手势动作识别分类的研究

2013 NO.19SCIENCE & TECHNOLOGY INFORMATION科技资讯手势动作识别分类的研究①

尚小晶 徐成波

(吉林建筑大学城建学院电气信息工程系 吉林长春 130111)

摘 要:手势动作识别分类已成为当今的热点研究问题,但目前所采用的识别方法识别率较低。为了寻找高识别率的手势识别方法,本文提出了一种基于改进的PNN神经网络手势识别算法。主要对传播率参数进行优化,克服了传统传播率需要人工设置的缺点。经过仿真实验研究,改进算法平均正确识别率均在90%以上,而传统算法的正确率仅为80%左右,即改进的PNN神经网络算法具有更短的训练时间和更强的分类能力。

关键词:手势动作识别 PNN 传播率 识别率中图分类号:TP183文献标识码:A文章编号:1672-3791(2013)07(a)-0217-01

表面肌电信号(sEMG)是从皮肤表面由电极引导记录下来的一种重要的生物电信号。表面肌电信号使用方便,对人体无损伤,被广大的手势动作识别研究中应用,同时也是智能假肢理想的控制信号源。目前,在手势动作识别方面国内外学者取得了有效的成果。例如K.Englehart等对四种手势动作进行识别,识别率为90%。2004年Kiguchi.K等人提出的识别方法大致可分为统计识别方法、句法识别、集成识别方法、神经网络识别方法等。本文采用改进的PNN神经网络方法进行识别,该方法结构简单、训练时间短且识别率较高不仅克服了传统BP神经网络识别率低、训练时间长的缺点同时也克服了传统PNN网络传播率

这一点与传统神经网络不同,大大减少了训练时间。不仅如此该网络不易陷入局部极小值点,非常适合模式识别研究。在进行仿真实验时,传播率的改变对识别结果的影响明显,总会有一个值能使识别率最高,但是在概率神经网络中该参数一般是手工设定,增加了训练时间,为了提高效率本文通过仿真实验,在多次试验中找使结果最好的取值。粒子群优化算法被广泛应用与优化数值的求解,本文采用该方法选取最优的传播率参数。

点问题。

参考文献

[1]JIN D W,WANG R CH.Artificial

lntelligent prosthesis[J].Chinese J.Clinical Rehabilitation,2002,5(20):2994-2995.

[2]Paclik P,Novovicova J,Pudil P.Road

sign classification using Laplace classifier[J].Pattern Recognition Letters,2000,21(13-14):1165-1173.

[3]Sueteus P,Fua P, Hanson A J.Com-putational strategies for objectrecognition[J].ACM ComputingSurveys,1992,24(1):5-61.

[4]Specht D.Probabilistic neural network

[J].Neural Networks,1990,3(1):109-118.

[5]McDuff R J,Simpson P K.An Inves-tigation of Neural Networks for F-16Fault Dignosis:II.System Performance[C]//SPIE 1294 Application of Arti-ficial Neural Networks.1990:42-45.[6]飞思科技产品研发中心.神经网络理论

与MATLAB7实现[M].北京:电子工业出版社,2005.

[7]雷正伟,徐章遂.一种基于故障重要度

的概率神经网络诊断方法[J].计算机测量与控制,2005,12(2):107-109.

3 仿真实验及结果分析

将本文的改进算法统传统的算法进行比较分析,改进PNN神经网络算法记为P1算法,传统BP神经网络算法记为P2算法。对于P1算法:设计的PNN网络的结构为:输入层有4个神经元,输出层有7个神经元,中间层的传递函数为高斯函数,输出层的传递函数为线性函数。将第1通道均值、第2通道均值、第1通道功率谱密度、第2通道功率谱密度作为输入特征,进行仿真实验研究。

.com.cn. All Rights Reserved.系数需要手动设置的不足,较好的改善了

识别率。本文采用改进的PNN神经网络对造型“C”、食指伸展、伸腕、向下曲腕、握拳、向侧曲腕、手掌伸展7种手势动作进行模式识别。

1 sEMG的特征提取与特征选择

表面肌电信号的特征提取对手势动作的识别率有直接影响。本文采用时域、频域及时频域的特征作为不同手势动作的特征。但是,特征太多会给计算带来困难,而且会造成分类效果的恶化。因此本文采用K-W检验的方法对时域、频域及时频域的单个特征进行评价,选择最具有分离度的特征。本文将提取的特征作为改进PNN神经网络的输入信息对7种手势动作识别分类,并与传统的神经网络进行识别率对比分析。

4 结论

传统的神经网络训练时间长且易陷入局部极小值,在手势动作识别研究中正确识别率也并不高,本文针对这些问题提出的改进PNN神经网络有效克服了这些不足,识别率提高到90%左右,并且训练时间也缩短了一半。有效的改善了手势动作识别效果。

改进PNN神经网络的提出为手势动作识别分类提供了理论基础,为智能假肢的研究提高的科学依据,但是,为了将手势动作的识别算法应用于智能假肢,改进的概率神经网络识别算法的识别率仍有待提高。因此,寻找更有效的识别算法,提高手势动作的识别准确率是今后的研究热

2 改进PNN神经网络模型

PNN神经网络是1990年由Specht提出的一种径向基函数(RBF)网络的重要变形。它的训练学习过程是一个完全正向的过程

①作者简介:尚小晶(1987—),女,湖北宜昌人,硕士,吉林建筑大学城建学院,助教,研究方向:建筑电气与智能化专业的教学。 徐成波(1979—),男,吉林长春人,硕士,吉林建筑大学城建学院,讲师,研究方向:电气信息系学工工作。

科技资讯 SCIENCE & TECHNOLOGY INFORMATION217