0 引言

    人手是人类与自然界接触与交流的工具^[1]，而智能仿生手，即康复型仿生手，主要是用于改善因事故等原因造成手部缺失或无法正常使用的伤残人员生活质量的机器手。在机器人研究领域，研究者研制的各种面向既定环境的工业机器人末端执行器^[2]，不具有普遍适用性。表面肌电信号(Surface Electromyography，sEMG)是一种从人体骨骼表面通过电极引导、记录下来的复杂的生物电信号^[3]，该信号因其无创性，被广泛应用在临床、运动和康复医学领域^[4]。该信号是从皮肤表面通过电极引导、记录下来的神经肌肉系统活动时的生物电信号，能够实时、准确地和在非损伤状态下反映肌肉活动状态和功能状态^[5]。

    模式识别是智能仿生手功能实现过程中的一个重要步骤，其中神经网络因其较强的容错能力和自适应学习能力而被国内外研究者广泛应用。卜峰^[6]等人应用BP神经网络实现5种手掌动作模式的识别。李东洁^[7]等针对数据手套手势识别问题，提出基于PSO改进的BP神经网络的手势识别方法，取得了理想的识别效果。Kohonen网络作为一种自组织型网络，算法简单，聚类时间短，在模式识别中应用较为广泛。因此本文针对sEMG的特性，提出一种基于权值优化的Kohonen网络的在线半监督网络，在有限标记数的情况下进行训练数据的更新与添加，从而提高模式识别的在线识别能力，在线进行侧边抓取、球形抓取、三指精确抓取和圆柱形抓取4种预抓取手势识别实验。对比不同识别方法的实验结果，本文提出的在线识别网络具有很好的实时性和识别正确率。

1 预抓取手势

    观察日常生活中人手可以完成的多种功能，可以将其分为姿态和抓取两种模式。为实现仿生手的抓取功能，提出对预抓取模式进行识别。人手作为日常活动中的重要角色，其本身具有很多的自由度和很高的复杂度，因此想要完成适用于广大伤残人员的商业化智能仿生手，首先需要尝试对人手所表现出的多种动作模式进行简化。人手在实现物体抓取的过程中可以划分为预抓取与抓取实施两个阶段，其中在预抓取阶段，很多手势动作模式具有一定的相似性，同时忽略物体大小的影响，归纳出如图1所示的4种预抓取模式。

2 在线半监督Kohonen网络

    有监督网络在具有完善标记样本前提下可以十分准确地进行各种手势识别，若要进行在线识别则具有极大局限性，同时忽略了可以随意得到的未标记样本的重要性。考虑实际使用中标记样本不足及sEMG易受环境影响的情况，在有监督Kohonen网络（记为SK网络）和权值优化的有监督Kohonen网络（记为ISK网络）^[8]基础上，提出在线半监督网络，既可以降低人工标记工作量，又可以有效利用大量无标记样本。

    该半监督网络首先根据少量标记样本进行训练，然后在识别的过程中增加训练样本，随时调整网络，提高仿生手的易用性。

    (1)对部分样本进行标记，记为F₁；其余样本作为测试样本集F_N。

    (2)少量样本集F₁作为训练样本，建立一个ISK网络，对FN进行分类并预测标注。

    (3)更新训练样本集F₂=F₁+(k-1)×ΔF和测试样本集F_T=F_N-(k-1)×ΔF，进行k(k≥2)次循环预测，第k-1次循环预测得到F_T标注，ΔF为新训练集中已标注的样本增量。

    (4)对未标记样本是否标记完毕进行判断，是则学习结束，否则返回(2)。

    在网络更新过程中，具有明确标记的样本仍占少数，训练出的分类器无法保证具有较高精度，预测标记中误标记的情况将会持续产生并反复累计，降低分类器识别能力。为提高网络更新中训练集质量，提出应用Vazquez F^[9]等人提出的WilsonTh数据剪辑算法，即在每次对测试样本进行预测后，检测更新的训练样本集，找出异样样本，经过判别进行剔除或重新标记。

    (1)利用两个样本间的距离与其类别相同可能性成正比的最邻近规则。具有n个样本、m个类别的样本集X={(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)}，式(1)描述样本x属于y的概率P_y(x)，式(2)表示经过同类间归一化后的结果。

其中，k表示样本x最邻近样本集K的样本数；dist表示距离计算；表示最近邻居中第j个样本属于y类概率，属于则等于1，否则为0。

    (2)利用式(3)对x属于样本y类的可能性进行判断，满足则剔除该样本X=X-{x}，否则保留。

    根据Blum和Mitchell等人提出的Co-training算法^[10]，结合有监督和无监督网络的优势，有效利用可以随时取得的大量无标记样本，建立如图2所示的在线半监督Kohonen网络，实时进行数据监测。

    每次对一个未标记样本进行识别预测后，将SK网络的识别结果作为判定ISK网络识别结果是否正确的标准。若识别一致则将未标记样本及其预标记类别一并送入集合S，当集合S中数据达到指定容量N时，对该集合进行一次数据剪辑，S′=WilsonTh(S)，删除误标记样本，并将剪辑后的集合S′合并到原已标记样本集L中，L=L∪S′，形成新的训练样本集更新网络H₁和H₂进行识别。

3 实验结果及分析

    对比实验使用MQ8表面肌电采集系统采集sEMG，每种手势动作持续重复100次，间隔时间为1 s，并对采集到的信号进行预处理与特征提取。

    SK网络，每种动作的特征中随机抽取40组，其中前20组、4种动作共计80组组成识别网络的训练集，其余80组组成测试集。网络设置：输入层m=4，竞争层m×n=6×6，输出层g=4；输入层与竞争层间学习速率0.01<rate1<0.1；竞争层与输出层间学习速率0.5<rate2<1；邻域0.4<r<1.5；训练次数N=1 000；权值ω初始化为小于1的随机数。某次SK网络识别结果见图3。

    ISK网络，训练数据、测试数据、网络结构与SK网络相同，权值ω进行权值优化。某次ISK网络识别见图4。随机5次SK、ISK网络识别结果如表1所示。

    从表1中可以看出，在具有完善有标记样本的前提下，有监督网络在sEMG的预抓取手势识别中具有很好的识别能力。应用这样的SK和ISK网络建立BK网络，分别设已标记样本数为3、5、7，随机抽取每种手势模式40组，4种手势共计160组组成测试集，随机进行5次测试，某次BK网络识别如图5。随机进行5次识别结果如表2。

    综合分析3种不同已标记样本情况下的识别结果可知，本文提出的在线半监督识别方法可以很好地实现4种预抓取手势模式的识别，同时根据已标记样本个数的增加，识别率也会随之提高，且网络趋于稳定。与SK网络和ISK网络比较，识别率虽然没有有监督网络的理想，但提出的在线半监督网络只要确保实验人员在完成相同模式时的大体一致性，就基本可以忽略环境的细微变化，进行在线的sEMG手势识别，有利于智能仿生手的实现，具有更好的实用性。

4 结论

    本文首先根据人手在日常生活中可能完成的抓取动作，简化后归纳出4种预抓取手势模式：侧边抓取、球形抓取、三指精确抓取和圆柱形抓取，并对其进行sEMG的采集、预处理、特征提取和模式识别。在模式识别的过程中，针对sEMG的自身特性，结合无监督和有监督识别网络优势，将数据剪辑算法应用于识别网络更新中，从而提出一种基于有监督网络的在线半监督Kohonen识别网络，并进行预抓取手势识别的对比实验。实验表明，提出的在线半监督Kohonen网络针对预抓取模式的sEMG具有较高且稳定的在线识别能力，验证了基于sEMG的智能仿生手功能实现的可行性。

参考文献

[1] 李素蕊，于毅，董兵超，等.基于脑机接口技术下仿生手结构设计及分析[J].电子测试，2014，24：113-115.

[2] Bicchi.Hand for dexterous manipulation and robust grasping：a difficult road toward simplicity[J].IEEE Trans.Robot.Autom，2000，16(6)：652-662.

[3] 赵漫丹，李东旭，范才智，等.基于肌电信号层级分类的手部动作识别方法[J].北京生物医学工程，2014，33(5)：490-496.

[4] 罗志增，任晓亮.表面肌电信号测试中工频干扰的抑制[J].仪器仪表学报，2005，26(2)：193-195，210.

[5] 吴冬梅，孙欣，张志成，等.表面肌电信号的分析和特征提取[J].中国组织工程研究与临床康复，2010，14(43)：8073-8076.

[6] 卜峰，李传江，陈佳佳，等.基于ARM的肌电假肢手控制器[J].上海大学学报（自然科学版），2014，20(4)：442-449.

[7] 李东洁，李群祥，张越，等.基于PSO改进的BP神经网络数据手套手势识别[J].电机与控制学报，2014，18(8)：87-93.

[8] Zhang Li，Tian Yantao，Li Yang.Hand gesture recognition of sEMG based on modified Kohonen network[C].2011 International Conference on Electronics，Communications and Control，ICECC 2011-Proceedings，Ningbo，2011：1476-1479.

[9] VAZQUEZ F，SANCHEZ J S，PLA F.A stochastic approach to Wilson′s editing algorithm[J].Pattern Recognition and Image Analysis，2005，3523：35-42.

[10] AVRIM B，TOM M.Combining labeled and unlabeled data with co-training[C].Proceedings of the Annual ACM Conference on Computational Learning Theory，Madison，1998：92-100.