基于人工鱼群算法优化SVM的手部动作sEMG识别*

洪　洁， 王　璐， 汪　超， 魏　伟， 叶　晔

(安徽工业大学 机械工程学院，安徽 马鞍山 243002)



基于人工鱼群算法优化SVM的手部动作sEMG识别*

洪洁， 王璐， 汪超， 魏伟， 叶晔

(安徽工业大学 机械工程学院，安徽 马鞍山 243002)

摘要:为了提高人体手部运动模式识别的准确性，提出了一种基于人工鱼群算法优化支持向量机(SVM)的模式识别方法。该方法对采集的表面肌电信号(sEMG)去噪后提取小波系数最大值作为特征样本，将提取后的特征输入到SVM进行动作模式识别，同时采用人工鱼群算法优化SVM(AFSVM)的惩罚参数和核函数参数，避免参数选择的盲目性，提高模型的识别精度。通过对内翻、外翻、握拳、展拳四种动作仿真结果表明：该方法与传统的SVM方法相比具有更高的识别率。

关键词:表面肌电信号； 模式识别； 人工鱼群算法； 支持向量机； 参数优化

0引言

表面肌电信号(surface electromyography，sEMG)是通过表面肌电拾取电极从人体皮肤表面记录下来的，能够反映神经肌肉系统相关活动信息的微弱生物电信号[1]。不同的肢体动作对应不同的肌肉收缩模式，相应的肌电信号特征也会有所差异，通过对这些特征的研究有助于进行肢体的不同动作模式识别。近年来，随着计算机等技术的发展，国内外学者提出了很多sEMG用于动作的识别的方法,主要包括隐马尔可夫模型方法、模糊模式识别方法、神经网络方法等，并取得了大量研究成果[2～5]。

支持向量机(support vector machine,SVM)是以统计学习理论为基础发展起来的一种新的机器学习方法，具有很好的泛化能力与实时性,已经成为目前国内外研究的热点，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势[6]，在模式识别领域得到了广泛的应用。但是SVM的性能的好坏，主要取决于模型参数(惩罚参数、核函数参数)的选择。人工鱼群算法(artificial fish swarm algorithm,AFSA)是李晓磊[7]通过模仿鱼类行为方式提出的一种基于动物行为的新型群体智能优化算法。该算法具有良好的全局搜索能力，并具有对初值与参数选择不敏感、鲁棒性好、简单易实现和使用灵活等诸多优点[8]。

本文基于AFSA强大的寻优能力和SVM在模式识别方面的独特的优势提出一种基于AFSA优化SVM(AFSA optimization of SVM,AFSVM)的sEMG模式识别方法。采用AFSVM的惩罚参数和核函数参数，将优化后的SVM用于sEMG的模式识别中。

1AFSVM参数

SVM是基于统计学习理论和结构风险最小化准则，其基本思想是将原输入空间的样本通过非线性变换映射到高维空间中，在高维空间中找出求取最优的线性分类平面。它是一种性能十分优越的分类器，分类原理可见文献[9]。但SVM的分类效果受到自身模型参数(惩罚参数 、核函数)的影响较大，在实际应用中，为了获取精度更高的SVM分类器，需要对SVM自身模型参数(惩罚参数 、核函数)进行优化调整。AFSA是一种基于动物行为的新型高效群体智能优化算法，它通过模拟鱼类的觅食、聚群、追尾及随机行为，通过不断调整自己的位置，最终集结在收索区域中食物最丰富的地方，进而实现全局寻优。算法的数学模型描述如文献[6]。本文利用AFSA强大的寻优能力对SVM的惩罚参数C和核函数参数σ进行优化调整，以获得精度更高、分类效果更佳的SVM分类器。

AFSVM参数流程图如图1。

算法实现过程如下：

1)设定人工鱼群的参数，产生初始鱼群。

2)根据个体特征设定SVM的参数向量(C,σ)的范围，将样本集输入SVM。

图1　AFSVM参数流程图Fig 1　Flow chart of AFSVM parameters

模型进行测试，得到的样本的识别率，根据SVM分类决策函数计算个体的适应度，将适应度最大者作为当前鱼群的最优值并保存当前最优值所对应的(C,σ)。

3)各人工鱼分别模拟聚群行为和追尾行为，并按照适用度大的行为实际执行，缺省行为方式为觅食行为。

4)在各人工鱼每行动一次后，计算一次当前的最大适应度并与已保存的最大适应度进行对比，如果大于，则自身取代之，并保存其所对应的(C,σ)；否则，仍保存原适应度和最优值所对应的(C,σ)。

5)判断是否满足算法的的终止条件，即是否达到预设鱼群的最大迭代次数，若满足，则输出最优解；否则，重复执行步骤(3)、步骤(4)，直到满足终止条件，输出最优解。

2实验与结果分析

2.1sEMG的采集与预处理

本次实验任取每个动作的70组特征向量作为训练集，剩下的30组作为测试集，在进行模式识别前，需预先设定各动作的标签以作为模式识别的标准，各动作对应的标签如表1。

表1　动作模式识别标签

2.2模型建立与实验与结果分析

设初始人工鱼群数量为20，最大迭代次数为20，人工鱼的感知范围为0.01，人工鱼移动的最大步长为0.01，最大试探次数为5，拥挤度因子为0.618，当进化到最大迭代次数时寻优终止。寻优过程如图2所示，从第一代时候便搜索到最优值，此时便可得到最优惩罚参数C=62.9344，核函数σ=0.2338。

图2　AFSA参数寻优适应度曲线Fig 2　Fitness curve of AFSA parameter optimization

最后建立的AFSVM分类器，将训练集数据输入SVM分类器进行训练，然后将测试集数据输入SVM分类器进行模式分类,识别结果如图3所示。为了比较分类器的性能，利用常用的k折交叉验证(k-fold cross validation)法进行测试及训练。参考文献[11],这里取k=10，即对每一个手臂动作，将训练集数据均分为10组，轮流将其中的9份用来训练1份用来测试，将测试得到识别率最高时对应的参数作为最终分类器的参数，识别结果如图4所示。将两种方法进行对比，对比识别结果分别如表2和表3所示。从表中可知，采用10-fold交叉验证法对内翻、外翻、握拳、展拳四种动作的识别率分别为：93.3 %，100 %，100 %，93.3 %，平均识别为达96.7 %。采用AFSA优化方法对内翻、外翻、握拳、展拳四只动作的识别率分别为：96.7 %，100 %，100 %，100 %，平均识别率达99.2 %，识别效果更理想。

图3　AFSVM识别结果Fig 3　Recognition results based on AFSVM

图4　10-fold交叉验证法识别结果图Fig 4　Recognition results based on 10-fold cross validation method

四种动作内翻外翻握拳展拳测试样本数30303030识别样本数29303030识别准确率(%)96.7100100100平均识别率(%)99.2

表3　10-fold交叉验证法的四种动作识别结果

表2与表3表明的结果表明，在人体前臂动作肌电信号的识别方面，AFSA能够更准确到惩罚参数C、核函数σ的最优组合，使得SVM的识别误差减小，识别准确率上升。与传统的参数选择相比，采用AFSVM优化SVM参数的方法不但能减少计算量，还能提高SVM分类器的性能。

3结论

本文基于AFSA强大的寻优能力和SVM在模式识别方面的独特的优势提出一种基于AFSVM的sEMG模式识别方法。采用EMD小波阈值的方法对采集手部动作两路sEMG进行去噪，提取小波系数最大值作为特征矢量，并用AFSVM的参数进行优化，提高了模式识别的准确率，是一种有效的、可靠的sEMG模式识别方法。

参考文献:

[1]De Luca,Carlp J.Physiology and mathematics of my electric signals[J].IEEE Transactions on Biomedical Engineering,1979,26(6):313-325.

[2]陈贵亮,周晓晨.基于HMM的下肢表面肌电信号模式识别研究[J].机械设计与制造,2015(1):39-42.

[3]Kamel Mebarkia.Fuzzy MUAP recognition in HSR-EMG detection basing on morphological features[J].Journal of Electromyography and Kinesiology,2014,24(4):473-487.

[4]Mane S M,Kambli R A.Hand motion recognition from single channel surface EMG using wavelet & artificial neural network[J].Procedia Computer Science,2015,49:58-65.

[5]Swathi S Dhage,Sushma Shridhar Hegde.DWT-based feature extraction and radon transform based contrast enhancement for improved iris recognition[J].Procedia Computer Science,2015,45:256-265.

[6]Vapnik V.Statistical learning theory [M].New York:Wiley,1998.

[7]李晓磊.一种新型的智能优化算法—人工鱼群算法[D].杭州:浙江大学,2003.

[8]黄柏儒,樊晓光,禚真福.引入贪心鱼群的改进人工鱼群算法[J].传感器与微系统， 2015,34(5):119-122.

[9]高剑,罗志增.支持向量机在肌电信号模式识别中的应用[J].传感技术学报,2007,20(2):366-369.

[10] 洪洁,王璐,舒军勇,等.基于EMD小波阈值的表面肌电信号去噪研究[J].重庆理工大学学报：自然科学版,2015,29(8):124-128.

[11] Ahmet Alkan,Mucahid Gunay.Identification of EMG signals using discriminant analysis and SVM classifier[J].Expert Systems with Applications,2012,39(1):44-47.

Recognition of sEMG hand actions based on artificial fish swarm algorithm optimized SVM*

HONG Jie, WANG Lu, WANG Chao, WEI Wei, YE Ye

(School of Mechanical Engineering,Auhui University of Technology,Maanshan 243002,China)

Abstract:To improve accuracy of human hand motion pattern recognition,a pattern recognition method for optimizing support vector machine(SVM) by using artificial fish swarm algorithm(AFSA) is proposed.The maximum value of wavelet coefficients is extracted as feature samples from the de-noised surface electromyography(sEMG) signals,then the extracted feature is inputted into a SVM to classify actions recognition,and at the same time,AFSA is used to optimize the penalty parameters and the kernel parameters of the SVM,which avoids the blindness of parameters selection and improves recognition precision of the model.Simulation results show that four movements(wrist down,wrist up,hand grasps,hand extension) are successfully identified by the method of SVM combined with AFSA.Compared with the traditional SVM method,the method has higher recognition accuracy.

Key words:surface electromyography(sEMG); pattern recognition; artificial fish swarm algorithm(AFSA); support vector machine(SVM); parameters optimization

DOI:10.13873/J.1000—9787(2016)02—0023—03

收稿日期：2015—12—08

*基金项目：国家自然科学基金资助项目(61375068)；教育部人文社科研究项目(11YJC630208，13YJAZH106)；安徽省高等学校省级自然科学研究重点项目(KJ2013A056)；安徽省优秀青年人才基金重点项目(2013SQRL023ZD)

中图分类号:TP 391.4

文献标识码:A

文章编号:1000—9787(2016)02—0023—03

作者简介:

洪洁(1988-)，男，安徽庐江人，硕士研究生，主要研究方向为信号处理、运动仿真。

王璐，通讯作者，E—mail:wanglu@ahut.edu.cn。