手勢控制技術可以通過在空中小幅度擺動手掌或手指控制家電、游戲和殘疾人假肢等智能設備^[1]，為人機的信息直接交互提供了新的方式，正在受到越來越多的科技企業和科研人員的關注和研究。人體表面肌電信號(SEMG)是從人體骨骼肌表面通過電極記錄下來的神經肌肉活動發放的生物電信號^[2]，是對人體手勢進行識別的重要途徑之一。張毅等人采用小波變換和AR模型對SEMG進行分析處理，利用RBF神經網絡對SEMG信號進行模式識別，動作識別率達到85%^[3]；侯秀麗等人采用四通道采集SEMG信號,利用小波變換和BP神經網絡來識別SEMG信號8種動作,動作平均識別率為96.25%^[4]；Mahdi Khezri用時域參數平均絕對值(MAV)并采用一種自適應神經模糊推理系統識別手部動作命令且動作識別率達到92%^[5]。但在SEMG信號的特征提取和動作模式識別中存在特征向量維數過高、數據冗余度大，分類器復雜、魯棒性差和識別率低等問題^[6]。為了更好地解決上述問題，在DSP硬件平臺TMS320VC5502上設計了便攜式人體手勢動作實時識別系統,并提出了一種小波包主元分析(WPPCA)與線性判別分析(LDA)相結合的新方法，以提高生物電信號識別準確率和穩定性，并能夠準確地將手勢識別結果轉換成智能設備的控制命令。

1手勢動作識別系統硬件架構

        便攜式手勢動作識別系統硬件架構主要由DSP處理器TMS320VC5502、SEMG信號數據采集、預處理、串口RS232、JTAG調試口、LCD顯示屏、鋰電池供電單元和SARAM和Flash存儲器等部分組成。手勢動作識別系統硬件架構如圖1所示。

        肌電信號的采集利用兩片Ag/AgCl電極作為肌電信號傳感器，并貼附在尺側腕屈肌和肱橈肌的皮膚表面上，把一片Ag/AgCl電極貼在上肢前臂關節處的肌膚表面作為參考點來消除共模信號，提高電路的整體抗干擾能力。

        DSP處理器TMS320VC5502是整個便攜式手勢動作識別系統的核心，主要負責接收經過處理的肌電信號，再根據相應的算法進行特征提取和動作識別，獲得有效的手勢識別結果后，再通過串口RS232發送給受控設備；LCD顯示屏用來直觀展示手勢識別結果；由于設計的便攜式手勢動作識別系統體積較小，采用了鋰電池的供電方式。

2基于小波包主元分析的SEMG特征提取

        WPPCA結合了小波包變換WPT(Wavelet Packet Transform)和主元分析PCA(Principal Component Analysis)兩種算法的優點，不僅能夠對原始肌電信號進行時-頻域分析，而且還能去除小波系數中線性相關性較大的特征，從而實現對特征維數的壓縮，有效地提取肌電信號中的特征^[7]。采用WPPCA來獲取兩路原始肌電數據特征矩陣過程如圖2所示。]

2.1 小波包變換

        WPT是一種更加細致的時-頻域分析法^[8]，能夠將高頻段和低頻段進行更加細致的分析，得到更全面的特征量。三層小波包分解過程結構圖如圖3所示。

2.2 主元分析

        (4)計算矩陣C的特征向量和特征值，依據特征值從大到小來排列特征向量。根據式(5)計算各特征值λ_j的累積貢獻率Z_i，以Z_i≥96%為標準來獲得前P_i(P_i≤2^L)個主元構建矩陣D。

        經WPPCA處理后的兩路SEMG信號的8個特征值貢獻率如表1所示。

        從表1可以看出，SEMG信號經WPPCA后所得的橈側腕曲肌和肱橈肌特征矩陣中，前兩個特征1、2的貢獻率相加后所得的累積貢獻率分別為97.42%和99.25%，滿足閾值的條件，進而將小波系數矩陣從16維減少到4維數據，獲得動作類別特征矩陣Y=[Y₁¹，Y₂¹，Y₁²,Y₂²]^T。

3 線性判別分析的SEMG動作識別

        LDA算法的基本思想是將維數較高的樣品數據投影到最優樣本分類的矢量空間，從而達到有效獲得分類數據和動作模式識別[10]。記肌電數據運動模式特征樣本集合Φ為Y=[Y₁，Y₂，…，Y_N]，Y_n=[Y_1,n，Y_2,n，…，Y_M,n]^T，n=1,2,…,N,T表示矩陣轉置。采樣點數記為N，樣本特征個數記為M。定義運動類別w₁、w₂，集合Φ中w₁類有N₁個采樣點數，w₂類有N₂個采樣點數，N=N₁+N₂。屬于w₁類的樣本記為子集Φ₁,屬于w₂類的樣本記為子集Φ₂。SEMG信號數據中兩種動作類別的分類具體方法如下：

        (1)計算肌電數據運動特征樣本中各手勢類別的樣品均值向量m_i， w_i類的樣品量記為N_i，i=1,2,。

        (3)計算最優解W*。

        Fisher準則函數被定義為J_F(W)，表達式如式(11)所示，經推導后W*的表達式如式(12)所示。

　 (4)按式(13)將特征數據中訓練樣品集合內所有樣品數據進行投影，算出e_n，從而獲得與集合Φ₁和Φ₂相對應的兩個像集合記為Θ₁和Θ₂。

4 實驗結果分析

        利用設計的DSP便攜式人體手勢動作實時識別系統進行測試實驗，根據香農采樣定理設定2 kHz作為采樣頻率，分別采集5 s的握拳、展拳、手腕內翻和手腕外翻4種動作的肌電數據。并對所獲取的肌電數據進行WPPCA分析，所得的4個主元數據如圖4所示。

        在圖4中，橈側腕曲肌的肌電特征數據為主元數據1、2；肱橈肌的肌電特征數據為主元數據3、4。在這主元數據1~4中包含握拳、展拳、內翻、外翻數據各100個。從而獲得4行400列的運動模式特征矩陣Y=[Y₁，Y₂，Y₃，Y₄]^T，矩陣的轉置記為T。

        Y_i=[Y_i,1，Y_i,2，Y_i,3，Y_i,400]為第i個主元的數據，i=1,2,3,4。將前50個握拳、展拳、內翻和外翻這4種動作的數據作為分類器的訓練樣本，后50個握拳、展拳、內翻和外翻這4種動作的數據作為分類器的測試樣本，從而獲得訓練數據和測試數據都為4行200列，并將運動模式矩陣的訓練樣本數據和測試樣本數據輸入到LDA分類器中，進而獲得每一種動作類別與其他動作類別間的分類閾值如表2所示。

        采用LDA、K近鄰、BP神經網絡和RBF神經網絡對WPPCA獲取的運動模式特征矩陣進行動作識別，其分類結果如表3所示。

        從表3可以看出同樣使用小波包主元分析法來提取SEMG信號特征，使用LDA分類器動作平均識別率達到99.5%，而使用K近鄰分類器動作平均識別率達87%，BP神經網絡動作平均識別率達92%，RBF神經網絡平均識別率達95%。從這四種分類方法的分類結果可以看出，應用線性判別分析法對小波包主元分析法所得的運動特征矩陣進行分類，達到的動作平均識別率最高。

        利用DSP硬件平臺設計的便攜式人體手勢動作實時識別系統，采用人體表面肌電信號作為手勢識別的信號源，利用小波包主元分析法對SEMG信號進行特征提取,再利用線性判別分析法對SEMG的動作進行識別。實驗結果表明，在不同的SEMG信號特征提取方法下，WPPCA具有良好的特征表達能力,應用LDA分類器對運動特征矩陣進行訓練和分類，達到了99.5％的動作平均識別率,識別結果優于其他分類器，解決了人體表面肌電信號的平穩性差、小波包變換系數維數過高和識別率低等問題，能夠準確地將手勢識別結果轉換成智能設備的控制命令,為人機的信息直接交互提供了新的方式。

參考文獻

[1] 王金鳳, 李濤, 孫漫漫. 基于STM32處理器的表面肌電無線采集裝置設計[J].電子技術應用,2012,38(7):78-80.

[2] 邱紅, 劉光遠, 賴祥偉. 改進的禁忌搜索算法在肌電信號情感識別中的應用[J]. 計算機工程與設計, 2012,33(4):1553-1557.

[3] 張毅, 連奧奇, 羅元. 基于小波變換及AR模型的EMG模式識別研究[J]. 電子測量與儀器學報, 2011,25(09):770-774.

[4] 侯秀麗, 宋愛國. 基于小波變換與BP網絡的四通道表面肌電信號模式識別[J].儀器儀表學報,2007,28(4):528-531.

[5] KHEZRI M,JAHED M． A neuro-fuzzy inference system for sEMG-based identification of hand motion commands[J]．IEEE Transactions on Industrial Electronics,2011,58(5):1952-1960. 

[6] 胡明霞. 表面肌電信號識別特征提取的仿真研究[J]. 計算機仿真, 2013,30(5):345-348.

[7] 李偉, 景占榮, 黃愛萍. 基于微慣性測量單元的人體動作檢測系統設計[J]. 計算機測量與控制, 2009,17(8):1482-1485.

[8] 莊哲民，張阿妞，李芬蘭．基于優化的LDA算法人臉識別研究[J]. 電子與信息學報, 2007,29(9):2047-2049.

[9] 周欣, 吳瑛. 核Fisher判別分析在數字信號分類中的應用[J]. 北京郵電大學學報, 2011,34(1):35-39.

[10] 陽誠海, 陳開, 許華虎,等.基于分類特征提取的手部動作識別方法的研究及應用[J].計算機應用與軟件,2011,28(6):101-104.