第4期 杨钟亮，等：基于GGA-Eman网络的头部体态语言sEMG识别 .387 1.3基于GGA-Elman网络的识别模型 1.3.2GGA算法优化 Eman神经网络是一种典型的局部回归网络， 遗传算法(genetic algorithm,GA)是模拟生物进 它在前馈式网络的隐藏层中增加了一个承接层，赋 化过程和机理演化而来的随机化搜索最优解的方 予其动态记忆功能，使其具备适应时变特性的能力， 法。贪心算法是一种常用的求解最优化问题的简 具有识别率高、鲁棒性好等优点。一方面，考虑到 单、迅速的方法。为解决GA在运算过程中早熟收 sEMG信号的动态特性及个体差异：另一方面，El- 敛和封闭竞争问题，用贪心算法作为遗传操作的确 man网络存在局部极小问题，初始值的选择影响算 定性选择原则，以一系列局部最优解得到近似整体 法的收敛速度。因此，本文提出基于GGA-Eman网 最优解，即GCA算法[11。本文采用GGA优化E 络构建体态语言的sEMG识别模型，模型结构主要 man网络的初始权值，算法的基本步骤如下： 由Elman神经网络和GGA算法组成，如图2所示， 1)参数设定，包括个体编码串长度L、群体大 力求得到最优网络权值，提高识别效果。 小M、终止遗传代数G、贪心交叉算子P和贪心变异 用定1m4针将 算子Pm。 i4共液 2)个体二进制编码，生成初始种群。 丽瑞：的下 3)通过适应度函数计算个体适应度值。 为十祖左北 4)若最优个体适应度值达到期望误差，停止遗 尔'西出长店 传，转7)；否则，转5)。 i训岁下外法应：r 5)通过贪心选择、贪心交叉与贪心变异等遗传 卜兴 操作01，产生下一代种群。 边子次止 衣：行 6)第G代内最优个体的适应度值达到期望误 差，算法终止：否则转3)。 高，i 证☆L上午斗 7)把最优个体赋予本文Elman网络W、W与 T W的初始权值。 板F代下津 1.3.3模型的评价指标 1法片 采用均方误差(mean squared error,MSE)、相关 图2算法流程图 系数R和准确率(accuracy rate,AR)来评价模型的 Fig.2 Algorithm flow chart 识别效果，它们的计算公式如下： 1.3.1 Elman神经网络结构 本文的Elman神经网络非线性状态空间的表达 sE= (P-Q,)2 式为 式中：P()是样本i中个体j的预测值，Q是个体j的 x(t)=f(Wx(t)+Wu(t-1)) 期望。M$E越小，模型的精度越高。 x(t)=(t-1) (3) R=cov(P.Q) Ly(t)=g(Wx(t)) gp·0o 式中：输入向量u为r维RMS特征；y为二维输出 式中：cov(P,Q)为协方差，op、。分别为P和Q 值，映射“同意”与“不同意”态度：t为迭代次数：x 的标准方差。一般认为R达到0.85以上，模型的泛 为k维隐藏层节点单元向量：x为k维反馈向量。 化能力较好。 W为承接层与隐藏层的连接权值：W为输入层到 AR=c/C×100% 隐藏层的连接权值：W为隐藏层到输出层的连接权 式中：c为正确识别的样本数，C为总样本数。 值：f(·)与g(·)分别为隐藏层和输出层神经元 2实验设计与方法 的活化函数f(·)采用Sigmoid函数，g(·)采用 TanH函数。使用梯度下降算法，由式(3)得 2.1实验对象 x(t)=x(t-1)=fW-x(t-1)+ 根据前导实验方法，招募了8名男性被试，保证 W-,u(t-2)) 颈部均无骨骼肌肉损伤与疾病。他们的基本信息如 式中：x,(t)依赖于不同时刻的权值W,和W,从 表1所示。实验选取了脊柱两侧的头夹肌、胸锁乳 而实现动态记忆过程。采用BP算法，以误差平方 突肌和斜方肌上部作为目标肌肉[2]，采集sEMG信 和函数进行权值修正。 号，这些肌肉与头部伸、侧屈与旋转运动相关。员援猿摇 基于 郧郧粤鄄耘造皂葬灶 网络的识别模型 耘造皂葬灶 神经网络是一种典型的局部回归网络袁 它在前馈式网络的隐藏层中增加了一个承接层袁赋 予其动态记忆功能袁使其具备适应时变特性的能力袁 具有识别率高尧鲁棒性好等优点遥 一方面袁考虑到 泽耘酝郧 信号的动态特性及个体差异曰另一方面袁耘造鄄 皂葬灶 网络存在局部极小问题袁初始值的选择影响算 法的收敛速度遥 因此袁本文提出基于 郧郧粤鄄耘造皂葬灶 网 络构建体态语言的 泽耘酝郧 识别模型袁模型结构主要 由 耘造皂葬灶 神经网络和 郧郧粤 算法组成袁如图 圆 所示袁 力求得到最优网络权值袁提高识别效果遥 图 圆摇 算法流程图 云蚤早援圆摇 粤造早燥则蚤贼澡皂 枣造燥憎 糟澡葬则贼 员援猿援员 摇 耘造皂葬灶 神经网络结构 本文的 耘造皂葬灶 神经网络非线性状态空间的表达 式为 曾渊贼冤 越 枣渊宰员 曾遭渊贼冤 垣 宰圆 怎渊贼 原 员冤冤 曾遭渊贼冤 越 曾渊贼 原 员冤 赠渊贼冤 越 早渊宰猿 曾渊贼冤 冤        渊猿冤 式中院输入向量 怎 为 则 维 砸酝杂 特征曰赠 为二维输出 值袁映射野同意冶 与野不同意冶 态度曰贼 为迭代次数曰曾 为 噪 维隐藏层节点单元向量曰曾遭 为 噪 维反馈向量遥 宰员 为承接层与隐藏层的连接权值曰宰圆 为输入层到 隐藏层的连接权值曰宰猿 为隐藏层到输出层的连接权 值曰枣 渊窑冤与 早 渊窑冤分别为隐藏层和输出层神经元 的活化函数袁枣 渊窑冤采用 杂蚤早皂燥蚤凿 函数袁早 渊窑冤采用 栽葬灶匀 函数遥 使用梯度下降算法袁由式渊猿冤得 曾遭渊贼冤 越 曾渊贼 原 员冤 越 枣渊宰员 贼原员 曾遭渊贼 原 员冤 垣 宰圆 贼原员怎渊贼 原 圆冤冤 式中院曾遭渊贼冤依赖于不同时刻的权值 宰员 贼原员和 宰圆 贼原员 袁从 而实现动态记忆过程遥 采用 月孕 算法袁以误差平方 和函数进行权值修正遥 员援猿援圆 摇 郧郧粤 算法优化 遗传算法渊早藻灶藻贼蚤糟 葬造早燥则蚤贼澡皂袁郧粤冤是模拟生物进 化过程和机理演化而来的随机化搜索最优解的方 法遥 贪心算法是一种常用的求解最优化问题的简 单尧迅速的方法遥 为解决 郧粤 在运算过程中早熟收 敛和封闭竞争问题袁用贪心算法作为遗传操作的确 定性选择原则袁以一系列局部最优解得到近似整体 最优解袁即 郧郧粤 算法咱员愿鄄员怨暂 遥 本文采用 郧郧粤 优化 耘造鄄 皂葬灶 网络的初始权值袁算法的基本步骤如下院 员 冤参数设定袁包括个体编码串长度 蕴尧群体大 小 酝尧终止遗传代数 郧尧贪心交叉算子 孕糟和贪心变异 算子 孕皂 遥 圆 冤个体二进制编码袁生成初始种群遥 猿 冤通过适应度函数计算个体适应度值遥 源冤 若最优个体适应度值达到期望误差袁停止遗 传袁转 苑冤曰否则袁转 缘冤遥 缘 冤通过贪心选择尧贪心交叉与贪心变异等遗传 操作咱员怨鄄圆园暂 袁产生下一代种群遥 远 冤第 郧 代内最优个体的适应度值达到期望误 差袁算法终止曰否则转 猿冤遥 苑 冤把最优个体赋予本文 耘造皂葬灶 网络 宰员 尧宰圆 与 宰猿 的初始权值遥 员援猿援猿 摇 模型的评价指标 采用均方误差渊 皂藻葬灶 泽择怎葬则藻凿 藻则则燥则袁酝杂耘冤 尧相关 系数 砸 和准确率渊 葬糟糟怎则葬糟赠 则葬贼藻袁粤砸冤来评价模型的 识别效果袁它们的计算公式如下院 酝杂耘 越 员 灶 移 灶 员 渊孕渊蚤躁冤 原 匝躁 冤圆 式中院孕渊 蚤躁 冤是样本 蚤 中个体 躁 的预测值袁匝躁 是个体 躁 的 期望遥 酝杂耘 越小袁模型的精度越高遥 砸 越 糟燥增渊孕袁匝冤 滓孕窑滓匝 式中院 糟燥增渊孕袁匝冤 为协方差袁 滓孕 尧滓 匝 分别为 孕 和 匝 的标准方差遥 一般认为 砸 达到 园援愿缘 以上袁模型的泛 化能力较好遥 粤砸 越 糟辕悦 伊 员园园豫 式中院糟 为正确识别的样本数袁悦 为总样本数遥 圆摇 实验设计与方法 圆援员摇 实验对象 根据前导实验方法袁招募了 愿 名男性被试袁保证 颈部均无骨骼肌肉损伤与疾病遥 他们的基本信息如 表 员 所示遥 实验选取了脊柱两侧的头夹肌尧胸锁乳 突肌和斜方肌上部作为目标肌肉咱圆员暂 袁采集 泽耘酝郧 信 号袁这些肌肉与头部伸尧侧屈与旋转运动相关遥 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 窑猿愿苑窑