基于自更新混合分類模型的肌電運動識別方法

丁其川 趙新剛 李自由 韓建達

基于表面肌電(Surface electromyography,sEMG)的運動識別(肌電運動識別)技術已被廣泛用于實現假肢/假手、康復機器人、外骨骼機器人等輔助系統的交互控制[1?3],其中融合動作分類方法設計的肌電假手作為一種典型應用,受到了研究者更多關注.盡管肌電假手研究成果層出不窮,但真正投入市場應用,并被殘疾人普遍接受的產品仍寥寥無幾,造成該現狀的一個重要原因,是在肌電時變性及外界干擾條件下,現有假手系統的魯棒性較差,直接影響使用者的操控體驗[4].

現有肌電假手所采用的動作分類方法,一般是針對固定數量的已知動作類型,先離線訓練分類模型,隨后使用訓練后的固定參數模型,利用在線肌電數據識別出具體動作,進一步利用識別結果控制假手執行相應運動[5?10].實際應用中存在的兩類干擾必然會影響肌電假手的魯棒性:1)sEMG 時變性干擾.用于訓練分類模型的sEMG 數據僅是有限量數據,而sEMG 是一種受肌肉即時狀態影響的非平穩時變信號[11],因肌肉疲勞等因素導致在線sEMG 與離線訓練數據存在較大差異時,分類模型的動作識別性能會大幅降低[12];2)外部動作數據干擾.訓練的分類模型是針對少量已知目標動作的,其識別能力僅限于這些目標動作數據,在線應用時,若出現訓練階段未出現的動作數據,會作為外部動作數據干擾,直接影響模型識別的穩定性.

針對肌電時變性干擾,研究者提出模型更新策略以提升分類模型的魯棒性.Kato 等[13]提出針對學習數據的自動增減及選擇添加的在線管理方法,依據使用者指令,在線更新神經網絡參數,使之識別動作能力適應sEMG 的時變特性;Yang 等[14]利用自適應SVM 識別9 種手部姿勢,并引入遺忘因子降低過去sEMG 數據的影響,從而提高支持向量機(Support vector machine,SVM)長時動作識別的穩定性;Chen 等[15]提出自增強線性判別分析(Linear discriminant analysis,LDA)/二次判別分析(Quadratic discriminant analysis,QDA)算法,無需人工設置參數及大存儲空間,所建立的分類模型可以根據樣本特性更新參數,因此其長時識別性能不受sEMG 變化影響,從而提高肌電控制的魯棒性.上述研究建立的自適應分類模型,僅是針對已知/目標動作的sEMG 變化進行參數更新[16],并未考慮外部動作數據對模型識別的干擾.針對外部動作干擾問題,Scheme 等[17]提出基于無關聯線性判別分析(Uncorrelated LDA,ULDA)的多類1-vs-1分類策略,對每個已知/目標動作的sEMG 建立區間包絡,當新sEMG 數據未進入任一包絡區間,便被判定為未知動作數據干擾,該方法具備排除外部干擾的性能,但需人為設置較多閾值參數,影響其適用性;Li 等[18]提出一種強化隨機森林分類器,通過調整后驗概率平衡閾值,其識別已知目標動作與排除未知外部動作的精度都能達到80%;此外,一類SVM 與一類高斯分類器也用于排除外部動作干擾,提高分類模型的魯棒性[19?20].上述方法都是在訓練階段,引入排除外部數據干擾的機制,訓練后的模型并未在線更新,因此僅能排除外部動作數據,無法將其作為新的目標動作數據加入到模型識別中,同時這些方法也不能克服sEMG 時變性干擾的影響.

為了同時克服這兩種干擾,并提升分類模型的在線識別能力,提出一種自更新混合分類模型(Selfupdate hybrid classification model,SUHC),用以實現肌電運動識別.本文的主要工作歸納為以下三點:1)融合一類分類算法與多類分類算法,提出一種混合分類算法框架;2)結合一類SVM 和多類LDA,建立一個混合分類模型,并引入了自更新策略;3)利用提出的自更新混合分類模型,建立可克服sEMG 時變性與外部動作數據干擾的肌電運動識別模型.與已有的僅針對單一干擾的方法相比,在基于SUHC 的肌電動作分類中,一類SVM 用于排除外部動作數據干擾,多類LDA 用于分類目標動作數據,而自適應更新機制用于克服sEMG 時變性干擾,并提高模型識別能力.通過手部動作識別實驗驗證本文提出方法,結果顯示提出的SUHC 在抵抗sEMG 時變性及外部動作數據干擾方面,都表現出優越性能.

1 自更新混合分類模型

參考文獻[19?21],定義{ω1,ω2,···,ωK}為K個已知目標類,對于樣本x,若存在ωi,i=1,2,···,K,使得x ∈{ωi},則稱x是目標類樣本；否則x是未知/外部類樣本.

1.1 混合分類模型框架

針對外部類數據干擾,本文提出一種融合一類分類器和多類分類器的通用混合分類模型框架,其中一類分類器用于判斷樣本數據是否屬于外部類,而多類分類器將非外部類樣本分配到某一確定目標類.圖1 給出了該模型框架的示意圖,其中添加不同的分類器,可形成具體混合分類模型.

圖1 混合分類模型框架Fig.1 The framework of hybrid classification model

1.2 融合一類SVM 和多類LDA 的SUHC

基于混合分類模型框架,融合一類SVM 和多類LDA,建立一個混合分類模型,進一步針對兩種分類方法分別引入自適應更新策略,以對抗樣本數據時變性干擾,從而形成SUHC.

1.2.1 自更新一類SVM

一類SVM 又稱一類支撐向量數據描述器(Support vector data description,SVDD)[21],用于判斷樣本數據是否屬于已知目標類.已有K個目標類{ω1,ω2,···,ωK},設i=1,2,···,K是已獲得的一個屬于ωi的樣本集,其中Ni是樣本個數.使用Xi訓練一個一類SVM 分類器,即是求一個以a為中心,R為半徑的最小體積超球面,可以封閉包圍所有的目標樣本或其高維映射.該優化問題如下:

其中,C是懲罰因子,ξj是松弛變量,φ(·)是非線性函數.需要注意的是,式(1)中的變量/參數都是與類ωi關聯的,為表述簡潔,沒有再對上述變量/參數加指標i.

通常將式(1)轉化為它的對偶問題,通過求解對偶問題,獲得優化參數,這些參數滿足Kuhn-Tucher(KT)條件[21?23].基于KT 條件,訓練樣本集Xi中的樣本分為3 個部分:1)其高維映射落入超球內的樣本點,組成保留樣本集Er;2)映射恰處于超球面上的點,組成邊沿支撐向量集EmSV;3)映射處于超球外的點,組成偏差支撐向量集EeSV.EmSV和EeSV組成支撐向量集ESVs.

利用優化的參數和支撐向量集ESVs,可以計算超球中心a和半徑R,于是便建立了類ωi的一類SVM 分類器.對于一個新樣本z,若式(2)成立,則z是目標類ωi的一個樣本,否則z相對于ωi是一個外部類樣本,

其中,κ(xk,xj)=φ(xk)·φ(xj)是核函數(本文使用徑向基核函數),αj是對偶問題的優化解.

因此，為每個類ωi分別建一個一類SVM,便可以使用這些一類SVM 構成的分類器集合,判斷任一新樣本z是否是外部類樣本.定義Z={z1,z2,···,zM}為在線獲得的一個新樣本數據集,包括M個樣本.使用Z更新已訓練的一類SVM 分類器,可分成兩種情形:

1)若Z中所有樣本都來自同一目標類ωi，則更新ωi的一類SVM.在線更新方法可以參考文獻[22?23].更新過程,新樣本加入會改變Er、EmSV和EeSV中原來樣本的所屬關系,即某些樣本可能從一個集跳到另一個集,但經過優化后,最終各集合樣本及其優化參數,仍要滿足KT 條件.

2)Z中所有樣本都屬于同一外部類,則使用這些樣本直接訓練一個一類SVM(要求Z中樣本個數要大于并將訓練后的一類SVM 添加到分類器集合.

1.2.2 自更新多類LDA

使用一類SVM 分類器集判定一個新樣本屬于目標類樣本后,進一步可以使用多類LDA 將該樣本歸到具體的目標類.需要強調一點,雖然依照第1.2.1 節中的方法,也可以將一個新樣本z歸到某個確定的目標類,但上述求得的針對不同目標類的一類SVM,其封閉包圍區域可能重合,從而造成落入重合區域內的樣本分類混亂.

多類LDA 算法需求取一個投影矩陣W,使得原始樣本經過W線性變換后,同類樣本的投影類間距最小,異類樣本的投影類間距最大[24].利用各目標類已獲得的樣本集Xi,i=1,2,···,K,先計算各類的樣本均值mi,樣本平方和Gi,樣本協方差矩陣Si,以及所有目標類的總樣本均值m;然后可計算所有目標類的類內間距矩陣Sw和類間間距矩陣Sb.

可證明最優投影矩陣W,是由的前q(q

下面將LDA 改進為可在線更新的算法.利用新樣本數據集Z={z1,z2,···,zM}更新LDA 算法,即是更新投影矩陣W,也即是更新類內間距矩陣Sw和類間間距矩陣Sb.同第1.2.1 節,也分成兩種情形:

1)Z中所有樣本都來自同一目標類ωi,對各參量更新為

2)Z中所有樣本都屬于同一外部類,需要將Z作為新的目標類,并使用其中樣本更新Sw和Sb.首先計算新目標類的樣本均值、平方和與協方差矩陣,

于是其他參量更新如下

上標“～”表示更新值.完成更新后,計算的前q個最大特征值對應的特征向量所構成的矩陣,以更新投影矩陣W,便獲得更新后的LDA.將自更新一類SVM 和自更新多類LDA 相結合,加入圖1 的混合模型框架,便得到本文所提出的SUHC.

2 自更新肌電運動識別算法

將提出的SUHC 應用于肌電動作識別時,要考慮兩個問題:1)使用哪些新數據更新模型;2)模型何時自更新.本文將結合人體運動及肌電信號的特點,設計自更新肌電運動識別算法.一方面,人體執行動作時,相關肌肉會收縮,相比于肌肉靜息(無動作)狀態下采集的sEMG,肌肉收縮激發的sEMG的幅值/頻率會有較大變化(如圖2),因此通過簡單的閾值判定,便可以有效區分肌肉靜息(無動作)與收縮(執行動作)狀態;另一方面,人(特別是肢體損傷患者)的運動多是慢速的,一個動作執行過程一般會持續一段時間[13],且靜息作為各動作的緩沖狀態常間隔分布于整個運動過程.基于上述特點,在肌肉處于靜息狀態時,先對上一時間段內,動作執行過程中獲得的在線數據進行評估,根據評估結果,選定更新樣本,進而啟用自更新算法.評估及更新都在靜息時段內完成.

當肌肉處于靜息狀態時,先計算上一個執行運動時間段內的各動作的分類率及其最大值

其中,Npre_total是上一個執行運動時間段內總樣本數,Npre_ωi是歸到目標動作類ωi的樣本數,βi是ωi的分類率,β最大分類率.

β可用于對上一個執行動作時間段內樣本數據的評估,設置如下評估及更新準則

圖2 肌肉收縮及靜息狀態下,采集的連續sEMGFig.2 The continuous sEMG signals sampled at the states of muscle contraction and resting

其中,η3<η1<η2是判定更新的常數閾值.

若fupdate=1,說明上一時間段的樣本都屬于某已知目標動作類,但當前模型的分類正確率較低,需要使用上一時間段的在線樣本,按第1.2.1 節和第1.2.2 節中情形1 對模型更新;若fupdate=2,說明上一時間段的樣本都屬于某個未知外部動作類,利用這些樣本,可按照情形2 對模型更新,使之識別動作的能力增量成長(新動作加入后，需要人工設置學習標簽);若fupdate=0,則舍棄上一時間段內樣本,保持當前模型不變.圖3 給出完整算法流程,需要注意的是,在初始時刻,混合模型可以為空(Null),當獲得第一個目標動作類數據后,模型在線更新;但僅當目標動作類個數大于等于2 時,才能構建多類LDA.

圖3 基于SUHC 的肌電運動識別算法Fig.3 The SUHC-based EMG-motion recognition algorithm

3 手部動作識別實驗

本節通過基于肌電的手部動作識別實驗驗證提出方法的性能.

3.1 實驗設置

共4 名肢體健康受試者參與本文的所有實驗(男性,年齡30±5 歲,身高171±4 cm,體重67±9 kg).本文考慮識別5 種手部動作:握拳(grp)、伸掌(opn)、捏食指(ind)、捏中指(mid)、捏無名指(rng),另外手部休息姿態作為間隔各動作的靜息狀態(snz),如圖4 所示.選取4 塊與上述運動密切相關的肌肉:掌長肌、橈側腕屈肌、指伸肌、指屈肌,進行sEMG 采集(圖5).

圖4 識別的5 種手部動作以及手部休息姿勢snzFig.4 The five kinds of hand motions and the snooze state(snz)that were recognized in the paper

圖5 選取的肌肉及布置的采集電極，其中ch-i,i=1,2,3,4,表示第i 通道電極Fig.5 The selected muscles and the placement of electrodes,where ch-i(i=1,2,3,4)represents the ith channel electrode

3.2 sEMG 信號采集

使用無線肌電采集系統(Delsys,Trigno)采集sEMG,采樣頻率為2 000 Hz,4 個通道的電極布置如圖5 所示.進行數據采集時,每名測試者盡可能使用最大力執行每種動作,動作執行按照握拳、伸掌、捏食指、捏中指、捏無名指的順序,每個動作持續約4 s,每兩個動作間隔一個3～4 s 的靜息狀態,整個過程循環4 次,則一組數據采集結束(時間約2.5 min),如圖6 所示.每組數據采集結束后,約有10 s 的間隔用于數據保存操作,而后進入下一組數據采集.每名測試者共要完成12 組sEMG 數據采集,總時間約32 min,12 組數據集的前2 組作為訓練數據,后10 組作為測試數據.

圖6 一組數據采集過程Fig.6 The sampling process of one session of sEMG-data

3.3 sEMG 特征提取與動作識別

對原始sEMG 進行去偏置、濾波處理,其中濾波器采用10～500 Hz 的Butterworth 帶通濾波器;然后設定一個250 ms 的時間窗加100 ms 增量窗,用于sEMG 特征提取[4].在每個時間窗內,從每通道sEMG 提取7 個特征,包括1 個平均絕對值(Mean absolute value,MAV)和6 個倒譜系數(6-order Ceps)[5?6].4 個通道的所有特征共同構成一個樣本,因此每個樣本的28 維(4×7)樣本生成過程如圖7 所示.

圖7 sEMG 樣本生成過程Fig.7 The generating process of sEMG samples

將獲得的sEMG 樣本輸入提出的SUHC 進行手部動作識別,同時為進行性能比較,三種常用的分類算法:多類SVM(使用1-vs-all 策略)[25]、多層感知器(Multiple layer perceptron,MLP)[26]和核線性判別分析(Kernel LDA,KLDA)[27?28]也被用于執行動作識別任務.注意要為每位測試者分別建立相應的肌電運動分類模型.

4 實驗結果

分兩種情況測試模型運動識別的性能:1)無外部動作干擾,離線訓練模型時,5 種手部動作都是已知目標動作;2)有外部動作干擾,訓練階段握拳(grp)、伸掌(opn)、捏食指(ind)、捏中指(mid)作為已知動作,捏無名指(rng)作為未知外部動作干擾.先給出1 號測試者(Subject-1)的詳細結果,隨后給出所有測試者的平均結果.

4.1 無外部動作干擾

本節先對實驗數據作簡要分析.在采集數據時,測試者盡可能使用最大力執行各種動作,整個采集時間超過30 min,在此期間無充分休息,因此該過程會導致肌肉疲勞,而sEMG 特征MAV 可以被當作指示肌電能量的指標.先使用訓練數據計算關聯各動作的MAV 平均值g1,以此為標準,然后分別使用每組測試數據計算針對各動作的MAV 平均值g2,最后計算比例g2/g1,用于判斷肌肉狀態變化.圖8分別給出了握拳(grp)和伸掌(opn)動作所對應MAV 的占比變化,由圖可見,由10 組測試數據獲得的MAV 呈整體降低趨勢,某些肌肉的MVA 的下降幅度甚至達到50%(如圖8(a)的ch-1 和8(b)的ch-2,其中ch-i(i=1,2,3,4)表示第i通道電極獲得的數據),由此可見,隨著時間推移,肌肉疲勞狀態逐漸顯現,而采集的sEMG 能量受疲勞影響不斷降低.

圖8 由10 組測試樣本數據計算的MAV 占其標準值比Fig.8 The ratio of MAV with respect to the standard value calculated by using the ten sessions of test data

使用訓練數據離線訓練模型(僅離線訓練SVM,MLP 和KLDA,而SUHC 具有在線更新的特性,后續給出SUHC 的更新建模圖示),然后將測試樣本按組序(數據采集時各組順序)輸入訓練后的模型,分析其動作識別效果.定義評估指標為目標動作分類精度

其中,Ncorr_ωi和Ntotal_ωi分別是正確分類到ωi類的樣本數和總的分類到ωi類的樣本數,而Nωi_total是“真實”應該屬于類ωi的樣本數,通過離線統計獲得.

設置式(16)中的參數η1=0.6,η2=0.85 及η3=0.45,然后將前2 組訓練數據輸入到圖3 算法中,執行SUHC 在線更新.圖9 給出了第1 組訓練數據(Subject-1)的前2 個循環輸入到算法后的識別結果,圖9(b)中三角形點是識別的外部類樣本點,實點是“真實”動作樣本點(離線統計獲得),星號點是錯誤分類樣本點,正方形點是正確分類樣本點.由圖9(b)可見,當每個動作第1 次出現時,算法會判別它為外部動作,需要在下一個休息狀態(①～⑤狀態),人工加入學習標簽,以利用相應動作數據更新SUHC,實現其識別能力增量增長.因此當相應動作數據第2 次出現時,SUHC 便可以對它分類識別.

圖9 將Subject-1 的第1 組訓練數據輸入SUHC(僅給出該組數據的前2 個循環),實現模型在線更新Fig.9 Online updating the SUHC by inputting the first session of training data of Subject-1 into the model(only plot the first two cycles of the data)

將后10 組測試樣本按組序依次輸入訓練后參數固定的SVM,MLP 和KLDA,以及可在線更新的SUHC,計算不同模型的動作分類精度.圖10 給出使用Subject-1 的10 組測試數據計算的結果.由圖10 可知,不同模型的運動識別結果差異較大.因訓練后的SVM,MLP 和KLDA 參數固定,當測試樣本(如第1、2 組測試數據)數據與訓練樣本數據差異較小時,各動作識別精度較高(大于80%),但是隨著測試樣本與訓練樣本的差異逐漸變大,識別精度也不斷降低;而SUHC 模型在線調整參數,以適應樣本數據變化,整個過程都保持較高的識別結果(大于85%).針對5 種動作,可計算平均分類精度

其中,K=5 是動作類個數.

對實驗數據分析可知,采用不同測試者的模型和數據計算的結果無顯著性差異(設置單因素方差分析顯著差異水平為0.05[29],而采用不同測試者模型和數據計算獲得p >0.1).使用每個測試者的模型及其10 組測試樣本,通過式(19)計算平均分類精度;然后按照數據組序再計算針對所有測試者的平均值和標準差;最后計算總的平均值(m)和標準差(st),結果列于表1 中(表1 中第1 列1,2,···,10 表示10 組測試數據,m和st分別表示均值和標準差).由表1 可知,SUHC 對不同組測試樣本的識別結果整體平穩,平均精度達到89%;而SVM,MLP 和KLDA 的識別精度下降明顯,整體平均值僅是70% 左右,與SUHC 的精度相比,平均降幅約18%,而最大降幅超過25%,可見針對sEMG 的時變性,SUHC 的魯棒性遠優于常用的SVM,MLP和KLDA.

表1 使用所有測試者的10 組測試樣本計算的平均分類精度與標準差(%)Table 1 The mean classification accuracies and standard deviations calculated by using the ten sessions of test data of all subjects(%)

4.2 存在外部動作干擾

這里將grp,opn,ind 和mid 作為4 個目標動作,而rng 作為外部動作.將訓練數據中關聯rng 的數據全部去除,然后離線訓練SVM,MLP和KLDA;對于SUHC,將rng 的數據去除,即圖9中,不會出現rng 的數據和狀態⑤.另外,本節也考察單獨采用一類支撐向量數據描述器(SVDD)的動作識別結果,將圖3 中多類LDA 去掉,即為SVDD的算法過程,隨后將去除rng 的訓練數據組也輸入SVDD,過程與圖9 所示相同.

所有的測試數據仍含有rng 數據,以測試各方法排除外部干擾效果.圖11 給出各模型對一組測試數據(前2 個循環)的分類結果.由圖11 可知,5 種模型都可以對4 種目標動作數據進行分類,因為在訓練數據中沒有rng 數據,SUHC 和SVDD 會把rng 數據作為外部動作數據排除(測試階段出現rng數據,只要不添加新類標簽,模型便不會針對rng 更新),但是SVM,MLP 和KLDA 沒有排除外部干擾的能力,會將rng 數據錯分到目標動作類中.為定量評估模型排除外部干擾性能,參照式(17)和式(18),定義外部動作排除精度

將Subject-1 的10 組測試數據輸入各模型,分別計算針對目標動作(grp,opn,ind,mid)的分類精度與針對外部動作(rng)的排除精度,圖12 給出結果,其中12(a)～12(d)是針對目標動作的分類精度,12(e)是針對外部動作的排除精度.利用式(19)計算相應精度的均值和標準差,圖13 給出結果.

由圖12 和圖13 可知,SUHC 對目標動作類分類精度高于SVDD,這是因為SVDD 對不同目標類的封閉包圍區域出現重疊,導致位于重疊區域的樣本分類混亂,從而降低了SVDD 的分類精度.SVDD的外部動作排除精度略低于SUHC(見圖12(e)),是由于兩個模型在線更新(針對目標動作數據時變性的更新)次數不同所致.SVM,MLP 和KLDA 的目標動作分類精度遠低于前兩者,兩個原因導致這一結果:1)訓練后的SVM,MLP 和KLDA 模型參數固定,由前面分析可知,因疲勞導致的sEMG 時變性會降低它們的分類精度;2)SVM,MLP 和KLDA并沒有排除外部動作干擾的能力,而外部動作(rng)類樣本會被誤認為目標動作樣本強制分配到各個目標類,從而進一步降低了分類精度.分別使用每個測試者的模型及其測試樣本,計算目標動作分類精度與外部動作排除精度,然后計算針對所有測試者的均值和標準差,結果列于表2.由表2 可知,SUHC的目標動作分類精度達到90%,比SVDD 的分類精度高約8%,更比SVM、MLP 或KLDA 的分類精度高了約28%;SUHC 的外部動作排除精度也達到93%,具有較好的抗外部類數據干擾能力,而這更是SVM,MLP 和KLDA 所不具備的.

5 討論與未來工作

圖11 使用Subject-1 的1 組測試數據獲得的動作識別結果Fig.11 The motion recognition results obtained by using one session of test data of Subject-1

圖12 存在外部動作(rng)干擾情況下,使用Subject-1 的10 組測試數據獲得的識別結果Fig.12 In the case of outlier-motion(rng)interference,the recognition results obtained by using ten sessions of test data of Subject-1

圖13 使用Subject-1 的測試數據,計算的分類精度與排除精度的均值和標準差Fig.13 The means and standard deviations of classification and rejection accuracies computed by using the test data of Subject-1

表2 使用所有測試者的測試數據計算的分類精度與排除精度的均值和標準差(%)Table 2 The means and standard deviations of classification and rejection accuracies computed by using the test data of all subjects(%)

針對肌電運動識別過程中,因肌電時變特性及外部動作干擾導致識別效果差的問題,提出一種自更新混合分類模型SUHC,通過對動作分類結果的在線評估,實現SUHC 參數調整,以適應sEMG 的變化;SUHC 具備排除外部動作干擾的能力,并能將外部動作類作為新的目標動作類加入到運動識別模型中,實現了其識別能力的增量增長.應用SUHC時,設置合適的在線評估參數(即式(16)中η1,η2和η3)十分重要,直接決定了模型更新次數及分類效果,需要根據實際應用尋求合適閾值.

在驗證算法性能的實驗中,測試者盡可能使用最大力執行動作,短時內造成肌肉疲勞,導致sEMG有較大波動,結果顯示提出的SUHC 能克服sEMG短時大幅波動的干擾,保持動作識別的魯棒性.不同于本文實驗,前期研究中,多是探討長期采集甚至隔天采集數據的變化對運動識別的影響[12,15],該過程中sEMG 一般緩慢時變,針對該情形如何設置SUHC 的評估參數下一步要探討的問題.在存在外部動作干擾時,傳統的SVM,MLP 和KLDA 都不具有排除外部動作數據干擾的能力,而對外部類數據的錯誤分配,直接導致目標動作分類精度大幅降低;提出的SUHC 具備排除外部類干擾的能力,其目標動作識別精度超過90%,遠高于SVM,MLP和KLDA,而其外部動作排除精度為93%,這兩項指標也高于已有文獻的結果,如文獻[18]中方法的兩種精度都是80%,文獻[19]中方法的目標動作分類精度為87%.

本文實驗僅考慮了sEMG 時變性與外部動作干擾兩種非理想情形,實際上進行肌電運動識別時還有很多不確定因素,如肌電數據丟失、電極位置偏移、皮膚汗液及外部電磁干擾等[30],后續工作會繼續改進提出的算法,使之可以應對更多非理想情形,從而提升實際肌電識別系統的綜合性能.