关键词:
肌肉骨骼模型
生物神经网络
手势识别
表面肌电信号
摘要:
随着人机交互和计算机技术的迅速发展,基于肌电信号的手势识别技术被广泛运用。但传统的表面肌电信号解码模式倾向于采用模式识别方法,而大多数模式识别方法都是“黑匣子”,其内部结构存在可解释性低和透明性弱的缺点,因此如何进一步深入解析肌肉内部的功能结构,使其具有可解释性成为本文研究重点。基于传统分类器存在不可解释局限性,本文利用人体模型提取相关前臂肌肉生理数据,通过仿真软件模拟右手前臂肌肉-电极模型,解码与六类腕部动作相关的前臂肌肉之间的生物距离以及九块肌肉的生理功能性作用,实现肌肉内部可视化。同时优化神经网络权重系数,使其达到权重最优解,提高肌电信号的特征识别率。本文内容主要包括以下几方面:1)可解释性生物信号神经网络模型的建立。借助前臂肌肉骨骼生理学和解剖学知识来模拟从表面肌电信号到手势动作的传播过程,运用三层生物学启发的神经网络来模拟此过程。该生物网络主要根据肌肉电极解剖学位置关系和肌肉功能性作用来初始化参数,并用于六种手腕运动分类的识别,通过对比传统分类器与深度学习分类器,本文提出的生理学神经网络模型的分类结果为82%,其效果优于支持向量机(78%)、线性判别分析(80%)、k最近邻(78%)、多层感知器(69%)、随机森林(74%)和卷积神经网络(74%),并在一定程度上保持模型的可解释能力。2)可解释性参数约束反向传播算法。该算法是一种能够利用误差值进行反向传播达到训练目标的三层约束算法,能够弥补电极位置偏移和受试者肌肉解剖结构不同导致的参数误差,通过神经元模仿肌肉神经纤维,经过算法的多层感知和参数阈值的限制,达到权重最优化的结果,并且网络训练后的参数仍具有生理可解释性。3)具有运动特性的肌肉特征和关节特征信息提取。采用一个公开的表面肌电数据库ISRMYO-I,通过对比平均绝对值,波形长度,过零率,信号斜率变化,4阶自回归参数等五种时域特征在两种分类器中的结果来验证本文所提出的生物网络神经模型时域特征的肌肉收缩特征能力的可解释性。同时还选取K临近分类器进行识别,证明了相比于单个肌电特征来说,肌肉激活度特征,关节激活度特征和肌电信号特征的三特征融合的识别率分别提高了8%(平均绝对值),10%(波形长度),8%(过零率),4%(信号斜率变化),6%(4阶自回归参数)。因此提取具有运动学特性信号不仅提高了识别精度,还可作为肌电信号辅助特征,在一定程度上方便了特征提取。