朱明霞，葉 曄

(安徽工業(yè)大學(xué) 機械工程學(xué)院，安徽 馬鞍山 243002)

近年來，肌肉-計算機接口在上肢運動識別領(lǐng)域中得到了廣泛應(yīng)用[1-3]，但在踝足運動中還有待發(fā)展。踝關(guān)節(jié)運動的模式識別，可以作為踝關(guān)節(jié)康復(fù)機器人的控制指令[4-5]，用以對踝關(guān)節(jié)運動障礙的患者提供康復(fù)治療。踝關(guān)節(jié)運動的模式識別，還可以用于在手勢不方便的場合時用“腳勢”來代替，比如在舞臺上，吉他手想要的燈光效應(yīng)就可以用“腳勢”來被感應(yīng)。由此可見，對于踝關(guān)節(jié)的運動模式識別有著很大的現(xiàn)實需求。

在模式識別領(lǐng)域，特別是手勢識別領(lǐng)域，傳統(tǒng)的模式識別步驟是先對采集到的表面肌電信號進(jìn)行預(yù)處理和特征提取，再進(jìn)行模式識別[6]。在特征提取中，人工提取特征耗時長，需要進(jìn)行反復(fù)地實驗，以找到最能表征該動作的特征值。隨著計算機性能的不斷發(fā)展，深度學(xué)習(xí)網(wǎng)絡(luò)應(yīng)運而生。在深度學(xué)習(xí)網(wǎng)絡(luò)中，卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network，CNN)具有提取特征的功能。它的出現(xiàn)，使得研究者們從主要關(guān)注特征工程轉(zhuǎn)移到特征學(xué)習(xí)上[7]，研究者們可以專注網(wǎng)絡(luò)模型的設(shè)計。

CNN最初用在手寫數(shù)字的識別中，隨后在圖像識別領(lǐng)域取得了巨大的成功[8]。在肌電信號分類領(lǐng)域中，一些研究人員已經(jīng)提出了基于CNN的手勢識別模型[9-10]，在踝關(guān)節(jié)運動模式分類中，使用CNN模型還較少。本文使用市場現(xiàn)有的表面肌電信號采集器，采集踝關(guān)節(jié)背曲、跖曲、內(nèi)翻、外翻的動作信號，將原始信號輸入到CNN，使用CNN對原始踝關(guān)節(jié)4種動作信號進(jìn)行特征提取和模式識別。

選擇ZJE-20D型無線肌電信號采集器2個，將采集器分別貼于小腿的比目魚肌和腓骨短肌的肌腹處，采集兩通道的數(shù)字化信號，采樣頻率設(shè)置為1 024 Hz。無線肌電信號采集器通過藍(lán)牙連接到電腦端，組裝圖如圖1所示。

由于每個個體的肌電信號幅值均不同，本實驗選擇6名受試者，男生5名女生1名。實驗受試者均為大學(xué)生，身體健康，均無任何神經(jīng)肌肉疾病史，實驗前一天均無劇烈運動史。實驗采集被試背曲、跖曲、內(nèi)翻和外翻的動作信號[11]。實驗得到了安徽工業(yè)大學(xué)生物醫(yī)學(xué)研究倫理委員會倫理審查批準(zhǔn)，所有受試者在實驗前均已簽署知情同意書。實驗的動作示范如圖2所示。

(a)無線采集器所貼位置 (b)藍(lán)牙適配器與電腦連接

(a)背屈 (b)跖屈 (c)內(nèi)翻 (d)外翻

實驗測試時，被試要求在膝關(guān)節(jié)彎曲呈90°的坐姿條件下實現(xiàn)以上4種動作。規(guī)定放松-動作-放松為一次完整的動作，每次完整的動作被要求在3 s內(nèi)完成，每種動作完成50次后休息5 min，進(jìn)行下一個動作的采集。每次動作之間幅度和頻度大致相同。

2.1 卷積神經(jīng)網(wǎng)絡(luò)

CNN一般會包含卷積層、池化層和全連接層[12]。每一層的設(shè)計均有不同的目的。卷積層和池化層會交替出現(xiàn)，以達(dá)到特征提取的目的。特征提取后輸入到全連接層再進(jìn)行分類。CNN通過反向傳播優(yōu)化算法來不斷更新網(wǎng)絡(luò)學(xué)習(xí)的權(quán)重和偏置，這與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相似。CNN的輸入與傳統(tǒng)全連接神經(jīng)網(wǎng)絡(luò)有所不同，它的每一層都會使用同一個權(quán)重和偏置，即“權(quán)值共享”，這會大量減少網(wǎng)絡(luò)中需要更新的參數(shù)，從而提升計算速度，并減少了出現(xiàn)過擬合問題的概率。

2.2 模型結(jié)構(gòu)

為了對踝關(guān)節(jié)運動中肌電信號進(jìn)行分類，考慮到肌電信號數(shù)據(jù)量小，且輸入數(shù)據(jù)為兩通道的原始肌電信號。將輸入數(shù)據(jù)信號當(dāng)成圖片信息來處理，設(shè)計3層卷積層對信號進(jìn)行特征提取，并采用3種尺寸的卷積核參與運算。第一層卷積使用64個特征圖，第二層卷積和第三層卷積使用128個特征圖。對于第一層卷積層，卷積核采用矩形神經(jīng)元陣列形式，稱為1D卷積核，大小為50×1，第二層卷積核的大小為4×1，第三層卷積核的大小為3×1。卷積層的步長均為(1,1)。卷積核在整個網(wǎng)絡(luò)中共享參數(shù)。在第一層、第二層和第三層卷積層后添加最大池化層，第一層池化區(qū)域設(shè)為(10,1)且池化層步長為(10,1)，第二層池化區(qū)域為(4,1)且步長為(4,1)，第三層池化區(qū)域為(2,1)且步長為(2,1)。為了防止網(wǎng)絡(luò)過擬合，在第三層最大池化層后添加Dropout層，設(shè)置Dropout大小為p=0.5。信號經(jīng)CNN網(wǎng)絡(luò)進(jìn)行特征提取之后，輸入至全連接層，在全連接層后也添加一個Dropout層防止過擬合，設(shè)置Dropout大小為p=0.5。初始權(quán)重值在[-1,1]之間隨機選擇，初始偏差為0。嘗試了不同的超參數(shù)值，最終確定卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，如表1所示。

表1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)

2.3 實驗數(shù)據(jù)的準(zhǔn)備

每個被試采集4種踝關(guān)節(jié)動作，每種動作信號50組數(shù)據(jù)，每組數(shù)據(jù)的采樣點為3 072，在進(jìn)行歸一化前，去除信號開始后的前72個點后為3 000個采樣點。對原始數(shù)據(jù)進(jìn)行歸一化，將每組信號所具有的3 000個采樣點縮放到[0,1]的范圍內(nèi)。

對于處理后的信號，每個被試4種動作共200組信號，每組信號有兩個通道，每個通道有3 000個采樣點，將數(shù)據(jù)轉(zhuǎn)換成200*3 000*2的三維數(shù)組形式。CNN最終輸出類別數(shù)：背曲是1類，跖曲是2類，內(nèi)翻是3類，外翻是4類。

卷積神經(jīng)網(wǎng)絡(luò)選用ReLU作為CNN層的激活函數(shù)。對于池化層，選擇最大池。選擇Softmax函數(shù)和交叉熵作為分類層的激活函數(shù)和CNN的損失函數(shù)。使用Adam算法更新權(quán)重和偏差，并將學(xué)習(xí)率設(shè)置為0.000 3，迭代次數(shù)設(shè)為150。

針對單個被試的動作進(jìn)行分類，將每個被試200組數(shù)據(jù)按照4∶1分為訓(xùn)練集和測試集，采用5倍交叉驗證法訓(xùn)練模型，得到單個被試的分類準(zhǔn)確率如圖3所示。從圖3中可以看出，6名被試的分類準(zhǔn)確率均在95%以上，最高分類準(zhǔn)確率為98.19%，平均分類準(zhǔn)確率為97.04%。

圖3 單個被試的分類準(zhǔn)確率

針對6名被試的動作進(jìn)行整體分類，將6名被試4種踝關(guān)節(jié)動作匯總得到1 200組數(shù)據(jù)，將1 200組數(shù)據(jù)和對應(yīng)的標(biāo)簽號全部打散，按照4∶1分為訓(xùn)練集和測試集，訓(xùn)練階段采用5倍交叉驗證。整體分類識別的準(zhǔn)確率為95.11%。所有數(shù)據(jù)在CNN中的分類準(zhǔn)確率和損失函數(shù)曲線如圖4所示。6名被試整體數(shù)據(jù)分類的混淆矩陣如圖5所示，背屈、跖曲、內(nèi)翻和外翻之間有輕微的混淆。

(a)準(zhǔn)確率曲線 (b)損失函數(shù)曲線

圖5 全部被試分類的混淆矩陣

本文設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)識別模型和采用的表面肌電信號采集通道在踝關(guān)節(jié)運動分類上具有可行性。單個被試的分類結(jié)果優(yōu)于整體被試的分類結(jié)果，說明表面肌電信號因人而異，個體之間存在一定的差異性。整體被試的分類結(jié)果達(dá)到了95%以上，說明同種動作的表面肌電信號在不同個體間存在共性，這正是踝關(guān)節(jié)動作分類識別未來獲得應(yīng)用的基礎(chǔ)。

采用表面肌電信號采集器，采集健康人的小腿比目魚肌和腓骨短肌的表面肌電信號，對采集到的表面肌電信號進(jìn)行歸一化，并將采集到的信號逐條對應(yīng)踝關(guān)節(jié)背曲、跖曲、內(nèi)翻、外翻等4種動作標(biāo)簽，將歸一化后的原始信號和所對應(yīng)的標(biāo)簽號作為CNN的輸入，進(jìn)行4分類識別。結(jié)果表明，本文提出的方法能有效分類出踝關(guān)節(jié)的上述4種動作，充分說明本文所選肌電信號采集通道的有效性和所設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的可行性。

猜你喜歡 模式識別電信號特征提取 基于聯(lián)合聚類分析的單通道腹部心電信號的胎心率提取成都信息工程大學(xué)學(xué)報(2021年4期)2021-11-22基于Code Composer Studio3.3完成對心電信號的去噪科技傳播(2019年24期)2019-06-15基于Daubechies(dbN)的飛行器音頻特征提取電子制作(2018年19期)2018-11-14基于隨機森林的航天器電信號多分類識別方法北京航空航天大學(xué)學(xué)報(2017年9期)2017-12-18淺談模式識別在圖像識別中的應(yīng)用電子測試(2017年23期)2017-04-04Bagging RCSP腦電特征提取算法自動化學(xué)報(2017年11期)2017-04-04第四屆亞洲模式識別會議智能系統(tǒng)學(xué)報(2017年5期)2017-01-22第3屆亞洲模式識別會議智能系統(tǒng)學(xué)報(2015年3期)2015-01-29基于MED和循環(huán)域解調(diào)的多故障特征提取噪聲與振動控制(2015年4期)2015-01-01基于生物電信號的駕駛疲勞檢測方法汽車電器(2014年8期)2014-02-28

推薦訪問:卷積 神經(jīng)網(wǎng)絡(luò) 運動