肌电信号多通道相关性特征手势识别方法_江茜.pdf

Computer Engineering and Applications计算机工程与应用2023，59（7）模式识别与人工智能肌电信号多通道相关性特征手势识别方法江茜1，李沿宏1，邹可2，袁学东11.四川大学 计算机（软件）学院，成都 6100652.四川大学 视觉合成图形图像技术国防重点学科实验室，成都 610065摘要：多通道表面肌电信号（surface electromyography，sEMG）传统手势识别方法，主要提取各个通道时域、频域和时频域特征作为分类器的输入，鲜有考虑通道间的相关性，在提升识别精度上遇到瓶颈。为了充分利用sEMG多通道信息以提高手势识别精度，提出一种以多通道相关性为特征的肌电手势识别方法。该方法计算多通道间一致性相关系数，作为多通道sEMG线性相关特征参数，同时获取多通道间的互信息，作为多通道sEMG非线性相关特征参数。实际运用中精确估计联合概率密度函数往往十分困难，根据互信息与copula熵关系，将互信息估计转化为copula熵的估计，通过经验分布函数进行概率积分变换，采用非参数估计方法估计copula熵，从而避免联合概率密度函数的估计。利用两种相关性特征参数构建多通道相关性特征进行对比实验，基于stacking模型使用多通道相关性特征与4种常用时域特征进行识别并对比结果，其次基于多通道相关性特征使用stacking模型与5种常用分类器进行对比识别，实验结果表明所提的多通道相关性特征能有效区分手势动作，在采集的健康受试者手势数据集上平均识别准确率达到94%。关键词：手势识别；表面肌电信号；一致性相关系数；互信息；多通道相关性文献标志码：A中图分类号：TP391.4doi：10.3778/j.issn.1002-8331.2111-0123Myoelectric Gesture Recognition Based on Multi-Channel Correlation FeatureJIANG Xi1,LI Yanhong1,ZOU Ke2,YUAN Xuedong11.School of Computer Science（Software）,Sichuan University,Chengdu 610065,China2.National Key Laboratory of Fundamental Science on Synthetic Vision,Sichuan University,Chengdu 610065,ChinaAbstract：The traditional multi-channel surface electromyography（sEMG）gesture recognition extracts the time domain,frequency domain and time frequency domain features of each channel as the input of the classifier.The correlationamong channels is rarely considered,and the recognition accuracy is bottlenecked.In order to make full use of the multi-channel sEMG information to improve the accuracy of gesture recognition,a sEMG-based multi-channel correlationfeature is proposed.The method calculates the concordance correlation coefficient among multiple channels as the linearcorrelation feature parameter,and simultaneously obtains the mutual information among the multiple channels as thenonlinear correlation feature parameter.In order to solve the problem of hard estimate of the joint probability densityfunction in mutual information,the method converts mutual information estimate into the estimate of copula entropy,according to the inverse relationship between mutual information and copula entropy.The probability integral transformationis carried out through the empirical distribution function,and non-parametric estimation is adopted to estimate copulaentropy,from which the estimate of mutual information is obtained.Then the method constructs the multi-channel correla-tion feature with the two feature parameters,and inputs the multi-channel correlation feature into the stacking model forrecognition.Respectively compared with 4 common time domain features and 5 basic classifiers,the experimental resultsshow that the proposed multi-channel correlation feature can effectively distinguish hand gesture with an average recogni-tion accuracy rate of 94%,demonstrating the effectiveness of the method.基金项目：四川省重点研发项目（2020YFG0075）；四川省科技创新苗子工程培育项目（2021001）。作者简介：江茜（1996），女，硕士研究生，研究方向为模式识别；李沿宏（1997），男，硕士研究生，研究方向为机器学习、手势识别；邹可（1994），男，博士研究生，研究方向为信号处理、图像配准与分割；袁学东（1974），男，博士，副教授，研究方向为嵌入式系统、数字图像处理，E-mail：。收稿日期：2021-11-08修回日期：2022-02-24文章编号：1002-8331（2023）07-0102-081022023，59（7）表面肌电信号（surface electromyography，sEMG）是运动单元动作电位在皮肤表面叠加的生物电信号，它能反应神经肌肉的活动情况，包含肌肉活动的重要信息1，且在皮肤表面获取简单，因此被广泛应用于康复治疗2、人机交互3等方面。近年来国内外众多学者开展研究基于sEMG的手势识别方法，提高手势识别率仍是手势识别的研究热点，其中特征提取和分类器设计是提高手势识别精度的关键所在。常用的特征提取方法包括时域分析法、频域分析法、时频域分析法。时域分析法通过分析sEMG随时间变化的时域特征来识别手势动作，由于时域特征计算方便且直观，是sEMG特征提取最流行的方法4。Englehart等5提出 4种不同的时域特征，包括平均绝对值、过零点、波形长度和斜率符号变化率，这是迄今为止在肌电信号模式识别提取时域特征方法中最常用的特征6。频域分析法通过对原始sEMG进行傅里叶变换获得频谱或功率谱特征，可以直接观察信号的频带分布7。Srisuwan等8提取sEMG的谱距、中值频率等频域特征，并联合时域特征进行识别，发现频域特征能更好地区分信号。与此同时，很多学者着眼于时频域分析，提出一系列特征提取方法。Khushaba等9提出一组时空描述符来估算sEMG功率谱特征，能更好地描述sEMG信息。此外，小波包变换10、小波变换11和Gabor变换12等方法也用于提取特征信息。虽然时域、频域特征提取方法被广泛应用，但这类方法通常是将sEMG看作平稳信号或分段平稳信号，对于同一手势动作，在不同的力量或速度情况下，特征数值会发生变化，难以准确描述肌电特征，影响后续识别性能。为充分获取肌电信息，近年来众多学者采用多通道传感器采集sEMG13，可以采集不同肌肉群的活动状态，丰富了信息量。由于在运动过程中肌肉间相互作用存在耦合现象，放置在目标肌肉上的电极容易记录附近肌肉活动产生的信号，不同通道间存在串扰14，而有用的信息可能存在通道之间的串扰中。对于多通道sEMG，研究不同通道间相关性是有效利用通道信息的方法之一15。已有研究人员利用互相关函数量化传感器不同通道间的串扰16-17。Chen等18采用传感器每个通道的自相关系数，以及通道间的互相关系数作为特征进行手势识别；Akben等19利用通道间一致性相关系数（concor-dance correlation coefficient，CCC）并结合能量值作为特征，进行抓握动作分类。由于sEMG是非线性信号，使用通道间线性关系描述sEMG特征存在局限。互信息（mutual information，MI）是信息论领域中一种重要的信息度量工具，可以衡量两个随机变量之间的非线性相关性。传统的MI估计需要联合概率密度函数的精确表示，但现有联合概率密度函数估计方法存在估计精度低、依赖模型假设等问题，所以 MI 估计往往十分困难20。Han等21分析互信息与copula函数之间的关系，为了避免联合概率密度的估计，同时有效提高互信息估计的准确度与效率，提出一种基于copula熵的MI估计方法。为了充分挖掘sEMG通道间信息，本文提出一种多通道相关性（multi-channel correlation，MC）特征的肌电手势识别方法。首先采集健康受试者多通道sEMG，并进行数据预处理。计算 CCC 度量通道间线性相关关系，使用copula估计互信息（copula-based mutual infor-mation，copula MI）来描述通道间非线性相关关系。使用两种特征参数构建sEMG的MC特征，然后将特征向量输入到stacking集成学习模型，实现不同肌电手势的分类。最后在健康受试者多通道sEMG数据上进行验证。本文还进行了对比实验，首先基于stacking模型使用MC特征与4种常用时域特征进行识别并对比结果；其次基于MC特征使用stacking模型与5种常用分类器进行对比识别实验，结果验证了本文所提方法的有效性。本文提出的多通道相关性特征手势识别为多通道sEMG特征提取与识别提供了新的方法。1sEMG手势识别方法1.1研究方法考虑sEMG具有非线性、非平稳特点，本文提出MC特征手势识别方法，该方法结合通道间线性相关特征参数和非线性相关特征参数构建MC特征，充分挖掘通道间相关性信息。手势识别方法整体框图如图 1 所示。多通道肌电传感器采集预定义手势的sEMG数据后，将采集的手势数据集划分为两个互斥的训练集和测试集。在训练阶段，将训练样本预处理后，提取样本的MC特征并输入到stacking分类模型中进行训练。在测试阶段，将测试样本预处理、提取MC特征后，由训练好的模型进行分类，得出手势类别结果，验证所提MC特征的有效性。为了对比本文中stacking分类模型的识别效果，提取样本的MC特征，分别输入到stacking模型和其他常用分类器中进行识别，并对比结果。1.2sEMG多通道相关性特征在分析sEMG通道间相关性信息时，传统度量相关性方法通常仅描述两个通道间的线性相关关系，鲜有考虑非线性相关关系，难以精确表示非线性 sEMG 的特Key words：gesture recognition;surface electromyography（sEMG）;concordance correlation coefficient;mutual infor-mation;multi-channelcorrelation江茜，等：肌电信号多通道相关性特征手势识别方法103Computer Engineering and Applications计算机工程与应用2023，59（7）征。本文计算通道间线性相关特征参数和估计非线性相关特征参数，构建MC特征用以手势识别。1.2.1通道间线性相关特征参数Lawrence等22定义了CCC计算方法，用于衡量两个变量之间的一致性关系，它在数据复现、图像对比研究23等领域广泛应用。本文利用 CCC 度量通道间线性相关关系，作为特征信息用于手势识别。用x=x1,x2,xN和y=y1,y2,yN分别表示两个不同通道的时间序列，计算两个通道间的CCC：=2sxys2x+s2y+(x-y)2（1）其中，x 和y 分别是x和y的均值，s2x和s2y分别是x和y的方差，分别由以下公式得出：x=1Nn=1Nxn（2）s2x=1Nn=1N()xn-x 2（3）其中，y 与x 公式类似，s2y与s2x公式类似。sxy是x与y的协方差，表示为：sxy=1Nn=1N()xn-x()yn-y（4）将含有M个通道的肌电传感器采集的sEMG记为X=X1,X2,XM，第i个通道数据Xi与第j个通道数据Xj的CCC表示为：PXiXj=XiXj（5）i=1,2,M-1，j=i+1,i+2,M，ji。则通道间线性相关特征参数可表征为向量P=P1,Pk,PM-1，其中Pk=XkXk+1,XkXk+2,XkXM，k=1,2,M-1。1.2.2通道间非线性相关特征参数MI是度量非线性关系的一种重要工具，在推荐系统24等领域广泛应用。本文利用copula MI度量通道间非线性相关关系，作为特征信息用于手势识别。序列X和Y之间的MI定义如下：I(X;Y)=pXY(x,y)logpXY(x,y)pX(x)pY(y)dxdy（6）其中，pXY(x,y)表示X和Y的联合概率密度，pX(x)和pY(y)分别表示X和Y的边际概率密度函数。文献25介绍了MI与copula熵存在以下关系：I()X,Y=-Hc()u,v（7）其中，u=PX(x)和v=PY(y)分别为X和Y的累积分布函数，Hc()u,v为u和v的 copula 熵。本文采用经验copula以估计copula熵，首先需要估计经验copula密度函数，然后由经验copula密度函数估计copula熵。对于两个各含N个数据的不同通道时间序列X=X1,X2，根据经验分布函数进行概率积分变换，生成伪观测值U?n=U?n1,U?n2，n=1,2,N，则：U?nl=1N+1rnl（8）其中，rnl是Xnl在X1l,Xnl,XNl中的次序统计量，l=1,2。因此，所有伪观测值变换到区间0，1内。根据得到的伪观测值，采用Kraskov等26提出的k近邻法估计copula熵：H?cknn(U)=-(k)+(N)+logcm+2Nn=1Nlog2d(n)（9）其中，d(n)是第n个样本到邻居的距离，使用最大距离时cm=1。(x)是双伽玛函数，即伽玛函数的对数导数：(x)=ddxln(x)=(x)(x)（10）其中，(x)是伽玛函数，定义为：(x)=0tx-1e-tdt（11）(x)满足递推关系：(x+1)=(x)+1x（12）其中，(1)=-，是欧拉常数，近似值0.577 251 6。根据式（7）可得到MI的估计。将第i个通道数据Xi与第j个 通 道 数 据Xj的 copula MI 记 为HXiXj，i=1,2,M-1，j=i+1,i+2,M，ji。对含有M个通道的 sEMG 数据X=X1,X2,XM，估计两两通道间的copula MI，则非线性相关特征参数表征为向量I=I1,Ik,IM-1，其中Ik=HXkXk+1,HXkXk+2,HXkXM，k=1,2,M-1。提取MC特征线性相关特征参数非线性相关特征参数训练stacking分类模型采集sEMG训练样本数据预处理训练阶段测试阶段输出手势类别stacking分类测试样本数据预处理提取MC特征图1手势识别方法框图Fig.1Block diagram of gesture recognition1042023，59（7）1.2.3多通道肌电信号MC特征通过上述方法计算通道间线性相关特征参数，估计通道间非线性相关特征参数后，结合两种特征参数构建多通道肌电信号MC特征：F=P1,P2,PM-1,I1,I2,IM-1（13）对于含S个样本的数据集，得到维度为M()M-1的S个特征向量，记为：Fp=fp,1,fp,M(M-1)2,fp,M(M-1)2+1,fp,M(M-1)（14）其中，p=1,2,S。接着对特征向量中各维特征分别进行归一化：fp,q=fp,q-fqq（15）其 中，fq=p=1Sfp,qS，q=p=1S()fp,q-fq2S，q=1,2,M()M-1。从 而 得 到 归 一 化 特 征 向 量Fp=fp,1,fp,M(M-1)2,fp,M(M-1)2+1,fp,M(M-1)。具体的构建MC特征方法如下：方法MC特征构建输入：单个手势的单个M维多通道时间序列样本输出：MC特征向量F1.根据单个手势的单个M维数据样本X=X1,X2,XM，计算多通道间的CCC特征参数：P=X1X2,X1XM,X2X3,X2XM,XM-1XM2.计算多通道间的Copula MI特征参数：I=HX1X2,HX1XM,HX2X3,HX2XM,HXM-1XM3.利用通道线性相关特征参数和非线性相关特征参数构建MC特征：F=X1X2,XM-1XM,HX1X2,HXM-1XM4.对MC特征向量进行归一化：Fnorm()F1.3Stacking集成学习模型构建多通道肌电信号MC特征后，需要将特征向量输入到分类器中进行手势识别。传统分类方法是在假设函数构成的空间中确定一个与实际情况最符合的特征分布函数作为分类依据，由于现实中数据量的增加和数据的多样性，尤其是个体差异，使得实际数据的分布存在不确定性，传统的单一分类器在多分类问题上容易因样本的不确定性而导致泛化能力不佳。相比单一分类器，融合多个分类器的集成学习方法在高精度的分类任务中更具优势27。本文采用stacking集成学习方法，从初始训练集训练基学习器，将基学习器的预测结果作为新的特征集用于训练融合器。在stacking集成学习框架中设计极限梯度提升算法（eXtreme gradient boosting，XGBoost）、K近邻（K-nearest neighbor，KNN）、随机森林（randomforest，RF）、朴素贝叶斯（naive Bayesian，NB）作为基学习器，以逻辑回归（logistics regression，LR）模型作为融合器，模型结构框图如图2所示。2实验结果与分析2.1实验数据采集与预处理本文实验在PyCharm环境中进行，所用电脑的配置为：Window10（64位）操作系统，运行内存为8 GB，处理器为IntelCore i5-8250U，四核八线程。采用ThalmicLab 公司的 MYO 肌电臂环采集手势识别所需的原始sEMG，该臂环由8片传感器组成，每片传感器有对应的通道读数，通道采样率为200 Hz。MYO臂环佩戴方便，能适应使用者的手臂周长，使传感器与手臂保持好的贴合状态。为保证每次佩戴臂环能够正常识别手势，需要事先规定臂环佩戴的大致位置。本文规定受试者将臂环佩戴于右手前臂，保持臂环上带指示灯的传感器与正常放松时的手背处于同一平面，指示灯朝向手腕并正对中指，具体佩戴方式如图3所示。考虑采集的数据会受到臂环佩戴位置等因素影响，要求受试者每次进行动作前检查臂环是否发生位移，采集完所有手势数据后才能取下MYO臂环。本文选择日常生活中常用的8种手势动作作为研究，手势动作示意图如图4所示。实验使用PowerPoint软件定时播放手势图片以规范采集流程，每位受试者根图2Stacking集成学习模型框图Fig.2Block diagram of stacking ensemble learning model融合器sEMG数据XGBoostKNNRFNBLR分类结果基分类器指示灯图3MYO臂环佩戴示意图Fig.3Schematic diagram of wearing MYO armband江茜，等：肌电信号多通道相关性特征手势识别方法105Computer Engineering and Applications计算机工程与应用2023，59（7）据图片做出相同的手势，单个手势动作持续6 s，随后放松休息4 s，每个动作重复10次，单个手势采集完成后休息 2 min。本文多通道 sEMG 采集对象为 6 名健康受试者，按采集先后顺序依次标记为 s1s6，其中男性 3名，女性3名，年龄231.7岁，身高1676.2 cm，体重636.8 kg，均为右利手。sEMG是微弱的非平稳信号，在采集过程中极易受其他噪声干扰，因此需要选取合适的滤波器滤除特定频率噪声。本文首先采用50 Hz陷波滤波器以消除电力系统的工频干扰，其次采用6阶巴特沃斯高通滤波器，频带宽度设置为20 Hz，滤除肌肉低频伪迹28。由于受试者在动作切换时存在一定反应时间，引起数据偏差，为避免引入偏差数据，每个动作只取中间5 s活动段，共计10 000个样本。对所有sEMG数据L进行分段处理，设置时间窗为W，增量窗为I，经过增量窗处理后的样本总数为S=round|L-WI+1（16）其中round()为四舍五入函数。本文对每位受试者的手势数据随机取80%样本作为训练集，剩余20%样本作为测试集。2.2实验参数设置时间窗口大小会影响输入到分类模型中的单个样本大小，时间窗口越大则输入的时间样本数越多，反之则越少。为探讨时间窗口大小对识别正确率的影响，随机挑选3名受试者的数据进行实验。分别对3名受试者s1、s2和s4的手势识别数据进行预处理，增量窗口取时间窗口的一半，这样可以产生50%的重叠窗口。在训练集上使用三折交叉验证进行测试，识别准确率如图5所示，可以看出，随着滑动窗口逐步增大，识别准确率也在增大，但因为手势识别实时性的要求，本实验将时间窗口定为200 ms。2.3算法性能评价指标为评估本文方法的识别效果，本文利用十折交叉验证进行模型性能评估，将查准率（Precision）、召回率（Recall）、F1、准确率（Accuracy）及马修斯相关系数（Matthews correlation coefficient，MCC）用作性能评价指标，计算公式如下：Accuracy=TP+TNTP+FP+TN+FN（17）Precision=TPTP+FP（18）Recall=TPTP+FN（19）F1=2PrecisionRecallPrecision+Recall（20）MCC=TPTN-FPFN(TP+FP)(TP+FN)(TN+FP)(TN+FN)（21）其中，TP表示被模型预测为正的正样本，TN表示被模型预测为负的负样本，FP表示被模型预测为正的负样本，FN表示被模型预测为负的正样本。2.4算法性能分析分别对每位受试者数据进行十折交叉验证，在训练过程中，stacking模型中的基分类器采用网格搜索法29进行参数寻优，将十次性能评价指标的平均值作为评估结果，并计算所有性能评价指标均值，识别结果如表1所示。从表 1 中可以看出，对每位受试者手势识别准确率均能达到93%，各项评价指标的均值均在94%以上，算法取得不错的识别效果。最后一次交叉验证中，图4采集的手势动作示意图Fig.4Schematic diagram of collected gestures（a）fist（b）grab（c）spread（d）good（e）index（f）yes（g）ok（h）smile100806040200识别准确率/%50100150200s1s2s4时间窗口大小/ms图5不同时间窗口大小识别结果Fig.5Recognition results of different time window sizes表1不同受试者手势识别结果Table 1Gesture recognition results of different subjectsSubjectss1s2s3s4s5s6均值Accuracy0.967 70.946 50.958 60.957 70.932 40.956 60.953 3Precision0.968 00.948 30.960 20.958 50.935 80.957 20.954 7Recall0.967 70.946 50.958 60.957 70.932 40.956 60.953 3F10.967 80.947 40.959 40.958 10.934 10.956 90.954 0MCC0.962 20.940 40.953 80.949 40.927 20.948 80.947 01062023，59（7）stacking模型寻优参数设置为：XGBoost模型的弱学习器数量设为100，学习率为0.01；KNN模型最近邻个数K设为5；RF模型树的数量设为80，树的最大深度为5，叶子结点上的最小样本数量设为1，分支结点的最小样本数量设为2；NB模型设为高斯核；LR模型正则项参数设为L2，损失函数优化器为lbfgs。参数的设置对模型性能有影响，为验证参数寻优后的stacking模型识别性能，本文随机挑选单个受试者数据进行实验。选取s6数据进行十折交叉验证，stacking模型中的参数均为默认值，将十次性能评价指标的平均值作为评估结果，识别结果如表2所示。从表 2 中可以看出，相比于参数均为默认值的模型，参数寻优的模型识别准确率更高，说明设置合适的参数能提高模型性能。对单个受试者 s6数据进行分类实验，将测试集提取 MC 特征后，利用 t-SNE 方法将数据映射到三维空间，进行可视化分析。图 6显示了 s6测试集数据提取MC 特征后可视化分析的结果。可以看出提取 MC 特征后，各类手势的类内距离较小，类间距离较大，明显具有可分性。对s6数据的测试集提取特征后输入到分类模型中进行识别，评价指标 Accuracy、Precision、Recall、F1、MCC均达到95%，其混淆矩阵如图7所示。从图7中可以看出大部分手势的识别准确率都较高，整体集中在对角线上。个别手势识别准确率相比其他手势较低，如index和smile手势，index手势为食指单个动作，发力点不明显容易被误判为fist手势。smile手势为大拇指与食指的联合运动，容易与其他动作混淆。fist与spread手势这两个动作幅度大，涉及手臂上运动的肌肉较多，容易与其他动作区分，识别精度最高。2.5多通道相关性特征与常用时域特征识别结果对比特征对手势识别起着至关重要的作用，为了验证本文所提的MC特征的有效性，将MC特征与幅值绝对值均值（mean absolute value，MAV）、过零点数（zerocrossing，ZC）、波长（wave length，WL）和斜率变化数（slop sign change，SSC）这4种常用的时域特征进行对比。对所有受试者的训练集和测试集数据均提取4种时域特征和 MC 特征，在训练集上完成分类模型训练后，在测试集上进行实验，得出分类结果，其平均识别精度如图8所示。总体来看MC特征的识别效果最理想，4种常用的时域特征识别准确率分别为78.2%（MAV）、52.8%（ZC）、72.4%（WL）、58.8%（SSC），而MC特征的识别精度远高于这些时域特征，较ZC特征准确率提高41.9个百分点，达到94.7%。这些常用时域特征提取虽然简单方便，但在实际场景下容易受不同的力量或速度影响，使得特征数值波动较大，从而影响后续识别性能。而本文提出的MC特征能量化sEMG通道间线性相关关系与非线性相关关系，在一定程度上能表征肌间耦合，表现更为稳健。相较于单个时域特征，MC特征充分利用了通道间表2模型调参前后识别结果Table 2Recognition results of model parameters tuning调参调参前调参后Accuracy0.942 40.956 6Precision0.945 50.957 2Recall0.942 40.956 6F10.943 90.956 9MCC0.938 20.948 8图6t-SNE可视化结果Fig.6t-SNE visualization resultsfistgoodgrabokspreadyesindexsmile201510505101530201001020 201510505101520 xyz图7混淆矩阵Fig.7Confusion matrix001000094000300983002009200000096000020923210119400201096210300980030001806040200fistgoodgrabindexoksmilespreadyesfistgoodgrabindexoksmilespreadyes预测手势类别实际手势类别图8不同特征平均识别准确率Fig.8Average recognition accuracy of different features0.9470.5880.7240.5280.782MAVZCWLSSCMC1.00.80.60.40.20准确率特征江茜，等：肌电信号多通道相关性特征手势识别方法107Computer Engineering and Applications计算机工程与应用2023，59（7）的有用信息，能更好地描述多通道sEMG特征，显著提高了手势识别准确率。2.6stacking模型与常用分类器识别结果对比为了进一步验证本文中stacking模型的识别性能，将 5 种常用分类模型 XGBoost、KNN、RF、NB、LR 与stacking 模型进行对比，探究对 sEMG 手势识别的影响。每个模型的参数与stacking模型中参数保持一致。对所有受试者数据提取MC特征后，在模型中使用训练集进行训练，在测试集上进行五折交叉验证进行模型验证，将5次识别准确率结果的均值和方差作为模型评估指标，实验结果如图9所示。从图9中看出，在4种基础模型中，XGBoost的准确率最高，LR模型识别准确率最低，而stacking模型识别准确率优于其他任何一个分类模型，平均值达到96%，分别比 XGBoost、KNN、RF、NB、LR这 5个单一分类器高出6、24、12、29和28个百分点。结果表明stacking模型整体上表现更好，手势识别率更高。这是由于对于多分类问题，单一的机器学习方法因表征不足往往存在局限性，而stacking集成学习模型综合多个基分类器的输出特征，并通过融合器学习特征得出分类结果，具有更低的方差和更好的泛化能力，从而达到提高分类准确率的效果。3结束语为了充分挖掘sEMG多通道信息，提高手势识别性能，本文构建sEMG多通道相关性特征，并利用stacking集成学习模型进行手势识别。首先对6名健康受试者采集8种手势动作的多通道sEMG，并进行数据滤波、分段和滑动增量窗口处理。然后对预处理后的数据利用CCC计算通道间线性相关特征参数，根据copula MI估计通道间非线性相关特征参数，构建成 MC 特征。最后，为了充分学习数据特征，利用以XGBoost、KNN、RF和NB为基分类器，LR为融合器的stacking分类模型进行手势识别。在采集的多通道sEMG数据上进行实验验证，实验结果表明，对于日常生活中常用8种手势动作，所提方法在准确率、精确率、召回率、综合评价指标F1值和马修斯相关系数指标上均达到92%以上。为了验证所提MC特征的有效性，基于stacking模型使用MC特征与4种常用时域特征进行对比，实验结果表明所提出的MC特征在识别准确率上达到94.7%，显著高于MAV、ZC、WL、SSC这4种常用时域特征的识别准确率；其次为了验证本文中stacking模型的识别性能，基于MC特征使用stacking模型与5种常用分类器进行对比识别实验，结果表明stacking模型识别准确率均优于XGBoost、KNN、RF、NB和LR这5个单一分类器。在下一步工作中，将进一步考虑stacking模型的选择方法，减少计算成本并提高学习效率。同时，本文仅对8种手势的sEMG进行识别，下一步将扩充sEMG手势数据集，识别更加复杂的手势动作。参考文献：1 丁其川，熊安斌，赵新刚，等.基于表面肌电的运动意图识别方法研究及应用综述J.自动化学报，2016，42（1）：13-25.DING Q C，XIONG A B，ZHAO X G，et al.A reviewon researches and applications of sEMG-based motionintent recognition methodsJ.Acta Automatica Sinica，2016，42（1）：13-25.2 FANG C，HE B，WANG Y，et al.EMG-centered multisen-sory based technologies for pattern recognition in reha-bilitation：state of the art and challengesJ.Biosensors，2020，10（8）：85.3 程淑红，程彦龙，杨镇豪.基于手势多特征融合及优化Multiclass-SVC的手势识别J.仪器仪表学报，2020，41（6）：225-232.CHENG S H，CHENG Y L，YANG Z H，et al.Handgesture recognition based on multi-feature fusion andimproved Multiclass-SVCJ.Chinese Journal of ScientificInstrument，2020，41（6）：225-232.4 PHINYOMARK A，PHUKPATTARANONT P，LIMSAKULC.Feature reduction and selection for EMG signal clas-sificationJ.Expert Systems with Applications，2012，39（8）：7420-7431.5 ENGLEHART K，HUDGINS B.A robust，real-time controlscheme for multifunction myoelectric controlJ.IEEETransactions on Biomedical Engineering，2003，50（7）：848-854.6 SHI W T，LYU Z J，TANG S T，et al.A bionic handcontrolled by hand gesture recognition based on surfaceEMG signals：a preliminary studyJ.Biocybernetics andBiomedical Engineering，2018，38（1）：126-135.7 THONGPANJA S，PHINYOMARK A，PHUKPATTARA-NONT P，et al.Mean and median frequen