基于經驗模態分解-小波包變換的表面肌電信號手勢識別

馮凱，董秀成，劉棟博

西華大學電氣與電子信息學院，四川成都611730

前言

手部運動時的表面肌電信號（surface Electromyography Signals,sEMG）是上肢肌肉收縮過程中，大量運動單元動作電位經肌肉、皮下組織和皮膚的傳導疊加，最終反映在皮膚表面的綜合電效應［1-3］。通過粘貼在皮膚表面的電極來采集不同手勢下的sEMG，具有無創傷性的特點，已被廣泛應用于手語識別、假手控制和手部康復機器人控制等領域［4］。sEMG 信號的采集、降噪、數據分割、特征提取、特征選擇與降維和分類器的設計等各個環節均已成為國內外研究人員爭相研究的熱點，并且取得了不錯的成就。機器學習廣泛用于解決基于sEMG信號的手勢識別問題，最常見的手勢識別方法包括線性判別分析（Linear Discriminant Analysis,LDA）［5］、支持向量機（Support Vector Machines,SVM）［6］、K-近鄰（K-Nearest Neighbor,K-NN）［7］、隨機森林（Random Forest,RF）［8］、決策樹（Decision Tree,DT）［9］、人工神經網絡（Artificial Neural Networks,ANN）［10］、卷積神經網絡（Convolutional Neural Networks,CNN）［11］等。

sEMG 是一種非線性非平穩的生物電信號［12］，同大部分涉及生物醫學信號的模式識別應用一樣，為了得到好的識別效果和減少數據冗余，需要對sEMG信號進行預處理和特征提取。許多研究人員已經開始研究sEMG信號的特征，如時域特征［13］、頻域特征、時頻特征［14］和高階統計量［15］，研究人員也開始研究一些不屬于時域和頻域的新特征，如非線性特性和分形特征［16］，自回歸模型分析［17］也是獲取信號特征的一種常用方法。Sui 等［1］從sEMG 中提取小波包系數的能量和方差作為特征，并結合改進支持向量機（Improved Support Vector Machine,ISVM）和粒子群算法（Particle Swarm Algorithm,PSO）進行手勢分類，平均識別率為90.66%。Wu 等［18］提出基于單通道sEMG 包絡信號時域特征提取方法，并且使用改進的K-NN 算法和軟緣SVM 算法來完成5 種類型手勢的分類，平均識別率為80%。……