第4期 杨钟亮，等：基于GGA-Eman网络的头部体态语言sEMG识别 389 图5一次摇头动作的肌电图 Fig.5 Electromyography of once head shaking 表2为18组sEMG时域指标进行Wilcoxon秩 征向量：隐藏层数为1，隐藏层节点数为21，神经元 和检验后z值和p值的计算结果。其中，点头与摇 采用Sigmoid作为活化函数：输出层为“同意”与“不 头的配对样本在通道A(左侧头夹肌)与通道B(右 同意”2个类别，采用TanH作为活化函数：设最大迭 侧头夹肌)的RMSMAX、RMSMEAN与RMSVAR指标上， 代次数为1000。W与W2的权值个数分别为210 p=0.000,P<a,应拒绝零假设H。,表明它们之间 个，W3的权值个数为42，设定GGA的L=462、M= 均具有显著性差异：通道E(左侧胸锁乳突肌)、通 50、G=100、P.=0.9Pm=0.1,期望误差为0.001。 道F(右侧胸锁乳突肌)的RMSMAX与RMSMEAN也具 选取总体样本的80%作为训练集，20%作为测试集， 有显著性差异。然而，通道E与通道F的RMSYAR对 随机排列并编号。 应的p值分别为0.093与0.136，通道C(左侧斜方 GGA经过7代遗传，最优个体适应度值为 肌)与通道D(右侧斜方肌)所有RMS指标的p> 0.00074,小于期望误差，算法停止，如图6所示。 0.O5。实验结果表明，斜方肌的RMIS指标不能充分 3“1g 表征点头与摇头动作表达的“同意”与“不同意”情 感态度，胸锁乳突肌RMS的最大值与均值能够表征 点头与摇头动作，但离散程度相似，而头夹肌的 RMS指标的配对样本差异性最显著。 表2sEMG指标的Wilcoxon秩和检验 Table 2 Wilcoxon signed ranks test of sEMG indices #位1，的 RMSMAX RMSVAR 通道 RMSMEAN 图6最优个体适应度值的变化情况 心 Fig.6 Change of the optimal individual fitness value A -10.9720.000-10.9720.000-8.5210.000 将GGA优化得到最优初始权值赋予Elman网 B -10.9720.000-10.9720.000-10.9740.000 络，经过1000次迭代后网络成功收敛。计算训练 0.0001.0000.0001.000 0.0001.000 集输出值与期望值的MSE为0.0013，R为0.9994， D -1.4860.137 -1.3420.179-0.7620.446 对“同意”与“不同意”的AR均达到100%：模型对 E-10.3670.000-10.9720.000 -2.0640.093 测试集64个样本输出值与期望值的MSE=0.0018, F -9.7350.000-9.8660.000 -1.4890.136 R=0.9991,AR=100%。实验结果表明该模型的 根据p<0.05的规则，最终提取通道A与B的 学习效果极佳，泛化性极好。 RMSMAX、RMSMEAN与RMSVAR,通道E的RMSMAX与 3.2算法比较分析 RMSMEAN,通道F的RMSMAX-与RMSMEAN,作为本文模 为比较GGA-Elman模型的识别效果，采用标准 型的特征向量。 Elman和BP神经网络建模，输入层、输出层和隐藏 3.2模型识别结果分析 层的设置与GCA-Elman网络相同。3个模型的训 在Windows7系统上构建GGA-Elman神经网 练与测试效果如表3所示。对训练集的识别上，E 络结构。Eman网络的输人层为上述10个RMS特 man模型的MSE与R均优于BP神经网络，两者对图 缘摇 一次摇头动作的肌电图 云蚤早援缘摇 耘造藻糟贼则燥皂赠燥早则葬责澡赠 燥枣 燥灶糟藻 澡藻葬凿 泽澡葬噪蚤灶早 摇 摇 表 圆 为 员愿 组 泽耘酝郧 时域指标进行 宰蚤造糟燥曾燥灶 秩 和检验后 扎 值和 责 值的计算结果遥 其中袁点头与摇 头的配对样本在通道 粤 渊左侧头夹肌冤与通道 月 渊右 侧头夹肌冤 的 砸酝杂酝粤载尧砸酝杂酝耘粤晕 与 砸酝杂灾粤砸 指标上袁 责 越 园援园园园袁责 约 袁应拒绝零假设 匀园 袁表明它们之间 均具有显著性差异曰通道 耘 渊左侧胸锁乳突肌冤 尧通 道 云 渊右侧胸锁乳突肌冤的 砸酝杂酝粤载与 砸酝杂酝耘粤晕也具 有显著性差异遥 然而袁通道 耘 与通道 云 的 砸酝杂灾粤砸对 应的 责 值分别为 园援园怨猿 与 园援员猿远袁通道 悦 渊左侧斜方 肌冤与通道 阅 渊右侧斜方肌冤 所有 砸酝杂 指标的 责 跃 园援园缘遥 实验结果表明袁斜方肌的 砸酝杂 指标不能充分 表征点头与摇头动作表达的野同意冶与野不同意冶情 感态度袁胸锁乳突肌 砸酝杂 的最大值与均值能够表征 点头与摇头动作袁 但离散程度相似袁而头夹肌的 砸酝杂 指标的配对样本差异性最显著遥 表 圆摇 泽耘酝郧 指标的 宰蚤造糟燥曾燥灶 秩和检验 栽葬遭造藻 圆摇 宰蚤造糟燥曾燥灶 泽蚤早灶藻凿 则葬灶噪泽 贼藻泽贼 燥枣 泽耘酝郧 蚤灶凿蚤糟藻泽 通道 砸酝杂酝粤载 扎 责 砸酝杂酝耘粤晕 扎 责 砸酝杂灾粤砸 扎 责 粤 原员园援怨苑圆 园援园园园 原员园援怨苑圆 园援园园园 原愿援缘圆员 园援园园园 月 原员园援怨苑圆 园援园园园 原员园援怨苑圆 园援园园园 原员园援怨苑源 园援园园园 悦 园援园园园 员援园园园 园援园园园 员援园园园 园援园园园 员援园园园 阅 原员援源愿远 园援员猿苑 原员援猿源圆 园援员苑怨 原园援苑远圆 园援源源远 耘 原员园援猿远苑 园援园园园 原员园援怨苑圆 园援园园园 原圆援园远源 园援园怨猿 云 原怨援苑猿缘 园援园园园 原怨援愿远远 园援园园园 原员援源愿怨 园援员猿远 摇 摇 根据 责 约 园援园缘 的规则袁最终提取通道 粤 与 月 的 砸酝杂酝粤载尧砸酝杂酝耘粤晕 与 砸酝杂灾粤砸袁通道 耘 的 砸酝杂酝粤载 与 砸酝杂酝耘粤晕袁通道 云 的 砸酝杂酝粤载与 砸酝杂酝耘粤晕袁作为本文模 型的特征向量遥 猿援圆摇 模型识别结果分析 在 宰蚤灶凿燥憎泽 苑 系统上构建 郧郧粤鄄耘造皂葬灶 神经网 络结构遥 耘造皂葬灶 网络的输入层为上述 员园 个 砸酝杂 特 征向量曰隐藏层数为 员袁隐藏层节点数为 圆员袁神经元 采用 杂蚤早皂燥蚤凿 作为活化函数曰输出层为野同意冶与野不 同意冶圆 个类别袁采用 栽葬灶匀 作为活化函数曰设最大迭 代次数为 员 园园园遥 宰员 与 宰圆 的权值个数分别为 圆员园 个袁宰猿 的权值个数为 源圆袁设定 郧郧粤 的 蕴 越 源远圆尧酝 越 缘园尧郧 越 员园园尧孕糟 越 园援怨尧孕皂 越 园援员袁期望误差为 园援园园员遥 选取总体样本的 愿园豫作为训练集袁圆园豫作为测试集袁 随机排列并编号遥 郧郧粤 经 过 苑 代遗传袁 最优个体适应度值为 园援园园园 苑源袁小于期望误差袁算法停止袁如图 远 所示遥 图 远摇 最优个体适应度值的变化情况 云蚤早援远摇 悦澡葬灶早藻 燥枣 贼澡藻 燥责贼蚤皂葬造 蚤灶凿蚤增蚤凿怎葬造 枣蚤贼灶藻泽泽 增葬造怎藻 将 郧郧粤 优化得到最优初始权值赋予 耘造皂葬灶 网 络袁经过 员 园园园 次迭代后网络成功收敛遥 计算训练 集输出值与期望值的 酝杂耘 为 园援园园员 猿袁砸 为 园援怨怨怨 源袁 对野同意冶与野不同意冶的 粤砸 均达到 员园园豫曰模型对 测试集 远源 个样本输出值与期望值的 酝杂耘越 园援园园员 愿袁 砸 越 园援怨怨怨 员袁粤砸 越 员园园豫遥 实验结果表明该模型的 学习效果极佳袁泛化性极好遥 猿援圆 摇 算法比较分析 为比较 郧郧粤鄄耘造皂葬灶 模型的识别效果袁采用标准 耘造皂葬灶 和 月孕 神经网络建模袁输入层尧输出层和隐藏 层的设置与 郧郧粤鄄耘造皂葬灶 网络相同遥 猿 个模型的训 练与测试效果如表 猿 所示遥 对训练集的识别上袁耘造鄄 皂葬灶 模型的 酝杂耘 与 砸 均优于 月孕 神经网络袁两者对 第 源 期摇摇摇摇摇摇摇摇摇摇摇 杨钟亮袁等院基于 郧郧粤鄄耘造皂葬灶 网络的头部体态语言 泽耘酝郧 识别 窑猿愿怨窑