《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 在線半監(jiān)督Kohonen網(wǎng)絡(luò)的預(yù)抓取手勢(shì)識(shí)別
在線半監(jiān)督Kohonen網(wǎng)絡(luò)的預(yù)抓取手勢(shì)識(shí)別
2015年電子技術(shù)應(yīng)用第7期
張 莉1,田彥濤2,3,徐卓君2
1.吉林大學(xué) 儀器科學(xué)與電氣工程學(xué)院,吉林 長(zhǎng)春130061; 2.吉林大學(xué) 通信工程學(xué)院,吉林 長(zhǎng)春130025; 3.吉林省教育部仿生工程重點(diǎn)實(shí)驗(yàn)室,吉林 長(zhǎng)春130025
摘要: 為實(shí)現(xiàn)智能仿生手的抓取,提高模式識(shí)別的實(shí)時(shí)性和靈敏性,提出一種在線半監(jiān)督Kohonen網(wǎng)絡(luò)。該網(wǎng)絡(luò)針對(duì)表面肌電信號(hào)(sEMG)的特性,在有監(jiān)督Kohonen網(wǎng)絡(luò)基礎(chǔ)上,將有監(jiān)督和無(wú)監(jiān)督網(wǎng)絡(luò)的優(yōu)勢(shì)進(jìn)行結(jié)合,應(yīng)用數(shù)據(jù)剪輯方法處理訓(xùn)練集更新識(shí)別網(wǎng)絡(luò),在線識(shí)別側(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)。實(shí)驗(yàn)表明,與不同Kohonen網(wǎng)絡(luò)相比,此識(shí)別方法具有很好的在線識(shí)別能力和正確率。
中圖分類號(hào): TN911.72
文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.2015.07.016
中文引用格式: 張莉,田彥濤,徐卓君. 在線半監(jiān)督Kohonen網(wǎng)絡(luò)的預(yù)抓取手勢(shì)識(shí)別[J].電子技術(shù)應(yīng)用,2015,41(7):57-60.
英文引用格式: Zhang Li,Tian Yantao,Xu Zhuojun. Prefetching gesture recognition based on online semi supervised Kohonen network[J].Application of Electronic Technique,2015,41(7):57-60.
Prefetching gesture recognition based on online semi supervised Kohonen network
Zhang Li1,Tian Yantao2,3,Xu Zhuojun2
1.College of Instrumentation and Electrical Engineering,Jilin University, Changchun 130061,China; 2.College of Communication Engineering, Jilin University, Changchun 130025,China; 3.Key Laboratory of Bionic Engineering Ministry of Education, Jilin University, Changchun 130025,China
Abstract: In order to realize the grasp of intelligent bionic hand, and improve the timeliness and sensitivity of pattern recognition, a semi supervised Kohonen network is presented in this paper. According to the characteristics of surface electromyography (sEMG), the network combines the advantages of supervised and unsupervised network, and applies the data editing method to handle the training set, then to update the identification network based on the supervised Kohonen network. The presented network is used to identify the four prefetching patterns online: lateral, spherical, fingertip and cylindrical. Experiments show that, compared with the different Kohonen network, the recognition method has a good ability to identify online and correct rate.
Key words : gesture recognition;surface electromyography;online semi supervised;Kohonen network;data editing

    

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。

ck2-t1.gif

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FN

    (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FT=FN-(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FT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),…,(xn,yn)},式(1)描述樣本x屬于y的概率Py(x),式(2)表示經(jīng)過(guò)同類間歸一化后的結(jié)果。

    ck2-gs1-2.gif

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;ck2-gs2-x1.gif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。

    ck2-gs3.gif

    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)。

ck2-t2.gif

    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。

ck2-t3.gif

    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。

ck2-t4.gif

ck2-b1.gif

    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。

ck2-t5.gif

ck2-b2.gif

    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.

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。