shí)現(xiàn)的過(guò)程如下：

1）采集手腕4種動(dòng)作（內(nèi)翻、外翻、握拳、展拳）表面肌電信號(hào)，每種動(dòng)作采集M組樣本；

2）對(duì)采集的肌電信號(hào)進(jìn)行N層小波分解，提取小波系數(shù)絕對(duì)值最大值作為特征向量，每個(gè)信號(hào)就有N＋1個(gè)特征值，每種手腕動(dòng)作則有M×（N＋1）階特征值矩陣；

3）用PCA算法對(duì)M×（N＋1）階特征值矩陣進(jìn)行降維，設(shè)選取的主成分?jǐn)?shù)目為K，此時(shí)得到降維后的特征矩陣則為M×k；

4）每種手腕動(dòng)作選擇A個(gè)樣本作為訓(xùn)練集，剩余的M-A個(gè)樣本作為測(cè)試集，用A個(gè)樣本對(duì)ELM進(jìn)行訓(xùn)練，建立模型；

5）用訓(xùn)練好的ELM分類器對(duì)將M-A個(gè)測(cè)試樣本進(jìn)行分類測(cè)試，輸出分類結(jié)果。

4 實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)對(duì)象為健康男性志愿受試者。實(shí)驗(yàn)選用NIUSB-6211數(shù)據(jù)采集卡，基于LabVIEW 軟件完成手腕4種動(dòng)作（內(nèi)翻、外翻、握拳、展拳）兩路肌電信號(hào)的采集。實(shí)驗(yàn)采樣頻率為1 000 Hz，每個(gè)動(dòng)作采集100組數(shù)據(jù)，每組2 000個(gè)點(diǎn)。采集的一組握拳兩路肌電信號(hào)如圖2所示。

圖2 握拳動(dòng)作兩路sEMG信號(hào)

用Sym5小波對(duì)每組動(dòng)作的兩路肌電信號(hào)數(shù)據(jù)分別做3尺度的分解，分解后提取每級(jí)分解的小波系數(shù)絕對(duì)值最大值：為分解后的子頻段，i＝1，2，…，level＋1，此處分解級(jí)數(shù)level＝3，j為采集通道數(shù)，j＝2）構(gòu)成8維特征矢量：feature＝則每個(gè)手腕動(dòng)作特征矩陣為100×8。

用PCA對(duì)上述特征矩陣進(jìn)行降維處理。為了說(shuō)明該方法的有效性，分別將原始的8維數(shù)據(jù)降至二維和3維，降維后的樣本分布如圖3、4所示。

圖3 PCA降維二維分布圖

圖4 PCA降維三維分布圖

從上述圖中可以看出，經(jīng)PCA降維后的手腕4種動(dòng)作的樣本可以被明顯地區(qū)分開(kāi)，從而說(shuō)明了該方法的有效性。下一步將PCA算法與ELM相結(jié)合來(lái)對(duì)手腕4種動(dòng)作的樣本進(jìn)行分類識(shí)別，通過(guò)大量實(shí)驗(yàn)發(fā)現(xiàn)，降至四維時(shí)識(shí)別效果最好。接下來(lái)，隨機(jī)選擇每組手腕動(dòng)作，選擇70組作為訓(xùn)練集，剩下的30組作為測(cè)試集。最后，對(duì)每個(gè)動(dòng)作設(shè)置1個(gè)標(biāo)簽，以方便對(duì)識(shí)別的結(jié)果進(jìn)行觀察分析，各動(dòng)作對(duì)應(yīng)的標(biāo)簽如表1所示。

表1 動(dòng)作模式識(shí)別標(biāo)簽

將降維后的特征數(shù)據(jù)輸入ELM模型中進(jìn)行測(cè)試識(shí)別，ELM模型選擇Sigmoid函數(shù)作為激活函數(shù)，隱含層的節(jié)點(diǎn)數(shù)選擇500個(gè)。ELM的識(shí)別結(jié)果如圖5所示，為了對(duì)比，將原始數(shù)據(jù)分別降低至二維和三維。用相同的方法輸入ELM和支持向量機(jī)分類器進(jìn)行動(dòng)作識(shí)別，識(shí)別結(jié)果如表2、3所示。

圖5 ELM識(shí)別結(jié)果

表2 ELM分類器識(shí)別率 %

表3 SVM分類器識(shí)別率 %

由表2及表3可知，運(yùn)用PCA將手腕動(dòng)作肌電信號(hào)的特征數(shù)據(jù)降至四維時(shí)分類器分類識(shí)別率最高；相對(duì)于支持向量機(jī)，ELM有更好的分類識(shí)別率。因此，運(yùn)用PCA＋ELM組合對(duì)手腕動(dòng)作肌電信號(hào)進(jìn)行分類識(shí)別不僅能對(duì)不同動(dòng)作進(jìn)行準(zhǔn)確地識(shí)別，還具有著較好的識(shí)別率。

5 結(jié)束語(yǔ)

基于主成分分析和極限學(xué)習(xí)機(jī)算法在模式識(shí)別方面的優(yōu)勢(shì)，提出了一種將兩者結(jié)合起來(lái)的方法用于手腕動(dòng)作sEMG信號(hào)識(shí)別。首先采集手腕動(dòng)作肌電信號(hào)，提取小波系數(shù)絕對(duì)值最大值作為原始高維特征向量，然后采用主成分分析對(duì)原始高維特征矩陣進(jìn)行降維處理，最后運(yùn)用極限學(xué)習(xí)機(jī)對(duì)降維后的特征進(jìn)行分類識(shí)別。由實(shí)驗(yàn)結(jié)果可知，該方法不僅能有效地降低sEMG特征空間維度，還能準(zhǔn)確地識(shí)別手腕sEMG信號(hào)，是一種有效可靠的手腕動(dòng)作sEMG信號(hào)識(shí)別方法。