0 引言

    人手是人類與自然界接觸與交流的工具^[1]，而智能仿生手，即康復(fù)型仿生手，主要是用于改善因事故等原因造成手部缺失或無(wú)法正常使用的傷殘人員生活質(zhì)量的機(jī)器手。在機(jī)器人研究領(lǐng)域，研究者研制的各種面向既定環(huán)境的工業(yè)機(jī)器人末端執(zhí)行器^[2]，不具有普遍適用性。表面肌電信號(hào)(Surface Electromyography，sEMG)是一種從人體骨骼表面通過(guò)電極引導(dǎo)、記錄下來(lái)的復(fù)雜的生物電信號(hào)^[3]，該信號(hào)因其無(wú)創(chuàng)性，被廣泛應(yīng)用在臨床、運(yùn)動(dòng)和康復(fù)醫(yī)學(xué)領(lǐng)域^[4]。該信號(hào)是從皮膚表面通過(guò)電極引導(dǎo)、記錄下來(lái)的神經(jīng)肌肉系統(tǒng)活動(dòng)時(shí)的生物電信號(hào)，能夠?qū)崟r(shí)、準(zhǔn)確地和在非損傷狀態(tài)下反映肌肉活動(dòng)狀態(tài)和功能狀態(tài)^[5]。

    模式識(shí)別是智能仿生手功能實(shí)現(xiàn)過(guò)程中的一個(gè)重要步驟，其中神經(jīng)網(wǎng)絡(luò)因其較強(qiáng)的容錯(cuò)能力和自適應(yīng)學(xué)習(xí)能力而被國(guó)內(nèi)外研究者廣泛應(yīng)用。卜峰^[6]等人應(yīng)用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)5種手掌動(dòng)作模式的識(shí)別。李東潔^[7]等針對(duì)數(shù)據(jù)手套手勢(shì)識(shí)別問(wèn)題，提出基于PSO改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的手勢(shì)識(shí)別方法，取得了理想的識(shí)別效果。Kohonen網(wǎng)絡(luò)作為一種自組織型網(wǎng)絡(luò)，算法簡(jiǎn)單，聚類時(shí)間短，在模式識(shí)別中應(yīng)用較為廣泛。因此本文針對(duì)sEMG的特性，提出一種基于權(quán)值優(yōu)化的Kohonen網(wǎng)絡(luò)的在線半監(jiān)督網(wǎng)絡(luò)，在有限標(biāo)記數(shù)的情況下進(jìn)行訓(xùn)練數(shù)據(jù)的更新與添加，從而提高模式識(shí)別的在線識(shí)別能力，在線進(jìn)行側(cè)邊抓取、球形抓取、三指精確抓取和圓柱形抓取4種預(yù)抓取手勢(shì)識(shí)別實(shí)驗(yàn)。對(duì)比不同識(shí)別方法的實(shí)驗(yàn)結(jié)果，本文提出的在線識(shí)別網(wǎng)絡(luò)具有很好的實(shí)時(shí)性和識(shí)別正確率。

1 預(yù)抓取手勢(shì)

    觀察日常生活中人手可以完成的多種功能，可以將其分為姿態(tài)和抓取兩種模式。為實(shí)現(xiàn)仿生手的抓取功能，提出對(duì)預(yù)抓取模式進(jìn)行識(shí)別。人手作為日?；顒?dòng)中的重要角色，其本身具有很多的自由度和很高的復(fù)雜度，因此想要完成適用于廣大傷殘人員的商業(yè)化智能仿生手，首先需要嘗試對(duì)人手所表現(xiàn)出的多種動(dòng)作模式進(jìn)行簡(jiǎn)化。人手在實(shí)現(xiàn)物體抓取的過(guò)程中可以劃分為預(yù)抓取與抓取實(shí)施兩個(gè)階段，其中在預(yù)抓取階段，很多手勢(shì)動(dòng)作模式具有一定的相似性，同時(shí)忽略物體大小的影響，歸納出如圖1所示的4種預(yù)抓取模式。

2 在線半監(jiān)督Kohonen網(wǎng)絡(luò)

    有監(jiān)督網(wǎng)絡(luò)在具有完善標(biāo)記樣本前提下可以十分準(zhǔn)確地進(jìn)行各種手勢(shì)識(shí)別，若要進(jìn)行在線識(shí)別則具有極大局限性，同時(shí)忽略了可以隨意得到的未標(biāo)記樣本的重要性?？紤]實(shí)際使用中標(biāo)記樣本不足及sEMG易受環(huán)境影響的情況，在有監(jiān)督Kohonen網(wǎng)絡(luò)（記為SK網(wǎng)絡(luò)）和權(quán)值優(yōu)化的有監(jiān)督Kohonen網(wǎng)絡(luò)（記為ISK網(wǎng)絡(luò)）^[8]基礎(chǔ)上，提出在線半監(jiān)督網(wǎng)絡(luò)，既可以降低人工標(biāo)記工作量，又可以有效利用大量無(wú)標(biāo)記樣本。

    該半監(jiān)督網(wǎng)絡(luò)首先根據(jù)少量標(biāo)記樣本進(jìn)行訓(xùn)練，然后在識(shí)別的過(guò)程中增加訓(xùn)練樣本，隨時(shí)調(diào)整網(wǎng)絡(luò)，提高仿生手的易用性。

    (1)對(duì)部分樣本進(jìn)行標(biāo)記，記為F₁；其余樣本作為測(cè)試樣本集F_N。

    (2)少量樣本集F₁作為訓(xùn)練樣本，建立一個(gè)ISK網(wǎng)絡(luò)，對(duì)FN進(jìn)行分類并預(yù)測(cè)標(biāo)注。

    (3)更新訓(xùn)練樣本集F₂=F₁+(k-1)×ΔF和測(cè)試樣本集F_T=F_N-(k-1)×ΔF，進(jìn)行k(k≥2)次循環(huán)預(yù)測(cè)，第k-1次循環(huán)預(yù)測(cè)得到F_T標(biāo)注，ΔF為新訓(xùn)練集中已標(biāo)注的樣本增量。

    (4)對(duì)未標(biāo)記樣本是否標(biāo)記完畢進(jìn)行判斷，是則學(xué)習(xí)結(jié)束，否則返回(2)。

    在網(wǎng)絡(luò)更新過(guò)程中，具有明確標(biāo)記的樣本仍占少數(shù)，訓(xùn)練出的分類器無(wú)法保證具有較高精度，預(yù)測(cè)標(biāo)記中誤標(biāo)記的情況將會(huì)持續(xù)產(chǎn)生并反復(fù)累計(jì)，降低分類器識(shí)別能力。為提高網(wǎng)絡(luò)更新中訓(xùn)練集質(zhì)量，提出應(yīng)用Vazquez F^[9]等人提出的WilsonTh數(shù)據(jù)剪輯算法，即在每次對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)后，檢測(cè)更新的訓(xùn)練樣本集，找出異樣樣本，經(jīng)過(guò)判別進(jìn)行剔除或重新標(biāo)記。

    (1)利用兩個(gè)樣本間的距離與其類別相同可能性成正比的最鄰近規(guī)則。具有n個(gè)樣本、m個(gè)類別的樣本集X={(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)}，式(1)描述樣本x屬于y的概率P_y(x)，式(2)表示經(jīng)過(guò)同類間歸一化后的結(jié)果。

其中，k表示樣本x最鄰近樣本集K的樣本數(shù)；dist表示距離計(jì)算；表示最近鄰居中第j個(gè)樣本屬于y類概率，屬于則等于1，否則為0。

    (2)利用式(3)對(duì)x屬于樣本y類的可能性進(jìn)行判斷，滿足則剔除該樣本X=X-{x}，否則保留。

    根據(jù)Blum和Mitchell等人提出的Co-training算法^[10]，結(jié)合有監(jiān)督和無(wú)監(jiān)督網(wǎng)絡(luò)的優(yōu)勢(shì)，有效利用可以隨時(shí)取得的大量無(wú)標(biāo)記樣本，建立如圖2所示的在線半監(jiān)督Kohonen網(wǎng)絡(luò)，實(shí)時(shí)進(jìn)行數(shù)據(jù)監(jiān)測(cè)。

    每次對(duì)一個(gè)未標(biāo)記樣本進(jìn)行識(shí)別預(yù)測(cè)后，將SK網(wǎng)絡(luò)的識(shí)別結(jié)果作為判定ISK網(wǎng)絡(luò)識(shí)別結(jié)果是否正確的標(biāo)準(zhǔn)。若識(shí)別一致則將未標(biāo)記樣本及其預(yù)標(biāo)記類別一并送入集合S，當(dāng)集合S中數(shù)據(jù)達(dá)到指定容量N時(shí)，對(duì)該集合進(jìn)行一次數(shù)據(jù)剪輯，S′=WilsonTh(S)，刪除誤標(biāo)記樣本，并將剪輯后的集合S′合并到原已標(biāo)記樣本集L中，L=L∪S′，形成新的訓(xùn)練樣本集更新網(wǎng)絡(luò)H₁和H₂進(jìn)行識(shí)別。

3 實(shí)驗(yàn)結(jié)果及分析

    對(duì)比實(shí)驗(yàn)使用MQ8表面肌電采集系統(tǒng)采集sEMG，每種手勢(shì)動(dòng)作持續(xù)重復(fù)100次，間隔時(shí)間為1 s，并對(duì)采集到的信號(hào)進(jìn)行預(yù)處理與特征提取。

    SK網(wǎng)絡(luò)，每種動(dòng)作的特征中隨機(jī)抽取40組，其中前20組、4種動(dòng)作共計(jì)80組組成識(shí)別網(wǎng)絡(luò)的訓(xùn)練集，其余80組組成測(cè)試集。網(wǎng)絡(luò)設(shè)置：輸入層m=4，競(jìng)爭(zhēng)層m×n=6×6，輸出層g=4；輸入層與競(jìng)爭(zhēng)層間學(xué)習(xí)速率0.01<rate1<0.1；競(jìng)爭(zhēng)層與輸出層間學(xué)習(xí)速率0.5<rate2<1；鄰域0.4<r<1.5；訓(xùn)練次數(shù)N=1 000；權(quán)值ω初始化為小于1的隨機(jī)數(shù)。某次SK網(wǎng)絡(luò)識(shí)別結(jié)果見(jiàn)圖3。

    ISK網(wǎng)絡(luò)，訓(xùn)練數(shù)據(jù)、測(cè)試數(shù)據(jù)、網(wǎng)絡(luò)結(jié)構(gòu)與SK網(wǎng)絡(luò)相同，權(quán)值ω進(jìn)行權(quán)值優(yōu)化。某次ISK網(wǎng)絡(luò)識(shí)別見(jiàn)圖4。隨機(jī)5次SK、ISK網(wǎng)絡(luò)識(shí)別結(jié)果如表1所示。

    從表1中可以看出，在具有完善有標(biāo)記樣本的前提下，有監(jiān)督網(wǎng)絡(luò)在sEMG的預(yù)抓取手勢(shì)識(shí)別中具有很好的識(shí)別能力。應(yīng)用這樣的SK和ISK網(wǎng)絡(luò)建立BK網(wǎng)絡(luò)，分別設(shè)已標(biāo)記樣本數(shù)為3、5、7，隨機(jī)抽取每種手勢(shì)模式40組，4種手勢(shì)共計(jì)160組組成測(cè)試集，隨機(jī)進(jìn)行5次測(cè)試，某次BK網(wǎng)絡(luò)識(shí)別如圖5。隨機(jī)進(jìn)行5次識(shí)別結(jié)果如表2。

    綜合分析3種不同已標(biāo)記樣本情況下的識(shí)別結(jié)果可知，本文提出的在線半監(jiān)督識(shí)別方法可以很好地實(shí)現(xiàn)4種預(yù)抓取手勢(shì)模式的識(shí)別，同時(shí)根據(jù)已標(biāo)記樣本個(gè)數(shù)的增加，識(shí)別率也會(huì)隨之提高，且網(wǎng)絡(luò)趨于穩(wěn)定。與SK網(wǎng)絡(luò)和ISK網(wǎng)絡(luò)比較，識(shí)別率雖然沒(méi)有有監(jiān)督網(wǎng)絡(luò)的理想，但提出的在線半監(jiān)督網(wǎng)絡(luò)只要確保實(shí)驗(yàn)人員在完成相同模式時(shí)的大體一致性，就基本可以忽略環(huán)境的細(xì)微變化，進(jìn)行在線的sEMG手勢(shì)識(shí)別，有利于智能仿生手的實(shí)現(xiàn)，具有更好的實(shí)用性。

4 結(jié)論

    本文首先根據(jù)人手在日常生活中可能完成的抓取動(dòng)作，簡(jiǎn)化后歸納出4種預(yù)抓取手勢(shì)模式：側(cè)邊抓取、球形抓取、三指精確抓取和圓柱形抓取，并對(duì)其進(jìn)行sEMG的采集、預(yù)處理、特征提取和模式識(shí)別。在模式識(shí)別的過(guò)程中，針對(duì)sEMG的自身特性，結(jié)合無(wú)監(jiān)督和有監(jiān)督識(shí)別網(wǎng)絡(luò)優(yōu)勢(shì)，將數(shù)據(jù)剪輯算法應(yīng)用于識(shí)別網(wǎng)絡(luò)更新中，從而提出一種基于有監(jiān)督網(wǎng)絡(luò)的在線半監(jiān)督Kohonen識(shí)別網(wǎng)絡(luò)，并進(jìn)行預(yù)抓取手勢(shì)識(shí)別的對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)表明，提出的在線半監(jiān)督Kohonen網(wǎng)絡(luò)針對(duì)預(yù)抓取模式的sEMG具有較高且穩(wěn)定的在線識(shí)別能力，驗(yàn)證了基于sEMG的智能仿生手功能實(shí)現(xiàn)的可行性。

參考文獻(xiàn)

[1] 李素蕊，于毅，董兵超，等.基于腦機(jī)接口技術(shù)下仿生手結(jié)構(gòu)設(shè)計(jì)及分析[J].電子測(cè)試，2014，24：113-115.

[2] Bicchi.Hand for dexterous manipulation and robust grasping：a difficult road toward simplicity[J].IEEE Trans.Robot.Autom，2000，16(6)：652-662.

[3] 趙漫丹，李東旭，范才智，等.基于肌電信號(hào)層級(jí)分類的手部動(dòng)作識(shí)別方法[J].北京生物醫(yī)學(xué)工程，2014，33(5)：490-496.

[4] 羅志增，任曉亮.表面肌電信號(hào)測(cè)試中工頻干擾的抑制[J].儀器儀表學(xué)報(bào)，2005，26(2)：193-195，210.

[5] 吳冬梅，孫欣，張志成，等.表面肌電信號(hào)的分析和特征提取[J].中國(guó)組織工程研究與臨床康復(fù)，2010，14(43)：8073-8076.

[6] 卜峰，李傳江，陳佳佳，等.基于ARM的肌電假肢手控制器[J].上海大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，20(4)：442-449.

[7] 李東潔，李群祥，張?jiān)?，?基于PSO改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)手套手勢(shì)識(shí)別[J].電機(jī)與控制學(xué)報(bào)，2014，18(8)：87-93.

[8] Zhang Li，Tian Yantao，Li Yang.Hand gesture recognition of sEMG based on modified Kohonen network[C].2011 International Conference on Electronics，Communications and Control，ICECC 2011-Proceedings，Ningbo，2011：1476-1479.

[9] VAZQUEZ F，SANCHEZ J S，PLA F.A stochastic approach to Wilson′s editing algorithm[J].Pattern Recognition and Image Analysis，2005，3523：35-42.

[10] AVRIM B，TOM M.Combining labeled and unlabeled data with co-training[C].Proceedings of the Annual ACM Conference on Computational Learning Theory，Madison，1998：92-100.