手势控制技术可以通过在空中小幅度摆动手掌或手指控制家电、游戏和残疾人假肢等智能设备^[1]，为人机的信息直接交互提供了新的方式，正在受到越来越多的科技企业和科研人员的关注和研究。人体表面肌电信号(SEMG)是从人体骨骼肌表面通过电极记录下来的神经肌肉活动发放的生物电信号^[2]，是对人体手势进行识别的重要途径之一。张毅等人采用小波变换和AR模型对SEMG进行分析处理，利用RBF神经网络对SEMG信号进行模式识别，动作识别率达到85%^[3]；侯秀丽等人采用四通道采集SEMG信号,利用小波变换和BP神经网络来识别SEMG信号8种动作,动作平均识别率为96.25%^[4]；Mahdi Khezri用时域参数平均绝对值(MAV)并采用一种自适应神经模糊推理系统识别手部动作命令且动作识别率达到92%^[5]。但在SEMG信号的特征提取和动作模式识别中存在特征向量维数过高、数据冗余度大，分类器复杂、鲁棒性差和识别率低等问题^[6]。为了更好地解决上述问题，在DSP硬件平台TMS320VC5502上设计了便携式人体手势动作实时识别系统,并提出了一种小波包主元分析(WPPCA)与线性判别分析(LDA)相结合的新方法，以提高生物电信号识别准确率和稳定性，并能够准确地将手势识别结果转换成智能设备的控制命令。

1手势动作识别系统硬件架构

        便携式手势动作识别系统硬件架构主要由DSP处理器TMS320VC5502、SEMG信号数据采集、预处理、串口RS232、JTAG调试口、LCD显示屏、锂电池供电单元和SARAM和Flash存储器等部分组成。手势动作识别系统硬件架构如图1所示。

        肌电信号的采集利用两片Ag/AgCl电极作为肌电信号传感器，并贴附在尺侧腕屈肌和肱桡肌的皮肤表面上，把一片Ag/AgCl电极贴在上肢前臂关节处的肌肤表面作为参考点来消除共模信号，提高电路的整体抗干扰能力。

        DSP处理器TMS320VC5502是整个便携式手势动作识别系统的核心，主要负责接收经过处理的肌电信号，再根据相应的算法进行特征提取和动作识别，获得有效的手势识别结果后，再通过串口RS232发送给受控设备；LCD显示屏用来直观展示手势识别结果；由于设计的便携式手势动作识别系统体积较小，采用了锂电池的供电方式。

2基于小波包主元分析的SEMG特征提取

        WPPCA结合了小波包变换WPT(Wavelet Packet Transform)和主元分析PCA(Principal Component Analysis)两种算法的优点，不仅能够对原始肌电信号进行时-频域分析，而且还能去除小波系数中线性相关性较大的特征，从而实现对特征维数的压缩，有效地提取肌电信号中的特征^[7]。采用WPPCA来获取两路原始肌电数据特征矩阵过程如图2所示。]

2.1 小波包变换

        WPT是一种更加细致的时-频域分析法^[8]，能够将高频段和低频段进行更加细致的分析，得到更全面的特征量。三层小波包分解过程结构图如图3所示。

2.2 主元分析

        (4)计算矩阵C的特征向量和特征值，依据特征值从大到小来排列特征向量。根据式(5)计算各特征值λ_j的累积贡献率Z_i，以Z_i≥96%为标准来获得前P_i(P_i≤2^L)个主元构建矩阵D。

        经WPPCA处理后的两路SEMG信号的8个特征值贡献率如表1所示。

        从表1可以看出，SEMG信号经WPPCA后所得的桡侧腕曲肌和肱桡肌特征矩阵中，前两个特征1、2的贡献率相加后所得的累积贡献率分别为97.42%和99.25%，满足阈值的条件，进而将小波系数矩阵从16维减少到4维数据，获得动作类别特征矩阵Y=[Y₁¹，Y₂¹，Y₁²,Y₂²]^T。

3 线性判别分析的SEMG动作识别

        LDA算法的基本思想是将维数较高的样品数据投影到最优样本分类的矢量空间，从而达到有效获得分类数据和动作模式识别[10]。记肌电数据运动模式特征样本集合Φ为Y=[Y₁，Y₂，…，Y_N]，Y_n=[Y_1,n，Y_2,n，…，Y_M,n]^T，n=1,2,…,N,T表示矩阵转置。采样点数记为N，样本特征个数记为M。定义运动类别w₁、w₂，集合Φ中w₁类有N₁个采样点数，w₂类有N₂个采样点数，N=N₁+N₂。属于w₁类的样本记为子集Φ₁,属于w₂类的样本记为子集Φ₂。SEMG信号数据中两种动作类别的分类具体方法如下：

        (1)计算肌电数据运动特征样本中各手势类别的样品均值向量m_i， w_i类的样品量记为N_i，i=1,2,。

        (3)计算最优解W*。

        Fisher准则函数被定义为J_F(W)，表达式如式(11)所示，经推导后W*的表达式如式(12)所示。

　 (4)按式(13)将特征数据中训练样品集合内所有样品数据进行投影，算出e_n，从而获得与集合Φ₁和Φ₂相对应的两个像集合记为Θ₁和Θ₂。

4 实验结果分析

        利用设计的DSP便携式人体手势动作实时识别系统进行测试实验，根据香农采样定理设定2 kHz作为采样频率，分别采集5 s的握拳、展拳、手腕内翻和手腕外翻4种动作的肌电数据。并对所获取的肌电数据进行WPPCA分析，所得的4个主元数据如图4所示。

        在图4中，桡侧腕曲肌的肌电特征数据为主元数据1、2；肱桡肌的肌电特征数据为主元数据3、4。在这主元数据1~4中包含握拳、展拳、内翻、外翻数据各100个。从而获得4行400列的运动模式特征矩阵Y=[Y₁，Y₂，Y₃，Y₄]^T，矩阵的转置记为T。

        Y_i=[Y_i,1，Y_i,2，Y_i,3，Y_i,400]为第i个主元的数据，i=1,2,3,4。将前50个握拳、展拳、内翻和外翻这4种动作的数据作为分类器的训练样本，后50个握拳、展拳、内翻和外翻这4种动作的数据作为分类器的测试样本，从而获得训练数据和测试数据都为4行200列，并将运动模式矩阵的训练样本数据和测试样本数据输入到LDA分类器中，进而获得每一种动作类别与其他动作类别间的分类阈值如表2所示。

        采用LDA、K近邻、BP神经网络和RBF神经网络对WPPCA获取的运动模式特征矩阵进行动作识别，其分类结果如表3所示。

        从表3可以看出同样使用小波包主元分析法来提取SEMG信号特征，使用LDA分类器动作平均识别率达到99.5%，而使用K近邻分类器动作平均识别率达87%，BP神经网络动作平均识别率达92%，RBF神经网络平均识别率达95%。从这四种分类方法的分类结果可以看出，应用线性判别分析法对小波包主元分析法所得的运动特征矩阵进行分类，达到的动作平均识别率最高。

        利用DSP硬件平台设计的便携式人体手势动作实时识别系统，采用人体表面肌电信号作为手势识别的信号源，利用小波包主元分析法对SEMG信号进行特征提取,再利用线性判别分析法对SEMG的动作进行识别。实验结果表明，在不同的SEMG信号特征提取方法下，WPPCA具有良好的特征表达能力,应用LDA分类器对运动特征矩阵进行训练和分类，达到了99.5％的动作平均识别率,识别结果优于其他分类器，解决了人体表面肌电信号的平稳性差、小波包变换系数维数过高和识别率低等问题，能够准确地将手势识别结果转换成智能设备的控制命令,为人机的信息直接交互提供了新的方式。

参考文献

[1] 王金凤, 李涛, 孙漫漫. 基于STM32处理器的表面肌电无线采集装置设计[J].电子技术应用,2012,38(7):78-80.

[2] 邱红, 刘光远, 赖祥伟. 改进的禁忌搜索算法在肌电信号情感识别中的应用[J]. 计算机工程与设计, 2012,33(4):1553-1557.

[3] 张毅, 连奥奇, 罗元. 基于小波变换及AR模型的EMG模式识别研究[J]. 电子测量与仪器学报, 2011,25(09):770-774.

[4] 侯秀丽, 宋爱国. 基于小波变换与BP网络的四通道表面肌电信号模式识别[J].仪器仪表学报,2007,28(4):528-531.

[5] KHEZRI M,JAHED M． A neuro-fuzzy inference system for sEMG-based identification of hand motion commands[J]．IEEE Transactions on Industrial Electronics,2011,58(5):1952-1960. 

[6] 胡明霞. 表面肌电信号识别特征提取的仿真研究[J]. 计算机仿真, 2013,30(5):345-348.

[7] 李伟, 景占荣, 黄爱萍. 基于微惯性测量单元的人体动作检测系统设计[J]. 计算机测量与控制, 2009,17(8):1482-1485.

[8] 庄哲民，张阿妞，李芬兰．基于优化的LDA算法人脸识别研究[J]. 电子与信息学报, 2007,29(9):2047-2049.

[9] 周欣, 吴瑛. 核Fisher判别分析在数字信号分类中的应用[J]. 北京邮电大学学报, 2011,34(1):35-39.

[10] 阳诚海, 陈开, 许华虎,等.基于分类特征提取的手部动作识别方法的研究及应用[J].计算机应用与软件,2011,28(6):101-104.