基于PSO-LSTM 模型的上肢动作识别方法

摘要：针对上肢肌音信号（Mechanomyography，MMG） 动作识别准确率不高的问题，提出一种基于粒子群算法（PSO） 与长短期记忆网络相结合的混合模型（Particle Swarm Optimization-Long Short Term Memory，PSO-LSTM） 的动作识别方法。采用5 通道传感器对受试者进行上肢肌音信号采集，使用巴特沃斯滤波（Butterworth Filter） 等方法对肌音信号进行预处理，并进行特征提取；构建基于PSO-LSTM 的上肢肌音信号识别模型并进行模型训练和测试；最后从不同测度对比了长短期记忆（LSTM） 模型、麻雀搜索算法（Sparrow Search Algorithm，SSA） 优化的LSTM模型（Sparrow Search Algorithm-Long Short Term Memory， SSA-LSTM） 以及PSO-LSTM 模型的实验结果。结果表明， PSO-LSTM 模型的准确度均高于LSTM、SSA-LSTM 模型， 达到96.9% 左右，在迭代损失、迭代速度等方面也优于LSTM、SSA-LSTM 模型，从而证明了该模型用于上肢肌音信号识别的优越性。

关键词：肌音信号；动作识别；粒子群算法；长短期记忆；特征提取

中图分类号：TN911.72 文献标志码：A

上肢是人体的重要部位，其包括手部、前臂、肘部、肩膀等，是人类肢体功能运动的主要承担者。很多社会工作以及个人生活都离不开人体上肢的活动，上肢功能的健全对个人生活质量的影响不可忽视[1]。据统计中国每年新增脑卒中患者约240 余万，现有脑卒中幸存者1 100 多万[2]，而脑卒中对上肢的影响比下肢更为严重。开发针对上肢功能患者的康复机器人，是改善患者健康状况的重要手段[3]，目前越来越多的研究人员把目光投向脑卒中后可穿戴外骨骼机器人[4]，希望通过识别患者上肢肌音信号来读取患者的行为意图，从而控制外骨骼机器人来帮助患者实现一系列上肢动作。

肌音信号（Mechanomyography， MMG） 是一种记录和量化骨骼肌肌纤维的低频横向振动信号[5]，与肌电信号相比，其具有采集成本低、抗干扰能力强等优点[6]，并且可以在不接触皮肤的情况下直接进行采集，对采集时受试者着装要求低[7]，且在肌肉收缩疲劳时仍有较高的准确率[8]。目前，国内外大多数基于肌音信号的动作识别大多集中在上肢部分[9]，研究方向主要在特征选择、识别模型改进等方面。张松等[10] 提出一种单通道表面肌电信号（SurfaceElectromyography， sEMG） 分解与长短期记忆（LSTM）神经网络相结合的手势识别方法，取得了较高的准确率，这为本文选用LSTM 为主要识别模型提供了思路，但其在文中并没有说明LSTM 模型的初始学习率，以及如何选取中间层神经元数目的问题，因而可能导致由于LSTM 神经网络的超参数选取不当，导致识别准确率下降。Alves 等[11] 对上肢进行了两通道MMG采集，实现了3 种上肢动作的分类，但其采用的是瞬态信号，其模型在是否能在稳态信号分类中达到较高成功率上仍存疑。Geng 等[12] 提出了基于卷积神经网络（Convolutional Neural Networks，CNN） 的手部动作识别方法，但其建立的模型存在严重的过拟合的问题，导致识别准确率略低。Hu 等[13]通过在Geng 等[12] 提出的卷积神经网络的基础上加入了LSTM 层，使得识别准确率再次提高到 99.7% ；Sadiq 等[14] 提出了基于支持向量机和k-近邻算法混合模型（ Support Vector Machines-k-Nearest Neighbor，SVM-KNN） 的识别模型，其识别准确率达到98.97%，表明了SVM 和KNN 的多类分类框架对肢体肌电信号识别有着较好的适应性；Zhang 等[15] 提出了基于视觉变压器的下肢运动识别方法， 准确率达到了94.62% 以上，其采用基于视觉变压器的识别方法，成功避免了机器学习本身带来的一些问题，如特征提取和特征选择等过程带来的一些问题，对未来的下肢运动识别模型的改进提供了新思路。