2023年7月29日发(作者：)

脑电信号特征提取算法c语⾔_基于肌电信号稀疏特征的⼿势识别⽅法研究⼈机交互技术是实现未来协作机器⼈⼈机共融智能的主要研究⽅向，其中基于肌电信号的⼿势识别是⼈机交互领域中重要组成部分，是国内外实验室研究的热点项⽬之⼀[1]。表⾯肌电信号(sEMG)是⼀种肌⾁收缩时产⽣的⽣物电信号[2]，能够直接反映出肌⾁活动的状态，通过对sEMG进⾏分析可以准确地识别出⼿势动作，⽽且sEMG具有信息容量⼤、实时性强等优势[3]，在智能假肢[4]、上肢康复外⾻骼[5]、机械臂控制等⼈机交互中有很好的前景。正确识别⼿势动作的关键技术之⼀在于有效特征的提取。常⽤的sEMG特征是提取⼀系列时域特征、频域特征、联合时频分布特征、⾮线性特征[6-7]以及⼀些参数模型特征。PHUKPATTARANONT P等[8]针对sEMG使⽤了主成分分析、线性判别分析和谱回归极限学习机等6种特征提取技术，并对⽐了6种特征提取算法的性能。此外，稀疏编码技术受到了⼴泛的关注，并成功应⽤到图⽚识别、压缩感知和信号去噪等领域中。WHITAKER B M等[9]将稀疏编码引⼊⼼⾳分类中，利⽤快速傅⾥叶变换将⼼⾳信号从时域转化到频域，忽略频谱的负频率和相位，然后根据稀疏字典得到统计学上重要的稀疏系数特征，将稀疏系数取平均数的同时融合时域特征进⾏综合分类，可得到⽐单⼀的稀疏特征更好的分类效果。此外，该团队还对鸡鸣啼的声⾳信号进⾏分析[10]，采集健康与患有⽀⽓管炎的两类鸡鸣声⾳信号样本，将鸡鸣⾳频⽂件转化为频谱图，利⽤稀疏编码得到每个谱图列分解为字典元素的稀疏组合，对两类鸡鸣信号有97.85%的识别率。DING S等[11]采⽤局部时态稀疏贝叶斯算法作为新的学习⼯具，利⽤压缩感知理论将sEMG映射到低维空间，提取sEMG的稀疏特征，⼗个⼿势动作可获得89.4%的准确率。为了提⾼基于sEMG⼿势识别的数⽬和识别精度，本⽂提出⼀种融合稀疏表⽰特征和时域特征的多⼿势识别⽅法。其中sEMG由4个通道的设备采集得到，⼿势共包含16种动作，使⽤KSVD算法提取sEMG的稀疏特征，将稀疏特征与时域特征融合后使⽤SVM算法进⾏⼿势识别分类。相⽐单⼀稀疏特征⽤作SVM训练分类，融合时域特征增加了⼿势的识别精度。实验结果表明，该⽅法对多种⼿势有较⾼的识别率。1 ⽅法本⽂提出的⽅法主要包含三个步骤：sEMG动作单元端点检测、样本的稀疏表⽰和SVM识别分类。动作单元端点检测利⽤双阈值算法[12]，根据短时能量和过零率检测出sEMG中⼿势动作的起始点和终⽌点从⽽提取有效的⽤于稀疏表⽰和识别分类的活动段。样本的稀疏表⽰包括学习字典的初始化、利⽤KSVD算法更新字典[13-14]和OMP算法[15]计算稀疏系数。最后，融合稀疏特征与时域特征，训练SVM并进⾏分类[16-17]。1.1 动作单元端点检测动作单元端点检测也称为信号的活动段检测，就是检测⼿势动作的起始点和终⽌点，分割出优质的活动段有助于提取更为有效的动作特征和提⾼分类识别。双阈值算法是基于短时平均能量和短时过零率进⾏检测的，原理是当⽆⼿势动作时短时平均能量很⼩，动作越⼤则能量越⼤；同时当活动频率越⾼则短时过零率越⼤，结合两者特征可以⽤来找到信号的活动区域。⾸先利⽤滑动窗⼝对sEMG样本数据进⾏分帧。计算每⼀帧的能量和过零率，短时平均能量计算公式为：其中，X(N)表⽰某帧的信号序列，L表⽰帧长，N表⽰帧内数据点的序列号。对短时平均能量设置⾼低两个阈值TE1和TE2，短时过零率设置⼀个阈值Tz，将计算的每帧能量E和过零率与设置的阈值进⾏⽐较，若某时间帧F1的短时平均能量和过零率同时⼤于TE2和Tz，并且F1帧之后的⼀段连续时间序列中能量值E持续⼤于⾼阈值TE1，则认为帧F1为动作单元的开始，直到某时间帧F2的短时平均能量和过零率同时⼩于TE1和Tz，则帧F2为动作单元的结束。图1为使⽤双阈值算法针对⼿势“NUM1”信号的端点检测⽰例图。其中，图1(a)中4幅⼦图为⼿势动作“NUM1”的4个通道的原始信号波形图。图1(b)为动作“NUM1”的端点检测结果图。从图1(a)可以看出，波形图中幅值持续变⼤和过零次数变多时，代表有⼿势动作，当⼿势动作结束时幅值和过零次数将变得很⼩。对⽐原始信号波形图(图1(a))和端点检测结果图(图1(b))，使⽤双阈值算法可以有效地检测出运动单元的起始端点，将sEMG中的运动单元分割出来。1.2 字典学习和稀疏表⽰稀疏表⽰⼜称为稀疏编码，是指利⽤给定的过完备字典(冗余字典)作为基函数对信号进⾏分解，并根据表⽰系数选择尽可能少的原⼦对信号进⾏稀疏表⽰，也就是⽤尽量少的基函数原⼦对原始信号进⾏线性表⽰。其中，过完备字典(冗余字典)是由个数超过原始信号维数的原⼦组合⽽成的。设数据集Y(M×N)，其中列数N代表信号样本的数⽬，⾏数M代表样本的维度。⼀般⽽⾔，该矩阵是稠密的，即⼤多数元素不为零。 稀疏表⽰的含义是，寻找⼀个系数矩阵X(K×N)以及⼀个字典矩阵D(M×K)，使得X×D尽可能地还原Y，且X尽可能地稀疏,也就是每⼀列系数中只有少部分元素不为零，那么系数矩阵X便是信号Y的稀疏表⽰。稀疏表⽰模型如式(2)所⽰：这⾥，存在两个优化变量D和X，要想得到信号Y的稀疏系数必须构造过完备字典D和根据字典D求解稀疏系数X。对于冗余字典D和稀疏系数X的优化求解，⼀般来说，不断固定其中⼀个变量更新另外⼀个变量，交替迭代更新字典D和稀疏X。本⽂求解稀疏系数⽤的是贪婪算法中的正交匹配追踪(OMP)算法，构造过完备字典使⽤基于KSVD算法的学习字典⽅法，学习字典优点是字典不局限于某⼀类信号上，能够适应⼤部分的稀疏域模型。KSVD算法是⼀种逐列更新字典的字典学习算法，若将多信号中每⼀个样本只⽤⼀个原⼦表⽰时，则可转化为K-means算法，在固定稀疏系数X时，⽬标函数为：其中，xk代表系数矩阵X的第k⾏。优化计算字典D和稀疏系数X的算法过程列在算法1中：算法1：优化字典D和稀疏系数X(1)初始化：从原始信号Y(M×N)中随机挑选k个样本组成字典D∈RM×k，并归⼀化每⼀列；初始化稀疏编码矩阵X为0矩阵。(2)稀疏编码阶段：固定字典D，⽤正交匹配追踪(OMP)算法来计算原始信号Y的最优稀疏系数矩阵X(xi列的L0范数以确定的T0为界)，编码过程如式(4)所⽰：(3)更新字典阶段：根据KSVD算法逐列更新第k列的字典原⼦Dk，k=1，2，…，K，并且同时更新稀疏编码Xk，k=1，2，…，K。重复步骤(2)和步骤(3)，直到满⾜优化要求，此时即找到了最优过完备字典D和最优稀疏系数矩阵X。1.3 SVM分类在本⽅法中，使⽤SVM算法对16种⼿势动作进⾏分类。SVM是⼀种⼆值边缘分类模型，其学习策略是间隔最⼤化，即是⽤⼀个超平⾯将不同类别数据点分开，并且这个超平⾯两边的数据的间隔最⼤，它是⽬前最好的边缘性分类器，在⼩样本分类中有很好的效果。当SVM对多分类问题进⾏分类时，有多类排序⽅法(Multiclass Ranking SVM)、“⼀对多”⽅法(One Versus Rest SVM)和“⼀对⼀”⽅法(OneVersus One SVM)等⽅法。本⽂使⽤“⼀对多”⽅法，其中每个类都有⼀个分类器，该⽅法是将多分类任务转为多个两分类任务。在训练集中，将某⼀类别记作i，并将其标签标记为+1，剩余类别都标记为-1，如此标记规则下则得到⼀个两分类SVM模型，然后对类别i(+1)与剩余类别(-1)的两分类进⾏训练，得到使分类平⾯为最优超平⾯训练模型参数Modeli，其中最优解w和b包含在模型参数Modeli中。根据“⼀对多”⽅法的思想，对于n分类问题，将得到n个训练模型参数：当测试集中类别i进⾏测试时，把测试向量i分别利⽤n个模型参数进⾏计算，得到n个测试结果fn，这⾥，fn=(f1，f2，…，fn)。最终，测试向量i的分类结果为测试结果fn中最⼤的值所在的类别，即：2 实验本实验中，数据集分类两个部分：训练集X_train和测试集X_test，训练集和测试集对应的标签为y_train和y_test。根据算法1计算出训练样本的最优过完备字典D和最优稀疏系数矩阵X。这⾥，训练得到最优稀疏系数矩阵X为X_train，然后使⽤正交匹配追踪(OMP)算法来计算测试集样本Y_test的最优稀疏系数矩阵X_test。采集16种⼿势动作对应的表⾯sEMG，⼿势动作名称为“NUM1”，“NUM7”，“NUM3”，“NUM2”，“伸掌旋转”，“伸展⼿掌”，“NUM8”，“NUM6”，“垂直压⼿腕”，“打响指”，“招⼿”，“握拳旋转”，“紧握拳”，“握拳画圈”，“⽔平压⼿腕”，“旋转⼿腕”。将16种⼿势数据集中60%的数据⽤作训练，其余的40%数据⽤作测试。⾸先对于训练样本，利⽤KSVD和OMP算法训练过完备字典D，根据过完备字典D计算出训练样本和测试样本的稀疏系数。然后计算训练样本和测试样本的时域特征，与稀疏系数特征进⾏融合。最后使⽤SVM分类模型对训练样本特征进⾏训练得到模型参数，⽤测试样本特征测试本⽅法对于多种⼿势动作的识别精度。⾸先将16种⼿势信号进⾏活动段检测并分割，本实验数据采样率为1 000 Hz，所以设置帧长为200 ms，帧移为80 ms。在图2中，图2(a)是16种⼿势中第⼀种⼿势“NUM1”经过活动段分割后的原始信号。为了检测训练的过完备字典和稀疏系数是否有⽤，信号重构是⼀个很好的⽅法。将⼿势“NUM1”的稀疏系数X和过完备字典D根据公式Y=DX计算⼿势“NUM1”的重构信号Y，实验结果如图2(b)所⽰。图2(b)中有4幅⼦图，从左到右、从上⾄下依次为⼿势“NUM1”4个通道的重构信号，其中实线为⼿势“NUM1”经预处理后的信号，虚线为⼿势“NUM1”重构信号。从图2(b)可以看出，⼿势“NUM1”原始信号和重构信号相似度很⾼，经计算4个通道原始波形和重构后波形相关系数分别为0.93、0.91、0.97和0.95。稀疏系数X是原始信号Y在过完备字典D上的投影系数，当利⽤稀疏系数X和过完备字典D重构图形能够很好地再现原始信号时，稀疏系数是有效的，可以代表原始信号进⾏后续的识别分类。BENALCAZAR M E等[18]在欧洲信号处理会议中，使⽤动态时间归整和⼈⼯前馈神经⽹络⽅法识别5个⼿势，识别准确率为90.1％。在本⽂中，BENALCAZAR M E使⽤的数据通过融合稀疏特征和时域特征进⾏实验。表1、表2和表3是不同训练⽐率下数据集的结果。其中SR是稀疏表⽰特征，Time-domain是时间特征，FNN是前反馈神经⽹络。 如表1～表3所⽰，稀疏特征⽐BENALCAZAR M E使⽤的动态时间归整特征准确率要⾼，同时增加时域信号可以⽐单⼀稀疏特征有更⾼的⼿势识别准确度。此外，随着训练样本⽐例的增加，识别准确率⼤⼤提⾼。当样本⽐例为25％时，Time-domain+ SVM的识别率仅为87.6％。当样本⽐例增加到50％时，Time-domain+SVM的识别率增加到96.93％。当样本⽐例进⼀步增加到75％时，Time-domain+SVM的识别率为98.46％。表4和图3是16种⼿势识别的结果，图3给出了16种⼿势动作识别结果的混淆矩阵，由图可知，融合稀疏特征和时域特征的⽅法总体分类正确率是98.4%。其中11种⼿势识别率100%，⽽⼿势6“伸展⼿掌”和⼿势9“垂直压⼿腕”识别率相对较差，为92.9%。⼿势6和⼿势9都包含张开⼿掌这个动作，不同之处为⼿势9需要压⼿腕，因此⼿势6和⼿势9识别率相对较差。3 结论本⽂提出⼀种融合稀疏表⽰特征和时域特征的多⼿势识别⽅法。使⽤稀疏表⽰算法提取表⾯sEMG，融合时域特征利⽤SVM算法进⾏16类⼿势动作的识别。实验结果表明对16类⼿势动作可有98.4%的平均识别精度，该⽅法能够有效对16种⼿势动作进⾏识别分类。参考⽂献[1] Wang Xiaojie，Wang Yucheng，Wang Zhonghui，et gesture recognition using sparse autoencoder-based deepneural network based on electromyography measurements[C].Nano-，Bio-，Info-Tech Sensors，and 3D ational Society for Optics and Photonics，2018.[2] ATZORI M，GIJSBERTS A，KUZBORSKIJ I，et terization of a benchmark database for myoelectric movementclassification[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2014，23(1)：73-83.[3] 谢⼩⾬，刘喆颉.基于DTW算法的肌电信号⼿势识别⽅法[J].计算机⼯程与应⽤，2018(5)：132-137.[4] 罗志增，李⽂国.两⾃由度实时控制肌电假⼿的研究[J].中国康复医学杂志，2009，24(4)：355-358.[5] 王振宇.基于sENG信号的上肢康复机器⼈系统研究[D].北京：北京理⼯⼤学，2015.[6] GEETHANJALI ctric control of prosthetic hands: state-of-the-art review[J].MedicalDevices(Auckland，NZ)，2016，9：247.[7] CHOWDHURY R，REAZ M，ALI M，et e electromyography signal processing and classificationtechniques[J].Sensors，2013，13(9)：12431-12466.[8] PHUKPATTARANONT P，THONGPANJA S，ANAM K，et tion of feature extraction techniques and classifiersfor finger movement recognition using surface electromyography signal[J].Medical & Biological Engineering &Computing，2018，56(12)：2259-2271.[9] WHITAKER B M，SURESHA P B，LIU C，et ing sparse coding and time-domain features for heart soundclassification[J].Physiological Measurement，2017，38(8)：1701.[10] WHITAKER B M，CARROLL B T，DALEY W，et decomposition of audio spectrograms for automated diseasedetection in chickens[C].Global Conference on Signal and Information Processing(GlobalSIP).IEEE，2014：1122-1126.[11] DING S，GAO W，SUN X，et tion of electromyographic signals for multiple-hand-motion recognition viasparse representation technique[C].Chinese Automation Congress(CAC).IEEE，2018：3661-3665.[12] LOKHANDE N N，NEHE N S，VIKHE P activity detection algorithm for speech recognition applications[C].IJCAProceedings on International Conference in Computational Intelligence(ICCIA2012)，2012.[13] JIANG Z，LIN Z，DAVIS L ng a discriminative dictionary for sparse coding via label consistent K-SVD[C].，2011：1697-1704.[14] AHARON M，ELAD M，BRUCKSTEIN A.K-SVD：an algorithm for designing overcomplete dictionaries for sparserepresentation[J].IEEE Transactions on Signal Processing，2006，54(11)：4311.[15] HSU C W，LIN C J.A comparison of methods for multiclass support vector machines[J].IEEE Transactions on NeuralNetworks，2002，13(2)：415-425.[16] SAJJAD M，MEHMOOD I，BAIK S coded image super-resolution using K-SVD trained dictionary based onregularized orthogonal matching pursuit[J].Bio-Medical Materials and Engineering，2015，26(s1)：S1399-S1407.[17] 潘世豪，程⽟柱，许正昊，等.基于分形理论的树⽪图像特征提取⽅法[J].林业机械与⽊⼯设备，2019，47(2)：7-11.[18] BENALCAZAR M E，ANCHUNDIA C E，ZEA J A，et -time hand gesture recognition based on artificial feed-forward neural networks and EMG[C].2018 26th European Signal Processing Conference(EUSIPCO).IEEE，2018：1492-1496.作者信息:李赵春1，顾 权1，2，王⽟成2(1.南京林业⼤学 机械电⼦与⼯程学院，江苏 南京210037；2.中国科学院合肥物质科学研究院常州先进制造技术研究所，江苏 常州213000)