基于bp神经网络的手势动作表面肌电信号的模式识别

《基于bp神经网络的手势动作表面肌电信号的模式识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于BP神经网络的手势动作表面肌电信号的模式识别作者：于擎，杨基海，陈香，张旭【摘要】手势语言在日常生活中有着广泛的应用，本研究利用手势动作时从前臂4块肌肉上获取的4路表面肌电(SEMG)信号，经特征提取并采用BP神经网络，对8种手势动作模式进行了识别。鉴于BP网络具有较强的模式分类能力，而特征提取（幅度绝对值均值、AR模型系数、过零率）又利用了多路肌电信号的信息，实验结果取得了较高的识别正确率，表明所采用的方法是有效的。【关键词】模式识别；手势语言；表面肌电信号；BP网络；AR模型系数；过零率Abstract：Signlanguageiswidelyusedinourdailylif

2、e.Inthispaper,somefeaturesareextracted,usingsurfacemyoelectrogram(SEMG)signals,whichweregeneratedonfourmusclesofforearmwhengestureactionshappened.OwingtostrongerclassificationabilityofBPnetworksandbetterseparabilityoffeaturevectors(whichincludemeanabsolutevalue,ARmodelparameters,andzerocrossingr

3、ate)extractedfrommultichannelSEMGsignals,thehigheraccuracywasobtained12intheexperiments.Itshowsthatthemethodisefficient.Keywords：Patternrecognition;Signlanguage;Surfacemyoelectrogramsignals;BPnetworks;Auto-regressivemodelparameter;Zero-crossingrate1引言手势语言在人们日常生活中的应用极为广泛，如交警指挥交通，排球场上裁判的手势，聋哑人之间的手语

4、交流等等。而且，许多手势动作在不同地域是通用的，这就为不同语种的人们相互交流提供了方便。目前，对于手势语言的识别主要有基于数据手套［1］的手语识别和基于视觉图像［2］的手语识别，前者识别率高，但输入设备昂贵，难以普及；后者输入设备简单，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（SEMG）信号及其差异来识别不同的手势动作。采用基于SEMG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，它要解决的关键问题是提高对多种动作识别的分类正确率。12

5、BP算法结构简单，可操作性强，能模拟任意的非线性输入输出关系，常常被用于表面肌电信号的识别中。在神经网络的实际应用中，绝大部分的神经网络模型采用BP网络或其它的变化形式，它也是前向网络的核心部分，体现了人工神经网络中的精华部分［3］。2识别方法手势动作SEMG的信号模式识别流程见图1。图1动作肌电信号的模式识别流程Fig1TheflowchartofgestureSEMGrecognition2.1手势动作的定义本研究借鉴SignLanguage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。我们选取了其中的八种动作，其名称和表述见表1。表1动作的名称和含义2.

6、2SEMG信号的获取和预处理12分别在前臂的尺侧腕伸肌、伸指总肌、指深屈肌和拇长屈肌安放4对电极（长10mm，间距5mm），检测手势动作时的SEMG信号。利用DELSYS公司的16通道肌电采集系统采集信号，该系统的低频截止频率为10Hz，高频截止频率为500Hz，设置数据采样率为1000Hz，得到4导数据，存入PC机。然后进一步利用巴特沃思带通滤波器对肌电信号数据进行滤波，滤波器的通带频率范围20～400Hz，通带内衰减不大于3dB，阻带内的衰减不小于40dB。　2.3活动段检测动作SEMG信号可以分成许多活动段和非活动段，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

7、。为了区分各单个动作信号，必须确定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，采用一种反映信号能量大小的移动窗法［4］进行活动段检测。具体思路是：提取一小段时间内的信号数据,对其进行平方积分，则有Qi=∫ti+Δtti-Δtx(t)2dt(1)其中x(t)是窗内的肌电信号数据，Qi表示ti时刻信号的能量值。Qi若大于某阈值A，且在窗移动后有连续n1次能量值Qk(k=i,i+1，…12i+n1)都大于阈值A，则可认为t