基于雙線性模型的動作肌電信號用戶無關(guān)識別研究

成 娟 陳 勛* 彭 虎

(合肥工業(yè)大學(xué)儀器科學(xué)與光電工程學(xué)院生物醫(yī)學(xué)工程系， 合肥 230009)

基于雙線性模型的動作肌電信號用戶無關(guān)識別研究

成 娟#陳 勛#*彭 虎

(合肥工業(yè)大學(xué)儀器科學(xué)與光電工程學(xué)院生物醫(yī)學(xué)工程系， 合肥 230009)

動作肌電信號具有個體差異性且不同動作的肌電信號是不同的，通過挖掘雙線性模型的因素分解能力，將訓(xùn)練樣本的特征矢量分解為用戶相關(guān)和動作相關(guān)兩大因素，通過確定因素的維度重構(gòu)具有共性的訓(xùn)練樣本特征。在測試樣本特征重構(gòu)階段引入適應(yīng)融合機(jī)制，更新模型參數(shù)重構(gòu)測試樣本特征。以11名受試者的4類動作為例，分別采用線性判別、K近鄰分類算法和支持向量機(jī)，對比3種實(shí)驗(yàn)方案(多用戶單天、單用戶多天和基于雙線性模型的多用戶單天)的識別結(jié)果。實(shí)驗(yàn)表明，雙線性模型的平均識別率最低為85%以上，相比于單純的多用戶單天識別結(jié)果(平均識別率不高于75%)有顯著提高(P<0.001)，且相比于單用戶多天的識別結(jié)果(平均識別率90%以上)差異性不顯著(P>0.24)。雙線性模型為基于動作識別技術(shù)的非特定人肌電控制系統(tǒng)提供了交互方案，且該模型具備將多用戶單天的數(shù)據(jù)看成單用戶多天數(shù)據(jù)的能力，提供了用戶訓(xùn)練負(fù)擔(dān)降低的可行性。

肌電控制；手勢識別；特征提??；雙線性模型

引言

基于生物電技術(shù)的人機(jī)交互旨在通過采集、分析和處理人體自身的生理學(xué)信號來控制外圍設(shè)備，以取代或補(bǔ)充傳統(tǒng)的基于鼠標(biāo)或鍵盤等的控制方式。可用于人機(jī)交互的生物電主要有腦電、肌電和眼電等[1-3]。由于表面肌電電極具有無創(chuàng)性和操作簡單的特點(diǎn)，同時表面肌電信號(surface electromyography, sEMG)能有效表征較多種類手勢，肌電人機(jī)接口技術(shù)已經(jīng)成為研究熱點(diǎn)，廣泛應(yīng)用于智能假肢控制和康復(fù)訓(xùn)練、手語識別系統(tǒng)、虛擬游戲操控和工業(yè)控制等領(lǐng)域。其中代表性的有美國芝加哥康復(fù)研究所等進(jìn)行肌電控制假肢手及其人機(jī)接口系統(tǒng)的研發(fā)[4]。微軟研究院實(shí)現(xiàn)了基于手指動作肌電信號的空中吉他、觸摸屏畫板等操作[5]。其他國內(nèi)外研究機(jī)構(gòu)還實(shí)現(xiàn)了基于肌電模式識別的手語識別等[6-7]。

作為一種電生理信號，sEMG存在個體差異性。如何提取用戶無關(guān)特征實(shí)現(xiàn)非特定人手勢動作識別對肌電控制交互系統(tǒng)的推廣應(yīng)用具有重要意義。常規(guī)的特征處理包括特征降維和歸一化，通過提取具有較多貢獻(xiàn)的特征，以及特征幅值或時間尺度的歸一化等，盡可能消除個體差異性[8-9]。此外，利用測試用戶少量訓(xùn)練樣本參與分類器的學(xué)習(xí)和訓(xùn)練，可以在一定程度上提高非特定人的識別結(jié)果[10]。但是這些方法并沒有考慮到用戶與動作間的關(guān)系。

不同的受試者執(zhí)行同一手勢動作產(chǎn)生的sEMG信號具有差異性，而不同的手勢動作sEMG信號也不同。據(jù)此，將sEMG信號分解為用戶相關(guān)(style)和動作相關(guān)(content)兩大因素。非特定人手勢動作sEMG信號識別類似于如何識別不同口音下的相同單詞和如何處理不同觀測環(huán)境下類似的面孔或物體等。Tenenbaum等[11]于2000年提出了雙線性模型(bilinear models)，因其具有強(qiáng)大的因素交互能力，能夠?qū)⒉煌谝艋虿煌^測環(huán)境的style因素，和不同單詞或不同面孔的content因素進(jìn)行分離，現(xiàn)已成功應(yīng)用于人造3D物體的不同風(fēng)格和內(nèi)容的分類識別[12]。2013年Matsubara等將雙線性模型首次應(yīng)用于5類交互手勢動作(4類運(yùn)動手勢，1類放松靜態(tài)動作)sEMG信號的識別任務(wù)中[13]。王濤等采用雙線性模型進(jìn)行不同收縮力下的單指按壓實(shí)驗(yàn)，驗(yàn)證了較少樣本訓(xùn)練下手指模式的較好識別[14]。但是這兩個工作仍然需要用戶額外執(zhí)行訓(xùn)練動作。本研究利用雙線性模型的因素分解能力，對多類手勢動作sEMG信號特征進(jìn)行因素分解，通過參數(shù)優(yōu)化選擇，重構(gòu)具有最大共性的特征，提高用戶無關(guān)手勢動作的識別率。同時，進(jìn)一步挖掘雙線性模型的因素分解能力，探索其將多用戶一天的數(shù)據(jù)看成單用戶多天數(shù)據(jù)的有效性，為肌電控制應(yīng)用提供進(jìn)一步降低用戶訓(xùn)練負(fù)擔(dān)的可行性。

1 材料與方法

圖1所示為基于雙線性模型的用戶無關(guān)識別。首先，提取訓(xùn)練用戶和測試用戶的特征。其次，將訓(xùn)練用戶特征進(jìn)行雙線性模型分解，得到用戶相關(guān)因素和動作相關(guān)因素。之后，利用測試用戶部分樣本特征參與因素的更新，利用更新后的因素重構(gòu)測試特征。最后，重構(gòu)后的訓(xùn)練特征參與分類器的訓(xùn)練，而重構(gòu)后的測試特征則送入訓(xùn)練好的分類器進(jìn)行動作識別。

圖1 基于雙線性模型的用戶無關(guān)特征重構(gòu)Fig.1 Illustration of user-independent classification using sEMG bilinear models

1.1 數(shù)據(jù)采集

本研究共定義了4類常用手勢動作，握拳(HD)、伸掌(EP)、伸腕(EW)和屈腕(FW)。數(shù)據(jù)采集使用Delsys Myomonitor IV(美國Delsys Inc.)，該設(shè)備支持16通道差分肌電電極輸入，肌電信號的采樣頻率為1 000 Hz。圖2所示為電極配置。為了減少電極偏移造成的信號差異性，將人體前臂沿縱向等距離劃分為5個環(huán)帶(記為1～5)，每個環(huán)帶等距離分為8個條帶(記為A～H)。由于定義的動作主要為腕部、肘部以及手指的運(yùn)動，根據(jù)人體肌肉解剖學(xué)知識，涉及到的肌肉群見主要有橈側(cè)腕長伸肌(5H)、橈側(cè)腕屈肌(4C)、尺側(cè)腕屈肌(3B)和旋后肌(4G)。最終4通道肌電電極安放在圖2中深色區(qū)域位置。

圖2 電極配置Fig.2 Illustration of customized electrode location marks and actual electrode placement

11位受試者(3男4女，年齡22～26歲)自愿參加數(shù)據(jù)采集工作，并簽署知情同意書。這些受試者都是右利手，均沒有任何神經(jīng)肌肉和關(guān)節(jié)疾病史。在數(shù)據(jù)采集過程中，受試者舒適地坐在椅子上，按照順序執(zhí)行4類手勢動作，每類動作重復(fù)14次。每位受試者共采集7次實(shí)驗(yàn)數(shù)據(jù)。

1.2雙線性模型基本原理

雙線性模型是數(shù)學(xué)上可分的雙因素模型，當(dāng)其中一個因素保持不變時，輸出是另一個因素的線性函數(shù)。將手勢動作信號特征矢量y={yk}∈K(其中K是維數(shù))分解為用戶相關(guān)因素和動作相關(guān)因素的線性組合，記為s={si}∈I和c={cj}∈J，其中I和J分別代表用戶相關(guān)因素和動作相關(guān)因素的維度，則sEMG信號的對稱雙線性模型表達(dá)式為

(1)

式中，ωijk是表征兩個因素交互能力的權(quán)值矢量。

1.3 雙線性模型因素分解

設(shè)模型訓(xùn)練過程中，共涉及U個受試者，每個受試者執(zhí)行的手勢動作個數(shù)為M，并且每個動作訓(xùn)練樣本個數(shù)為N，定義第u個受試者執(zhí)行手勢動作m時，第k維特征矢量的N個樣本數(shù)據(jù)記為yk，um。訓(xùn)練的過程就是對所有的u、m和k，找到合適的style和content因素和權(quán)值{cm,su,Wk}，使得合成的特征矢量與原特征矢量的均方根誤差E最小，即

(2)

式中，su∈I表示第u個受試者的用戶相關(guān)因素，第m個手勢動作第n個樣本的動作相關(guān)因素表示為cnm∈J，Cm=[c1m,...,cNm]∈JN代表第m個手勢動作所有N個樣本的動作相關(guān)因素。

為了得到最小的E，采用循環(huán)的奇異值分解(singular value decomposition，SVD)算法進(jìn)行因素分解，一般情況下，5次循環(huán)即可收斂。

1.4 用戶無關(guān)特征重構(gòu)

特征重構(gòu)階段，新用戶執(zhí)行某一手勢動作，得到特征矢量Ynew，采用SVD算法得到該新用戶的Content因素Cm。據(jù)此，結(jié)合之前訓(xùn)練得到的權(quán)值，評估新用戶的Style因素snew，有

(3)

Y和YTV矩陣的具體表達(dá)分別為

(4)

(5)

根據(jù)新用戶的用戶相關(guān)因素snew和之前訓(xùn)練的權(quán)值，計(jì)算出新用戶第m個手勢動作的動作相關(guān)因素Cnew如下：

(6)

最后，利用式(1)重構(gòu)用戶無關(guān)特征。

1.5 特征提取和分類識別

常用的sEMG信號特征可分為時域、頻域和時頻域的。研究結(jié)果表明絕對值幅值均值(mean absolute value, MAV)和3～6階的自回歸系數(shù)(autoregressive, AR)具有良好的表征能力[15]，因此本研究中每通道sEMG信號提取MAV和3階AR模型系數(shù)特征。而常用的分類器主要有簡單的線性判別分類器(linear discriminant classifier, LDC)、隱馬爾科夫模型、支持向量機(jī)(support vector machine, SVM)和K近鄰(Knearest neighbors，KNN)等[16-17]?？紤]到實(shí)際肌電控制的交互應(yīng)用要求(一般選擇計(jì)算復(fù)雜度低且易于移植的分類器)，分別采用LDC、SVM和KNN分類器進(jìn)行動作肌電信號的模式識別，以驗(yàn)證本模型的有效性。

2 結(jié)果

為了驗(yàn)證雙線性模型提取用戶無關(guān)特征的有效性，共設(shè)計(jì)了3種實(shí)驗(yàn)任務(wù)，分別為單用戶多天(user dependent cross time, UDC)，多用戶單天(original user independent, OUI)和基于雙線性模型的多用戶單天(bilinear models user independent, BMUI)。單用戶多天實(shí)驗(yàn)是指將每位受試者前n次采集的數(shù)據(jù)作為訓(xùn)練樣本，而將第n+1次的數(shù)據(jù)作為測試樣本。兩種多用戶單天實(shí)驗(yàn)均將前m個受試者單次采集的數(shù)據(jù)作為訓(xùn)練樣本，將第m+1個受試者單次采集的數(shù)據(jù)作為測試樣本。它們的區(qū)別在于是否采用了雙線性模型。本次實(shí)驗(yàn)中，n=6，m=10。

2.1I和J取值對識別結(jié)果的影響

利用雙線性模型進(jìn)行特征重構(gòu)時，用戶相關(guān)和動作相關(guān)的維度I和J取值不同時，可能導(dǎo)致識別結(jié)果有差異。選擇7名受試者，其中訓(xùn)練受試者6名，因此I取值為1～6；而每位受試者的訓(xùn)練樣本個數(shù)為14，故J取值為1～14。不失一般性的，以LDC分類器為例，表1列出了當(dāng)I從1增加到6時，在不同的J的取值下，識別率的變化情況。不難發(fā)現(xiàn)，除了受試者S2，當(dāng)I=3～5時，其他受試者的動作總體識別率最高?？紤]到當(dāng)I=4時，所有受試者的平均識別率最高(79.85%)，最終確定I=4。

表1 不同取值I時得到的最大識別率

進(jìn)一步地，本研究給出了當(dāng)I=4時每位受試者取得最好識別結(jié)果對應(yīng)的J值，以及相應(yīng)4類手勢動作的具體識別率，如表2所示。多半受試者4類動作的平均識別率為85%以上，而S6和S7這兩位受試者的平均識別結(jié)果較低。經(jīng)過雙線性模型分解和重構(gòu)后，識別結(jié)果兩極分化較為嚴(yán)重，大部分動作可以完全正確識別但也有個別動作完全不能識別。此外，每位受試者取得最好識別結(jié)果的J值是不同的，多半受試者當(dāng)J=1～3時，識別結(jié)果最好；但是受試者1和5當(dāng)J=10時才能取得最好結(jié)果。最終確定J=3。

表2 取得最佳識別率時的J值和每個動作的具體識別率

2.2 3種識別任務(wù)的識別結(jié)果

圖3給出了3種識別任務(wù)中手勢動作的平均識別率，圖3(a)～(c)分別對應(yīng)KNN、LDC以及SVM分類器。不難發(fā)現(xiàn)，無論采用哪種分類器，對于不同的受試者，一般而言，OUI的識別結(jié)果最差，BMUI次之，而UDC的識別結(jié)果最好。在同一識別任務(wù)中，不同受試者的識別率有差異。一方面，不同受試者執(zhí)行手勢動作的熟練程度不一樣，執(zhí)行手勢動作的熟練程度越高，其產(chǎn)生的sEMG信號的形似程度越穩(wěn)定，識別率就越高；另一方面，不同受試者的解剖組織、生理狀態(tài)，以及執(zhí)行手勢動作的習(xí)慣和理解方式等有差異，也會帶來識別率的參差。表3給出了3種識別任務(wù)中11位受試者手勢動作的平均識別結(jié)果(均值±標(biāo)準(zhǔn)差的形式)，進(jìn)一步證實(shí)了采用雙線性模型能有效提高手勢動作的識別率。一般情況下基于雙線性模型的識別率的提升無法超越單用戶多天的識別策略，但是個別受試者，例如圖3(c)中的受試者9和受試者11，其BMUI識別率高于UDC。主要原因是這兩位受試者對動作的熟練程度不夠，即便是同一受試者執(zhí)行同一手勢動作，產(chǎn)生肌電信號的差異性很大。在本實(shí)驗(yàn)中，訓(xùn)練用戶的個數(shù)大于單用戶多天執(zhí)行的次數(shù)，由BMUI提供的電極偏移信息較之UDC更加全面。表3給出了3種識別任務(wù)11位受試者的平均識別結(jié)果(均值±標(biāo)準(zhǔn)差的形式)，OUI

圖3 3種實(shí)驗(yàn)任務(wù)的動作識別率。(a)基于KNN；(b)基于LDC；(c)基于SVMFig.3 Accuracies of gesture recognition in three conditions. (a) KNN-based; (b) LDC-based; (c) SVM-based

表4給出了采用單因素變量分析方法得到的BMUI和OUI的顯著性差異P值，以及BMUI和UDC的顯著性差異P值。3種分類器使用環(huán)境中，BMUI的平均識別率相比于OUI有顯著性提高(3種分類器：P<0.001)。而相比于UDC的平均識別率則無顯著性差異(LDC和SVM：P>0.24；KNN：P<0.001除外)，充分說明了基于雙線性模型用戶無關(guān)特征提取的有效性。

表3 3種識別任務(wù)所有受試者的動作平均識別率

表4 不同識別任務(wù)動作識別率的顯著性差異

3 討論

本研究驗(yàn)證了基于sEMG雙線性模型動作肌電信號用戶無關(guān)識別的可行性。通過選擇因素維度重構(gòu)具有較大相似共性的特征矢量，實(shí)驗(yàn)結(jié)果表明不同的特征維度對用戶無關(guān)識別結(jié)果有一定的影響。與此同時，3種識別任務(wù)中，UDC識別率最高(平均識別率90%以上)，這得益于所有的數(shù)據(jù)來源于同一個受試者，相當(dāng)于用戶相關(guān)因素最為穩(wěn)定且差異性最小，但是為了消除電極偏移引起的sEMG信號差異，UDC需要每一個受試者在不同的時間段內(nèi)執(zhí)行多次實(shí)驗(yàn)。相關(guān)研究表明，5次左右實(shí)驗(yàn)基本涵蓋了電極偏移的可能情況，此時分類器不再敏感，UDC識別結(jié)果穩(wěn)定[18]。OUI方案中，每一位受試者只執(zhí)行一次數(shù)據(jù)采集，由于不同受試者生理解剖差異，以及執(zhí)行手勢動作的習(xí)慣和方式不同，用戶相關(guān)因素差異最大，識別率最低(平均識別率不高于75%)。BMUI是在OUI的基礎(chǔ)上引入雙線性模型進(jìn)行分解和重構(gòu)之后，削弱了用戶相關(guān)因素引起的肌電信號差異，提升了用戶無關(guān)特征的共性表達(dá)，使得BMUI的平均識別率有了大幅提升(平均識別率85%以上)，且每位受試者僅需采集一次實(shí)驗(yàn)數(shù)據(jù)。本實(shí)驗(yàn)中，UDC需要單個用戶執(zhí)行6次實(shí)驗(yàn)數(shù)據(jù)提供訓(xùn)練樣本，而BMUI則采用了10個用戶執(zhí)行的1次數(shù)據(jù)，實(shí)驗(yàn)結(jié)果表明，當(dāng)電極偏移情況覆蓋面足夠廣時，BMUI的識別結(jié)果可以逼近甚至超過UDC。然而，雙線性模型提升用戶無關(guān)識別率是有限度的，受試者間的差異，以及受試者執(zhí)行手勢動作的一致性和穩(wěn)定性直接決定了用戶無關(guān)特征提取的有效性。換言之，用戶執(zhí)行動作的規(guī)范性和熟練程度，以及用戶的相似性(包括身高、體重、性別、最大收縮力等)是用戶無關(guān)動作識別率的有效保證。在雙線性模型的實(shí)際應(yīng)用中，可以先判斷新用戶所屬用戶群，再進(jìn)行用戶無關(guān)特征提取，進(jìn)一步保證用戶無關(guān)識別率。此外，雙線性模型具備將多用戶提供的電極偏移信息看成是單用戶的多天電極偏移信息，為訓(xùn)練用戶訓(xùn)練負(fù)擔(dān)的減少提供了一種可行方案。為了保證用戶無關(guān)識別率，以往的研究策略更偏向于新用戶較少次數(shù)甚至零次數(shù)的訓(xùn)練負(fù)擔(dān)，這對于假肢患者或者中風(fēng)偏癱患者均有重要意義，即利用健康受試者的訓(xùn)練數(shù)據(jù)或者利用偏癱患者健側(cè)的訓(xùn)練數(shù)據(jù)參與分類器的訓(xùn)練，從而提升患者的用戶體驗(yàn)。然而，當(dāng)手勢動作識別種類數(shù)增加，尤其是大詞匯量的手語識別，由于sEMG信號的非平穩(wěn)隨機(jī)性，訓(xùn)練用戶多次采集造成訓(xùn)練負(fù)擔(dān)過重。雙線性模型在保證識別率的前提下大大降低訓(xùn)練用戶采集實(shí)驗(yàn)的次數(shù)，提供了訓(xùn)練用戶訓(xùn)練負(fù)擔(dān)降低的可行性，這為大規(guī)模手勢動作識別系統(tǒng)的推廣應(yīng)用奠定了技術(shù)方案。

雙線性模型的核心在于因素分解和適應(yīng)融合機(jī)制，本研究利用固定次數(shù)的SVD算法獲得雙因素，并且因素的維度確定來源于實(shí)驗(yàn)數(shù)據(jù)，具有一定的主觀性。未來可引入最大期望算法(expectation maximization algorithm, EM)，通過在概率模型中尋找參數(shù)最大似然估計(jì)或最大后驗(yàn)估計(jì)實(shí)現(xiàn)因素分解的準(zhǔn)確收斂。此外，雙線性模型具有外推能力，先前的研究工作表明[13-14]，利用新用戶部分或全部種類的手勢動作進(jìn)行雙線性模型的更新得到動作的識別率提升結(jié)果有差異，如何利用新用戶較少個數(shù)的動作測試樣本進(jìn)行有效的模型更新，也是未來的研究重點(diǎn)。

4 結(jié)論

用戶無關(guān)特征的提取是實(shí)現(xiàn)非特定人手勢動作的一大技術(shù)關(guān)鍵。本研究采用雙線性模型進(jìn)行特征分解和重構(gòu)，提高了用戶無關(guān)動作識別率，同時降低了用戶訓(xùn)練負(fù)擔(dān)。然而，目前雙線性模型的維度選擇依賴于實(shí)驗(yàn)數(shù)據(jù)，未來可引入自適應(yīng)策略。此外，不同特征表征能力不同，未來可以挖掘其他有有效特征，進(jìn)一步提升用戶無關(guān)動作的識別率。

[1] 堯德中. 腦信息科學(xué)：概念、內(nèi)容與挑戰(zhàn)[J]. 中國生物醫(yī)學(xué)工程學(xué)報(bào), 2016, 35 (2): 129-132.

[2] K?thner I, Kübler A, Halder S. Comparison of eye tracking, electrooculography and an auditory brain-computer interface for binary communication: a case study with a participant in the locked-in state[J]. Journal of Neuro Eng Rehab, 2015, 12(1): 1.

[3] Choi C, Micera S, Carpaneto J, et al. Development and quantitative performance evaluation of a noninvasive EMG computer interface [J]. IEEE Trans Biomed Eng, 2009, 56(1): 188-191.

[4] Schultz AE, Kuiken TA. Neural interfaces for control of upper limb prostheses: the state of the art and future possibilities [J]. PM&R, 2011, 3(1): 55-67.

[5] Benko H, Saponas TS, Morris D, et al. Enhancing input on and above the interactive surface with muscle sensing [C] //Proceedings of the ACM International Conference on Interactive Tabletops and Surfaces. Banff: ACM, 2009: 93-100.

[6] Li Yun, Chen Xiang, Zhang Xu, et al. A sign-component-based framework for Chinese sign language recognition using accelerometer and sEMG Data [J]. IEEE Trans Biomed Eng, 2012, 59(10): 2695-2704.

[7] Khushaba RN. Correlation Analysis of electromyogram signals for multiuser myoelectric Interfaces[J]. IEEE Trans Neur Syst and Rehab Eng, 2014, 22(4): 745-755.

[8] Frigo C, Crenna P. Multichannel SEMG in clinical gait analysis: A review and state-of-the-art [J]. Clin Biomech, 2009, 24(3): 236-245.

[9] Chu JU, Moon I, Mun MS. A real-time EMG pattern recognition system based on linear-nonlinear feature projection for a multifunction myoelectric hand [J]. IEEE Trans Biomed Eng, 2006, 53(11): 2232-2239.

[10] Liu J, Zhong L, Wickramasuriya J, et al. uWave: Accelerometerbased personalized gesture recognition and its applications [J]. Pervasive Mob Comput, 2009, 5(6): 657-675.

[11] Tenenbaum JB, Freeman WT. Separating style and content with bilinear models [J], Neural Computation, 2000, 12(6): 1247-1283.

[12] Xu Kai, Li Honghua, Zhang Hao, et al. Style-content separation by anisotropic part scales [J]. ACM Trans Graphics, 2010, 29(6): No 184.

[13] Matsubara T., Morimoto J. Bilinear modeling of EMG signals to extract user-independent features for multi-user myoelectric interface [J]. IEEE Trans Biomed Eng, 2013, 60(8): 2205-2213.

[14] 王濤,侯文生,吳小鷹,等. 用于肌電假肢手控制的表面肌電雙線性模型分析[J]. 儀器儀表學(xué)報(bào), 2014, 08:1907-1913.

[15] 羅志增, 楊廣映. 表面肌電信號的AR參數(shù)模型分析方法 [J]. 傳感技術(shù)學(xué)報(bào), 2003, 04: 384-387.

[16] 張啟忠,席旭剛,馬玉良,等. 基于表面肌電信號的手腕動作模式識別 [J]. 中國生物醫(yī)學(xué)工程學(xué)報(bào), 2013, 03:257-265.

[17] Alkan A, Günay M. Identification of EMG signals using discriminant analysis and SVM classifier [J]. Expert Syst Appl, 2012, 39(1): 44-47.

[18] Cheng Juan, Chen Xiang. Key-press gestures recognition and interaction based on SEMG signals [C] //12th International Conference on Multimodal Interfaces and 7th Workshop on Machine Learning for Multimodal Interaction. Beijing: ACM, 2010: No 36.

Research on User-Independent Gesture Recognition Based on Bilinear Models for sEMG Signals

Cheng Juan#Chen Xun#*Peng Hu

(DepartmentofBiomedicalEngineering,SchoolofInstrumentScienceandOpto-electronicsEngineeringHefeiUniversityofTechnology,Hefei230009,China)

Due to the fact that surface electromyography (sEMG) signals of the same gesture vary from different individuals (user-related) and various gestures produce different sEMG signals (motion-related), the sEMG signals can be treated as the interaction of the two factors. This study utilized bilinear models to extract user-independent features. We first factorized original training features into two factors, and the determination of the factor dimensions can help the reconstructed features have the maximum similarity. When original testing features from a novel user were available, they were used to adapt the two factors with the aid of the aforementioned model parameters and the reconstructed testing features by using the adapted factors were finally sent to the trained classifier for recognition. Eleven subjects were recruited with each performing 4 types of gestures. Three classifiers (linear discriminant classifier,K-nearestneighbor and support vector machine) were employed for the classification of the three tasks, termed as user-dependent cross-time (UDC), original-user-independent (OUI) and bilinear-models-user-independent (BMUI). Experimental results showed that the averaged classification accuracy of BMUI was at least 85% whereas that of OUI was not higher than 75%. The one-way ANOVA analysis demonstrated the significant improvement of BMUI (P<0.001). Besides, although the averaged accuracy of UDC was above 90%, higher than that of BMUI, they were statistically insignificant (P>0.24). The proposed method provided a practical solution to the interaction implementation of myoelectric control system based on gesture recognition techniques, and the training samples could be significantly reduced since each subject will conduct only once experiment for training.

myoelectric control; gesture recognition; feature extraction; bilinear models

10.3969/j.issn.0258-8021. 2016. 05.003

2016-01-07， 錄用日期:2016-07-13

國家自然科學(xué)基金(61401138；81571760；61501164)

R318

A

0258-8021(2016) 05-0526-07

# 中國生物醫(yī)學(xué)工程學(xué)會高級會員(Senior member, Chinese Society of Biomedical Engineering)

*通信作者(Corresponding author)， E-mail: xun.chen@hfut.edu.cn