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(Surface Electromyography，sEMG)是一種從人體骨骼表面通過電極引導(dǎo)、記錄下來的復(fù)雜的生物電信號^[3]，該信號因其無創(chuàng)性，被廣泛應(yīng)用在臨床、運(yùn)動和康復(fù)醫(yī)學(xué)領(lǐng)域^[4]。該信號是從皮膚表面通過電極引導(dǎo)、記錄下來的神經(jīng)肌肉系統(tǒng)活動時(shí)的生物電信號，能夠?qū)崟r(shí)、準(zhǔn)確地和在非損傷狀態(tài)下反映肌肉活動狀態(tài)和功能狀態(tài)^[5]。

    模式識別是智能仿生手功能實(shí)現(xiàn)過程中的一個(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種手掌動作模式的識別。李東潔^[7]等針對數(shù)據(jù)手套手勢識別問題，提出基于PSO改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的手勢識別方法，取得了理想的識別效果。Kohonen網(wǎng)絡(luò)作為一種自組織型網(wǎng)絡(luò)，算法簡單，聚類時(shí)間短，在模式識別中應(yīng)用較為廣泛。因此本文針對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，從而提高模式識別的在線識別能力，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)抓取手勢識別實(shí)驗(yàn)。對比不同識別方法的實(shí)驗(yàn)結(jié)果，本文提出的在線識別網(wǎng)絡(luò)具有很好的實(shí)時(shí)性和識別正確率。

1 預(yù)抓取手勢

    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，提出對預(yù)抓取模式進(jìn)行識別。人手作為日?；顒又械闹匾巧?，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，首先需要嘗試對人手所表現(xiàn)出的多種動作模式進(jìn)行簡化。人手在實(shí)現(xiàn)物體抓取的過程中可以劃分為預(yù)抓取與抓取實(shí)施兩個(gè)階段，其中在預(yù)抓取階段，很多手勢動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)行各種手勢識別，若要進(jìn)行在線識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，然后在識別的過程中增加訓(xùn)練樣本，隨時(shí)調(diào)整網(wǎng)絡(luò)，提高仿生手的易用性。

    (1)對部分樣本進(jìn)行標(biāo)記，記為F₁；其余樣本作為測試樣本集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FN進(jìn)行分類并預(yù)測標(biāo)注。

    (3)更新訓(xùn)練樣本集F₂=F₁+(k-1)×ΔF和測試樣本集F_T=F_N-(k-1)×ΔF，進(jìn)行k(k≥2)次循環(huán)預(yù)測，第k-1次循環(huán)預(yù)測得到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)練出的分類器無法保證具有較高精度，預(yù)測標(biāo)記中誤標(biāo)記的情況將會持續(xù)產(chǎn)生并反復(fù)累計(jì)，降低分類器識別能力。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，即在每次對測試樣本進(jìn)行預(yù)測后，檢測更新的訓(xùn)練樣本集，找出異樣樣本，經(jīng)過判別進(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)督和無監(jiān)督網(wǎng)絡(luò)的優(yōu)勢，有效利用可以隨時(shí)取得的大量無標(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。

    每次對一個(gè)未標(biāo)記樣本進(jìn)行識別預(yù)測后，將SK網(wǎng)絡(luò)的識別結(jié)果作為判定ISK網(wǎng)絡(luò)識別結(jié)果是否正確的標(biāo)準(zhǔn)。若識別一致則將未標(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)行識別。

3 實(shí)驗(yàn)結(jié)果及分析

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

    SK網(wǎng)絡(luò)，每種動作的特征中隨機(jī)抽取40組，其中前20組、4種動作共計(jì)80組組成識別網(wǎng)絡(luò)的訓(xùn)練集，其余80組組成測試集。網(wǎng)絡(luò)設(shè)置：輸入層m=4，競爭層m×n=6×6，輸出層g=4；輸入層與競爭層間學(xué)習(xí)速率0.01<rate1<0.1；競爭層與輸出層間學(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)識別結(jié)果見圖3。

    ISK網(wǎng)絡(luò)，訓(xùn)練數(shù)據(jù)、測試數(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)識別見圖4。隨機(jī)5次SK、ISK網(wǎng)絡(luò)識別結(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)抓取手勢識別中具有很好的識別能力。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)抽取每種手勢模式40組，4種手勢共計(jì)160組組成測試集，隨機(jī)進(jìn)行5次測試，某次BK網(wǎng)絡(luò)識別如圖5。隨機(jī)進(jìn)行5次識別結(jié)果如表2。

    綜合分析3種不同已標(biāo)記樣本情況下的識別結(jié)果可知，本文提出的在線半監(jiān)督識別方法可以很好地實(shí)現(xiàn)4種預(yù)抓取手勢模式的識別，同時(shí)根據(jù)已標(biāo)記樣本個(gè)數(shù)的增加，識別率也會隨之提高，且網(wǎng)絡(luò)趨于穩(wěn)定。與SK網(wǎng)絡(luò)和ISK網(wǎng)絡(luò)比較，識別率雖然沒有有監(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手勢識別，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作，簡化后歸納出4種預(yù)抓取手勢模式：側(cè)邊抓取、球形抓取、三指精確抓取和圓柱形抓取，并對其進(jìn)行sEMG的采集、預(yù)處理、特征提取和模式識別。在模式識別的過程中，針對sEMG的自身特性，結(jié)合無監(jiān)督和有監(jiān)督識別網(wǎng)絡(luò)優(yōu)勢，將數(shù)據(jù)剪輯算法應(yīng)用于識別網(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識別網(wǎng)絡(luò)，并進(jìn)行預(yù)抓取手勢識別的對比實(shí)驗(yàn)。實(shí)驗(yàn)表明，提出的在線半監(jiān)督Kohonen網(wǎng)絡(luò)針對預(yù)抓取模式的sEMG具有較高且穩(wěn)定的在線識別能力，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.基于肌電信號層級分類的手部動作識別方法[J].北京生物醫(yī)學(xué)工程，2014，33(5)：490-496.

[4] 羅志增，任曉亮.表面肌電信號測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.表面肌電信號的分析和特征提取[J].中國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)手套手勢識別[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.