手势动作识别分类的研究

手势动作识别分类的研究

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

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。

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。

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。

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点问题。

参考文献

[1]JIN D W,W ANG 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 putational strategies for object recognition[J].ACM Computing Surveys,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 Investigation of Neural Networks for F-16 Fault Dignosis:II.System Performance[C]//SPIE 1294 Application of Artificial 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.