來全寶,陶 慶,胡玉舸,孟慶豐
(新疆大學(xué)機(jī)械工程學(xué)院,新疆烏魯木齊 830047)
隨著我國(guó)老齡化人口數(shù)量的急劇增加,因中風(fēng)而偏癱的患者逐年遞增。根據(jù)臨床實(shí)踐,患者主動(dòng)積極地參與康復(fù)訓(xùn)練對(duì)其受損神經(jīng)系統(tǒng)功能康復(fù)有重要作用[1]。為了提高患者主動(dòng)訓(xùn)練的積極性以及解決人工協(xié)助的上肢手部康復(fù)訓(xùn)練治療的長(zhǎng)期性和單一性問題,通過提取并解碼人體表面肌電信號(hào)(surface electromyography,SEMG)來獲取患者的訓(xùn)練意圖,并將其融入上肢手部康復(fù)訓(xùn)練器,這有利于大腦神經(jīng)的重塑,從而促進(jìn)肢體的康復(fù)。手勢(shì)的精準(zhǔn)識(shí)別是利用康復(fù)機(jī)器人進(jìn)行訓(xùn)練的首要條件,因此探究手勢(shì)識(shí)別方法的多樣性和準(zhǔn)確性是十分有必要的。肢體肌肉收縮產(chǎn)生的肌電信號(hào)中蘊(yùn)藏著大量與神經(jīng)活動(dòng)有關(guān)的信息,且具有較高的信噪比。人體上肢運(yùn)動(dòng)方式不同,對(duì)應(yīng)運(yùn)動(dòng)肌肉產(chǎn)生的肌電信號(hào)也有所不同,故可通過提取某些特征信號(hào)來對(duì)肢體的運(yùn)動(dòng)模式進(jìn)行分類。目前,關(guān)于利用肌電信號(hào)對(duì)人體動(dòng)作模式進(jìn)行識(shí)別的研究已取得較多成果,但針對(duì)手勢(shì)識(shí)別的研究仍不夠深入,且大部分研究?jī)H集中于少量手勢(shì)的識(shí)別。例如:趙詩琪等[2]結(jié)合Fisher Score特征降維方法與機(jī)器學(xué)習(xí)對(duì)4種手勢(shì)進(jìn)行了識(shí)別,識(shí)別準(zhǔn)確率為99.24%;Zhang等[3]運(yùn)用神經(jīng)網(wǎng)絡(luò)對(duì)5種手勢(shì)進(jìn)行了識(shí)別,平均識(shí)別準(zhǔn)確率達(dá)98.7%;Yang等[4]運(yùn)用高斯混合模型-隱馬爾可夫模型(Gaussian mixture model-hidden Markov model,GMM-HMM)識(shí)別了6種手勢(shì),識(shí)別準(zhǔn)確率達(dá)99%。隨著手勢(shì)種類的增多,各分類模型的識(shí)別準(zhǔn)確率有所下降[5]。例如:Guo等[6]對(duì)8種人體上肢動(dòng)作進(jìn)行了識(shí)別,平均識(shí)別準(zhǔn)確率僅為73.1%~97.7%;Leon等[7]結(jié)合時(shí)頻域特征對(duì)9種手勢(shì)進(jìn)行了識(shí)別,識(shí)別準(zhǔn)確率僅為94%;Lian等[8]采用K最近鄰和決策樹算法對(duì)10種手勢(shì)進(jìn)行了識(shí)別,平均識(shí)別準(zhǔn)確率僅為89%;Schabron等[9]采用神經(jīng)網(wǎng)絡(luò)對(duì)9種手勢(shì)進(jìn)行了識(shí)別,最高識(shí)別準(zhǔn)確率為90.3%;Liang等[10]通過結(jié)合原始肌電信號(hào)和包絡(luò)信號(hào),基于監(jiān)督學(xué)習(xí)和單變量特征對(duì)9種手勢(shì)進(jìn)行了識(shí)別,最高識(shí)別準(zhǔn)確率為95%。綜上所述,多手勢(shì)識(shí)別的準(zhǔn)確率還有待提高,為進(jìn)一步滿足患者肢體康復(fù)的需求,研究準(zhǔn)確率高的多手勢(shì)識(shí)別方法十分重要?,F(xiàn)階段的手勢(shì)識(shí)別大多是先通過采集受試者的SEMG以提取簡(jiǎn)單的時(shí)域、頻域或時(shí)頻域特征,然后采用反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)[11]、支持向量機(jī)(support vector machine,SVM)[12]和極 限學(xué)習(xí) 機(jī)(extreme learning machine,ELM)[13]等分類模型進(jìn)行識(shí)別。但上述方法均存在不足之處,其中:BP神經(jīng)網(wǎng)絡(luò)在識(shí)別手勢(shì)時(shí)存在準(zhǔn)確率低的劣勢(shì);SVM具有很多未知參數(shù),其在手勢(shì)識(shí)別訓(xùn)練時(shí)需要大量樣本來進(jìn)行參數(shù)辨識(shí);ELM與傳統(tǒng)的單隱層前饋神經(jīng)網(wǎng)絡(luò)(singlehidden layer feedforward neural network,SLFN)相比,具有運(yùn)算速度快、識(shí)別精度高等優(yōu)點(diǎn),但ELM的隨機(jī)性對(duì)其泛化性和精度有較大影響[14]。
基于此,筆者綜合ELM的隨機(jī)性以及特征組合和滑動(dòng)窗口等對(duì)數(shù)據(jù)樣本的影響,選取最優(yōu)特征組合與最優(yōu)滑動(dòng)窗口,提出一種基于人工魚群算法(artificial fish swarms algorithm,AFSA)優(yōu)化的ELM的多手勢(shì)精準(zhǔn)識(shí)別方法,以提高多手勢(shì)識(shí)別準(zhǔn)確率。首先,選取通過主成分分析(principal components analysis,PCA)降維處理后的最優(yōu)特征組合與最優(yōu)滑動(dòng)窗口;然后,采用AFSA搜尋ELM的最優(yōu)輸入權(quán)值和隱含閾值,以提高其分類準(zhǔn)確率;最后,利用AFSA優(yōu)化的ELM(AFSA-ELM)分類模型對(duì)8種手勢(shì)進(jìn)行識(shí)別,并與BP神經(jīng)網(wǎng)絡(luò)分類模型和未優(yōu)化的ELM分類模型進(jìn)行比較,以驗(yàn)證所提出方法的精準(zhǔn)性。
AFSA是一種通過設(shè)立人工魚群模擬真實(shí)魚群的覓食、聚群和追尾等行為,由局部到全局逐步尋優(yōu),最終得到整體最優(yōu)解的算法。圖1所示為人工魚的視野V和移動(dòng)步長(zhǎng)S示意圖。當(dāng)人工魚視野范圍內(nèi)位置XV處的食物濃度大于當(dāng)前位置X處時(shí),人工魚將向前一步到達(dá)位置Xm處;否則向視野范圍內(nèi)的其他位置(如XV1和XV2)進(jìn)行搜索。
圖1 人工魚視野和移動(dòng)步長(zhǎng)示意Fig.1 Schematic diagram of visual field and moving step of artificial fish
如圖1所示,n條人工魚的當(dāng)前位置X=(x1,x2,…,xn),其視野范圍內(nèi)的某一位置 XV=(xV1,xV2,…,xVn),則搜尋過程可表示為:
式中:random(?1,1)為[?1,1]內(nèi)的隨機(jī)數(shù)。
ELM是一種全連接單隱層網(wǎng)絡(luò),分為輸入層、隱含層和輸出層,各層神經(jīng)元的數(shù)量分別為w、l和p。將ELM訓(xùn)練過程簡(jiǎn)化成矩陣求逆問題,以有效提升其學(xué)習(xí)速度。ELM的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。
圖2 ELM的網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Network structure of ELM
根據(jù)圖2,ELM分類模型可表示為:
式中:βi為第i個(gè)隱含層到輸出層的權(quán)值;f()為隱含層激活函數(shù);ωi為輸入層到第i個(gè)隱含層的權(quán)值,即輸入權(quán)值;bi為第i個(gè)隱含層節(jié)點(diǎn)的閾值,即隱含閾值;Q為訓(xùn)練樣本的輸入,Q=(q1,q2,…,qw)T;Y為訓(xùn)練樣本的輸出,Y=(y1,y2,…,yp)T。
ELM固有的隨機(jī)性是指在構(gòu)建ELM分類模型時(shí),其輸入權(quán)值和隱含閾值是通過程序隨機(jī)選取的,從而導(dǎo)致分類結(jié)果不理想。本文采用AFSA來優(yōu)化ELM的參數(shù),以構(gòu)建最優(yōu)的AFSA-ELM分類模型。具體流程如下:將ELM的輸入權(quán)值和隱含閾值作為AFSA的搜尋個(gè)體,將ELM的訓(xùn)練樣本期望輸出與實(shí)際輸出的均方根誤差作為AFSA的適應(yīng)度函數(shù),得到的適應(yīng)度函數(shù)值越小表明優(yōu)化后的輸入權(quán)值和隱含閾值越理想,即得到的AFSA-ELM分類模型越優(yōu),識(shí)別準(zhǔn)確率越高。利用AFSA優(yōu)化ELM參數(shù)的具體流程如圖3所示。其中:σ為擁擠度因子,T為嘗試次數(shù),d為迭代次數(shù),D為最大迭代數(shù)。
圖3 AFSA優(yōu)化ELM參數(shù)的具體流程Fig.3 Specific process of ELM parameters optimized by AFSA
采用葡萄牙Plux公司生產(chǎn)的八通道無線表面肌電測(cè)量系統(tǒng)和上海勵(lì)圖醫(yī)療器材有限公司生產(chǎn)的LT-7型理療電極片,利用5個(gè)信號(hào)通道對(duì)4名在校大學(xué)生(2名男性,2名女性,年齡為(20±3)歲,手部正常均無骨折受傷經(jīng)歷)進(jìn)行SEMG采集,分別對(duì)握拳、展拳、伸一指、伸兩指、伸三指、伸四指、六手型和八手型等8種常用手勢(shì)對(duì)應(yīng)的SEMG進(jìn)行采集。具體的實(shí)驗(yàn)過程如下:實(shí)驗(yàn)開始前,預(yù)先清潔受試者皮膚并用醫(yī)用酒精擦拭相關(guān)肌肉群,然后將表面肌電測(cè)量系統(tǒng)的電極片(采樣頻率為1 000 Hz)粘貼在受試者左臂皮膚表面的5個(gè)位置處,分別為指淺屈肌、肱橈肌、指伸肌、尺側(cè)腕伸肌和肱側(cè)腕屈肌處;實(shí)驗(yàn)開始后,令受試者肘部搭在辦公桌上,前臂和手部保持豎直放松,按照提示分別做上述8種手勢(shì),且做相同手勢(shì)時(shí)保持手部姿態(tài)和力度大小、方向一致,對(duì)不同手勢(shì)下的SEMG進(jìn)行采集。對(duì)每名受試者采集20組信號(hào),共采集80組數(shù)據(jù);每采集4組信號(hào)休息5 min,以保證數(shù)據(jù)不受疲勞等因素的影響。其中1名受試者的手勢(shì)識(shí)別實(shí)驗(yàn)現(xiàn)場(chǎng)如圖4所示。鑒于各受試者前期經(jīng)過多次訓(xùn)練,男性與女性的動(dòng)作姿態(tài)、力度控制較為一致,各受試者間差異性較小。
圖4 手勢(shì)識(shí)別實(shí)驗(yàn)現(xiàn)場(chǎng)Fig.4 Gesture recognition experiment site
SEMG的頻率一般為0~500 Hz,且主要頻率為10~300 Hz,其容易受到噪聲的干擾,故須對(duì)SEMG進(jìn)行去噪處理,旨在調(diào)整基線漂移、去除頻率較高的噪聲信號(hào)以及消除50 Hz工頻干擾的影響。在本文中,首先去除50 Hz工頻干擾的影響,然后采用四階巴特沃斯帶通濾波器濾除基線噪聲的干擾,濾波器的帶通頻率取30~150 Hz。在完成濾波操作后,采用活動(dòng)段檢測(cè)技術(shù)截取做手勢(shì)時(shí)的SEMG,即截取肌肉收縮發(fā)力時(shí)(活動(dòng)段)的SEMG,與活動(dòng)段相對(duì)應(yīng)的是肌肉處于靜息放松狀態(tài)下的非活動(dòng)段。只有準(zhǔn)確標(biāo)記活動(dòng)段的起止點(diǎn),才能有效提取信號(hào)以識(shí)別手勢(shì)。本文采用滑動(dòng)窗口法對(duì)SEMG進(jìn)行處理,窗口總長(zhǎng)度為128 ms,滑動(dòng)窗長(zhǎng)度為64 ms,活動(dòng)段起止點(diǎn)的判斷閾值由多次測(cè)試確定,即取5個(gè)采樣通道平均能量和最大值的0.06h倍(h為經(jīng)驗(yàn)取值);采用連續(xù)5次超越閾值法來確定活動(dòng)段的起止點(diǎn),為避免截取活動(dòng)段信號(hào)時(shí)丟失有效的信號(hào),在活動(dòng)段起止點(diǎn)前后進(jìn)行數(shù)據(jù)補(bǔ)充,以最大限度地保留有效信號(hào)。圖5所示為八手型手勢(shì)對(duì)應(yīng)的活動(dòng)段SEMG截取結(jié)果,其中采樣點(diǎn)數(shù)被壓縮了64倍。
圖5 八手型手勢(shì)對(duì)應(yīng)的活動(dòng)段SEMG截取結(jié)果Fig.5 SEMG interception results of active segment corresponding to eight-hand gesture
僅經(jīng)過預(yù)處理的SEMG是無法用于手勢(shì)識(shí)別的,須提取可表征不同手勢(shì)之間的特點(diǎn)和區(qū)別的有用信息,這些有用信息統(tǒng)稱為特征,多個(gè)特征組合成特征向量。目前,被廣泛使用的SEMG特征的提取方法有以下幾種:時(shí)域特征提取、頻域特征提取和時(shí)頻域特征提取等。其中時(shí)域特征提取便捷,計(jì)算迅速,信息量大且全面,故本文以時(shí)域特征為研究對(duì)象,即分別提取SEMG的平均絕對(duì)值(mean absolute vlaue,MAV)、均方根值(root mean square,RMS)、方差(variance,VAR)和波形長(zhǎng)度(waveform length,WL)等4個(gè)特征值,以從強(qiáng)度、波動(dòng)性等不同方面來描述SEMG。上述4個(gè)特征值的計(jì)算式分別為:
式中:M、R、V和W分別為平均絕對(duì)值、均方根值、方差和波形長(zhǎng)度;N為活動(dòng)段內(nèi)有效的采樣點(diǎn)數(shù);ak為活動(dòng)段內(nèi)第k個(gè)采樣點(diǎn)的SEMG幅值。
在手勢(shì)識(shí)別中,對(duì)特征進(jìn)行優(yōu)化組合與降維處理可顯著提高手勢(shì)識(shí)別準(zhǔn)確率。通過分析可知,基于時(shí)域特征的手勢(shì)識(shí)別準(zhǔn)確率偏低,而綜合了頻域特征與時(shí)頻特征的識(shí)別效果也依然不佳??紤]到SEMG的非線性與混沌性,本文引入非線性特征——樣本熵E[2],樣本熵的維數(shù)為2。每個(gè)通道提取5個(gè)特征(4個(gè)時(shí)域特征和1個(gè)樣本熵),則5個(gè)通道信號(hào)的特征組合成一個(gè)25維的特征向量P,可表示為:
向量維度過大時(shí)存在信息冗余,使得計(jì)算時(shí)間過長(zhǎng),可用性比較差。本文采用PCA對(duì)上述25維特征向量進(jìn)行降維處理,提取主成分后按貢獻(xiàn)率進(jìn)行排序,并選取貢獻(xiàn)率最大的前3列主成分,從而將25維降到3維?;谏鲜龇椒ǎ瑢?duì)8個(gè)手勢(shì)對(duì)應(yīng)的SEMG的特征組合進(jìn)行優(yōu)化選擇,結(jié)果如圖6所示,圖中x、y、z分別對(duì)應(yīng)前3列主成分。其中,圖6(a)為基于PCA降維處理的時(shí)域特征散點(diǎn)圖,圖6(b)為基于PCA降維處理的樣本熵散點(diǎn)圖,圖6(c)為基于PCA降維處理的時(shí)域特征和樣本熵散點(diǎn)圖。從圖中可以清晰地看出,采用圖6(c)方案時(shí)8個(gè)手勢(shì)的特征可被明顯區(qū)分,同時(shí)可縮短運(yùn)算時(shí)間。
圖6 不同手勢(shì)對(duì)應(yīng)的特征散點(diǎn)圖Fig.6 Feature scatter diagram corresponding to different gestures
在完成活動(dòng)段檢測(cè)后,采用滑動(dòng)窗口法提取各手勢(shì)對(duì)應(yīng)的活動(dòng)段信號(hào)的時(shí)域特征?;瑒?dòng)窗口法的原理如圖7所示,即利用滑動(dòng)窗對(duì)截取的活動(dòng)段SEMG進(jìn)行有效壓縮,以用于后續(xù)的手勢(shì)識(shí)別。圖中:K表示滑動(dòng)窗長(zhǎng)度,H表示增量窗長(zhǎng)度。
圖7 滑動(dòng)窗口法原理示意Fig.7 Schematic diagram of sliding window method
本文先隨機(jī)選擇滑動(dòng)窗長(zhǎng)度K=256 ms,增量窗長(zhǎng)度H=128 ms進(jìn)行時(shí)域特征提取,但識(shí)別結(jié)果并不理想。為了尋找更優(yōu)的滑動(dòng)窗,基于多個(gè)滑動(dòng)窗進(jìn)行時(shí)域特征提取實(shí)驗(yàn)。為避免康復(fù)機(jī)器人控制器出現(xiàn)延時(shí),將滑動(dòng)窗長(zhǎng)度保持在300 ms以下[15],并用隱含節(jié)點(diǎn)數(shù)為50的ELM分類模型(由于AFSA-ELM分類模型的時(shí)間成本較高,而ELM分類模型與AFSA-ELM的識(shí)別結(jié)果呈正相關(guān)且識(shí)別速度快,選用ELM可快速找到最優(yōu)的滑動(dòng)窗)進(jìn)行手勢(shì)識(shí)別,結(jié)果如表1所示,表中平均識(shí)別率為10次測(cè)試結(jié)果的平均值。
由表1可知,滑動(dòng)窗的選取對(duì)手勢(shì)識(shí)別結(jié)果的影響較大,識(shí)別準(zhǔn)確率差值高達(dá)12.6%。根據(jù)所得結(jié)果,選擇K=128 ms,H=64 ms的滑動(dòng)窗為最優(yōu)滑動(dòng)窗進(jìn)行特征提取。
表1 基于不同滑動(dòng)窗的手勢(shì)識(shí)別準(zhǔn)確率Table 1 Gesture recognition accuracy based on different sliding windows
為了驗(yàn)證所選最優(yōu)特征組合與最優(yōu)滑動(dòng)窗的優(yōu)勢(shì),結(jié)合時(shí)域特征、樣本熵和時(shí)域特征+樣本熵(均經(jīng)PCA降維處理)以及K=32 ms,H=16 ms的滑動(dòng)窗,利用ELM分類模型對(duì)8種手勢(shì)進(jìn)行識(shí)別,并與基于K=128 ms,H=64 ms的最優(yōu)滑動(dòng)窗的識(shí)別結(jié)果進(jìn)行比較。選用K=32 ms,H=16 ms的滑動(dòng)窗進(jìn)行對(duì)比的原因是表1結(jié)果顯示基于該滑動(dòng)窗的識(shí)別效果僅次于基于最優(yōu)滑動(dòng)窗的?;诓煌卣骱突瑒?dòng)窗的手勢(shì)識(shí)別結(jié)果如表2所示。
表2 基于不同特征組合和滑動(dòng)窗的手勢(shì)識(shí)別結(jié)果Table 2 Gesture recognition results based on different feature combinations and sliding windows
從表2可以看出,當(dāng)特征組合及滑動(dòng)窗選擇不理想時(shí),手勢(shì)的識(shí)別準(zhǔn)確率是偏低的,而基于本文所選的最優(yōu)特征組合與最優(yōu)滑動(dòng)窗的手勢(shì)識(shí)別結(jié)果較為理想,對(duì)8種手勢(shì)的識(shí)別準(zhǔn)確率高達(dá)95.8%,充分說明了選擇的合理性。由此說明,單一特征無法完全表征手勢(shì),而融合多個(gè)特征的特征組合可全面表征手勢(shì),但提取過多的特征會(huì)增加運(yùn)算時(shí)間,因此有必要選擇合適的特征組合。此外,選擇合適的滑動(dòng)窗也可進(jìn)一步提升識(shí)別準(zhǔn)確率。
根據(jù)上述方法,設(shè)人工魚的數(shù)量n=10,最大迭代數(shù)D=5次,人工魚視野V=100,移動(dòng)步長(zhǎng)S=2,利用AFSA對(duì)ELM的輸入權(quán)值和隱含閾值進(jìn)行尋優(yōu)。當(dāng)尋優(yōu)次數(shù)達(dá)到所設(shè)的最大迭代數(shù)時(shí),尋優(yōu)終止并輸出最優(yōu)的輸入權(quán)值和隱含閾值。需要注意的是,AFSA參數(shù)的選取對(duì)最終手勢(shì)識(shí)別結(jié)果的影響較小,但人工魚數(shù)量和迭代次數(shù)較大會(huì)導(dǎo)致尋優(yōu)時(shí)間急劇增加,不利于運(yùn)算?;贏FSA的ELM參數(shù)尋優(yōu)迭代過程如圖8所示。
圖8 基于AFSA的ELM參數(shù)尋優(yōu)迭代過程Fig.8 Iterative process of ELM parameter optimization based on AFSA
基于建立的AFSA-ELM分類模型,取80%的SEMG作為訓(xùn)練數(shù)據(jù),20%作為測(cè)試數(shù)據(jù)。將訓(xùn)練數(shù)據(jù)輸入AFSA-ELM分類模型,以對(duì)該模型進(jìn)行訓(xùn)練,而后將測(cè)試數(shù)據(jù)輸入訓(xùn)練好的AFSA-ELM分類模型,以對(duì)8種手勢(shì)進(jìn)行識(shí)別,結(jié)果如圖9所示,其中縱坐標(biāo)中的1—8分別對(duì)應(yīng)8種手勢(shì)。由圖9可知,AFSA-ELM分類模型對(duì)8種手勢(shì)的識(shí)別準(zhǔn)確率高達(dá)97.4%。
圖9 8種手勢(shì)的識(shí)別效果對(duì)比Fig.9 Comparison of recognition effect of eight gestures
為了驗(yàn)證所構(gòu)建的AFSA-ELM分類模型的優(yōu)勢(shì),分別與BP神經(jīng)網(wǎng)絡(luò)(輸入層節(jié)點(diǎn)數(shù)為3,隱含層節(jié)點(diǎn)數(shù)為20,輸出層節(jié)點(diǎn)數(shù)為8,傳遞函數(shù)為Sigmoid型)分類模型和未優(yōu)化的ELM分類模型進(jìn)行對(duì)比,結(jié)果如表3所示。表中識(shí)別準(zhǔn)確率由10次測(cè)試結(jié)果的平均值與其標(biāo)準(zhǔn)差組成。
表3 基于不同分類模型的手勢(shì)識(shí)別準(zhǔn)確率對(duì)比Table 3 Comparison of gesture recognition accuracy based on different classification models %
由表3可知,AFSA-ELM分類模型對(duì)8種手勢(shì)的識(shí)別準(zhǔn)確率明顯高于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)分類模型,提高了3.5%;相比于未優(yōu)化的ELM分類模型,提高了1.6%。這主要是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)易陷入過學(xué)習(xí),導(dǎo)致整體識(shí)別結(jié)果不理想,而未優(yōu)化的ELM由于參數(shù)的隨機(jī)性大,使得識(shí)別穩(wěn)定性較差。這充分說明了優(yōu)化后ELM的輸入權(quán)值和隱含閾值較優(yōu),使得識(shí)別結(jié)果得到了明顯改善,由此驗(yàn)證了AFSA-ELM分類模型的精準(zhǔn)性。
對(duì)于本文所研究的手勢(shì)離線識(shí)別方法,除了考慮分類模型的識(shí)別效果外,訓(xùn)練和識(shí)別時(shí)間也是衡量分類模型優(yōu)劣的重要指標(biāo)。分類模型的訓(xùn)練和識(shí)別時(shí)間越短,表明其響應(yīng)速度越快。對(duì)上述3種分類模型的訓(xùn)練和識(shí)別時(shí)間進(jìn)行分析,結(jié)果如表4所示。其中AFSA的尋優(yōu)時(shí)間未計(jì)入。
表4 不同分類模型的訓(xùn)練和識(shí)別時(shí)間對(duì)比Table 4 Comparison of training and recognition time of different classification models 單位:ms
由表4可知,BP神經(jīng)網(wǎng)絡(luò)分類模型的訓(xùn)練和識(shí)別時(shí)間遠(yuǎn)超過未優(yōu)化的ELM分類模型,充分證明了ELM分類模型的有效性。在對(duì)比AFSA-ELM分類模型與ELM分類模型時(shí),考慮到SEMG的特征數(shù)據(jù)量龐大,而AFSA尋優(yōu)需要一定時(shí)間,故暫將尋優(yōu)過程排除在外,直接選擇AFSA優(yōu)化好的ELM分類模型進(jìn)行訓(xùn)練和識(shí)別。結(jié)果表明,AFSA-ELM分類模型的訓(xùn)練和識(shí)別時(shí)間較ELM分類模型分別少62 ms和2.55 ms。由于本文未考慮AFSA-ELM分類模型的尋優(yōu)時(shí)間,其僅可用于對(duì)識(shí)別精度要求較高的離線分析,后續(xù)在實(shí)時(shí)、在線識(shí)別的應(yīng)用上須作進(jìn)一步改進(jìn)。
為了提高多手勢(shì)的識(shí)別準(zhǔn)確率,結(jié)合特征組合與滑動(dòng)窗口法,提出了一種基于AFSA優(yōu)化的ELM的多手勢(shì)精準(zhǔn)識(shí)別方法。結(jié)果表明,將樣本熵引入時(shí)域特征組合并結(jié)合PCA降維處理時(shí),ELM分類模型的識(shí)別準(zhǔn)確率較高;搭配最優(yōu)的滑動(dòng)窗(滑動(dòng)窗長(zhǎng)度K=128 ms,增量窗長(zhǎng)度H=64 ms)時(shí),ELM分類模型的識(shí)別效果可進(jìn)一步改善;所構(gòu)建的AFSA-ELM分類模型對(duì)8種常用手勢(shì)的識(shí)別準(zhǔn)確率高達(dá)97.4%,優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和未優(yōu)化的ELM分類模型。后續(xù)可將AFSA-ELM分類模型應(yīng)用于機(jī)械運(yùn)動(dòng)控制、外骨骼控制等領(lǐng)域[16-17]。
工程設(shè)計(jì)學(xué)報(bào)2021年6期