基于LLE和SVM的手部动作识别方法*

伍吉瑶， 王　璐， 程正南， 陈永泽

(安徽工业大学 机械工程学院，安徽 马鞍山 243002)



研究与探讨

基于LLE和SVM的手部动作识别方法*

伍吉瑶， 王璐， 程正南， 陈永泽

(安徽工业大学 机械工程学院，安徽 马鞍山 243002)

为了提高人体手部动作的识别性能，针对高维特征数据给模式识别带来的问题，提出了一种基于局部线性嵌入(LLE)算法和支持向量机(SVM)的模式识别方法。该方法从肱桡肌和尺侧腕屈肌上采集两路表面肌电信号(sEMG)，通过对样本信号的时域分析和小波分析，提取原始信号的特征，构造特征矢量。再利用LLE算法对原始特征数据进行降维，挖掘出具有内在规律的低维特征。将降维后的特征数据输入SVM分类器进行4种动作的模式识别。实验表明：此方法可以有效、准确地对人体手部动作进行分类。

表面肌电信号； 模式识别； 局部线性嵌入算法； 支持向量机

0　引　言

人体表面的肌电信号(surface electromyography,sEMG)是通过电极从人体肌肉表面记录下来的一种微弱的生物电信号，它富含着许多与肢体运动相关的信息,不同的肢体运动所对应肌电信号中的特征也不尽相同，所以，这些特征就成为人们识别肢体运动的关键信息[1]。肌电信号的模式识别是肌电应用领域的基础和关键，这些年，随着各种相关技术水平的发展，以及国内外学者对肌电信号的不断深入研究，使其被广泛运用于临床医学、康复医学和假肢的控制等领域，取得了许多研究成果[2]。

但是，对于所提取的特征量较少的情况下，很难保证各种肌肉运动模式的高识别率。因此，在研究中，往往采用时域、频域、时频域及基于非线性特征分析等方法对肌电信号进行分析，从而构成高维特征向量，这些高维数据同时又给模式识别带来了一定的麻烦，许多有效的特征信息被埋没在高维数据中，难以发掘利用，影响分类效率，降维方法是一种有效的解决方法[3]。其中，局部线性嵌入(locally linear embedding,LLE)法是一种非线性降维方法，它在保持数据的邻域关系下，计算高维输入数据在低维空间中的嵌入流行，可以使降维后的数据较好地保持原始空间中的拓扑结构[4]。目前，此方法已广泛应用于图像处理、机械故障诊断等领域。在挖掘出低维数组特征后，随之保证识别率的就是模式识别方法。近年来，应用于肌电信号领域的模式识别算法主要有模糊模式识别(fuzzy pattern recognition,FPR)算法[5]、k最近邻分类 (k-nearest neighbor,KNN) 算法[6]、人工神经网络(artificial neural networks,ANN)算法[7]等。相对而言，支持向量机(support vector machine,SVM)[8,9]作为一种新的机器学习方法，拥有很好的实时性及泛化能力，在处理非线性和小样本的识别问题中表现出许多优势，得到了广泛应用。

本文基于LLE和SVM算法的优势，将两者结合引入肌电信号的模式识别中。通过实验研究，较好地实现了对手部4种不同动作的模式分类。

1　LLE算法

LLE算法的核心是对高维空间上的数据点进行降维后，其低维空间的局部邻域关系与原嵌套空间相同。主要思想是假设每个数据点与它近邻点位于流形的一个线性或近似线性的局部领域，此时，每个样本点就可以通过近邻点来线性表示,在重建低维流形时，其每个数据点的局部近邻关系与原空间保持一致，即每个邻域的权重值一致，使得重构误差最小[10]。LLE算法的基本步骤如下：

1)选择邻域

对既有的样本数据集X=[x1,x2,…,xn]∈RD×n，寻找每个样本点xi的k个最近邻点。

2)计算重构权值矩阵W

在进行重建时，需要计算每个样本点与其领域点之间的重构权值wij，并以重构误差最小求取近邻局部重构权值矩阵W。重构误差函数为

(1)

3)计算低维嵌入空间输出向量Y

通过样本点xi的重构权值矩阵W和其近邻点xij计算出对应的低维嵌入空间的输出向量。为了使输出向量的拓扑结构与高维空间尽量一致，构造代价函数,并使此函数值最小，即

(2)

式中yi为xi的输出向量，yij为yi的近邻点。

(3)

再根据矩阵迹的相关性质可得

ε(Y)=‖Y(I-WT)‖2=tr(YMYT)

(4)

式中M为一个n×n矩阵，即M=(I-W)T(I-W)，为使代价函数最小，矩阵Y就应该取矩阵M的最小m个特征值所对应的特征向量，即得到m维空间的降维向量。

2　基于LLE和SVM的手部动作sEMG识别方法

通过采集仪器对肌电信号的样本数据进行采集后，提取信号的时域信息，即均方根和肌电积分值，再对样本信号进行三层小波分解，提取每个频段的小波系数模极大值，将两种时域信息和小波系数模极大值相结合作为信号的特征向量。对于分类算法，这里选用SVM分类器，具体原理可见文献[11]。结合SVM模式识别方法识别手部的运动状态。

1)在一定采样频率下，对腕屈、腕伸、握拳、展拳4种手势状态进行信号采集，每种状态采集N组样本。

2)提取原始信号的均方根值和肌电积分值。接着，对样本信号进行3层小波分解，提取各子频段小波系数的模极大值。将时域与时频域的特征相结合组成信号的特征向量，每个信号就有j个特征值，每种手势状态下得到N×i阶特征值矩阵。

3)用LLE流行学习算法对特征值矩阵进行降维，设定好相关参数，得到降维后的特征值矩阵N×i。

4)在每种状态下，随机选取n个样本作为训练样本，剩下的作为测试样本，即N-n个。同时，用训练样本对SVM分类器进行训练，建立模型。

5)用训练好的SVM分类器对测试样本进行分类，根据分类器的输出结果确定手部动作的运动模式。

3　实验分析

本实验选用的是美国NI公司的数据采集卡NI USB—6211，采样频率和采样数分别设置为1 kHz和2 000。实验前，用酒精分别在肱桡肌、尺侧腕屈肌上擦涂去污后，通过表面电极从这两个肌肉表面采集2路肌电信号，经放大、滤波后输入数据采集卡进行采样。对男性志愿受试者的4个手部动作：腕屈、腕伸、握拳、展拳进行采集，每种动作各采集100组信号。

对于特征提取，提取每组信号的均方根和肌电积分值。其次，采用正交紧支Sym5小波基函数对原始信号作3级小波分解，并提取各子频段小波系数的模极大值作为特征分量。结合以上特征提取方法，得到2路通道样本信号的特征矢量

(5)

然后，采用LLE方法对原始的特征空间压缩，为了说明该方法的可行性，分别将原始12维数据降至2维和3维，压缩后的样本分布图如图1、图2所示。

图1　LLE算法的二维分布图Fig 1　Two-dimensional histogram of LLE algorithm

图2　LLE算法的三维分布图Fig 2　Three-dimensional histogram of LLE algorithm

从上述图中可以发现，压缩后的各种类别可以被明显区分。说明了LLE算法的可行性。下面进一步将LLE算法与SVM算法相结合应用于肌电信号的模式识别。通过实验对比发现，设定邻域参数k=16，嵌入维数d=4，可以保证更好的识别效果。另外，在模式识别实验前，先对各手势动作设置标签作为识别标准，依次用1,2,3,4表示手部腕屈、腕伸、握拳、展拳动作。同时，对每种手势的降维数据，随机选取60组作为训练组数据，剩下40组作为测试组数据。

本实验采用RBF核函数设计SVM分类器，为了有效地确定惩罚参数C和核参数σ，常采用k折交叉验证法(k-foldcrossvalidation)进行训练、测试，原理步骤见参考文献[9,12]，本实验中，对于每一个手势，将训练集数据均分为10组，即k=10，依次地将其中9份用来训练,1份用来测试。将所得识别率最高的参数作为分类器的最终参数。最后，将测试集输入SVM分类器进行测试，识别结果如图3(c)所示。另外，将降至2,3维和未经降维的特征数据，用相同的方法输入SVM分类器，分类结果如图3(a),(b),(d)所示。最终，具体对比识别结果如表1所示。

图3　基于SVM的识别结果对比图Fig 3　Comparison diagram of recognition results based on SVM

手部动作腕屈腕伸握拳展拳平均识别率降至2维92.510090.09594.38降至3维95.097.597.59095.00降至4维97.510097.59096.25未降维90.010095.09093.75

由图3和表1可知，将原始特征数据降至4维具有最高的识别率，同时，与未降维的识别结果进行对比显示，降维后的识别性能有明显的提升。利用LLE流行学习对原始高维数据进行压缩，得到的低维数组保留了原信息的特征信息，具有一定的规律性。并将此方法与SVM分类算法相结合应用于手部肌电信号的模式识别，取得了较好的分类效果。所以，基于LLE算法的SVM分类器可以得到更好的识别性能。

4　结　论

关于高维数据给分类器带来的问题，本文将LLE降维算法与SVM分类方法相结合,应用于手部肌电信号的模式识别中。通过LLE降维算法对原始高维数据进行降维，得到的低维数据具有内在的规律性，保留了原始数据的本质信息，有利于肌电信号的模式识别。通过SVM分类器对低维数据的模式分类测试，结果表明:将LLE算法与SVM相结合的手部肌电信号识别方法可以有效、准确地对人体手部动作进行分类，从而为肌电信号的模式识别提供了一种新的思路。

[1]Hoover C D,Fulk G D,Fite K B.The design and initial experimental validation of an active myoelectric transfemoral prosthe-sis[J].J Med Devices Trans ASME,2012,6(1):011005-011016.

[2]Giuseppina G,Matteo A,Lan S,et al.Acquisition and analysis of EMG signals to recognize multiple hand movements for prosthetic applications[J].Applied Bionics and Biomechanics,2012,9(2):145-155.

[3]吴晓婷，闫德勤.数据降维方法分析与研究[J].计算机应用研究,2009,26(8):2832-2835.

[4]Chen Jing,Ma Zhengming.Locally linear embedding:A review[J].International Journal of Pattern Recognition and Artificial Intelligence,2011,25(7):985-1008.

[5]Khezri M,Jahed M.A novel approach to recognize hand movements via sEMG patterns[C]∥ The 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society,2007:4907-4910.

[6]张启忠，席旭刚，马玉良.基于表面肌电信号的手腕动作模式识别[J].中国生物医学工程学报,2013,3(6):257-265.

[7]Mane S M,Kambli R A.Hand motion recognition from single channel surface EMG using wavelet & artificial neural network[J].Procedia Computer Science,2015,49:58-65.

[8]Marie-Francoise L,Adrien G.Multi-channel surface EMG classification using support vector machines and signal-based wavelet optimization[J].Biomedical Signal Processing and Control,2008,3(2):169-174.

[9]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.

[10] Roweis S,Saul L.Nonlinear dimensionality reduction by locally linear embedding[J].Science,2000,290(5500):2323- 2326.

[11] 高剑，罗志增.支持向量机在肌电信号模式识别中的应用[J].传感技术学报,2007,20(2):366-369.

[12] 张艳，吴玲.基于支持向量机和交叉验证的变压器故障诊断[J].中国电力，2012,45(11):52-55.

王璐，通讯作者,E—mail:wanglu@ahut.edu.cn。

Method of hand motion recognition based on LLE and SVM*

WU Ji-yao, WANG Lu, CHENG Zheng-nan, CHEN Yong-ze

(School of Mechanical Engineering, Anhui University of Technology,Ma’anshan 243002,China)

To improve performance of human hand movement pattern recognition,a new pattern recognition method based on locally linear embedding(LLE) algorithm and support vector machine (SVM) is proposed aiming at problem caused by high dimensional feature data.Two path surface electromyography(sEMG) are acquired from the brachioradialis muscle and flexor carpi ulnaris,by means of time domain analysis and wavelet analysis,feature of original signal is extracted,and feature vector is constructed.To find low dimensional feature which is more able to express intrinsic law of the characteristics,reduce the dimension by using the LLE algorithm.Feature data after reducing dimension is input into SVM classifier for pattern recognition of four kinds of hand movements.Experiments show that the method can effectively and accurately classify human hand movements.

surface electromyography(sEMG); pattern recognition; locally linear embedding(LLE)algorithm; support vector machine(SVM)

2016—06—02

国家自然科学基金资助项目(61375068)；教育部人文社科研究项目(11YJC630208,13YJAZH106)；安徽省高等学校省级自然科学研究重点项目(KJ2013A056)；安徽省优秀青年人才基金重点资助项目(2013SQRL023ZD)

TP 391.4

A

1000—9787(2016)08—0004—04

伍吉瑶(1992-)，男，安徽马鞍山人，硕士研究生，研究方向为信号处理、运动仿真。

DOI:10.13873/J.1000—9787(2016)08—0004—04