基于PSO-SVM的手勢識(shí)別方法研究

胡命嘉，宮玉琳，王鋒

（長春理工大學(xué) 電子信息工程學(xué)院，長春 130022）

手勢動(dòng)作識(shí)別即是通過傳感器采集手勢動(dòng)作所產(chǎn)生的相關(guān)信息，來識(shí)別手勢動(dòng)作的一種方法，sEMG蘊(yùn)含著豐富的肌肉動(dòng)作信息，能反映肌肉的運(yùn)動(dòng)狀態(tài)，通過分析不同類型動(dòng)作的sEMG差異，即可區(qū)分出不同的動(dòng)作模式［1］，且信號(hào)的強(qiáng)弱取決于肌肉的活動(dòng)量大小［2］，因而sEMG在人機(jī)交互、康復(fù)醫(yī)學(xué)以及體育科學(xué)等領(lǐng)域具有較高的實(shí)用價(jià)值。

隨著對(duì)sEMG的不斷深入研究，國內(nèi)外現(xiàn)已取得了一定的成果。文獻(xiàn)［3］從前臂的4塊肌肉上采集4路sEMG，再提取5個(gè)特征，通過BP神經(jīng)網(wǎng)絡(luò)對(duì)sEMG進(jìn)行分類識(shí)別，取得了較高的識(shí)別準(zhǔn)確率；文獻(xiàn)［4］通過將信號(hào)的5種特征參數(shù)相融合，利用LDA分類器進(jìn)行分類識(shí)別，驗(yàn)證了在不同特征組合和維數(shù)下，都能取得較好的成果；文獻(xiàn)［5］設(shè)計(jì)一套基于肌電控制的輔助型機(jī)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(yùn)動(dòng)類別，對(duì)于5類動(dòng)作的平均在線識(shí)別率達(dá)到了95%以上。但科研人員不僅要考慮識(shí)別的準(zhǔn)確率問題，還要考慮實(shí)時(shí)性、差異性等問題，要進(jìn)行更深入的研究。

本文通過MYO臂環(huán)采集上肢動(dòng)作時(shí)產(chǎn)生的肌電信號(hào)，通過經(jīng)PSO優(yōu)化的SVM分類器對(duì)4種手勢動(dòng)作進(jìn)行識(shí)別，取得了較好的分類效果。

1 手勢識(shí)別方法

經(jīng)MYO臂環(huán)采集的信號(hào)數(shù)據(jù)，由藍(lán)牙傳至電腦后，對(duì)數(shù)據(jù)進(jìn)行處理與識(shí)別，手勢識(shí)別方法如圖1所示，主要包括起始點(diǎn)檢測、特征提取和模式識(shí)別三個(gè)部分。

圖1 手勢識(shí)別方法

1.1 信號(hào)采集

為獲得表面肌電信號(hào)，需要將人體產(chǎn)生的生物電信號(hào)轉(zhuǎn)換為電路中的電壓信號(hào)，在實(shí)際運(yùn)用中，常通過肌電信號(hào)釆集設(shè)備獲取人體肌電信號(hào)［6］。目前國內(nèi)外研制了各種各樣的肌電信號(hào)采集設(shè)備用于采集表面肌電信號(hào)，例如Delsys公司研制的Trigno16通道肌電信號(hào)無線釆集系統(tǒng)，能夠接收40米內(nèi)的肌電信號(hào)傳感器信號(hào)；美國的ATHOS公司研制了一套肌電信號(hào)采集衣，將肌電信號(hào)傳感器內(nèi)嵌在訓(xùn)練衣上用于采集和分析人體運(yùn)動(dòng)時(shí)的肌電信號(hào)；加拿大Thalmic Labs公司所研發(fā)的MYO臂環(huán)，由彈簧扣將8個(gè)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(dòng)作時(shí)所產(chǎn)生的肌電信號(hào)，再用藍(lán)牙將采集到的信號(hào)數(shù)據(jù)傳輸?shù)接?jì)算機(jī)中。

考慮到實(shí)驗(yàn)操作的可行性和便捷性，本文通過MYO臂環(huán)采集手掌外張、手掌內(nèi)張、握拳、張手四種手勢動(dòng)作所產(chǎn)生的表面肌電信號(hào)作為試驗(yàn)數(shù)據(jù)，進(jìn)行研究。四種手勢動(dòng)作如圖2所示，圖2（a）為放松狀態(tài)，圖2（b）-圖2（e）為四種手勢動(dòng)作，在數(shù)據(jù)采集過程中，規(guī)定放松-動(dòng)作-放松為一次完整的動(dòng)作，每種動(dòng)作完整重復(fù)48次。

圖2 四種手勢動(dòng)作示意圖

1.2 動(dòng)作起始點(diǎn)檢測

動(dòng)作起止點(diǎn)的檢測方法有閾值法、標(biāo)準(zhǔn)差檢測法、移動(dòng)平均法等，本文選擇將閾值法與移動(dòng)平均法相結(jié)合作為判斷動(dòng)作起始點(diǎn)的方法，步驟如下：

（1）先對(duì)每種動(dòng)作的8個(gè)通道的原始sEMG數(shù)據(jù)進(jìn)行絕對(duì)值處理再滑動(dòng)求和，記為sum_emgI，滑動(dòng)長度L=50：

式中，N為采樣點(diǎn)的長度，I為通道個(gè)數(shù)，xk為采樣點(diǎn)。

（2）再求單個(gè) sum_emgI的平均值，記為emg_MAVI(L)：

（3）再將I個(gè)通道的emg_MAVI()I信號(hào)相加，根據(jù)設(shè)定的閾值尋找動(dòng)作起止點(diǎn)，找出有效的數(shù)據(jù)段：

1.3 特征提取

特征選擇是動(dòng)作模式識(shí)別的關(guān)鍵。sEMG攜帶有不同手勢動(dòng)作的信息［7］，特征提取的目的是將不同手勢動(dòng)作盡可能區(qū)分，通過sEMG的某一特征數(shù)據(jù)來表示。目前在肌電信號(hào)分類方面主要的特征提取方法有時(shí)域特征、頻域特征、時(shí)頻特征。因時(shí)域特征也能獲得較好的分類特性，且具有計(jì)算量少、獲取迅速等優(yōu)點(diǎn)，本文選取時(shí)域特征作為分類標(biāo)準(zhǔn)，為平均絕對(duì)值（MAV）、過零點(diǎn)數(shù)（ZC）、波形長度（WL）。

平均絕對(duì)值如（4）式所示：

過零點(diǎn)數(shù)如（5）式所示：

波形長度如（6）式所示：

在實(shí)驗(yàn)過程中，提取一次動(dòng)作的24維特征樣本數(shù)據(jù)（即MYO臂環(huán)的每個(gè)通道提取3個(gè)時(shí)域特征）。

1.4 SVM分類器

模式分類是指通過分類器對(duì)輸入的特征向量進(jìn)行歸類的過程，分類器是一種數(shù)學(xué)模型，根據(jù)一定的數(shù)學(xué)算法，對(duì)輸入的特征向量進(jìn)行辨識(shí)，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(jī)（SVM）。SVM是1995年由Vapnik提出的一種監(jiān)督式機(jī)器學(xué)習(xí)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(gòu)建超平面實(shí)現(xiàn)對(duì)樣本的分類［8］。圖3（a）為SVM原理示意圖，現(xiàn)有兩種不同類的樣本，存在多條直線可以將兩類坐標(biāo)分開，但是否存在最優(yōu)方案？SVM分類器即定義如下規(guī)則：若一條分割的直線離坐標(biāo)點(diǎn)太近，則會(huì)受到噪聲的影響，則不是最佳的。因此，目標(biāo)是找到一條分割線，要求離所有的樣本點(diǎn)都盡可能的遠(yuǎn)，即最優(yōu)超平面，如圖3（b）所示。

圖3 SVM說明

現(xiàn)假設(shè)超平面為f(x)，其表達(dá)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(xùn)練樣本數(shù)量。

引入拉格朗日乘子后，優(yōu)化函數(shù)轉(zhuǎn)變?yōu)椋?/p>

此優(yōu)化函數(shù)滿足KKT（Karush Kuhn Tucher）條件，則通過拉格朗日對(duì)偶將優(yōu)化問題轉(zhuǎn)化為等價(jià)的對(duì)偶問題來求解。根據(jù)KKT條件中的對(duì)偶互補(bǔ)，有：

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

雖然SVM分類器具有適應(yīng)性和泛化能力強(qiáng)，有效解決非線性、樣本量少等優(yōu)點(diǎn)，但是分類效果會(huì)受到數(shù)據(jù)模式的限制，且受懲罰參數(shù)C、核半徑參數(shù)g的影響較大。

2 PSO-SVM分類器設(shè)計(jì)

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

2.1 粒子群優(yōu)化算法

PSO算法最早是由Kennedy等人于1995年提出的，源于對(duì)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(gè)體對(duì)信息的共享從而使得整個(gè)群體的運(yùn)動(dòng)在問題求解空間中產(chǎn)生從無序到有序的演化過程，從而獲得問題的最優(yōu)解。

算法中粒子速度與位置通過迭代進(jìn)行更新，迭代公式為：

2.2 PSO-SVM分類器

PSO對(duì)SVM的優(yōu)化是為了得到一組誤差最小的懲罰函數(shù)與核函數(shù)，使得優(yōu)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(shè)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(quán)重保持原來速度的系數(shù)，本文中設(shè)定為0.6；k為當(dāng)前迭代次數(shù)；c1，c2是學(xué)習(xí)因子，分別是粒子跟蹤自身歷史最優(yōu)解的權(quán)重系數(shù)和粒子跟蹤群體最優(yōu)解的權(quán)重系數(shù)，分別取值為1.6與1.9；μ和ρ是均勻分布于［0，1］區(qū)間的隨機(jī)數(shù)。

反復(fù)執(zhí)行（2）與（4），直到達(dá)到最大進(jìn)化代數(shù)，或達(dá)到所要求的收斂精度。

算法整體過程如圖4所示。

圖4 PSO優(yōu)化SVM參數(shù)的算法流程圖

3 實(shí)驗(yàn)結(jié)果分析

3.1 起始點(diǎn)檢測實(shí)驗(yàn)結(jié)果

為尋找合適的動(dòng)作起始點(diǎn)，如（3）式所示，將各個(gè)通道信號(hào)的平均絕對(duì)值（MAV）相加，選取0為判斷動(dòng)作起始點(diǎn)的閾值，0以上的信號(hào)為實(shí)驗(yàn)所需部分。圖5為8個(gè)通道原始數(shù)據(jù)的波形圖，圖6為將取各通道的平均絕對(duì)值后的波形圖，其中有用部分的數(shù)據(jù)段分別為89-192，462-625，937-1102，1409-1549，1892-1999。

圖5 八個(gè)通道原始數(shù)據(jù)波形圖

圖6 八個(gè)通道MAV疊加波形圖

3.2 動(dòng)作分類實(shí)驗(yàn)結(jié)果

將處理后的信號(hào)數(shù)據(jù)代入到分類器中，對(duì)比SVM分類器和PSO-SVM分類器。在SVM分類器在訓(xùn)練數(shù)據(jù)數(shù)量為5時(shí)，其準(zhǔn)確率只有74%，如圖7所示，而PSO-SVM分類器在測試集數(shù)據(jù)數(shù)量為5時(shí)，其分類的準(zhǔn)確可達(dá)到94%，如圖8所示。定義類別標(biāo)簽1為手掌外張，標(biāo)簽2為手掌外張，標(biāo)簽3為握拳，標(biāo)簽4為張手。粒子群優(yōu)化算法的迭代過程如圖9所示，隨著迭代次數(shù)的增加準(zhǔn)確率逐漸趨近于最佳參數(shù)的適應(yīng)度。

圖7 測試集數(shù)據(jù)為5的SVM分類結(jié)果

圖8 測試集數(shù)據(jù)為5的PSO-SVM分類結(jié)果

圖9 PSO尋找最佳參數(shù)準(zhǔn)確率曲線圖

當(dāng)訓(xùn)練數(shù)據(jù)數(shù)量都為8時(shí)，經(jīng)實(shí)驗(yàn)結(jié)果證明：SVM分類器的分類準(zhǔn)確率為79.3%，PSO-SVM分類準(zhǔn)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(shù)據(jù)為8的SVM分類結(jié)果

圖11 測試集數(shù)據(jù)為8的PSO-SVM分類結(jié)果

圖12 PSO尋找最佳參數(shù)準(zhǔn)確率曲線圖

再將測試集數(shù)據(jù)數(shù)量依次改為10、15，兩者的分類效果如圖13所示，其中橫坐標(biāo)處的5、8、10、15分別表示訓(xùn)練集的數(shù)據(jù)數(shù)量為5、8、10、15。

圖13 SVM與PSO-SVM的準(zhǔn)確率對(duì)比

由圖13可知：SVM分類器的平均識(shí)別率為86.8%，而PSO-SVM的平均識(shí)別率為97.4%，當(dāng)訓(xùn)練集的數(shù)據(jù)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(xùn)練數(shù)據(jù)較充充足的情況，由于分類器內(nèi)部訓(xùn)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(duì)SVM分類器有了較好的優(yōu)化。

4 結(jié)論

本文提取了3個(gè)時(shí)域特征：平均絕對(duì)值、過零點(diǎn)數(shù)和波形長度，通過PSO算法對(duì)SVM分類器進(jìn)行優(yōu)化，再進(jìn)行分類識(shí)別，準(zhǔn)確率達(dá)到了97.4%，取得了較為理想的效果，說明該方法能很好的進(jìn)行模式識(shí)別。但是仍存在不足，本文未考慮到個(gè)體間特異性，動(dòng)作的多樣性以及處理的實(shí)時(shí)性，在后期的工作中需要重點(diǎn)解決。