基于FPA-VVRKFA的手勢表面肌電信號識別

季祥，白端元

（長春理工大學 電子信息工程學院，長春 130022）

表面肌電信號（Surface Electromyography，sEMG）是在人體皮膚表面的一種生物電信號，其隨著肌肉活動產生，且由傳感器探測，其形式和振幅直接反映了肌肉的運動狀態，通過分析不同類型動作的sEMG差異，即可識別出人體的運動模式、或提前預測其活動意愿[1-2]。因此，基于sEMG信號的人體動作識別已成為人機交互、康復醫學等領域研究的熱點問題之一。

目前，業界主要采用模式識別方法對sEMG信號展開研究，并取得了一定的成果。例如，文獻[3]通過提取手臂4通道sEMG信號的AR特征，以用于高斯分類器來進行識別，準確率達到90%以上；文獻[4]重點探究了信號的5種特征參量的融合效果，采用LDA分類器驗證了在不同特征組合和維數下的分類結果。文獻[5]提出運用AdaBoost算法對肌電信號進行特征提取，并分析了在疲勞肌肉肌電信號干擾下該方法的效果。

其中對表面肌電信號進行特征提取主要是為后續分類器的構造提供可靠的數據，以便減少訓練時間和提高動作模式識別的準確率。當前，常用于動作分類的算法主要有支持向量機（Support Vector Machine，SVM）和神經網絡（Neural Network）等。例如，文獻[6]提出引入交叉熵函數對人工神經網絡進行正則化處理以提高網絡的識別準確率，并將其成功應用于手部動作識別。文獻[7]分別利用BP神經網絡和極限學習機（ELM）兩種方法進行肌電信號的模式識別，并比較兩種方法在識別率和識別時間的差異。文獻[8]對高斯核函數進行改進，并采用二叉樹方法構建多類支持向量機完成12種上肢姿態的分類。然而，神經網絡存在收斂較慢，極易陷入局部最優點和過擬合的問題，從而導致分類性能不穩定；支持向量機雖然具有較好的非線性分類能力，但是其在面對不平衡數據集和多分類問題時，難以達到最佳分類能力，需要科研人員進行進一步的研究。

針對上述問題，本文提出運用向量正則核函數逼近方法（Vector-Valued Regularized Kernel Function Approximation，VVRKFA）作為分類器，并采用花授粉算法[9]（Flower Pollination Algorithm，FPA）優化分類器參數，最終對人體動作模式進行識別，取得了較好的分類效果。

1 基于肌電信號的手勢識別

本文提出一種基于肌電信號的手勢動作識別方法，其主要分為肌電信號的采集、活動段檢測、特征提取及手勢識別。總體方案如圖1所示。

圖1 總體方案圖

具體步驟為：

（1）采集手部在不同動作模式下活動肌肉群所產生的肌電信號，并將信號通過接口協議傳輸給上位機；

（2）對信號進行活動段檢測，篩選出手部動作時生成的數據片段，剔除受試者休息時產生的數據片段；隨后對活動段數據進行特征提取，抽取出反映手部姿態的關鍵性信息；

（3）利用已知動作模式的實驗數據對分類進行訓練，待分類器模型訓練完成后，運行模型對肌電信號進行手勢識別。

1.1 肌電信號采集

為了保證實驗結果的可靠性和對比效果，本文對照NinaPro肌電信號基準數據集中Exercise A中的1-6號手勢動作采集原始的sEMG信號。六種手勢動作如圖2所示。

圖2 六種手勢動作示意圖

在數據采集過程中，本文采用Thalmic Labs公司開發的MYO臂環。讓每位受試者佩戴一個MYO臂環，其中8個傳感器通過彈簧扣等距離排列在一起，并通過藍牙將采集到的肌電數據傳送給上位機。實驗過程中，要求受試者用右手依次做出上述6種手勢動作，并規定放松-動作-放松為一次完整的動作，每個動作重復持續5秒，然后休息3秒，每種手勢重復36次，這樣每種手勢收集36個肌電信號，總共采集216個肌電信號樣本。

1.2 活動段檢測

上位機接收的肌電信號是連續變換的，其中包含肌肉靜息和收縮狀態下產生的數據，因此判斷手部動作開始和終止的信號動作區間，即活動段，是進行特征提取及后續動作分類的必要操作。對此，本文提出采用差分能量滑動平均方法以提取活動段數據[10]，詳細步驟如下：

（1）首先對單個通道肌電數據sk(i)進行差分，并計算平方能量后，將所有通道數據相加并平均，以獲得如下的瞬時平均能量序列SA_E：

式中，1≤k≤C；C是肌電信號通道數；i是肌電信號中的數據點序列號。

（2）應用滑動窗對序列SA_E進行截取，并計算窗口內的能量均值：

式中，N=128為滑動窗長度。

（3）設置閾值Th對能量均值序列進行判斷，判斷結果如下：

通過保留大于閾值的數據，丟棄低于閾值的數據，從而可以有效地剔除掉手部肌肉在靜息狀態下所產生的干擾信號，最終識別出肌電信號中活動段。此外，本文對獲取的活動段進行長度閾值判定，保留大于設定長度的活動段數據，舍棄小于設定長度的活動段數據。

1.3 特征提取

相較于其他類型特征，時域特征計算速度更快，能在較大程度上揭示肌電數據的內在特征[11]，因此，本文通過比較分析，選擇平均絕對值（MAV）、波形長度（WL）、過零點數（ZC）、均方根（RMS）及Willison幅值（MAMP）作為后續分類器的輸入特征，以進行手勢識別。

2 FPA-VVRKFA分類器設計

對提取到的sEMG信號進行分類識別時應用VVRKFA分類算法，并采用花授粉算法優化分類器的主要參數，保證FPA-VVRKFA分類器的最佳分類能力，實現手部動作的分類。

2.1 VVRKFA分類算法

2.2 花授粉算法

VVRKFA方法中正則化參數和核函數參數是其較為重要的參數，采用人工方式難以確定合適的參數，現引入花授粉算法（FPA）對VVRKFA分類器進行優化，確定合適的參數。

在2010年，研究人員通過模擬自然界中花卉植物的授粉過程，提出花授粉算法，并將其應用到解決約束優化以及多目標優化等問題中。由于花授粉算法的結構簡單、無需梯度信息、參數相對較少、易于實現等優點，因此也可以被應用于參數優化中。該算法主要具有如下四種規則：

（1）根據攜帶花粉的傳播者依照萊維（Levy）飛行進行全局授粉，以此模擬生物的異花授粉過程。

（2）局部授粉是花卉植物因自然因素的自花授粉過程。

（3）花卉植物的常性指代繁衍概率，其值的大小與花卉植物的相似性具備一定的比例關系。

（4）因為花的授粉受到其他諸如位置及風等自然因素的影響，采用轉換概率p∈[0 ,1]調節全局授粉和局部授粉之間的轉換。

由于在全局授粉過程中，花粉傳播者依據萊維飛行，進行長距離的移動。因此可以得到如下所示全局授粉過程的數學表達式：

式中，Γ(λ)為伽馬函數；λ=1.5。

局部授粉過程可以由下式實現：

2.3 花授粉優化參數過程

采用FPA對VVRKFA進行優化以獲得誤差最小的正則化參數和核函數參數，從而使得優化后的分類器能夠取得更好的分類效果。算法整體步驟如圖3所示。

圖3 FPA優化VVRKFA參數優化流程圖

其FPA對VVRKFA具體優化步驟如下：

（1）參數初始化。設置花粉種群規模N、花粉粒子維數及轉換概率P等。

（2）求出初始種群的局部最優和全局最優花粉粒子。計算種群中每一個花粉粒子的適應度值，確定初始花粉種群此時局部最優和全局最優的花粉粒子。

（3）花粉粒子更新。當P>rand時，利用公式（15）進行全局授粉操作更新花粉粒子；當P

（4）根據上一過程，即步驟（3）產生的花粉粒子的適應度進行計算。如果其新產生的花粉粒子的適應度相對當前的局部最優粒子的適應度較好，則用當前局部最優粒子被新產生的花粉粒子替換。如果其新產生的花粉粒子的適應度相對當前的全局最優粒子的適應度較好，則當前全局最優粒子被新產生的花粉粒子替換。

（5）檢測是否滿足終止條件。判斷迭代次數是否達到最大，如果達到最大的迭代次數，則輸出當前全局最優花粉粒子，否則返回步驟（3）。

3 實驗結果分析

3.1 肌電信號活動段檢測

根據上文論述所示，檢測肌電信號的活動段，以獲取動作的起始點和終止點。圖4為將各個通道信號進行差分平方后求和平均，得到的反映信號瞬時平均能量序列的波形圖。圖5為將低于閾值的信號點置零后獲得的平均能量序列的波形圖。根據信號零點即可確定出動作信號起始點與終止點。

圖4 瞬時平均能量序列波形圖

圖5 置零后瞬時平均能量序列波形圖

3.2 手勢動作識別結果分析

實驗中，通過MATLAB軟件進行仿真，將活動段肌電信號提取時域特征后分別輸入到花授粉算法優化的向量正則核函數逼近方法分類器（FPA-VVRKFA）及粒子群算法優化的支持向量機分類器（PSO-SVM）中，兩種分類器在訓練過程中分別采用合適的算法來優化參數以保證獲得最佳分類性能，以此作為對照從而對比本文分類器構造方法的性能。

根據6種手勢每種動作重復36次，總共采集216個肌電信號樣本。然后從每種動作模式選取6個樣本，一共36個樣本作為分類器的訓練數據，其余180個樣本作為分類器的測試數據。算法優化過程中，種群大小設置為10，迭代次數設置為100。花授粉算法優化參數的迭代過程如圖6所示，其中FPA-VVRKFA分類器很快達到最佳適應度，即得到最佳分類性能的參數。以得到的最佳參數構建FPA-VVRKFA分類器，并將其應用到測試集，測試結果如圖7所示，其中僅有9個樣本被錯分，整個測試集的準確率達到95%。

圖6 FPA優化VVRKFA參數適應度曲線圖

圖7 FPA-VVRKFA分類結果

對于SVM分類器，粒子群算法優化SVM分類器參數的迭代過程如圖8所示，其中最佳適應度僅達到80%，遠遠低于FPA-VVRKFA，這說明在小樣本訓練集時，FPA-VVRKFA的分類能力較好。圖9所示為PSO-SVM分類器在測試集下的分類結果。其中PSO-SVM分類器的準確率為81.67%，也低于VVRKFA分類器。

圖8 PSO優化SVM參數適應度曲線圖

圖9 PSO-SVM分類結果

綜上而言，本文所提出的FPA-VVRKFA方法在有限樣本情況下的實驗過程中取得了較好的分類效果。

4 結論

本文采用MYO傳感器臂環采集實驗人員不同手勢下的表面肌電信號，隨后對采集到的數據進行活動段分割，以提取出動作信號區域，并設計出一種基于時域特征的分類算法；該分類算法主要采用正則核函數逼近方法作為分類器，同時運用花授粉算法優化分類器基本參數以獲得最佳分類能力；最終實現對肌電信號的手勢分類和識別，并達到了較好的效果。