英语原文共 6 页

基于LM-BP神经网络系统的电子手写识别系统的设计及实现

摘要

随着技术的发展，人机交互（HCI）系统正在我们的日常生活中扮演越来越重要的作用。HCI是一种在人和计算机之间建立连接和传输信息的方式。基于表面肌电图（SEMG）的模式识别是最重要的HCI技术之一。为了使输入电子折别更加便携，满足人们与计算机（尤其是残疾人）交互的需要，这项研究提出了一种基于LM-BP（反向传播）神经网络的肌电信号的手写识别系统。在信号预处理方面，本文尝试使用一些新特征来更好地反映信号的特点。在模式识别方面，LM-BP神经网络被应用于设计适合于基于SEMG的模型训练和识别的系统。与基于动态时间扭曲（DTW）算法的现有系统和基于隐马尔可夫模型（HMM）的系统相比，训练时间和训练时间减少了很多，这使得基于SEMG的手写识别系统更加实用。
关键词: HCl 表面肌电信号 LM-BP 手写识别

1 导论

随着技术的发展，人和计算机之间的交互变得越来越重要，例如人机界面(HCI)系统。一些HCI，如鼠标，键盘等，已经被广泛使用，带来极大的方便。如今，学者更加注意新型的HCI系统，它将人类运动转化为基于模式识别算法的控制命令，对用户更方便。表面肌电图（SEMG）是其中之一。

SEMG是反应骨骼肌活动的电信号，并且可以通过记录其特征来研究肌肉功能。SEMG由于其安全性，灵敏性和可移植性而广泛用于科学研究。但它也有几个缺点，如信号噪声较大等。

虽然SEMG存在一些缺点，但将它应用于手写识别系统时有点更为显著。 基于模式识别的手写系统是包括信号采集和处理，输出系统以及将识别结果转为命令的过程。

一些研究人员提出并改进了基于动态时间扭曲（DTW）的SEMG的手写识别系统。其平均识别率可达到90.4％。为了提高识别精度，Zhao et al。提出了基于隐马尔科夫模型的算法（HMM）。 这种算法使得平均识别率提高到91.8％。

然而，在研究了上述算法之后，我们发现当前基于SEMG的手写识别系统不能应用于实际使用，存在的一些 问题，比如识别率低，不稳定的识别结果，较长的反应时间，个体差异，训练时间长等限制了基于SEMG的手写识别的实际应用。

2信号收集与处理

2.1信号收集

通过商业系统（Biometrics，USA）收集到的SEMG信号。选择六个SEMG传感器作为六个不同的路径收集臂的SEMG信号，其被放置在前臂的屈肌腱，浅表屈肌，掌掌，伸肌桡侧肌，手指伸肌和伸肌腕，如图2所示。采样频率设置为1000Hz。在实验中，主体将主动写下从1到6的阿拉伯数字和从A到Z的23大写字母（I,U,V除外）。为了获得更好的识别结果，这个动作需要保持8秒钟在开始书写一个新的字符之前，以便于收集背景噪音。当主体在税书写字符时，每一个书写动作之间 至少需要保持1秒钟的时间间隔以便更好地分割动作。

图2 未处理SEMG信号的获取

2.2信号预处理

SEMG信号具有相对较大的噪声，包括环境噪声等其他噪声。然而，我们感兴趣的是有意义的运动区域的信号，而不是无用的噪声区域。因此，原始信号的预处理是必要的。预处理过程包括两个主要步骤，第一步是信号过滤，第二步是信号分割。在第二阶段，Li和Zhao等人提出的算法将会被使用到。对高频部分的噪声进行滤波之后，维度会被降低，信号会根据窗口进行分割，在本次研究中窗口的长度和宽度分别为32和4。

2.3特征提取

为了处理和分析数据，我们需要在预处理之后提取信号的特征。这样，我们

可以压缩信息，减少计算时间和过滤无用信息，最终达到优化识别结果的目的。最常用的特征包括时域特征，频域特征和自回归特征。

由于信号的单个特征可能导致错误的识别，因此选择良好的参数模型尤为重要，其中AR特征在应用BP神经网络的测试中具有最佳性能。AR特征源自于自回归模型，其也被称为AR模型。在AR模型中，SEMG信号被认为是线性系统的输出，该系统的激励为均值为零的白噪声。只要白噪声的功率和系统的参数是已知的，我们可以通过研究模型的性质和系统的输入输出关系来研究SEMG信号。AR模型结合SEMG信号的随机性和SEMG信号的可预测性来刺激白噪声来反应过程的随机性，这可以用于确定过程的可预测性。随机信号的AR模型可以表示如下。

在这个公式中，是模型的系数，p是模型的阶数，u(n)是白噪声。

在一阶模型中，

定义

根据矩阵的对称性，公式可以扩展到高阶AR模型，并可