基于小波变换和PSO-SVM的表面肌动作模式分类

魏 伟，洪 洁，王 璐，伍吉瑶，叶 晔

（安徽工业大学机械工程学院，安徽马鞍山243032）

基于小波变换和PSO-SVM的表面肌动作模式分类

魏 伟，洪 洁，王 璐，伍吉瑶，叶 晔

（安徽工业大学机械工程学院，安徽马鞍山243032）

为提高对表面肌动作识别的准确性，提出一种小波变换与粒子群优化支持向量机(PSO-SVM)相结合的模式分类方法。通过虚拟仪器采集肱桡肌和尺侧腕屈肌的两路表面肌电信号，运用小波变换对其进行多尺度分解，提取小波系数最大值作为表面肌动作特征，采用支持向量机(SVM)进行特征分类，并在分类过程中引入粒子群算法对SVM的惩罚参数和核函数参数进行寻优。实验结果表明，采用此方法能成功地识别表面肌内翻、外翻、握拳、展拳4种动作，较传统SVM方法有更高的分类精度。

表面肌电信号；小波变换；粒子群优化算法；支持向量机

表面肌电信号(Surface electromyography，sEMG)是通过表面肌电拾取电极从人体皮肤表面记录下来的、能够反映神经肌肉系统相关活动信息的微弱生物电信号[1]。不同的肢体运动对应不同的肌肉收缩模式，相应的sEMG特征也会有所差异，通过对这些特征的研究有助于进行肢体不同动作模式的分类[2]。因此，表面肌电信号被广泛应用于临床医学、运动医学等领域，特别在智能假肢控制方面受到高度重视[3-4]。

将sEMG用于肢体动作分类的研究始于上世纪90年代。目前，K近邻分类器、Bayes决策、隐马尔科夫、神经网络、模糊系统(如模糊逻辑和模糊聚类)等分类器被用于sEMG的动作分类中，并取得了一定的研究成果[5-10]。但是，sEMG作为一种非线性、非平稳的微弱信号，在对其进行运动分类的研究中，仍然面临许多亟待解决的难题。

支持向量机(Support Vector Machine,SVM)是由Vapnik[10]首次提出的一种新的机器学习方法，它具有良好的泛化能力与实时性，在解决小样本、非线性及高维模式分类问题中表现出特有的优势，因而在模式分类领域得到了广泛应用。Rekhi等[11]提取手部6种动作肌电信号特征，且运用SVM分类器对其进行分类，取得了90%以上的分类效果。但SVM参数的选取困难影响了其实用性。粒子群优化算法(Particle Swarm Optimization,PSO)源于对鸟类捕食行为的研究，是一种基于种群的随机优化方法，具有原理简单、收敛速度快、容易实现等优点，目前已得到广泛的应用[13]。

小波变换是一种信号的时间-尺度分析方法，具有多分辨率分析的特点，在时、频两域具有较强的表征信号局部特征的能力，能有效地从信号中提取信息。为此，本文基于小波变换对sEMG进行特征提取，引入PSO对SVM的参数进行优化，将优化后的SVM运用到sEMG的分类中，以期提高表面肌动作分类的准确性。

1 小波变换特征提取

小波变换的定义如式(1)

其中：Wf(a,b)为小波变换；ψ(t)为基小波或母小波函数；a为伸缩因子；b为平移因子。

由式(1)可知，小波变换是先选定一个基小波函数ψ(t)，然后将信号f(t)在ψ(t)下展开。对于一个已知信号s(t)进行小波变换，首先要选择一个母小波函数，然后按照这个函数将已知信号展开，最后用不同尺度和不同平移小波基的线性组合表示这个信号。如式(2)所示

式中：AI(t)为第I级的低频分量；DI(t)为第I级的高频分量；waI为第I级的低频小波系数；wdI为第I级的高频小波系数；aI(t)与dI(t)是小波基。

在每级尺度的小波分解系数中，不同系数对信号的表征程度不同，其中绝对值较大的系数在时频域内具有较大的能量，在重构时发挥的作用更大，因此将小波分解系数作为描述信号的特征,通过少量系数便能对信号进行很好地刻画。

2 PSO优化的SVM模型

2.1 PSO算法

粒子群(PSO)是一种基于群体活动的智能优化算法，它通过模拟鸟群在飞行的集体协作避免飞行迷失的行为，由此使得群体实现最优。PSO随机初始化一群粒子，每个粒子有一个被优化函数决定的适应值，粒子在解空间中按照某种方式进行迭代而逐渐向最优点靠拢，直到符合终止条件需要，从而寻得最优解。

设xi=(xi1，xi2，…，xie)和vi=(vi1，vi2，…，vie)分别为粒子i当前的位置与速度，pi=(pi1，pi2，…，pie)为粒子i目前搜索到的最优位置，p=(p1，p2，…，pe)为所有粒子目前搜索到的最优位置，e为粒子群总数，粒子在每次迭代过程中，速度与位置按下式迭代更新：

式中：ω为惯性权重；c1，c2为学习因子；R1和R2为0到1之间的随机数；k为迭代次数。

惯性权重ω体现粒子继承先前速度的能力，一个较大的ω有利于全局搜索，而一个较小的w有利于局部寻优[14]。在迭代更新过程中，粒子群的速度会被限制在一定范围之内，速度太大，粒子可能会错过最好解，速度太小，粒子可能陷入局部最优。因此，为了提高算法的收敛精度，对ω进行线性调整，使ω随迭代次数的增加而线性递减，调整公式为

其中kmax为最大迭代次数。

2.2 SVM分类器

支持向量机(SVM)基于统计学习理论和结构风险最小化准则，将原输入空间的样本通过非线性变换映射到高维空间中，再在高维空间中找出求取最优的线性分类平面，使得训练样本点与最优分离平面距离最大。根据文献[11]，线性不可分问题的Lagrange对偶函数为

其中：φxi×φxj=K(xi,xj)，即为核函数；m为样本点个数；C为惩罚因子，用于在最小化损失函数和最小化模型的复杂性等两方面进行折中处理。最终得到的决策函数为

式中：sgn()为符号函数；q是分类器的阈值。

在SVM中常用的核函数有线性核函数、二次核函数、径向基核函数(Radial Basis Function,RBF)以及Sigmoid核函数。其中：径向基核函数(RBF)参数较少，仅参数σ，模型选择的复杂度更小；而Sigmoid核函数在某些参数下会出现不合法的情况，在一般情况下，径向基核函数(RBF)成为首选[15]。故文中选择径向基核函数(RBF)，如式(8)。

2.3 PSO参数优化

实际应用中，为获取精度更高的SVM分类器，需对惩罚参数C、径向基核函数中的未知参数σ进行优化调整。文中利用PSO算法对这2个参数进行优化，优化过程如下：

1)初始化粒子群，随机产生粒子的速度与位置，将每个粒子的历史最优位置pi设为当前位置,群体中最好粒子的当前位置设为p，根据个体特征设定SVM的参数向量(C,σ)的范围。

2)计算每个粒子的适应度值并将其与当前个体最好位置适应度值进行比较，如果好于该粒子当前最好位置适应度，则用该粒子当前位置取代历史最优位置，成为新的pi。

3)将每个粒子当前个体最优解的适应度值与当前群体最优位置的适应度值比较，如果好于当前群体最优位置的适应度值，则用该粒子当前位置取代全局最优位置，成为新的pg。

4)根据式(3)，(4)对粒子的速度和位置进行更新。

5)判断是否满足终止条件，若满足，则训练结束；若不满足，则转至步骤2)继续进行优化直至满足终止条件，训练结束。训练结束后，输出的全局最优位置即为SVM中惩罚参数C、核参数σ的最优值。

图1 sEMG采集系统框图Fig.1 Block diagram of sEMG acquisition system

3 sEMG分类实验及结果分析

3.1 sEMG采集

sEMG采集系统由硬件与软件两部分组成，硬件部分主要包括表面电极、信号调理模块、数据采集卡与计算机。sEMG通过贴于皮肤表面的电极拾取，通过信号调理模块的滤波放大后输入数据采集卡DAQ，通过其A/D转换等功能将信号以数字形式采集并输送至计算机；软件通过LabVIEW编程实现。系统的结构如图1。

实验时，设置接线端配置为差分、采集模式为连续采样、采样频率为1 000 Hz。实验过程中采集两路动作肌电信号，一路来自肱桡肌表面，另一路来自尺侧腕屈肌表面。受试者前臂水平悬空，使整个身体处于完全放松状态，依次进行内翻、外翻、握拳、展拳4个动作，每一动作的力度应适中且尽量保持动作模式一致，每个动作采集100组数据，共采集400组数据。

3.2 特征提取与预处理

对采集的4种动作的sEMG，采用Sym5小波进行3尺度的小波分解，图2显示了内翻的1组信号3层小波分解后各级小波系数，对分解后的子频段提取小波系数最大值作为特征向量，即其中：为分解后的子频段，l为分解级数，l=3；u为采集通道数，u=2。

图2 表面肌电信号小波分解系数图Fig.2 Wavelet decomposition coefficient chat of sEMG

提取4种动作小波系数最大值，归一化实验数据后，取每个动作60组作为训练样本集，其余40组作为测试样本集，采用经PSO优化后的SVM对每个动作进行分类。在进行模式分类之前，对每个动作设置一个标签，以方便判断分类结果，各动作对应的标签如表1。

实验中，根据标签对输出结果进行判断，如果输出的动作标签同设定的动作标签相同，说明此动作被正确分类；如果输出动作标签与设定的动作标签不同，说明该动作未被正确分类。而分类器性能的好坏，可以根据分类正确率进行评价，分类正确率如下式

表1 动作模式分类标签Tab.1 Classfication tags of action patterns

3.3 实验结果与分析

设定PSO初始种群规模m=20，学习因子c1=1.5，c2=1.7，最大进化次数100，惯性权重ω随着进化次数的增加从1线性降低至0.5。按照上述PSO优化SVM参数过程进行寻优。当满足迭代终止条件，优化过程结束，此时得到最优惩罚参数C=56.83，核参数σ=0.19。适应度曲线如图3。

建立PSO-SVM分类器，将训练集数据输入SVM分类器进行训练，然后将测试集数据输入SVM分类器进行模式分类,分类结果如图4。从图4可以看出，运用PSO-SVM分类器对手腕4种动作进行分类时，测试结果与实际结果只有2处不同，平均分类正确率达到98.75%，效果理想。为了验证本文参数优化方法对手腕动作sEMG分类的准确性和有效性，分别运用交叉验证法和网格收索法进行测试和训练。

交叉验证法是将惩罚参数C和核参数σ在一定范围内进行分组。将原始数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，对选定的惩罚参数C和核参数σ通过训练集与测试集进行测试，得到10次分类结果，计算其平均值作为对SVM算法精度的估计。最终选择分类正确率最高的那组惩罚参数C和核参数σ作为最佳参数。网格收索法是对所有SVM的惩罚参数C、核参数σ进行统计，依据步距决定的网络对上面2个参数进行分组，再逐个对网络中可能的最优参数值进行计算，找到最优参数[16]。对比分类结果见表2。

由表2可知，采用PSO优化的方法对内翻、外翻、握拳、展拳4种动作的平均分类正确率达98.75%，采用交叉验证法和网格收索法的平均分类正确率分别为96.875%和96.25%。与交叉验证法和网格收索法相比，采用PSO能够更加准确地得到惩罚参数C与核参数σ的最优组合，使得SVM的分类精度更高。

图3 PSO寻找最佳参数的适应度曲线Fig.3 Fitness curve of PSO for finding the optimal parameters

图4 PSO-SVM分类结果Fig.4 Classfication results of PSO-SVM

表2 不同分类方法的分类正确率/%Tab.2 Classification accuracy of different recognition methods/%

4 结 论

提出一种小波变换和粒子群优化支持向量机(PSO-SVM)相结合的模式识别方法，通过采集4个动作(内翻、外翻、握拳、展拳)的两路表面肌电信号，运用小波变换对sEMG进行多尺度分解，提取小波系数最大值作为其特征，采用PSO优化SVM的方法进行特征分类。实验结果表明，基于小波变换和PSO-SVM的方法能够有效分类4种动作模式，与交叉验证法和网格收索法相比，采用PSO的方法分类结果更准确，识别率更高。

[1]DE L C,CARLP J.Physiology and mathematics of my electric signals[J].IEEE Transactions on Biomedical Engineering,1979,26(6)∶313-325.

[2]洪洁，王璐，魏伟，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.

[3]SILVA L,VAZ J R,CASTRO M A,et al.Recurrence quantification analysis and support vector machines for golf handicap and low back pain EMG classification[J].Journal of Electromyography and Kinesiology,2015,25(4)∶637-647.

[4]TSAI AC,LUH J J,LIN T T.A novel STFT-ranking feature of multi-channel EMG for motion pattern[J].Expert Systems with Applications,2015,42(7)∶3327-3341.

[5]谭冠政，吴立明.国内外人工腿(假肢)研究的进展及发展趋势[J].机器人，2001,23(1)∶91-96.

[6]张启忠，席旭刚，马玉良，等.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，2013,32(3)∶257-265.

[7]崔建国，李一波，李忠海，等.基于Bayes决策理论的表面肌电信号模式分类的研究[J].计量学报，2007,28(1)∶89-92.

[8]陈贵亮，周晓晨，李晨，等.基于HMM的下肢表面肌电信号模式识别的研究[J].机械设计与制造，2015(1)∶39-44.

[9]GUO S X,PANG M Y,GAO B F,et al.Comparison of sEMG-based feature extraction and motion classification methods for upper-limb movement[J].Sensors,2015,15(4)∶9022-9038.

[10]VAPNIK V N.统计学习理论[M].许建华，张学工，译.北京：电子工业出版社，2004∶45-50.

[11]REKHI N S,ARORAA S,SINGH S,et al.Multi-class SVM classification of surface EMG signal for upper limb function[C]//The International Conference on Environmental Pollution and Public Health.Beijing∶EPPH,2009∶113-117.

[12]SREEJINI K S,GOVINDAN V K.Improved multiscale matched filter for retina vessel segmentation using PSO algorithm[J].Egyptian Informatics Journal,2015,16(3)∶253-260

[13]GARG H.A hybrid PSO-GA algorithm for constrained optimization problems[J].Applied Mathematics and Computation, 2016,274∶292-230.

[14]郁磊，史峰，王辉，等.MATLAB智能算法30个案列分析[M].北京：北京航空航天大学出版社，2011∶134-135.

[15]李佳.基于粒子群优化支持向量机的异常入侵检测研究[D].株洲：中南林业科技大学，2009∶56-61.

[16]亢生彩.网格搜索法SVM参数优化在主扇风机故障诊断中的应用[J].煤炭技术，2015(1)∶295-297.

责任编辑：何莉

Movement Pattern Classification of Surface Electromyography Based on Wavelet Transform and PSO-SVM

WEI Wei,HONG Jie,WANG Lu,WU Jiyao,YE Ye
(School of Mechanical Engineering,Auhui University of Technology,Ma'anshan 243032,China)

In order to improve the accuracy of surface electromyogram movement pattern classification,a new classification method based on the combination of wavelet transform and particle swarm optimization-support vector machine(PSO-SVM)was proposed.Firstly,two surface electromyography signals from channels of brachioradialis muscle and flexor carpi ulnaris were acquired with virtual instruments.Secondly,the wavelet transform was used to decompose the surface electromyography,and the maximum value of wavelet coefficients was extracted as the feature vector of the surface electromyogram movement pattern.Finally,take the features as the input,SVM classifier was employed to classify the surface electromyogram pattern,and in which PSO algorithm was used to optimize the penalty parameter and kernel function of SVM.Experimental results show that four movement patterns of wrist down,wrist up,hand grasps,hand extension are successfully classified with the proposed pattern classification method,which has higher classification accuracy than that of traditional one.

surface electromyography;wavelet transform;particle swarm optimization algorithm(PSO);support vector machine(SVM)

TP 391.4

A

10.3969/j.issn.1671-7872.2016.03.014

2016-06-22

国家自然科学基金项目(61375068)；安徽省高等学校自然科学研究重点项目(KJ2016A813，KJ2013A056)

魏伟(1980-)，男，安徽巢湖人，讲师，主要研究方向为信号处理、计算机仿真等。

1671-7872(2016)03-0272-06