BP神经网络手势动作识别在脑卒中患者手臂训练中的应用

2015-11-24 12:03朱彦平陈善超严良文

机械制造 2015年10期

关键词：电信号神经元神经网络

□ 朱彦平 □ 陈善超 □ 严良文 □ 叶帅 □ 余雪

上海大学机电工程与自动化学院上海 200072

BP神经网络手势动作识别在脑卒中患者手臂训练中的应用

□ 朱彦平 □ 陈善超 □ 严良文 □ 叶帅 □ 余雪

上海大学机电工程与自动化学院上海 200072

为了更好地配合脑卒中患者手臂康复训练，利用手势动作时从手臂肌肉上获取表面肌电信号，经特征提取，采用BP神经网络的方法建立智能识别模型，对8种手势动作模式进行了识别。鉴于BP神经网络具有较强的模式分类能力，而特征提取又利用了多路肌电信号的信息，实验结果取得了较高的识别正确率。经实验测试可知，建立的BP模型方法客观、合理，识别精度高，实用性强，具有良好的理论与实际应用价值。

表面肌电信号 BP神经网络手势识别

传统的治疗方法无法让脑卒中患者直观看到训练效果，以及提高训练的信心和参与性，如果能将其运动意图识别，并用反馈予以矫正就能实现这样的效果。对于那些肌肉能轻微收缩，但运动变化不明显的患者来说，如果能通过肌电信号识别其运动意图和趋势，可以将这种良好的效果反馈给患者，以便辅助康复训练。BP算法结构简单，可操作性强，能模拟任意的非线性输入输出关系，常常被用于表面肌电信号的识别。在神经网络的实际应用中，绝大部分的神经网络模型采用BP网络或其变化形式，它也是前馈神经网络的核心部分，体现了人工神经网络中的精华部分［1］。

1 模式识别的方法

手势动作肌电信号采集模式识别流程如图1所示。

▲图1 模式识别的流程

1.1 手势动作

选取常用的8个手部动作为训练目标，如图2所示，分别为掌面向上、掌面向下、握拳、展拳、上切、下切、内翻、外翻。这8个动作为日常生活中较为常用的动作，例如：手腕的旋转作用于调整手部的姿势；握拳和展拳实际上是抓取物品所必须使用的。

1.2 肌电信号的采集

肌电信号采集结构如图3所示，主要由采集电极、前置放大器、调理电路、加速度传感器、A/D转换模块、DSP以及PC部分构成。采集电极将皮肤表面的肌电信号通过电缆传导至放大器输入部分，放大后的信号经过调理电路的升压以适于DSP的AD模块信号接收范围，DSP经过运算后将需要的结果传输至PC［2］。

▲图2 8种常用手部动作

▲图3 肌电信号采集流程

1.3 特征值的提取

提取肌电信号的模型参数，AR模型和ARMA模型是最常用的拟合肌电信号的两种参数模型，两种模型都各有优缺点，AR模型在计算便利上占优势，而ARMA模型所需要的参数较少。但是ARMA模型的计算耗时较长，影响其实时操作性，笔者采用AR模型。

AR模型描述如下：

式中：ai为自相关系数；xk为AR系数；p为模型阶数；ek为残差白噪声。

在AR模型系统的传递函数中，只有极点，没有零点，所以又叫全极点模型。

2 BP神经网络设计

使用模式识别的方法即通过肌电信号判断患者的运动趋势和意图，是一种良好的反馈方式，模式识别是指对事物或现象以各种表现形式的（数值、文字或逻辑关系）信息进行处理和分析，对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分，是人类的基本智能。

2.1 BP神经网络模型

BP网络的结构如图4所示，BP网络是一种有三层或三层以上神经元的神经网络，包括输入层、中间层（隐含层）和输出层。这个网络的前一层和后一层之间所有的神经元是相互连接的，但是每层内部的神经元之间无任何连接。输入层各神经元作为系统的输入接口，用来接收输入信息，输入层接收到信息后，传递给中间层的神经元，中间层的神经元对收到的信息进行处理和变化，变换的次数取决于中间层的层数，最后的结果由输出层输出，即可得到所需的结果。

▲图4 神经网络模型

2.2 BP神经网络的学习算法

BP网络在进行正确推理之前必须先进行学习，这里的学习也叫作训练，也就是不断训练网络以便能够获得期望的输出。训练的具体算法过程为：首先将已知输出的学习样本输入给网络，神经元的激活值按照网络结果历经各神经元逐层传递，该样本输入对应的输出也赋给相应的输出层中的神经元，按照减少目标输出与实际输出之间误差的方向，从输出层反向经过各中间层回到输入层，逐层修正各连接权值。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差达到设定的目标值，或者预先设定的学习次数为止［3］。经过这样的循环，各连接权值逐步得到修正，网络正确率也就不断上升。BP算法中常见的传递函数有正切函数、Sigmoid型对数、线性函数等，这些函数都是可微的，因为在误差反向传播中会被求导。

2.3 BP神经网络的设计

BP网络的设计主要是设置网络的参数，也就是找到最适合于该应用的网络参数，主要是网络的层数、隐含层神经元的个数、训练函数等参数。

2.3.1 输入输出层的设计

输入的神经元要根据问题的实际情况与输入变量的类型来确定。常见的输入有一维数组、模拟信号、二维图像等。笔者确定使用AR模型系数作为网络的输入，每一通道有3个AR系数和1个残差，一共是4通道，则输入层的维数为n=16。输出层的维数根据网络的要求确定，一般将BP网络用作分类器，类别模式一共有m个，则输出神经元的个数为m或log2m，这里一共设计了8个训练动作，即输出层的维数为q=8。

2.3.2 隐层的设计

对于BP网络，存在一个非常重要的定理，即对任何在闭区间内的一个连续函数都可以用单隐层的BP网络逼近，也就是说大部分问题下，三层BP网络就能实现所有的应用。隐层的神经元数目确定比较困难，隐含神经元的个数会对网络性能产生重要影响，如果数目过多，则学习时间长、网络构成复杂、难以收敛，最后的正确率也不一定高，反之，如果单元数目过少，网络性能可能变糟，导致容错性差、泛化能力弱的问题，因此需要寻找一个最佳的隐单元数。有以下3个经验算式可以用于选择隐单元最佳个数的参考。

（3）ni=log2n，其中，n为输入单元数。

综合上述3个算式，3＜ni＜15。将ni的值逐个代入网络中进行训练得到结果，见表1。

表1 不同节点数的训练效果对比图

根据表1的结果可以看到，当神经元的个数ni=8时，网络通过一个较少的运算次数即获得了一个误差较小的网络。由于采用不同的训练函数对网络的性能会有影响，如收敛速度、网络推广能力等，为了选取合理的训练函数，采用以下3种训练函数对网络进行训练。

Traingdx是动量及自适应lrBP的梯度递减训练函

数，该函数可以使网络的学习速度提高很多倍，并且能跳过一些凸性较小的区域。使用它对隐含层神经元数目为8的网络进行训练的结果如图5所示。从图中可看出，使用该算法达到网络逼近误差0.000 1的训练目标，要经过531次的运算。

改用Traingd梯度下降BP算法重新进行计算，它是最基本的BP算法。反向传播采用的是梯度下降法，按照梯度下降的方向修正各连接权的权值，默认是平均方误差。Traingd的收敛速度很慢，学习步长的选择很重要，过大会导致振荡严重，无法收敛到深窄的极小点，过小则速度慢，或者陷于局部极小［4］。Traingd算法的结果如图6所示，经过了1 000次训练，仍然不能达到预定的误差目标，而且网络训练过程收敛得非常缓慢，训练完毕后，全局误差res=0.124 435。

接下来采用Trainlm函数对网络进行训练，该函数的学习算法为Levenberg-Marquardt反传算法，由于梯度下降法在最初几步下降较快，而在接近最优值的阶段，因为梯度趋于零，目标函数下降变得很缓慢；而牛顿法则可在靠近最优值的地方产生理想的搜索方向。 Levenberg-Marquardt法结合了梯度下降法和牛顿法各自的优点，使得当网络权值数目较少时收敛非常迅速［5］。

从图7可见，经10次训练，网络的目标误差就达到了要求，该训练函数收敛速度较快，网络误差较小。

经过上面的分析与试验，最终确定了本例的BP网络结构，见表2。