魏庆丽， 肖 玮， 梁伟强， 孙振超， 张 莉

(吉林大学 仪器科学与电气工程学院，吉林 长春 130061)

0 引 言

表面肌电[1,2](surface electromyography，SEMG)信号具有采集过程无创性、易被检测性等优点，随着检测技术和信号处理技术的快速发展受到了越来越多的青睐，国内外学者对使用神经网络处理表面肌电信号也有了更加深入的研究。国外学者Mahdi Khezri采用一种自适应神经模糊推理系统识别手部动作命令且动作识别率达到92 %[3]；国内张毅等人采用小波变换和AR模型对SEMG进行分析处理，利用径向基函数(radial basis function,RBF)神经网络对SEMG信号进行模式识别，正确识别出了手势动作[4]；杨善晓用小波变换多尺度分解系数的最大和最小值作为特征量将特征向量输入到改进的基于L-M算法的反向传播(back propagation,BP)神经网络，取得了十分理想的识别效果[5]。随着计算机算法技术的快速发展，神经网络的发展空间将十分广阔。

本文针对SEMG的多种特性，以信号的采集分析、处理为基础，提取并选择更为有效的特征值，构造神经网络输入向量并用其训练概率神经网络(probabilistic neural network，PNN)，分析模式识别结果，为后续的仿生手研究提供理论依据。

1 PNN

PNN是前馈型网络的一种，采用Parzen窗函数密度估计方法估算条件概率，进行分类模式识别[6]。PNN基本结构[7]如图1所示。

图1 PNN基本结构

2 手势识别系统

识别系统主要由采集模块、信号处理模块、模/数(A/D)转换模块、无线通信模块、上位机显示界面等组成。首先使用无创的AgCl贴片电极采集前臂表面肌电信号，通过肌电传感器进行放大、滤波等处理，处理后的信号经过A/D转换和蓝牙无线通信，传输至上位机上进行信号处理并显示，最终经由视觉等信息反馈确认识别结果。识别系统总体框图如图2所示。其中信号处理流程如图3所示。

图2 系统整体框图

图3 信号处理流程

3 实验与结果分析

采集的SEMG信号仍需进行进一步的处理方能实现手势识别的目的。主要包括信号处理，特征值的选择及提取，模式识别等实验过程。

3.1 信号处理

1)由于SEMG的间歇性、随机性，因此需要对其进行活动段检测。本文采用边缘检测的方法检测并提取活动段，即用小区域模板卷积来近似计算每个像素点的梯度算子，以获得X和Y方向的边缘强度[8]。以握拳动作为例，动作信号及活动段检测结果如图4所示。

图4 活动段检测信号时域

2)通过设计巴特沃斯滤波器分别进行带通滤波和带阻滤波，以去除基线漂移和工频干扰。降噪前后信号对比如图5所示，已滤除50 Hz工频干扰。

图5 滤波前后频域比较

3.2 特征值的选择及提取

降噪处理后的SEMG需要提取特征值才能进行模式识别。本文着重研究伸食指、伸腕、屈腕和握拳动作产生的表面肌电信号，动作示意如图6所示。

图6 动作示意

待选择的特征值有时域分析的积分肌电值(integrated EMG，IEMG)和均方根值(root mean square，RMS)，频域分析的平均功率频率(mean power frequency，MPF)、功率谱密度(power spectral density，PSD)和中值频率(median frequency，MF)。

积分肌电值是指对信号求取绝对值后的均值，即

(1)

均方根值用于描述信号的平均程度，其计算公式为

(2)

频域上的MPF一定程度反映SEMG特征，即

(3)

式中p(f)为SEMG功率谱密度函数。

经过大量实验对比发现，伸食指、伸腕、屈腕和握拳4种动作的方均根值和积分肌电值特征值区分较为明显。通过将特征值作为横纵坐标进行标点的方式查看区分度，标记结果如图7所示。

可以看出，不同动作的分布区域重叠部分较少，进一步验证了特征值的选取。

图7 特征值提取结果

3.3 模式识别

选取每个动作50组特征向量共计200组数据，随机选取每个动作30组共120组数据组成神经网络的训练集，每个动作余下的20组总计80组数据用作测试。

PNN设置径向基函数的扩展系数为0.000 6，训练网络后进行预测识别。某一次识别结果如图8所示。

图8 PNN模式识别结果

为了验证PNN的识别效果，选用常用的BP作为对比。设置输入层节点数n=12，隐含层节点数l=13，输出层节点数m=4，权值初始化为小于1的随机数。其中一次的识别结果如图9所示。

图9 BPNN模式识别结果

通过大量重复实验，随机选取10组2种网络下4个动作的识别率结果并将其分别记录于表1和表2中。

表1 BPNN识别率结果 %

表2 PNN识别率结果 %

本文得出的PNN的模式识别平均正确率为97.625 %，而BPNN的模式识别平均正确率为91.125 %，PNN的识别结果更为理想。

4 结束语

大量实验分析表明： PNN对表面肌电信号的模式识别的正确率较高，能够满足模式识别的需求。将其用于手势识别研究，可以为后续的手势动作识别系统提供理论基础。参考文献:

[1] 洪 洁，王 璐，汪 超，等.基于人工鱼群算法优化SVM的手部动作sEMG识别[J].传感器与微系统，2016，35(2):23-25.

[2] 毛东杰.基于小波变换的表面肌电信号低功耗压缩滤波算法[J].传感技术学报，2016,29(5):648-653.

[3] Mahdi Khezri，Mehrah Jahed.A neuro-fuzzy inference system for SEMG-based identification of hand motion commands[J].IEEE Transactions on Industrial Electronics,2011,58(5):1952-1960.

[4] 张 毅,连奥奇,罗 元.基于小波变换及AR模型的EMG模式识别研究[J].电子测量与仪器学报，2011,25(9):770-774.

[5] 王红旗.基于线性判别分析的表面肌电信号特征识别[J].河南理工大学学报：自然科学版，2015,34(6)：832-835.

[6] 刘朝阳，陈 以，李少博.概率神经网络在手写汉字识别中的应用[J].电子设计工程,2016,24(2):32-34.

[7] 史 峰，王小川.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010：1.

[8] 李海华，范 娟.一种改进的基于梯度的自适应边缘检测算法[J].科学技术与工程,2013,13(1):90-93.