（生物医学工程专业论文）基于手势动作肌电信号的虚拟鼠标控制.pdf

a b s t r a c t a b s t r a c t s u r f a c ee l e c t r o m y o g r a p h y ( s e m g ) ，a sa l li m p o r t a n tb i o l o g i c a ls i g n a l ，h a sb e e n u s e dw i d e l yi nb i o n i c s ，b i o f e e d b a c k ，s p o r t sm e d i c i n ea n dr e h a b i l i t a t i o ne n g i n e e r i n g r e c e n t l y , h a n dg e s t u r e sr e c o g n i t i o nt e c h n i q u eb a s e do na c t i o ns e m gs i g n a l sh a s b e e np r o p o s e da n dd e v e l o p e df o rc o n t r o l l i n gm y o e l e c t r i cp r o s t h e s e s ，a s s i s t i v ed e v i c e s a n do t h e re l e c t r o n i ce q u i p m e n t s i ns u c hs y s t e m ，s e m gs i g n a l sc o l l e c t e df r o m m u s c u l a t u r ea r e u s e df o rt h er e c o g n i t i o no fh a n dg e s t u r e s ，w h i c hc a nb ei n t e r p r e t e da s i n p u t so fh u m a n c o m p u t e ri n t e r a c t i o n t h ew o r ko f t h i sp a p e rf o c u s e so nt h e f o l l o w i n gp o i n t s ： 1 ) t h ep a t t e r nr e c o g n i t i o no f h a n dg e s t u r e s s e m gs i g n a lb a s e do nn e u r a l n e t w o r ki n c l u d e ss e m gs i g n a l sp r e - p r o c e s s i n g ，h a n dg e s t u r ea c t i o na c t i v i t i e s d e t e c t i o n ，a n df e a t u r ee x t r a c t i o na n dc l a s s i f i c a t i o n ab a n d - p a s sf i l t e rw a su s e df o rt h e r a ws e m g s i g n a lp r e p r o c e s s i n gt os u p p r e s sn o i s e m o v i n ga v e r a g em e t h o dw a su s e d f o rt h ed e t e c t i o no ft h ea c t i v i t i e sr e l a t e dt oh a n dg e s t u r ea c t i o n m a y ( m e a na b s o l u t e v a l u e ) ，z c r ( z e r o - c r o s s i n gr a t e ) ，a sw e l la st h r e eo r d e ra r m o d e lc o e f f i c i e n t s ，w e r e u s e dt oe x t r a c ts e m gs i g n a lf e a t u r e s ，b p ( b a c kp r o p a g r a t e ) n e u r a ln e t w o r ka n d s o f m ( s e l f - o r g a n i z i n gf e a t u r em a p ) n e u r a ln e t w o r kw a su s e da sc l a s s i f i e r st o r e c o g n i z eh a n dg e s t u r e s t h er e s u l ts h o w st h a tt h eh i g h e ra c c u r a c yw a so b t a i n e d w h i l ea d o p t i n gt h et w on e t w o r k sa sc l a s s i f i e r s 2 ) t h ed e s i g n i n ga n dr e a l i z i n go fc u r s o rc o n t r o l l i n gb a s e do nt h ep l a t f o r mo f v i s u a lb a s i c6 0 t h er e s u l to f t h ep a t t e r nr e c o g n i t i o no f h a n dg e s t u r e s s e m g s i g n a la n dt h ea p i f u n c t i o n sa t t a c h e dt ow i n d o w sa r eu s e dt oc o n t r o lt h ec u r s o r k e y w o r d s ：s u r f a c ee l e c t r o m y o g r a p h y , a rm o d e lc o e f f i c i e n t s ，z e r o c r o s s i n gr a t e ， b pn e t w o r k ，s o f mn e t w o r k ，c u r s o rc o n t r o l l i n g i i 中国科学技术大学学位论文原创性声明 本人声明所呈交的学位论文，是本人在导师指导下进行研究工作所取得的成 果。除已特别加以标注和致谢的地方外，论文中不包含任何他人已经发表或撰写 过的研究成果。与我一同工作的同志对本研究所做的贡献均已在论文中作了明确 的说明。 作者签名：签字日期：丛1 3 ：丘主一 中国科学技术大学学位论文授权使用声明 作为申请学位的条件之一，学位论文著作权拥有者授权中国科学技术大学拥 有学位论文的部分使用权，即：学校有权按有关规定向国家有关部门或机构送交 论文的复印件和电子版，允许论文被查阅和借阅，可以将学位论文编入有关数据 库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。本人 提交的电子文档的内容和纸质论文的内容相一致。 保密的学位论文在解密后也遵守此规定。 匦开口保密( 年) 作者签名s 孽 签字日期：j 竺埤二n 导师签名： 签字日期：竺：2 ：鱼兰 第章绪论 第一章绪论 1 1 肌电信号的生理基础 肌电信号( e l e c t r o m y o g r a p h y , e m g ) 是人体活动引起的肌肉兴奋或活动而形成 的复杂生物电过程。肌肉组织自身的生物化学过程，肌肉组织具体的收缩过程以 及与肌肉组织相关神经肌肉控制系统与肌电信号的形成存在着较为复杂的联系 【汤晓芙2 0 0 2 】。 1 1 1 神经肌肉控制系统 神经肌肉控制系统主要通过大脑皮层运动区，脑干以及脊髓等神经结构协同 工作。当人体肌肉兴奋或需要进行某种活动时，一方面大脑将运动指令传输至中 枢神经系统并利用运动神经元来控制肌肉组织，进而以获得所需的活动效果；另 一方面肌肉活动也受到过程中神经肌肉系统获得的外来信息的影响，并不断协调 该肌肉活动的执行过程。 人体肢体的活动都伴随着相应肌肉的收缩与伸展。根据结构和功能特性的不 同，肌肉组织可以分为三类，即骨骼肌、心肌和平滑肌，其中，骨骼肌是人体中 最多的肌肉组织，大约占人体体重的4 0 以上，与人体各种运动动作密切相关。 骨骼肌的活动受到运动神经元的控制，其中占主导作用的是a 运动神经元( a l p h a m o t o n e u r o n ) 。q 运动神经元和它所支配的肌纤维( m u s c l ef i b e r s ) 构成一个运动单 位( m o t o ru n i t ) m u ，包含运动神经元、轴突( a x o n ) 、神经肌肉接头( 终板区， m o t o re n d p l a t e s ) 和肌纤维( m u s c l ef i b e r s ) 四个部分。从控制功能上看，运动 单位是神经肌肉系统的最小功能单元。其生理结构示意图如下： 图1 1 运动单位结构示意图 第一章绪论 运动单位包含的肌纤维趋于平行分布，运动神经元通过神经肌肉接头 ( n e u r o m u s c u l a rj u n c t i o n ) n m j 与肌纤维紧密连接，通常情况下，一条肌纤维只有 一个神经肌肉接头且一般位于肌纤维的中间位置。神经肌肉接头的结构中主要包 括突触前膜、突触间隙和突触后膜三个部分。终板区( e n d p l a t er e g i o n ) 则指的是 神经末梢附近的一个较大区域，由神经末梢众多分支的终板构成。 在神经肌肉控制系统中，运动单位占据着极其重要的位置。研究表明：属于 同一个运动单位的所有肌纤维都有相似的生理学和生物化学特性，因而可以根据 运动单位的收缩速度、收缩时所能达到的最大张力和发生疲劳的速率将它们分成 三种不同的类型： 1 ) 快速收缩易疲劳型运动单位( f a s tf a t i g a b l em o t o ru n i t ，f f 单位) ，这类运动 单位的收缩和舒张速度快，收缩时能产生很大的张力，但它们极易疲劳，通 常在持续地收缩几分钟后即出现疲劳现象。 2 ) 慢速收缩抗疲劳型运动单位( s l o wf a t i g u e r e s i s t a n tm o t o ru n i t ，s 单位) ，这类 运动单位产生的收缩张力小，但它们有高度的对抗疲劳能力，可以维持一个 恒定的收缩张力达1 小时之久。 3 ) 快速收缩抗疲劳型运动单位( f a s tf a t i g u e - r e s i s t a n tm o t o ru n i t ，f r 单位) ，这 类运动单位的生理特性介于上述两种运动单位之间，它们收缩时产生的收缩 张力较大，但具有较强的对抗疲劳能力，可以较长时间地进行收缩活动。这 三类运动单位在大多数肌肉中都存在，但各类运动单位在某一特定肌肉中的 比例却有所不同。 运动单位通过募集( r e c r u i t m e n t ) 和发放( f i r i n g ) 来产生控制作用，由于对肌肉 控制的复杂性，多数肌肉的运动单位募集与发放特性的研究至今还未完全清楚， 经典研究认为运动单位的募集遵循“大小原理 ，即运动单位的募集不是随机的， 而是按从小到大的顺序依次募集，较小的运动单位在较低的力水平下兴奋，较大 的运动单位在较高的力水平下兴奋。运动单位发放过程中，相邻的连续两次神经 冲动之间存在一定的发放间隔( i n t e r - p u l s ei n t e r v a l ，i p i ) ，进一步来说，单位时间内 所形成的平均发放数即为运动单位的发放率( f i r i n gr a t e ) 。肌肉收缩力的增加， 一方面是可以募集更多的运动单位，另一方面是可以加快运动单位的发放频率， 并且这两个方面与肌肉收缩力变化情况存在相互影响关系，更多的运动单位募集 2 第一章绪论 和更大的运动单位发放率反过来也会使得肌肉收缩力有所提高。 1 1 2 肌电信号的产生 肌细胞在静息环境下处于“极化 ( p o l a r i z e d ) 状态，当肌细胞受到激励而 兴奋时，细胞膜静息电位将会受到因细胞膜附近离子的变化而造成的去极化和复 极化的影响而产生相应的动作电位，并通过细胞膜向周围扩散。动作电位的形成 是根据“全或无 原理进行的。细胞膜影响各种离子的通透性，而膜电位大小控 制着离子通道的开关。静息情况下，n a 离子不能通过，但k 离子可以自由通过。 当肌细胞受到激励激活时，细胞膜两侧的离子浓度发生变化，细胞膜产生对n a 离子的通透性，而k 离子通道被关闭，由于膜外中的n a 离子浓度较膜内高，那 么膜外的n a 离子将向膜内不断扩散，使得膜内的负电位迅速消失并转为正电位， 这样，n a 离子和k 离子的转移过程就形成了一个动作电位，生理学将细胞在静 息状态受到刺激，膜的外正内负的极化状态被去除以致发生反转的上升过程成为 去极化。但是刺激引起的膜电位反转的过程非常短暂，当动作电位产生时，内流 的n a 离子和外溢的k 离子都可以激活n a , - 一k 泵，以吸入外溢的k 离子并排出 内流的n a 离子，从而产生后电位，并很快又恢复到受刺激前的极化状态，从而 形成动作电位的下降过程，生理上称为复极化。简单地，肌细胞兴奋时的膜电位 发生去极化和复极化的变化并向周围扩散，从而形成一个完整的动作电位 1 】。 对于肌纤维来说，动作电位的不断传播会在检测位置处形成单纤维动作单位 ( s i n g l ef i b e ra c t i o np o t e n t i a l ，s f a p ) 。运动单位被激活时，其运动神经元支配的 所有肌纤维都会形成各自的单纤维动作电位，检测电极处，这些s f a p 在时间和 空间上的叠加就形成了运动单位动作电位( m o t o ru n i ta c t i o np o t e n t i a l ，m a p ) 如 图1 2 所示。 当肌肉被施加连续刺激或中枢神经系统不断发送活动指令时，运动单位将形 成持续的发放过程，从而产生一个连续序列的m u a p ，即运动单位动作电位序 列( m o t o r u n i t a c t i o n p o t e n t i a l t r a i n ，m u a p t ) 。m u a p t 经过由肌肉、脂肪和皮肤 等皮下组织组成的容积导体的滤波作用后在检测电极处的时空叠加以及检测过 程中噪声影响的综合结果形成了肌电信号。 第一章绪论 图1 2 运动单位动作电位的形成示意图 根据检测电极的种类和安放位置的不同，肌电信号可分为针电极肌电信号 ( n e e d l ee m g ) n e m g 和表面电极肌电信号( s u r f a c ee m g ) s e m g 两种，前者 是以针电极( n e e d l ee l e c t r o d e s ) 为引导电极，将其插入到肌肉内部，直接在活 动肌纤维附近检测到的电活动，后者则是以表面电极( s u r f a c ee l e c t r o d e s ) 为引 导电极，将其安置在皮肤表面时拾取到的肌肉电活动在的检测表面处的电位综 合。 针电极的检测表面较小，具有良好的空间分辨率，能检测出单个或很少几个 运动单位甚至肌纤维的动作电位。针电极肌电信号记录的是电极检测表面附近的 为数较少的肌肌纤维的电活动。针电极的插入人体时会对肌肉和脂肪组织造成损 伤，不宜反复多次或过长时间测量，也不宜同时测量多路信号。进行n e m g 检 测时一般需要医生或专业护理人员参与。 表面电极具有较大的检测表面和较低的空间分辨率，表面电极所记录的信号 为一定范围内肌纤维电活动的总和。表面肌电信号是许多运动单位的电发放的总 和，所以波形呈干扰形，很难从中分辨单一单位动作的波形。表面肌电信号的微 弱性使得其容易受外界噪声源的干扰，因此常常具有较低的信噪比。表面电极肌 电信号最大的优点是测量的无损伤性。可根据需要和实际条件，随时在皮肤表面 任意位置采集任意多导的表面肌电信号，不需医生或者专业护理人员的参与，且 采集信号的持续时间在承受范围内可自由控制。本文的研究对象是s e m g ( 表面 肌电信号) 。 4 f # 俨 第一章绪论 1 2 国内外研究现状 7 0 年代，d t a y l o r t a y l o r1 9 7 1 等人就开始利用多电极阵列采集s e m g 信 号来识别上肢肩关节、肘关节和前臂运动。1 9 7 5 年g r a u p e 和c l i n e g r a u p e1 9 7 5 】 对s e m g 信号进行分类，他们利用从单导电极采集的数据，用a r 模型系数作 为特征，达到了8 5 的正确率：1 9 9 9 年e d g a r dl a m o u n i e r l a m o u n i e r2 0 0 2 等对 伸肘、屈肘、前臂的内旋和外旋这四种动作进行了分类，其正确率达到了9 2 1 0 0 。k e n g l e h a r t e n g l e h a r t1 9 9 9 等对肘关节伸、屈、手掌向下、反掌四种动 作的s e m g 信号的识别率约为9 0 。自9 0 年代开始，人们开始对腕部和手指 的动作进行分类。1 9 9 9 年n i s h i k a w a n i s h i k a w a1 9 9 9 等对包含4 个腕部动作和 6 个手部动作的l o 种动作进行分类，其平均识别率达到了9 1 5 ；2 0 0 2 年d o r i p e l e g p e l e g2 0 0 2 等采用遗传算法( g a ) 做特征选择，使用k 最近邻分类器识别 手指动作。平均误差率小于2 ；韩国电子通信研究院的j o n g s u n gk i m 等 k i m 2 0 0 4 人采用差分绝对值平均法提取特征，模糊最大最小神经网络做分类器，实 现了对鼠标的控制。 近年来国内对手势动作的研究发展迅速，下面介绍一些研究进展：上海交通 大学的王志中【谢洪波2 0 0 5 1 等人采用肌电信号的三类特征( a r 模型系数，时域 绝对值积分，z 变换倒谱系数) 信息融合s ) 的方法来提高动作分类的准确率， 对六类动作的分类准确率可达9 0 以上；天津大学李醒飞等 李醒飞2 0 0 6 利用 机械手的数学模型，结合角度传感器将采集到肌电信号和完成动作周期所需的时 间信号，作为输入通过b p 神经网络来预测关节角度，并把输出的关节角度作为 控制信号操纵虚拟手臂。杭州电子科技大学的罗志增 罗志增2 0 0 5 和清华大学 的王人成等对仿生电动假手进行了研究，采用高分子压电材料p v d f 做传感器， 设计了有触觉和滑觉传感器的肌电控制假手。 1 3 课题的研究内容和研究意义 1 3 1 研究内容 本文工作基于基于b p 神经网络的手势动作表面肌电信号的模式识别一 文，重点研究了b p 神经网络在手势动作表面肌电信号模式分类中的应用，并且 根据识别结果对光标进行了控制。主要内容为以下两个部分： 第一章绪论 1 ) 基于b p 神经网络的表面肌电信号模式识别。 采用移动平均法判断动作s e m g 信号起始点位置，对动作肌电信号的活动段提 取。采用幅度绝对值均值、过零率以及a r 模型的4 阶模型系数等特征参数，对 动作表面肌电信号进行特征提取。以b p 神经网络作为分类器，对动作肌电信号 进行识别分类，并对b p 神经网络的有关问题进行了探讨。 2 ) 光标控制的设计。 本文基于v i s u a lb a s i c6 0 平台实现光标控制，使用w i n d o w s 自带的a p i “m o u s e e v e n t ”函数实现光标的控制，采用d l l 动态连接库技术，实现v i s u a l b a s i c 和c 语言之间的函数调用和参数传递。 1 3 2 研究意义 表面肌电( s e m g ) 信号作为一种重要的生物电信号，被广泛应用于疾病诊 断、运动医学、康复工程等领域。随着研究的进一步深入，技术逐步完善，基于 手势动作的s e m g 信号模式识别技术已经成为研究的热点问题之一。肌电控制 作为人机接口领域的一个新兴分支，已被成功应用于肌电假肢控制，并取得了 较好的效果；此外，在消费电子产品、虚拟设备和精密机械等控制领域，肌电控 制技术也被受关注。因此，对手势动作表面肌电信号的模式识别研究有着重要意 义。在手势动作表面肌电信号的模式识别研究中，分类器的设计与应用是成功 识别的关键之一。神经网络分类器能够学习训练样本的输入输出间的函数映射关 系，具有一定的自学习性，可以解决复杂的分类问题，但也存在缺陷和不足，需 要迸一步研究与探索。 6 第二章基于b p 神经网络的手势s e m g 信号模式识别 第二章基于b p 神经网络的手势s e m g 信号模式识别 目前，对于手势语言的识别主要有基于数据手套的手语识另l j o z a w a2 0 0 7 和 基于视觉图像的手语识别 n i c 5 1 k e r2 0 0 2 ，前者识别率高，缺点是打手势的人要穿 戴复杂的数据手套和位置跟踪器，输入设备昂贵，难以普及；后者输入设备简单， 对光线等外界环境、摄像头帧率及架设位置要求较高但识别率较低，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( s e m g ) 信号及 其差异来识别不同的手势动作。采用基于s e m g 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。本文的主 要内容就是基于s e m g 信号的手势动作识别。 2 1 手势动作肌电信号模式识别流程 手势动作s e m g 的信号模式识别流程如图2 1 所示，主要步骤：包括信号的 采集、预处理、活动段检测、特征提取、模式分类等。 手肌 活 特 萋 肌 电 势电 预 动 蕤 分控 动信 处 段 取类制作号 理 检 测 图2 1 动作肌电信号的模式识别流程 2 2 手势动作的选取 手势动作包括上肢前臂的动作、肘关节动作、腕关节动作以及手指动作。在 手势动作的选择上，既要考虑到分类的可行性，又要使得动作之间具有较大的差 异，此外动作需要简单易学。本文借鉴s i g nl a n g u a g e 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，其名称和英文表述如 表2 1 所示。 7 第二章基于b p 神经网络的手势s e m g 信号模式识别 表2l 动作的名称和含义 动作名称英竞b 娃中文# 链 f l w kf l e x i o no f w r i s t 屈度 d “吼d 栅m n o f w r i t伸臃 i i c pr ：a r d c 肿# d me x t 挑l u d p a l m忡拿 w s p hw r i t s u p t u a 山n 正荤 w p r nw r i s t p m m t l o n 反拿 e x f fb m m h t _ i h 口m艄 l f b m k n d l i t t l e f h 噼r 伸十描 八种手势动作( 伸腕、屈腕、握拳、伸掌、正掌、反掌、伸拇指，伸小指) 的形态如图2 2 所示。 圈匮 幽2 2 八种动作的形态 2 3s e m g 信号预处理 作为一种典型的生理信号，s e m g 信号非常容易被噪声污染。常见的噪声 有：信号检测环境噪声如空间的电磁辐射；运动伪迹如电极和皮肤接触引起阻抗 变化引入的噪声：和检测系统电子元件内噪声等。通常情况下s e m g 信号能 量主要集中在2 0 h z 2 0 0 h z 之间。为了削弱噪声对s e m g 信号的影响，在预处 理阶段采用通带为2 0 h z 5 0 0 h z 的巴特沃兹( b u t _ 【e r w o r t h ) 滤波器对采集到的 s e m g 信号进行带通滤波。 2 4 活动段检测 连续进行手势动作时，两个相邻动作之间存在一定的时间间隔，这样获得的 s e m g 信号就由许多活动段和非活动段组成，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。为了更加准确区分各单个动作信号，必 须确定有效动作的起始和结束位置。由于背景噪声的能量比动作信号的能量小， 第二章基于b p 神经网络的手势s e m g 信号模式识别 采用一种反映信号能量大小的移动窗法【雷敏2 0 0 0 进行活动段检测。其基本思 想是：提取一小段时间内的信号数据，对其进行平方积分，则有t l ，+ 6 l q ，= fx ( f ) 2d t ( 2 1 ) t i ：l 其中x ( t ) 是窗内的肌电信号数据，q 表示时刻信号的能量值。q f 若大于某 阈值a ，且在窗移动后有连续n 1 次能量值q k 僻i ，i + l ，i + n 。) 都大于阈值a ，则 可认为t 时刻是动作的开始时刻。此后若有连续也次能量值qp i ，i + l ，i + n ：) 都 小于某阈值b0 3 a ) ，则可认为动作结束，并以f ，时刻为结束时刻。若能量值q 在a 与b 之间，则认为动作处于保持状态；若能量值q d , 于a 则认为无动作产 生。具体操作过程如下： 1 ) 将各通道s e m g 信号按照对应时间点求和平均，再对平均后的信号求平 方，取窗e i n = 6 4 ，对平方信号作移动平均处理； 2 ) 设置幅度阈值对移动平均信号进行判别，将高于阈值的作为动作信号保 留，幅值低于阈值的信号置零； 3 ) 确定活动段的起始点和结束点，数据点长度低于一定值的活动段作为噪 声弃除。 2 5 特征提取 特征提取是对于每一个活动段( 有效动作) 进行的。即用一组能表征其固 有特性的数据( 特征) 来描述每一个有效动作。目前，人们已提出许多肌电信号 特征的表示方法，如时域的过零点数、方差、时域绝对值积分、a r 模型系数、 频域、时频域的变换系数、以及混沌和分形等。本文采用的肌电信号特征有： a r 模型系数、信号的过零率和信号幅度绝对值均值。 2 5 1a r 模型系数及b u r g 算法 a r 模型系数是将肌电信号看作为零均值白噪声过程激励一线性系统的输 出，只要激励白噪声的功率和系统的参数已知，就可以通过利用模型参数和性质 以及白噪声通过此系统后的输入输出关系来研究肌电信号。参数模型把肌电信号 9 第二章基于b p 神经网络的手势s e m g 信号模式识别 的随机性和一定程度的可预测性结合起来，激励白噪声反映过程的随机性，确定 性模型反映过程的可预测性【罗志增2 0 0 3 。一个随机信号的a r 模型可以表示为： x ( 门) = 一a , x ( n - k ) + u ( n ) ( 2 2 ) k = l 式中a k 为模型各阶系数，p 为模型阶次，u ( n ) 为白噪声。求解a r 系数的算法很 多，b u r g 算法【胡广书1 9 9 7 是就是其中的一种。b u r g 算法的v b 源程序见附录。 下面给出线性预测理论的基本公式： a p a x 锄) = 一口厂( k ) x ( n - k ) ；e - r ( n ) = x ( n ) - x 锄) ；p 厂= e ie f ( n ) 1 2 ) ； k = l p x 6 ( 拧) - - 20 6 ( 尼弦( 刀+ 七) ； e b ( 珂) = x ( 门) 一x 6 ( 玎) ；p 6 = e lp 6 ( ，1 ) 1 2 ) ； a 式中x f ( n ) 是前项预测，矿加) 是后项预测，p ，( n ) 是前项预测误差，矿( 刀) 是 后项预测误差，p ，是前项预测误差功率，p 6 是后项预测误差功率。 b u r g 算法的特点是： 1 ) 令前后向预测误差功率和p 归= 去【p ，+ 】为最小； 2 ) p 和p 6 的求和范围不是从0 至( n - - 1 + p ) ，而是从p 至n - 1 ， 于p ，( 刀) 和矿( 刀) 前后都不加窗； 3 ) 当阶次m 由1 至p 时，有下列递推关系： ( 刀) = 。( 刀) + 吒蘸一，( n - 1 ) e b m ( n ) = 蘸一。( ，2 1 ) + 砖一。( 刀) 。 eo ( n ) = 8 o b ( 以) = x ( 刀) 这时p 力仅是反射系数k 的函数： k ，= r l 一2 g 彳一。( ) p ：( 刀一1 ) e 。b l ( 行一1 ) 1 2 这相当 ( 2 3 ) ( 2 4 ) ( 2 5 ) ( 2 6 ) 4 )k 求出后，阶次m 时的a r 模型系数可由以下公式递推求出： 1 0 + 以 ，m p 一 第二章基于b p 神经网络的手势s e m g 信号模式识别 口，( 七) = a 一l ( 七) + k 。口：一l ( m 一七)( 2 7 ) 口胂( 所) = k ( 2 8 ) a p 脚= ( 卜ik 朋2 ) p 脯一i( 2 9 ) b u r g 算法的递推步骤是： a ) 由初始条件( 力) = x ( 刀) ，露( 刀) = x ( 刀) ，在由( 2 6 ) 式求出墨a ； b ) 由乏( o ) = 专篓i x 。) 1 2 得m = 1 时的参数：三( 1 ) = 毛a ；辟= ( 1 - i 毛1 2 ) 乏( 。) ； c ) 由是和( 2 3 ) 和( 2 4 ) 求出0 ( 行) 和彳( 疗) ，再由( 4 ) 式计算出乞a ； d ) 按照( 2 7 ) 、( 2 8 ) 、( 2 9 ) 式，求出m = 2 i 拘a 2 ( 1 ) ，a 2 ( 2 ) 以及岛； e ) 重复以上过程，直到m _ p ，求出了所有阶次的a r 参数。 2 5 2 信号幅度绝对值均值 由于不同种类动作信号的幅度是不同的，因此将动作信号幅度绝对值均值作 为s e m g 信号的另一种特征，公式如下。 m a y = 专善ni 一( f ) l 眨 其中s e m g ( i ) 代表某导电极的第i 个数据采样点的数值大小，n 为一个时间 段内的采样点数，也即在一个活动段内手势动作表面肌电信号的采样点数。 2 5 3 信号的过零率 过零率即信号中波形穿越零电平的次数，用来描述波形在幅度上变化的剧烈 程度，反映了信号的变化趋势，也将它用作肌电信号的一个特征，其计算公式如 下。 z c r = s i g n ( - s e m g ( i ) x s e m g ( i + 1 ) ) c 、i s e m g ( i ) 一s e m g ( i + 1 ) 1 0 0 2 ( 2 1 1 ) 上式的含义是，若同时满足相临采样点之间异号并且相临采样点差的绝对值 大于一个常数( 0 0 2 ) 这两个条件，则可认为信号此刻存在一个过零点。式中的 s e m g ( i ) 是一个活动段的肌电信号，n 为活动段长度，s i g n 为符号函数： 第二章基于b p 神经网络的手势s e m g 信号模式识别 s f g 咄) = 亿裂 ( 2 - 1 2 ) 2 5 4 特征融合 考虑到描述信号特征的一种特征集只能从某一个角度对信号进行刻画，仅用 一种特征参数难以很好识别不同动作，因此我们将信号的a r 模型系数、信号的 过零率和信号幅度绝对值均值融合在一起构造s e m g 信号的特征向量。由此一 个活动段( 有效动作) 的一导数据的特征向量表示为a - 【a 。，a ：，a ，a 。，a ，】；其中a 。表 示数据的幅度均值，a ：，a ，a 。分别是一导数据a r 模型系数的前三项；a ，是 信号的过零率。 再考虑到各种手势动作是由相关肌肉群所控制，由它们活动产生的各路 s e m g 信号及其特征是有差异的，故进一步将4 导s e m g 信号对应活动段提取 的5 个特征组合在一起，构成2 0 维特征向量，这样更有利于对手势动作的识别。 2 6b p 神经网络分类器 人工神经网络是近2 0 年来发展起来的一支十分活跃的交叉学科，它涉及生 物、数学、电子及计算机技术，并显示出及其广泛的应用前景。人工神经网络已 经在模式识别领域得到了广泛的应用，模式识别的神经网络方法与传统的方法相 比，具有下面几个明显的优点： 1 ) 具有较强的容错性，能够识别带有噪声或变形的输入模式； 2 ) 具有很强的自适应学习能力； 3 ) 并行分布式信息存储与处理，识别速度快； 4 ) 能把识别处理和若干预处理融为一体进行。 2 6 1 神经网络的基本理论 人工神经元的功能模型如图2 3 所示。 , z i 1 2 图2 3 神经元的功能模型 1 2 第二章基于b p 神经网络的手势s e m g 信号模式识别 其中：x l ，x 2 ，毛为输入信号；w l ，为连接权值；0 为阈值；o 为激 发函数，也称传递函数：y 为神经元输出；s 为中间变量。它们之间的关系为： j = w i x j 一秒( 2 。1 3 ) f = l y = o - ( s ) ( 2 1 4 ) 可将阈值0 也看作权值，只不过其输入为固定常数一1 。激活函数。有许多 类型，常见的有：阈值型，线性型，s 型( s i g m o i d ) 等。 y l 0 s ， o s j ， 1 7 - 0 j ( a ) 阈值型( b ) 线性型( c ) s 型 图4 2 激活函数的类型 x = 而，屯，矗】；= 【w l ，w 29 o 9 心】； 对于阈值型激活函数有输入输出关系： a = a ( w ，l cp - o ) = 群嚣( 2 1 5 ) 对于线性型激活函数有输入输出关系： a = a ( w 木尸一秒) = w 水尸一0 ( 2 1 6 ) n - w 拳p 一0 ，对于s 型激活函数有输入输出关系： 1 小_ o 卜百南x d q - 7 1 + e l 一，ll s 型激活函数将任意输入值压缩到( 0 ，1 ) 的范围内，是人工神经网络中最 常用激活函数，本文采用的激活函数就是s 型函数。神经元模型确定之后，神经 网络的特性和能力主要取决于网络拓扑结构及学习方法。前向型网络是最典型的 一种网络结构。前向网络中的神经元是分层排列的。每个神经元的输出只馈给前 一层的神经元。与输入向量相关联的层是输入层，得到输出向量的层是输出层， 输入和输出两层之间的各层称为隐含层。本文采用的b p 神经网络就是前向型网 第二章基于b p 神经网络的手势s e m g 信号模式识别 络一种。 2 6 2b p 网络基本算法 b p 算法是一种常用的神经网络算法，它是r u m e l h a r t 边肇祺2 0 0 4 等在1 9 8 6 年提出，是一种监督式的学习算法。b p 网络对权值的调整采用l m s 算法 ( l e a s t - m e a n s q u a r e a l g o r i t h m ，l m s ) ，可称之为最小均方误差规则或梯度算法， 也称规则( d e l t ar u l e ) 。b p 算法由于其容易实现而很快得到了广泛的应用。 b p 网络学习的目的是利用网络的实际输出与期望输出之间的误差来修改其 权值，使实际与期望尽可能地接近，即使网络输出层的误差平方和达到最小，通 过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化 而逐渐逼近目标。每一次权值和偏差的变化都与网络误差的影响成正比，并以反 向传播的方式传递到每一层。b p 算法分为两个阶段：第一阶段(