基于PSO-SVM的手勢識別方法研究

胡命嘉，宮玉琳，王鋒

（長春理工大學 電子信息工程學院，長春 130022）

手勢動作識別即是通過傳感器采集手勢動作所產生的相關信息，來識別手勢動作的一種方法，sEMG蘊含著豐富的肌肉動作信息，能反映肌肉的運動狀態，通過分析不同類型動作的sEMG差異，即可區分出不同的動作模式［1］，且信號的強弱取決于肌肉的活動量大小［2］，因而sEMG在人機交互、康復醫學以及體育科學等領域具有較高的實用價值。

隨著對sEMG的不斷深入研究，國內外現已取得了一定的成果。文獻［3］從前臂的4塊肌肉上采集4路sEMG，再提取5個特征，通過BP神經網絡對sEMG進行分類識別，取得了較高的識別準確率；文獻［4］通過將信號的5種特征參數相融合，利用LDA分類器進行分類識別，驗證了在不同特征組合和維數下，都能取得較好的成果；文獻［5］設計一套基于肌電控制的輔助型機器人外骨骼，通過基于貝葉斯決策的線性判別分析方法判別運動類別，對于5類動作的平均在線識別率達到了95%以上。但科研人員不僅要考慮識別的準確率問題，還要考慮實時性、差異性等問題，要進行更深入的研究。

本文通過MYO臂環采集上肢動作時產生的肌電信號，通過經PSO優化的SVM分類器對4種手勢動作進行識別，取得了較好的分類效果。

1 手勢識別方法

經MYO臂環采集的信號數據，由藍牙傳至電腦后，對數據進行處理與識別，手勢識別方法如圖1所示，主要包括起始點檢測、特征提取和模式識別三個部分。

圖1 手勢識別方法

1.1 信號采集

為獲得表面肌電信號，需要將人體產生的生物電信號轉換為電路中的電壓信號，在實際運用中，常通過肌電信號釆集設備獲取人體肌電信號［6］。目前國內外研制了各種各樣的肌電信號采集設備用于采集表面肌電信號，例如Delsys公司研制的Trigno16通道肌電信號無線釆集系統，能夠接收40米內的肌電信號傳感器信號；美國的ATHOS公司研制了一套肌電信號采集衣，將肌電信號傳感器內嵌在訓練衣上用于采集和分析人體運動時的肌電信號；加拿大Thalmic Labs公司所研發的MYO臂環，由彈簧扣將8個傳感器等距離的排列在一起，可以佩戴在手臂上的任意位置，用來檢測肢體動作時所產生的肌電信號，再用藍牙將采集到的信號數據傳輸到計算機中。

考慮到實驗操作的可行性和便捷性，本文通過MYO臂環采集手掌外張、手掌內張、握拳、張手四種手勢動作所產生的表面肌電信號作為試驗數據，進行研究。四種手勢動作如圖2所示，圖2（a）為放松狀態，圖2（b）-圖2（e）為四種手勢動作，在數據采集過程中，規定放松-動作-放松為一次完整的動作，每種動作完整重復48次。

圖2 四種手勢動作示意圖

1.2 動作起始點檢測

動作起止點的檢測方法有閾值法、標準差檢測法、移動平均法等，本文選擇將閾值法與移動平均法相結合作為判斷動作起始點的方法，步驟如下：

（1）先對每種動作的8個通道的原始sEMG數據進行絕對值處理再滑動求和，記為sum_emgI，滑動長度L=50：

式中，N為采樣點的長度，I為通道個數，xk為采樣點。

（2）再求單個 sum_emgI的平均值，記為emg_MAVI(L)：

（3）再將I個通道的emg_MAVI()I信號相加，根據設定的閾值尋找動作起止點，找出有效的數據段：

1.3 特征提取

特征選擇是動作模式識別的關鍵。sEMG攜帶有不同手勢動作的信息［7］，特征提取的目的是將不同手勢動作盡可能區分，通過sEMG的某一特征數據來表示。目前在肌電信號分類方面主要的特征提取方法有時域特征、頻域特征、時頻特征。因時域特征也能獲得較好的分類特性，且具有計算量少、獲取迅速等優點，本文選取時域特征作為分類標準，為平均絕對值（MAV）、過零點數（ZC）、波形長度（WL）。

平均絕對值如（4）式所示：

過零點數如（5）式所示：

波形長度如（6）式所示：

在實驗過程中，提取一次動作的24維特征樣本數據（即MYO臂環的每個通道提取3個時域特征）。

1.4 SVM分類器

模式分類是指通過分類器對輸入的特征向量進行歸類的過程，分類器是一種數學模型，根據一定的數學算法，對輸入的特征向量進行辨識，并將這些特征向量所屬的類型輸出。本文選擇的分類器為支持向量機（SVM）。SVM是1995年由Vapnik提出的一種監督式機器學習方法，用于解決小樣本、非線性、高維特征的分類問題，其基本原理為：將二分類問題中的非線性特征映射到高維空間，使得非線性特征在高維空間線性可分，再在高維空間構建超平面實現對樣本的分類［8］。圖3（a）為SVM原理示意圖，現有兩種不同類的樣本，存在多條直線可以將兩類坐標分開，但是否存在最優方案？SVM分類器即定義如下規則：若一條分割的直線離坐標點太近，則會受到噪聲的影響，則不是最佳的。因此，目標是找到一條分割線，要求離所有的樣本點都盡可能的遠，即最優超平面，如圖3（b）所示。

圖3 SVM說明

現假設超平面為f(x)，其表達式如式（7）所示：

δi定義為特征向量xi到超平面的幾何距離，如式（8）所示：

式中，m為訓練樣本數量。

引入拉格朗日乘子后，優化函數轉變為：

此優化函數滿足KKT（Karush Kuhn Tucher）條件，則通過拉格朗日對偶將優化問題轉化為等價的對偶問題來求解。根據KKT條件中的對偶互補，有：

若ai＞0，則有yi(w*x+b)=1，即點在支持向量上，否則如果ai=0，則有yi(w*x+b)≥1，即樣本已經被準確分類或在支持向量上。

雖然SVM分類器具有適應性和泛化能力強，有效解決非線性、樣本量少等優點，但是分類效果會受到數據模式的限制，且受懲罰參數C、核半徑參數g的影響較大。

2 PSO-SVM分類器設計

考慮到SVM分類器受懲罰參數C、核半徑參數g的影響較大，且人為難以找出合適的參數，現引入粒子群優化算法（PSO）對SVM分類器進行優化，尋找合適的參數。

2.1 粒子群優化算法

PSO算法最早是由Kennedy等人于1995年提出的，源于對人工生命和鳥群捕食行為的研究，其基本核心是利用群體中的個體對信息的共享從而使得整個群體的運動在問題求解空間中產生從無序到有序的演化過程，從而獲得問題的最優解。

算法中粒子速度與位置通過迭代進行更新，迭代公式為：

2.2 PSO-SVM分類器

PSO對SVM的優化是為了得到一組誤差最小的懲罰函數與核函數，使得優化后的分類器能夠取得更好的分類效果，其基本思想如下：

（1）初始化粒子群。設所求問題的自變量有M維，種群大小為N，則初始化粒子的位置信息表示如下：

式中，ω為慣性權重保持原來速度的系數，本文中設定為0.6；k為當前迭代次數；c1，c2是學習因子，分別是粒子跟蹤自身歷史最優解的權重系數和粒子跟蹤群體最優解的權重系數，分別取值為1.6與1.9；μ和ρ是均勻分布于［0，1］區間的隨機數。

反復執行（2）與（4），直到達到最大進化代數，或達到所要求的收斂精度。

算法整體過程如圖4所示。

圖4 PSO優化SVM參數的算法流程圖

3 實驗結果分析

3.1 起始點檢測實驗結果

為尋找合適的動作起始點，如（3）式所示，將各個通道信號的平均絕對值（MAV）相加，選取0為判斷動作起始點的閾值，0以上的信號為實驗所需部分。圖5為8個通道原始數據的波形圖，圖6為將取各通道的平均絕對值后的波形圖，其中有用部分的數據段分別為89-192，462-625，937-1102，1409-1549，1892-1999。

圖5 八個通道原始數據波形圖

圖6 八個通道MAV疊加波形圖

3.2 動作分類實驗結果

將處理后的信號數據代入到分類器中，對比SVM分類器和PSO-SVM分類器。在SVM分類器在訓練數據數量為5時，其準確率只有74%，如圖7所示，而PSO-SVM分類器在測試集數據數量為5時，其分類的準確可達到94%，如圖8所示。定義類別標簽1為手掌外張，標簽2為手掌外張，標簽3為握拳，標簽4為張手。粒子群優化算法的迭代過程如圖9所示，隨著迭代次數的增加準確率逐漸趨近于最佳參數的適應度。

圖7 測試集數據為5的SVM分類結果

圖8 測試集數據為5的PSO-SVM分類結果

圖9 PSO尋找最佳參數準確率曲線圖

當訓練數據數量都為8時，經實驗結果證明：SVM分類器的分類準確率為79.3%，PSO-SVM分類準確率為97.6%，分別如圖10、11所示，PSO的迭代過程如圖12所示。

圖10 測試集數據為8的SVM分類結果

圖11 測試集數據為8的PSO-SVM分類結果

圖12 PSO尋找最佳參數準確率曲線圖

再將測試集數據數量依次改為10、15，兩者的分類效果如圖13所示，其中橫坐標處的5、8、10、15分別表示訓練集的數據數量為5、8、10、15。

圖13 SVM與PSO-SVM的準確率對比

由圖13可知：SVM分類器的平均識別率為86.8%，而PSO-SVM的平均識別率為97.4%，當訓練集的數據較少的情況下，PSO-SVM的分類效果較SVM分類效果明顯提高很多；在分類器的訓練數據較充充足的情況，由于分類器內部訓練較成熟，兩者差異較小，但PSO-SVM的分類效果依然比SVM要好，由此可見PSO對SVM分類器有了較好的優化。

4 結論

本文提取了3個時域特征：平均絕對值、過零點數和波形長度，通過PSO算法對SVM分類器進行優化，再進行分類識別，準確率達到了97.4%，取得了較為理想的效果，說明該方法能很好的進行模式識別。但是仍存在不足，本文未考慮到個體間特異性，動作的多樣性以及處理的實時性，在后期的工作中需要重點解決。