基于BP神经网络的手势动作表面肌电信号的模式识别_临床医学论文.docVIP

基于BP神经网络的手势动作表面肌电信号的模式识别临床医学论文 基于BP神经网络的手势动作表面肌电信号的模式识别临床医学论文 作者：于擎，杨基海，陈香，张旭 【摘要】 手势语言在日常生活中有着广泛的应用，本研究利用手势动作时从前臂4块肌肉上获取的4路表面肌电(SEMG)信号，经特征提取并采用BP神经网络，对8种手势动作模式进行了识别。鉴于BP网络具有较强的模式分类能力，而特征提取（幅度绝对值均值、AR模型系数、过零率）又利用了多路肌电信号的信息，实验结果取得了较高的识别正确率，表明所采用的方法是有效的。 【关键词】 模式识别；手势语言；表面肌电信号；BP网络； AR模型系数； 过零率 Abstract：Sign language is widely used in our daily life. In this paper, some features are extracted, using surface myoelectrogram(SEMG)signals, which were generated on four muscles of forearm when gesture actions happened. Owing to stronger classification ability of BP networks and better separability of feature vectors(which include mean absolute value, AR model parameters, and zerocrossing rate) extracted from multichannel SEMG signals, the higher accuracy was obtained in the experiments. It shows that the method is efficient. Key words：Pattern recognition; Sign language; Surface myoelectrogram signals; BP networks; Auto-regressive model parameter; Zero-crossing rate 1 引 言 手势语言在人们日常生活中的应用极为广泛，如交警指挥交通，排球场上裁判的手势，聋哑人之间的手语交流等等。而且，许多手势动作在不同地域是通用的，这就为不同语种的人们相互交流提供了方便。 目前，对于手势语言的识别主要有基于数据手套［1］的手语识别和基于视觉图像［2］的手语识别，前者识别率高，但输入设备昂贵，难以普及；后者输入设备简单，但识别率较低，实时性比较差。由于手势动作与手指和关节的运动相关联，而手指和关节的运动又由对应肌肉群所控制，因此，可以通过控制相关肌肉活动产生的表面肌电（SEMG）信号及其差异来识别不同的手势动作。采用基于SEMG信号的手势动作识别的优点是：传感系统设计简单，对周围环境要求不高，处理算法的计算量也较少，它要解决的关键问题是提高对多种动作识别的分类正确率。 BP 算法结构简单，可操作性强，能模拟任意的非线性输入输出关系，常常被用于表面肌电信号的识别中。在神经网络的实际应用中，绝大部分的神经网络模型采用BP网络或其它的变化形式，它也是前向网络的核心部分，体现了人工神经网络中的精华部分［3］。 2 识别方法 手势动作SEMG的信号模式识别流程见图1。 图1 动作肌电信号的模式识别流程 Fig 1 The flow chart of gesture SEMG recognition 2.1 手势动作的定义 本研究借鉴Sign Language库中的常用手势定义，手势名称用四位英文字母命名，通常为英文描述的单词简写。我们选取了其中的八种动作，其名称和表述见表1。表1 动作的名称和含义 2.2 SEMG信号的获取和预处理 分别在前臂的尺侧腕伸肌、伸指总肌、指深屈肌和拇长屈肌安放4对电极（长10 mm，间距5 mm），检测手势动作时的SEMG信号。利用DELSYS公司的16通道肌电采集系统采集信号，该系统的低频截止频率为10 Hz，高频截止频率为500 Hz，设置数据采样率为1 000 Hz，得到4导数据，存入PC机。然后进一步利用巴特沃思带通滤波器对肌电信号数据进行滤波，滤波器的通带频率范围20～400 Hz，通带内衰减不大于3 dB，阻带内的衰减不小于40 dB。 　 2.3 活动段检测 动作SEMG信号可以分成许多活动段和非活动段，每个活动段代表一个有效动作，而非活动段仅由噪声和背景肌电活动组成。为了区分各单个动作信号，必须确定动作的起始和结束位置。由于背景噪