手勢控制技術(shù)可以通過在空中小幅度擺動手掌或手指控制家電、游戲和殘疾人假肢等智能設(shè)備^[1]，為人機的信息直接交互提供了新的方式，正在受到越來越多的科技企業(yè)和科研人員的關(guān)注和研究。人體表面肌電信號(SEMG)是從人體骨骼肌表面通過電極記錄下來的神經(jīng)肌肉活動發(fā)放的生物電信號^[2]，是對人體手勢進(jìn)行識別的重要途徑之一。張毅等人采用小波變換和AR模型對SEMG進(jìn)行分析處理，利用RBF神經(jīng)網(wǎng)絡(luò)對SEMG信號進(jìn)行模式識別，動作識別率達(dá)到85%^[3]；侯秀麗等人采用四通道采集SEMG信號,利用小波變換和BP神經(jīng)網(wǎng)絡(luò)來識別SEMG信號8種動作,動作平均識別率為96.25%^[4]；Mahdi Khezri用時域參數(shù)平均絕對值(MAV)并采用一種自適應(yīng)神經(jīng)模糊推理系統(tǒng)識別手部動作命令且動作識別率達(dá)到92%^[5]。但在SEMG信號的特征提取和動作模式識別中存在特征向量維數(shù)過高、數(shù)據(jù)冗余度大，分類器復(fù)雜、魯棒性差和識別率低等問題^[6]。為了更好地解決上述問題，在DSP硬件平臺TMS320VC5502上設(shè)計了便攜式人體手勢動作實時識別系統(tǒng),并提出了一種小波包主元分析(WPPCA)與線性判別分析(LDA)相結(jié)合的新方法，以提高生物電信號識別準(zhǔn)確率和穩(wěn)定性，并能夠準(zhǔn)確地將手勢識別結(jié)果轉(zhuǎn)換成智能設(shè)備的控制命令。

1手勢動作識別系統(tǒng)硬件架構(gòu)

        便攜式手勢動作識別系統(tǒng)硬件架構(gòu)主要由DSP處理器TMS320VC5502、SEMG信號數(shù)據(jù)采集、預(yù)處理、串口RS232、JTAG調(diào)試口、LCD顯示屏、鋰電池供電單元和SARAM和Flash存儲器等部分組成。手勢動作識別系統(tǒng)硬件架構(gòu)如圖1所示。

        肌電信號的采集利用兩片Ag/AgCl電極作為肌電信號傳感器，并貼附在尺側(cè)腕屈肌和肱橈肌的皮膚表面上，把一片Ag/AgCl電極貼在上肢前臂關(guān)節(jié)處的肌膚表面作為參考點來消除共模信號，提高電路的整體抗干擾能力。

        DSP處理器TMS320VC5502是整個便攜式手勢動作識別系統(tǒng)的核心，主要負(fù)責(zé)接收經(jīng)過處理的肌電信號，再根據(jù)相應(yīng)的算法進(jìn)行特征提取和動作識別，獲得有效的手勢識別結(jié)果后，再通過串口RS232發(fā)送給受控設(shè)備；LCD顯示屏用來直觀展示手勢識別結(jié)果；由于設(shè)計的便攜式手勢動作識別系統(tǒng)體積較小，采用了鋰電池的供電方式。

2基于小波包主元分析的SEMG特征提取

        WPPCA結(jié)合了小波包變換WPT(Wavelet Packet Transform)和主元分析PCA(Principal Component Analysis)兩種算法的優(yōu)點，不僅能夠?qū)υ技‰娦盘栠M(jìn)行時-頻域分析，而且還能去除小波系數(shù)中線性相關(guān)性較大的特征，從而實現(xiàn)對特征維數(shù)的壓縮，有效地提取肌電信號中的特征^[7]。采用WPPCA來獲取兩路原始肌電數(shù)據(jù)特征矩陣過程如圖2所示。]

2.1 小波包變換

        WPT是一種更加細(xì)致的時-頻域分析法^[8]，能夠?qū)⒏哳l段和低頻段進(jìn)行更加細(xì)致的分析，得到更全面的特征量。三層小波包分解過程結(jié)構(gòu)圖如圖3所示。

2.2 主元分析

        (4)計算矩陣C的特征向量和特征值，依據(jù)特征值從大到小來排列特征向量。根據(jù)式(5)計算各特征值λ_j的累積貢獻(xiàn)率Z_i，以Z_i≥96%為標(biāo)準(zhǔn)來獲得前P_i(P_i≤2^L)個主元構(gòu)建矩陣D。

        經(jīng)WPPCA處理后的兩路SEMG信號的8個特征值貢獻(xiàn)率如表1所示。

        從表1可以看出，SEMG信號經(jīng)WPPCA后所得的橈側(cè)腕曲肌和肱橈肌特征矩陣中，前兩個特征1、2的貢獻(xiàn)率相加后所得的累積貢獻(xiàn)率分別為97.42%和99.25%，滿足閾值的條件，進(jìn)而將小波系數(shù)矩陣從16維減少到4維數(shù)據(jù)，獲得動作類別特征矩陣Y=[Y₁¹，Y₂¹，Y₁²,Y₂²]^T。

3 線性判別分析的SEMG動作識別

        LDA算法的基本思想是將維數(shù)較高的樣品數(shù)據(jù)投影到最優(yōu)樣本分類的矢量空間，從而達(dá)到有效獲得分類數(shù)據(jù)和動作模式識別[10]。記肌電數(shù)據(jù)運動模式特征樣本集合Φ為Y=[Y₁，Y₂，…，Y_N]，Y_n=[Y_1,n，Y_2,n，…，Y_M,n]^T，n=1,2,…,N,T表示矩陣轉(zhuǎn)置。采樣點數(shù)記為N，樣本特征個數(shù)記為M。定義運動類別w₁、w₂，集合Φ中w₁類有N₁個采樣點數(shù)，w₂類有N₂個采樣點數(shù)，N=N₁+N₂。屬于w₁類的樣本記為子集Φ₁,屬于w₂類的樣本記為子集Φ₂。SEMG信號數(shù)據(jù)中兩種動作類別的分類具體方法如下：

        (1)計算肌電數(shù)據(jù)運動特征樣本中各手勢類別的樣品均值向量m_i， w_i類的樣品量記為N_i，i=1,2,。

        (3)計算最優(yōu)解W*。

        Fisher準(zhǔn)則函數(shù)被定義為J_F(W)，表達(dá)式如式(11)所示，經(jīng)推導(dǎo)后W*的表達(dá)式如式(12)所示。

　 (4)按式(13)將特征數(shù)據(jù)中訓(xùn)練樣品集合內(nèi)所有樣品數(shù)據(jù)進(jìn)行投影，算出e_n，從而獲得與集合Φ₁和Φ₂相對應(yīng)的兩個像集合記為Θ₁和Θ₂。

4 實驗結(jié)果分析

        利用設(shè)計的DSP便攜式人體手勢動作實時識別系統(tǒng)進(jìn)行測試實驗，根據(jù)香農(nóng)采樣定理設(shè)定2 kHz作為采樣頻率，分別采集5 s的握拳、展拳、手腕內(nèi)翻和手腕外翻4種動作的肌電數(shù)據(jù)。并對所獲取的肌電數(shù)據(jù)進(jìn)行WPPCA分析，所得的4個主元數(shù)據(jù)如圖4所示。

        在圖4中，橈側(cè)腕曲肌的肌電特征數(shù)據(jù)為主元數(shù)據(jù)1、2；肱橈肌的肌電特征數(shù)據(jù)為主元數(shù)據(jù)3、4。在這主元數(shù)據(jù)1~4中包含握拳、展拳、內(nèi)翻、外翻數(shù)據(jù)各100個。從而獲得4行400列的運動模式特征矩陣Y=[Y₁，Y₂，Y₃，Y₄]^T，矩陣的轉(zhuǎn)置記為T。

        Y_i=[Y_i,1，Y_i,2，Y_i,3，Y_i,400]為第i個主元的數(shù)據(jù)，i=1,2,3,4。將前50個握拳、展拳、內(nèi)翻和外翻這4種動作的數(shù)據(jù)作為分類器的訓(xùn)練樣本，后50個握拳、展拳、內(nèi)翻和外翻這4種動作的數(shù)據(jù)作為分類器的測試樣本，從而獲得訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)都為4行200列，并將運動模式矩陣的訓(xùn)練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)輸入到LDA分類器中，進(jìn)而獲得每一種動作類別與其他動作類別間的分類閾值如表2所示。

        采用LDA、K近鄰、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)對WPPCA獲取的運動模式特征矩陣進(jìn)行動作識別，其分類結(jié)果如表3所示。

        從表3可以看出同樣使用小波包主元分析法來提取SEMG信號特征，使用LDA分類器動作平均識別率達(dá)到99.5%，而使用K近鄰分類器動作平均識別率達(dá)87%，BP神經(jīng)網(wǎng)絡(luò)動作平均識別率達(dá)92%，RBF神經(jīng)網(wǎng)絡(luò)平均識別率達(dá)95%。從這四種分類方法的分類結(jié)果可以看出，應(yīng)用線性判別分析法對小波包主元分析法所得的運動特征矩陣進(jìn)行分類，達(dá)到的動作平均識別率最高。

        利用DSP硬件平臺設(shè)計的便攜式人體手勢動作實時識別系統(tǒng)，采用人體表面肌電信號作為手勢識別的信號源，利用小波包主元分析法對SEMG信號進(jìn)行特征提取,再利用線性判別分析法對SEMG的動作進(jìn)行識別。實驗結(jié)果表明，在不同的SEMG信號特征提取方法下，WPPCA具有良好的特征表達(dá)能力,應(yīng)用LDA分類器對運動特征矩陣進(jìn)行訓(xùn)練和分類，達(dá)到了99.5％的動作平均識別率,識別結(jié)果優(yōu)于其他分類器，解決了人體表面肌電信號的平穩(wěn)性差、小波包變換系數(shù)維數(shù)過高和識別率低等問題，能夠準(zhǔn)確地將手勢識別結(jié)果轉(zhuǎn)換成智能設(shè)備的控制命令,為人機的信息直接交互提供了新的方式。

參考文獻(xiàn)

[1] 王金鳳, 李濤, 孫漫漫. 基于STM32處理器的表面肌電無線采集裝置設(shè)計[J].電子技術(shù)應(yīng)用,2012,38(7):78-80.

[2] 邱紅, 劉光遠(yuǎn), 賴祥偉. 改進(jìn)的禁忌搜索算法在肌電信號情感識別中的應(yīng)用[J]. 計算機工程與設(shè)計, 2012,33(4):1553-1557.

[3] 張毅, 連奧奇, 羅元. 基于小波變換及AR模型的EMG模式識別研究[J]. 電子測量與儀器學(xué)報, 2011,25(09):770-774.

[4] 侯秀麗, 宋愛國. 基于小波變換與BP網(wǎng)絡(luò)的四通道表面肌電信號模式識別[J].儀器儀表學(xué)報,2007,28(4):528-531.

[5] KHEZRI M,JAHED M． A neuro-fuzzy inference system for sEMG-based identification of hand motion commands[J]．IEEE Transactions on Industrial Electronics,2011,58(5):1952-1960. 

[6] 胡明霞. 表面肌電信號識別特征提取的仿真研究[J]. 計算機仿真, 2013,30(5):345-348.

[7] 李偉, 景占榮, 黃愛萍. 基于微慣性測量單元的人體動作檢測系統(tǒng)設(shè)計[J]. 計算機測量與控制, 2009,17(8):1482-1485.

[8] 莊哲民，張阿妞，李芬蘭．基于優(yōu)化的LDA算法人臉識別研究[J]. 電子與信息學(xué)報, 2007,29(9):2047-2049.

[9] 周欣, 吳瑛. 核Fisher判別分析在數(shù)字信號分類中的應(yīng)用[J]. 北京郵電大學(xué)學(xué)報, 2011,34(1):35-39.

[10] 陽誠海, 陳開, 許華虎,等.基于分類特征提取的手部動作識別方法的研究及應(yīng)用[J].計算機應(yīng)用與軟件,2011,28(6):101-104.