手勢動作識別分類的研究①

摘 要：手勢動作識別分類已成為當今的熱點研究問題，但目前所采用的識別方法識別率較低。為了尋找高識別率的手勢識別方法，本文提出了一種基于改進的PNN神經網絡手勢識別算法。主要對傳播率參數進行優化，克服了傳統傳播率需要人工設置的缺點。經過仿真實驗研究，改進算法平均正確識別率均在90%以上，而傳統算法的正確率僅為80%左右，即改進的PNN神經網絡算法具有更短的訓練時間和更強的分類能力。

關鍵詞：手勢動作識別 PNN 傳播率 識別率

中圖分類號：TP183 文獻標識碼：A 文章編號：1672-3791（2013）07（a）-0217-01

表面肌電信號（sEMG）是從皮膚表面由電極引導記錄下來的一種重要的生物電信號。表面肌電信號使用方便，對人體無損傷，被廣大的手勢動作識別研究中應用，同時也是智能假肢理想的控制信號源。目前，在手勢動作識別方面國內外學者取得了有效的成果。例如K.Englehart等對四種手勢動作進行識別，識別率為90%。2004年Kiguchi.K等人提出的識別方法大致可分為統計識別方法、句法識別、集成識別方法、神經網絡識別方法等。本文采用改進的PNN神經網絡方法進行識別，該方法結構簡單、訓練時間短且識別率較高不僅克服了傳統BP神經網絡識別率低、訓練時間長的缺點同時也克服了傳統PNN網絡傳播率系數需要手動設置的不足，較好的改善了識別率。本文采用改進的PNN神經網絡對造型“C”、食指伸展、伸腕、向下曲腕、握拳、向側曲腕、手掌伸展7種手勢動作進行模式識別。

1 sEMG的特征提取與特征選擇

表面肌電信號的特征提取對手勢動作的識別率有直接影響。本文采用時域、頻域及時頻域的特征作為不同手勢動作的特征。但是，特征太多會給計算帶來困難，而且會造成分類效果的惡化。因此本文采用K-W檢驗的方法對時域、頻域及時頻域的單個特征進行評價，選擇最具有分離度的特征。本文將提取的特征作為改進PNN神經網絡的輸入信息對7種手勢動作識別分類，并與傳統的神經網絡進行識別率對比分析。

2 改進PNN神經網絡模型

PNN神經網絡是1990年由Specht提出的一種徑向基函數（RBF）網絡的重要變形。它的訓練學習過程是一個完全正向的過程這一點與傳統神經網絡不同，大大減少了訓練時間。不僅如此該網絡不易陷入局部極小值點，非常適合模式識別研究。在進行仿真實驗時，傳播率的改變對識別結果的影響明顯，總會有一個值能使識別率最高，但是在概率神經網絡中該參數一般是手工設定，增加了訓練時間，為了提高效率本文通過仿真實驗，在多次試驗中找使結果最好的取值。粒子群優化算法被廣泛應用與優化數值的求解，本文采用該方法選取最優的傳播率參數。

3 仿真實驗及結果分析

將本文的改進算法統傳統的算法進行比較分析，改進PNN神經網絡算法記為P1算法，傳統BP神經網絡算法記為P2算法。對于P1算法：設計的PNN網絡的結構為：輸入層有4個神經元，輸出層有7個神經元，中間層的傳遞函數為高斯函數，輸出層的傳遞函數為線性函數。將第1通道均值、第2通道均值、第1通道功率譜密度、第2通道功率譜密度作為輸入特征，進行仿真實驗研究。

4 結論

傳統的神經網絡訓練時間長且易陷入局部極小值，在手勢動作識別研究中正確識別率也并不高，本文針對這些問題提出的改進PNN神經網絡有效克服了這些不足，識別率提高到90%左右，并且訓練時間也縮短了一半。有效的改善了手勢動作識別效果。

改進PNN神經網絡的提出為手勢動作識別分類提供了理論基礎，為智能假肢的研究提高的科學依據，但是，為了將手勢動作的識別算法應用于智能假肢，改進的概率神經網絡識別算法的識別率仍有待提高。因此，尋找更有效的識別算法，提高手勢動作的識別準確率是今后的研究熱點問題。

參考文獻

[1]JIN D W，WANG R CH.Artificial lntelligent prosthesis[J].Chinese J. Clinical Rehabilitation，2002，5（20）：2994-2995.

[2]Paclik P，Novovicova J，Pudil P.Road sign classification using Laplace classifier[J].Pattern Recognition Letters，2000，21（13-14）：1165-1173.

[3]Sueteus P，Fua P， Hanson A J.Computational strategies for object recognition[J].ACM Computing Surveys，1992，24（1）：5-61.

[4]Specht D.Probabilistic neural network[J].Neural Networks，1990，3（1）：109-118.

[5]McDuff R J，Simpson P K.An Investigation of Neural Networks for F-16 Fault Dignosis：II.System Performance[C]//SPIE 1294 Application of Artificial Neural Networks.1990：42-45.

[6]飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京：電子工業出版社，2005.

[7]雷正偉，徐章遂.一種基于故障重要度的概率神經網絡診斷方法[J].計算機測量與控制，2005，12（2）：107-109.