基于PSO-GA协同优化的sEMG人机交互系统

王伊萌 ,  韩团军 ,  吉志琦 ,  李凯阳 ,  刘庆江

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (21) :8914-8926

PDF (18018KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (21) :8914-8926 DOI: 10.12404/j.issn.1671-1815.2600304
第二十八届中国科协年会学术论文

基于PSO-GA协同优化的sEMG人机交互系统

作者信息 +

sEMG Human-computer Interaction System Based on PSO-GA Collaborative Optimization

Author information +
文章历史 +

摘要

针对表面肌电信号(surface electromyography,sEMG)动态手势识别中时变性、非线性及传统控制参数调优困难等问题,提出一种融合粒子群-遗传协同优化(particle swarm optimization-genetic cooperative optimization,PSO-GA)与自适应模糊比例-微分(adaptive fuzzy proportional-derivative,AF-PD)控制的机械臂控制系统。首先采集8通道sEMG信号,提取多维特征,构建端到端控制架构。提出PSO-GA协同优化算法,并行优化动态时间规整(dynamic time warping,DTW)的路径约束参数与随机森林(random forest,RF)分类器的超参数,在自建6类手势数据集平均识别率达98.7%±0.6%,较传统RF-DTW方法提升5.2%,训练时间缩短40%,在NinaproDB1公共数据集依然有94.5%±1.0%以上识别率,具有良好泛化能力。设计AF-PD控制器,结合手势库与关节映射策略,实现从离散手势到连续关节运动的平滑转换。实验验证,系统控制延迟低于100 ms,任务操作成功率达96.3%。对推进康复辅具与人机交互技术发展具有积极意义。

Abstract

A robotic arm control system integrating particle swarm optimization-genetic cooperative optimization (PSO-GA) and adaptive fuzzy proportional-derivative (AF-PD) control was proposed to address challenges in dynamic gesture recognition based on surface electromyography (sEMG), including time variability, nonlinearity, and difficulties in traditional control parameter tuning. Eight-channel sEMG signals were first collected, and multi-dimensional features were extracted to establish an end-to-end control architecture. The PSO-GA co-optimization algorithm was proposed to parallelly optimize the path constraint parameters of dynamic time warping (DTW) and the hyperparameters of the random forest (RF) classifier. An average recognition accuracy of 98.7%±0.6% is achieved on a self-constructed six-gesture dataset, which is 5.2% higher than that of the traditional RF-DTW method, while training time is reduced by 40%. A recognition rate of over 94.5%±1.0% is maintained on the public Ninapro DB1 dataset, demonstrating strong generalization capability. An AF-PD controller is designed, integrating a gesture library and a joint mapping strategy to enable smooth transitions from discrete gestures to continuous joint motion. Experimental validation shows that the system achieved a control delay of less than 100 ms and a task operation success rate of 96.3%. This work is of positive significance for advancing rehabilitation aids and human-computer interaction technologies.

Graphical abstract

关键词

表面肌电信号 / 手势识别 / 粒子群优化 / 遗传算法 / 协同优化自适应模糊控制 / 仿生手

Key words

surface electromyography (sEMG) / gesture recognition / particle swarm optimization / genetic algorithm / collaborative optimization / adaptive fuzzy control / bionic hand

引用本文

引用格式 ▾
王伊萌, 韩团军, 吉志琦, 李凯阳, 刘庆江. 基于PSO-GA协同优化的sEMG人机交互系统[J]. 科学技术与工程, 2026, 26(21): 8914-8926 DOI:10.12404/j.issn.1671-1815.2600304
WANG Yi-meng, HAN Tuan-jun, JI Zhi-qi, LI Kai-yang, LIU Qing-jiang. sEMG Human-computer Interaction System Based on PSO-GA Collaborative Optimization[J]. Science Technology and Engineering, 2026, 26(21): 8914-8926 DOI:10.12404/j.issn.1671-1815.2600304

登录浏览全文

4963

注册一个新账户 忘记密码

机械臂是恢复上肢运动功能障碍患者手部功能与提升生活质量的关键技术[1]。核心在于精准、实时解析使用者的运动意图[2-4]。表面肌电信号(surface electromyography,sEMG)因无创性、实时性及易采集等优势,成为解码运动意图的首选生物信号,可直接反映神经肌肉活动状态,并驱动机械臂执行抓握等动作[5]。sEMG具有显著的时变性、非线性和个体差异性,传统基于固定参数模型或经验调优的控制方法常受限于识别精度低、响应迟滞及泛化能力弱等问题[6-7]。控制系统性能决定临床实用性与用户体验,提升鲁棒性与自适应性成为生物医学工程、康复工程与机器人学交叉领域的关键研究方向[8]。
国内外学者在表面肌电(sEMG)手势识别及人机交互领域取得显著进展。信号处理方面,李文国等[9]通过改进S变换优化时频分辨率,提升暂态特征,使动态手势识别率最高提升11.67%;赵世昊等[10]构建肌电特征矩阵并引入注意力机制,在NinaproDB1数据集上实现86.39%的准确率。模型设计方面,Ni等[11]提出PTCVS-Net识别率达82.09%~89.73%,推理速度最快0.019 ms;He等[12]轻量级DSRANet参数量仅0.46M,在NinaPro数据集上准确率最高达92.13%。Zhang等[13]提出的Fusionformer网络通过多模态交叉注意力融合加速度计(accelerometer,ACC)与sEMG信息,并结合模态对抗迁移学习,有效提升了跨受试者手指关节角度连续估计的精度。应用控制方面,Zhao等[14]将sEMG与自适应模糊推理结合,实现踝关节外骨骼的协同控制,使穿戴者行走时腓肠肌与比目鱼肌激活度分别降低19.7%和21.4%。Li等[15]构建的虚拟-现实融合系统结合动态非对称训练,在截肢与健康受试者中均显著提升任务完成率至92.44%。崔冰艳等[16]提出了一种sEMG手势识别方法:通过巴特沃斯滤波与滑动窗口预处理信号,构建IEME特征空间,并采用1D-CNN进行分类,识别准确率达98.61%,训练时间仅7.37 s。上述研究推动了sEMG技术从特征处理、模型优化到康复外骨骼、虚实交互等多元场景的深入应用。仍存在模型泛化能力弱、跨受试者性能下降、实时性与鲁棒性不足等问题,多数方法未充分融合生物力学先验与自适应控制策略。
针对上述问题,现设计一种结合智能优化与自适应控制的机械臂仿生手协同决策框架。通过构建八通道信号采集与特征提取流程,建立从意图识别到关节驱动端到端映射模型。提出粒子群-遗传协同优化(particle swarm optimization-genetic cooperative optimization,PSO-GA)混合优化策略,实现对分类模型关键参数协同搜索与整定,提升识别准确率同时显著降低模型训练开销。引入基于模糊推理的自适应比例-微分控制器,依据肌电信号强度动态调整控制参数,保障手势连续运动的平滑、稳定转换。

1 机械臂控制模型建立

系统采用六层垂直架构与闭环反馈机制。第一层在手臂上佩戴8通道sEMG电极采集原始信号,经带通滤波、陷波滤波和滑动窗口分割后,提取时域、频域及时频多维特征向量。利用PSO-GA协同优化引擎并行优化动态时间规整(dynamic time warping,DTW)路径约束与随机森林超参数,训练出高性能的DTW-RF分类器,实现手势识别。根据识别的手势类别与sEMG幅值,通过手势-关节映射库获取目标角度,并采用自适应自适应模糊比例-微分(adaptive fuzzy proportional-derivative,AF-PD)控制器,依据sEMG幅值、变化率动态调整比例与微分增益,实时生成电机控制指令。驱动多自由度机械臂执行动作,通过关节编码器等传感器反馈位置、速度信息至AF-PD控制器形成闭环,最终在延迟低于100 ms、成功率96.3%的条件下完成手势动作的执行。系统整体架构如图1所示。

为提升动态手势识别性能与训练效率,满足系统对实时性与泛化性的要求,提出一种PSO与GA协同优化框架,优化模型架构如图2所示,同时优化DTW路径约束与随机森林关键超参数。传统独立优化方法难以处理参数间的耦合关系,且易陷入局部最优。模型融合PSO快速局部搜索与GA全局随机探索能力,保证解质量的同时缩短优化时间,实现多参数耦合空间高效寻优。PSO与GA并行执行并建立协同进化机制[17-18]。PSO粒子依据个体及全局最优更新,适应混合参数空间快速收敛;GA通过锦标赛选择、多点交叉与变异增强多样性,避免局部最优[19]。每若干代进行一次双向信息交换,将PSO全局最优注入GA种群,同时引入GA优秀个体至PSO,实现知识迁移与搜索能力互补[20]。

手势样本集合定义为

D=$\left\{\right({X}_{i},{y}_{i}{\left)\right\}}_{i=1}^{N}$

式(1)中:Xi∈${\mathrm{R}}^{{\mathrm{T}}_{\mathrm{i}}\times C}$为第i个手势样本的多通道sEMG时间序列矩阵,T为时间步长(即滑动窗口内的采样点数),C为通道数(系统中C=8);yi∈{1,2,…,K}为手势类别标签,K为手势类别总数(系统中K=6);N为样本总数。分类器采用DTW-RF结构,使用DTW距离度量任意两个手势序列间的相似性;将DTW距离矩阵作为特征输入至随机森林(random forest,RF)进行分类。

DTW距离函数通过动态规划计算两个时序序列的最小对齐代价。引入路径约束参数w以限制弯曲路径的搜索范围,控制匹配的灵活性与计算复杂度。

定义w为弯曲窗口宽度,约束条件为∣i-j∣≤w。定义DTW距离函数为

DTW(Xi,Xj;θdtw)

式(2)中:θdtw=(ω,smax)为DTW的路径约束参数。

随机森林模型表示为

fRF(Z;θrf):RN×N→{1,2,…,C}

式(3)中:Z为由DTW构建的成对距离矩阵;θrf=(ntree,mfeat,depth,…)为RF超参数。

目标是最小化分类误差,表达式为

$\underset{{\mathrm{ }}_{{\theta }_{\mathrm{d}\mathrm{t}\mathrm{w}},{\theta }_{\mathrm{r}\mathrm{f}}}}{\mathrm{m}\mathrm{i}\mathrm{n}}$$\mathcal{L}${fRF[Z(θdtw);θrf],y}

式(4)中:$\mathcal{L}$为损失函数。

PSO-GA协同优化引擎PSO分支;DTW 路径约束参数优化。令粒子群个体表示为

${p}_{k}^{\left(\mathrm{t}\right)}$=$[{\theta }_{\mathrm{d}\mathrm{t}\mathrm{w},1}^{(k,t)},{\theta }_{\mathrm{d}\mathrm{t}\mathrm{w},2}^{(k,t)}{]}^{\mathrm{T}}$∈Θdtw

式(5)中:k=1,2,…,Np为粒子索引;t为迭代代数。

速度更新表达式为

${v}_{k}^{(\mathrm{t}+1)}$=ω${v}_{k}^{\left(\mathrm{t}\right)}$+c1r1[${p}_{best,\mathrm{k}}^{{\mathrm{ }}^{\left(\mathrm{t}\right)}}$-${p}_{k}^{\left(\mathrm{t}\right)}$]+c2r2[${g}_{{\mathrm{ }}_{best}}^{{\mathrm{ }}^{\left(\mathrm{t}\right)}}$-${p}_{k}^{\left(\mathrm{t}\right)}$]

位置更新表达式为

${p}_{k}^{(\mathrm{t}+1)}$=${p}_{k}^{\left(\mathrm{t}\right)}$+${v}_{k}^{(\mathrm{t}+1)}$

适应度函数表达式为

FitPSO[${p}_{k}^{\left(\mathrm{t}\right)}$]=-$\mathcal{L}${fRF[Z(${p}_{k}^{\left(t\right)}$);${\theta }_{{\mathrm{ }}_{rf}}^{fixed}$],y}

针对GA(遗传算法)分支,在进行随机森林超参数优化时,将染色体编码方式设定为

${g}_{m}^{\left(\mathrm{t}\right)}$=$[{\theta }_{\mathrm{r}\mathrm{f},1}^{(m,t)},{\theta }_{\mathrm{r}\mathrm{f},2}^{(m,t)}{,\dots ]}^{\mathrm{T}}$∈Θrf

式(9)中:m=1,2,…,Ng为个体索引。

选择、交叉、变异操作依标准遗传算法执行。适应度函数为

FitGA[${g}_{m}^{\left(\mathrm{t}\right)}$]=-$\mathcal{L}${fRF[Z(${\theta }_{\mathrm{d}\mathrm{t}\mathrm{w}}^{\mathrm{f}\mathrm{i}\mathrm{x}\mathrm{e}\mathrm{d}}$);${g}_{m}^{\left(\mathrm{t}\right)}$],y}

信息共享与协同搜索机制,定义全局协同适应度表达式为

$\mathrm{F}\mathrm{i}{\mathrm{t}}_{\mathrm{c}\mathrm{o}\mathrm{o}\mathrm{p}}^{\left(t\right)}$=-$\mathcal{L}$(fRF{Z[${\theta }_{dtw}^{\left(\mathrm{t}\right)}$];${\theta }_{rf}^{\left(\mathrm{t}\right)}$},y)

式(11)中:${\theta }_{dtw}^{\left(\mathrm{t}\right)}$为来自PSO的最优粒子;${\theta }_{rf}^{\left(\mathrm{t}\right)}$为来自GA的最优个体。

每Tsync代执行一次信息交换,将GA最优固定,用于评估PSO个体;将PSO最优固定,用于评估GA个体;优化DTW-RF分类器的训练,整体优化问题可表述为双层协同优化,即

$\underset{{\mathrm{ }}_{{\theta }_{\mathrm{d}\mathrm{t}\mathrm{w}},{\theta }_{\mathrm{r}\mathrm{f}}}}{\mathrm{m}\mathrm{i}\mathrm{n}}$$\mathcal{L}${fRF[Z(θdtw);θrf],y},θdtw∈Θdtw, θrf∈Θrf

双层优化问题表明,DTW参数ω与RF超参数θ的优化并非独立,而是相互影响的。ω决定了输入RF的距离矩阵Z的质量,RF的分类性能反过来评估ω的优劣。PSO-GA协同框架通过并行迭代和知识共享来实现优化。

通过PSO-GA协同框架迭代求解,表达式为

$\left\{\begin{array}{l}{\theta }_{dtw}^{(\mathrm{t}+1)}=\mathrm{P}\mathrm{S}\mathrm{O}-\mathrm{U}\mathrm{p}\mathrm{d}\mathrm{a}\mathrm{t}\mathrm{e}[{\theta }_{\mathrm{d}\mathrm{t}\mathrm{w}}^{\left(t\right)},{\theta }_{\mathrm{r}\mathrm{f}}^{\left(t\right)}]\\ {\theta }_{rf}^{(\mathrm{t}+1)}=\mathrm{G}\mathrm{A}-\mathrm{U}\mathrm{p}\mathrm{d}\mathrm{a}\mathrm{t}\mathrm{e}[{\theta }_{\mathrm{r}\mathrm{f}}^{\left(t\right)},{\theta }_{\mathrm{d}\mathrm{t}\mathrm{w}}^{\left(t\right)}]\end{array}\right.$

最终训练得到最优参数组合(${\theta }_{\mathrm{d}\mathrm{t}\mathrm{w}}^{\mathrm{*}}$,${\theta }_{\mathrm{r}\mathrm{f}}^{\mathrm{*}}$),构成优化后的DTW-RF分类器为

$\hat{y}$=${f}_{\mathrm{R}\mathrm{F}}^{\mathrm{*}}$[Z(X;${\theta }_{\mathrm{d}\mathrm{t}\mathrm{w}}^{\mathrm{*}}$);${\theta }_{\mathrm{r}\mathrm{f}}^{\mathrm{*}}$]

2 自适应模糊AF-PD控制器设计

2.1 控制器架构设计

自适应模糊AF-PD控制器是一种融合模糊逻辑与自适应机制的改进型PD控制方法[21-22]。通过实时调整参数以增强系统对不确定性及动态变化的适应能力[23]。AF-PD控制器采用双层调节结构,如图3所示。第一层为基础PD控制器,实现关节角度的快速跟踪;第二层为模糊推理系统,根据实时sEMG信号特征在线调节PD增益参数,形成自适应闭环控制机制。

控制律设计表达式为

u(t)=Kp(t)e(t)+Kd(t)$\stackrel{·}{e}$(t)

式(15)中:e(t)=θd(t)-θ(t)为关节角度跟踪误差;$\stackrel{·}{e}$(t)为误差变化率;Kp(t)和Kd(t)为时变比例与微分增益;u(t)为电机控制电压输出。

模糊系统采用双输入单输出结构,输入sEMG信号幅值AsEMG∈[0,1],归一化处理。输入sEMG幅值变化率ΔAsEMG∈[-1,1],输出增益调节因子α∈[0,2.5]。

2.2 隶属度函数设计

各变量的模糊集合定义为{VS,S,M,L,VL}(很小、小、中、大、很大),隶属函数采用高斯型与三角型混合形式,表达式为

μA(x)=$\left\{\begin{array}{ll}\mathrm{e}\mathrm{x}\mathrm{p}\left[-\frac{{(x-c)}^{2}}{2{\sigma }^{2}}\right],& \mathrm{高}\mathrm{斯}\mathrm{型}\\ \mathrm{m}\mathrm{a}\mathrm{x}\left(\mathrm{0,1}-\frac{\left|x\right.-\left.c\right|}{w}\right),& \mathrm{三}\mathrm{角}\mathrm{型}\end{array}\right.$

具体参数设置如表1所示。高斯型函数使用标准差σ描述宽度,三角型函数使用全宽度w描述。

2.3 模糊规则库设计

基于肌电生理特性与控制系统动态响应分析,设计15条模糊控制规则[24],如表2所示。规则设计原则为:当sEMG幅值较大且稳定时,增强控制增益以提高响应速度;当信号波动较大时,适当降低增益以保证稳定性。

模糊推理与解模糊化,采用Mamdani型模糊推理系统,使用max-min合成方法。解模糊化采用重心法,表达式为

α=$\frac{\stackrel{N}{\sum _{i=1}}{\mu }_{i}{c}_{i}}{\stackrel{N}{\sum _{i=1}}{\mu }_{i}}$

式(17)中:μi为第i条规则激活度;ci为对应输出模糊集合的中心值。

自适应增益调节机制,PD增益随sEMG信号动态调整,表达式为

$\left\{\begin{array}{l}{K}_{\mathrm{p}}\left(t\right)={K}_{\mathrm{p}0}\alpha \left(t\right)\\ {K}_{\mathrm{d}}\left(t\right)={K}_{\mathrm{d}0}\alpha \left(t\right)\end{array}\right.$

式(18)中:Kp0=1.5、Kd0=0.05为基准增益,通过频域整定法确定。

增益调节需遵循如下原则:当表面肌电信号幅值AsEMG>0.7时,将增益调至1.5~2.0倍以加快系统响应;当AsEMG<0.3时,将增益降至0.5~0.8倍以抑制噪声干扰;当信号幅值变化量的绝对值∣ΔAsEMG∣>0.6时,则适当降低增益以增强系统稳定性。

2.4 闭环控制实现与稳定性分析

控制器输出经饱和限幅与滤波后,驱动电机形成位置-速度双环反馈控制,控制律可表示为

u(t)=Kp(t)e(t)+Kd(t)$\stackrel{·}{e}$(t)+Kv$\stackrel{·}{\theta }$(t)

式(19)中:u(t)为电机控制电压;e(t)=θd(t)-θ(t)为关节角度跟踪误差;$\stackrel{·}{e}$(t)为误差变化率;Kp(t)和Kd(t)为自适应模糊PD控制器实时调节的比例与微分增益;$\stackrel{·}{\theta }$(t)为电机实际角速度;Kv为电机速度常数,用于引入速度反馈以增强系统阻尼,抑制超调与振荡。

定义李雅普诺夫函数为

V(e,$\stackrel{·}{e}$)=$\frac{1}{2}$Kpe2+$\frac{1}{2}{\stackrel{·}{e}}^{2}$

导数为

$\stackrel{·}{V}$=Kp$\stackrel{·}{ee}$+$\stackrel{·}{e}\stackrel{··}{e}$

结合系统动力学模型$\stackrel{··}{e}$=-Kd$\stackrel{·}{e}$-Kpe+d(t),d(t)为有界扰动,可得

$\stackrel{·}{V}$=-Kd${\stackrel{·}{e}}^{2}$+$\stackrel{·}{e}$d(t)

当Kd>$\frac{\left|\mathrm{d}\right(t\left)\right|}{\left|\stackrel{·}{e}\right|}$时,系统渐进稳定。自适应模糊调节机制确保Kd随信号强度自适应调整,始终满足稳定性条件。

AF-PD控制器通过模糊逻辑将sEMG生物信号特性融入控制参数调节,实现了手势识别到关节运动的高效、平滑转换,在保证跟踪精度的同时显著降低了超调与振荡[25]。

3 系统集成与实验平台搭建

3.1 软硬件系统集成与开发

采用高性能思知瑞系统,以500 Hz采样率同步采集8通道sEMG信号,硬件集成20~500 Hz带通与50 Hz陷波滤波,USB3.0传输延迟<5 ms;配套6自由度定制机械臂。系统基于Jetson Xavier NX 核心,结合上位机与同步时钟实现多模块时间同步及实时控制。软件采用模块化设计,通过C++/SDK完成sEMG信号采集预处理与标准化输出,Python构建PSO-GA优化的DTW-RF分类器,C++开发闭环精准协同控制模块。

3.2 数据采集与预处理

研究共招募16名健康受试者(青年与中年男女各4名,年龄20~25岁),均签署知情同意书,且无神经肌肉疾病史,未接受过专业肌电信号训练。实验采用思知瑞科技八通道表面肌电采集系统,采样率为500 Hz,并配置50 Hz陷波滤波器以抑制工频干扰。采集前使用酒精清洁受试者左前臂皮肤以降低阻抗,正确佩戴电极臂带确保接触稳定,测试过程中受试者保持自然站立姿势。每位受试者依次完成伸掌(hand open,HO)、握拳(hand closed,HC)、掌左旋(palm supination,WS)、掌右旋(palm pronation,PP)、掌向内(palm inward)及掌向外(palm outward)六类手势,每类动作重复20次,单次持续5 s,截取中间2 s稳定信号作为有效数据,动作间休息10 s以缓解肌肉疲劳并确保信号一致性。采集图像如图4所示。

表面肌电信号为一维非平稳时序信号,为实现高效手势识别并满足系统实时性需求,首先通过集成50 Hz陷波器的巴特沃斯带通滤波器进行零相位数字滤波;滤波前后图像如图5所示,结合移动平均法进行平滑处理,实施最大绝对值归一化以消除个体间幅值差异。

提取了多模态肌电信号特征,包括时域特征(波长WL、平均绝对值MAV、均方根RMS、方差VAR)、频域特征[中值频率MF、平均功率频率MDF、功率谱密度均值(PSD_Mean)、功率谱密度峰值(PSD_Peak)]以及基于前臂解剖结构的手势专用特征[伸肌群协同性(ES)、伸屈肌对比(EFR)、全通道统计(ACS)、通道间相关性(ICC)、能量分布特征(ED)],构建全面的特征表征体系用于高精度手势识别。

4 实验与结果分析

4.1 手势识别性能分析

采用自建与公开数据集相结合策略,全面评估所提方法在sEMG手势识别与假肢控制中的有效性。自建数据集包含16名受试者执行6类日常抓握动作(每人每类20次,共1 920个样本),严格按受试者划分:12人用于5折交叉验证,4人完全独立用于跨用户泛化测试;在Ninapro DB1中选取语义一致的6类手势进行对照实验,确保结果的外部可比性。对比方法覆盖多个技术范式,包括传统模型(SVM、MLP)、时序建模方法(DTW-1NN、LSTM)、超参数优化策略(PSO-RF、GA-RF、Grid-RF)以及控制方案(固定增益PD、常规模糊PD)。

评估体系涵盖识别性能(准确率、宏平均准确率、宏平均召回率、宏平均F1分数)、算法效率(训练时间、单样本推理延迟)、控制性能(RMSE、超调量、调节时间、稳态误差)及系统实时性(端到端延迟、任务成功率)。所有关键指标均通过配对t检验(α=0.05)验证显著性。如图6(a)和图6(b)共同表现所提方法在自建集和Ninapro上宏平均F1分数分别达到98.5%与94.6%,推理时间仅3.9 ms,显著优于SVM、MLP、LSTM及各类优化RF等基线(P<0.05),在识别精度与实时性间实现最优平衡。如图7所示,在典型抓握任务中,所提方法实现高精度关节角度跟踪,响应快速、超调极小、无稳态误差;相比之下,基线控制器存在明显超调、振荡及稳态偏差。结果表明在动态响应与控制稳定性上优于现有方案。

如表3所示,PSO-GA协同优化DTW-RF方法在自建测试集上取得了98.7%的平均识别率,显著优于所有对比方法。相较于传统DTW-RF(93.5%),性能提升5.2个百分点。PSO-GA的协同机制在寻优效率和解质量上均优于单一的PSO或GA优化。

PSO-GA协同优化框架在保持高识别精度的同时将训练时间较传统Grid-RF缩短了40%。图8展示了3种优化算法在迭代过程中的适应度(验证集F1分数)收敛曲线。PSO在初期收敛迅速,后期易陷入局部最优;GA全局搜索能力强收敛速度较慢。PSO-GA通过中期(约第25代)的信息交换,有效融合了PSO的快速收敛与GA的全局探索优势,以更少的迭代次数达到了更高的适应度。

图9的混淆矩阵热力图清晰地展示了PSO-GA-RF在六类手势上的分类细节。对角线上的颜色最深,表明各类别的识别准确率均高于98%。仅观察到“掌左旋”与“掌右旋”之间存在极少量(<1%)的混淆,这符合这两类动作肌电模式相似的生理解释。

4.2 泛化能力验证

为验证模型的泛化能力,将基于自建数据集训练的PSO-GA-RF模型直接迁移至Ninapro DB1数据集的6类相似手势上进行测试,结果如表4所示。取得了94.5%的平均识别率,显著优于其他迁移对比方法,证明了所提特征体系与模型对跨数据集、跨设备差异具有良好的鲁棒性。

基于全部16名受试者的数据,为清晰展示个体差异,从16名自建数据集受试者中随机选取4名独立测试者S13~S16,并从Ninapro DB1中选取4名受试者N1~N4进行可视化对比以及从Ninapro DB1中随机选取的4名受试者(N1~N4)的个体识别准确率箱线图。由图10可知,PSO-GA-RF方法在各受试者上的表现均较为集中且处于高位(箱体集中在96%~99%),对比方法(以PSO-RF为例)表现出更大的个体间波动,尤其对于Ninapro数据集中的受试者。验证了PSO-GA协同优化在调整模型参数以适应个体差异方面的有效性。

4.3 机械臂控制性能分析

以“握拳”手势对应的多关节协同弯曲动作为例,图11对比了固定增益PD控制器、常规模糊PD控制器与AF-PD控制器的关节角度跟踪效果。AF-PD控制器通过依据sEMG幅值实时调节增益,在保证快速响应的同时(调节时间约300 ms),稳态误差最小(RMSE=0.8°)。固定PD控制器在sEMG信号突变时出现明显超调15%,常规模糊PD控制器的调节时间较长。

图12系统地呈现了AF-PD控制器在执行“伸掌”到“握拳”连续手势转换过程中的自适应增益调节机制。图12(a)显示sEMG通道1归一化幅值(AsEMG)从伸掌期低幅状态(≈0.2)平滑过渡至握拳期高幅状态(≈0.8),并在t≈2.5 s处出现模拟干扰的高频波动。图12(b)的幅值变化率(ΔAsEMG)曲线量化了这一动态特性:在t∈[1.2,2.0]s期间,$\left|\mathrm{\Delta }{A}_{\mathrm{s}\mathrm{E}\mathrm{M}\mathrm{G}}\right|$<0.1,表明信号处于高幅稳定阶段;而在t∈[2.5,3.2]s期间,ΔAsEMG出现显著波动(峰值±0.4),对应信号扰动阶段。

基于实时信号特征,模糊推理系统动态生成比例增益调节因子[图12(c)]。当检测到AsEMG>0.7且$\left|\mathrm{\Delta }{A}_{sEMG}\right|$<0.1时(t≈1.2 s),控制器将α_Kp提升至1.8,实现增益增强;当检测到AsEMG>0.7且$\left|\mathrm{\Delta }{A}_{\mathrm{s}\mathrm{E}\mathrm{M}\mathrm{G}}\right|$>0.3时(t≈2.5 s),则将α_Kp降低至0.6,以抑制扰动影响。最终实际比例增益Kp=Kp_baseα_Kp的变化如图12(d)所示(基准增益):在高幅稳定期Kp升至18.0±1.0,响应速度提升约80%;在高频波动期Kp降至6.0±1.0,增益降低约67%。该机制在保证快速跟踪的同时,将关节抖动超调量控制在2%以内。

图13展示了端到端手部动作识别系统的整体架构与实验数据,通过同步采集佩戴在手部的表面肌电(sEMG)信号,对应六种典型手部动作(伸掌、握拳、掌左旋、掌右旋、掌向内、掌向外)。左侧为实际操作照片,右侧呈现sEMG的肌肉电活动信号,直观体现了不同动作在肌肉激活模式上的差异。

在机械臂平台上进行了实物抓取任务测试,实物抓取图如图14所示,要求受试者控制仿生手抓取并移动不同形状(立方体、圆柱体、球体)、不同质量(50、100、200 g)的物体至指定位置。统计了所有受试者共240次任务的操作结果,如表5所示。系统整体任务成功率达96.3%,失败案例主要源于极端快速的意图切换导致的瞬时识别错误。端到端控制延迟的分布如图15所示,平均延迟为85 ms,99%的样本延迟低于100 ms,完全满足实时交互需求。

4.4 消融实验与稳定性分析

为量化PSO-GA协同优化模块与AF-PD自适应控制模块的各自贡献,设计了3组消融实验(表6):Ablation A移除PSO-GA模块,采用默认参数的随机森林与固定PD控制器,导致识别与控制性能全面下降;Ablation B仅保留PSO-GA优化的识别模型,但使用固定PD控制器,虽识别精度较高,控制性能却显著恶化;Ablation C采用传统Grid-RF识别模型配合AF-PD控制器,受限于较低的识别率,系统整体表现仍不理想。相比之下,完整模型在识别准确率、控制稳定性及综合任务指标上均达到最优,充分验证了PSO-GA与AF-PD两个核心模块缺一不可,且二者协同作用产生了“1+1>2”的增强效应。

在sEMG信号中分别添加20 dB和15 dB的高斯白噪声,模拟信号质量下降或电极接触不良的场景。如图16所示,随着信噪比降低,所有方法的识别性能均有所下降,但本文方法的下降幅度最小。在15 dB噪声干扰下,该系统仍能保持95.1%的识别率,显著高于对比方法,体现了系统的强鲁棒性。

对PSO-GA-RF+AF-PD与表现最佳的单一基线方法(PSO-RF+常规模糊PD)在识别准确率、控制RMSE和任务成功率三项关键指标上进行了配对t检验(n=16名受试者)。结果如表7所示,P值均远小于0.001,在统计意义上显著优于最佳基线方法。

为验证系统长时间工作的稳定性及肌肉疲劳的影响,选取5名健康受试者连续执行“握拳-伸掌”交替动作30 min,每5 min记录手势识别率、控制延迟及跟踪误差(RMSE),结果如图17(a)、图17(b)所示。

由图17可知,30 min后,手势识别率仍保持在97.5%以上,控制延迟稳定在85~95 ms,角度跟踪RMSE≤1.1°。额外模拟极端疲劳状态测试显示,识别准确率仅下降1.8%(98.7%→96.9%)。验证了系统对肌肉疲劳引起的信号漂移具有良好的适应性,具备长时间稳定工作能力。

5 结论

构建并验证一套融合智能优化与自适应控制的机械臂肌电控制系统,为动态手势识别与连续运动控制提供了解决方案。通过PSO-GA协同优化框架,实现了对DTW路径约束与随机森林超参数的高效并行寻优,保证高识别精度(自建数据集98.7%,公共数据集94.5%)的同时显著提升了训练效率。AF-PD控制器依据肌电信号特性实时调整控制增益,有效平衡了系统响应速度与稳定性,超调量低于2%。系统整体表现出优异的实时性能,平均控制延迟85 ms,实物操作成功率96.3%,并通过噪声干扰测试验证了强鲁棒性。突破传统肌电控制中识别与执行模块分离的局限,实现了从意图解析到动作执行的无缝衔接。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Mohammadiazni M, Lizotte J D, Trejos L A. Stacked one-vs-one (SOvO): a new approach for multi-class classification for sEMG recognition[J]. Pattern Recognition, 2026, 172(PD): 112659.
[2]

尤波, 刘嘉琦, 程晨晨, 等. 基于sEMG的人机交互随动控制研究[J]. 仪器仪表学报, 2025, 46(3): 123-142.
[3]

You Bo, Liu Jiaqi, Cheng Chenchen, et al. Research on human-machine interactive follow-up control based on sEMG[J]. Chinese Journal of Scientific Instrument, 2025, 46(3): 123-142.
[4]

Li B, Qiu S, Ye H, et al. Motion planning for 7-degree-of-freedom bionic arm: deep deterministic policy gradient algorithm based on imitation of human action[J]. Engineering Applications of Artificial Intelligence, 2025, 140: 109673.
[5]

刘光达, 许蓝予, 肖若兰, 等. 基于FGNN算法的sEMG肌肉疲劳分类方法[J]. 科学技术与工程, 2022, 22(19): 8370-8377.
[6]

Liu Guangda, Xu Lanyu, Xiao Ruolan, et al. sEMG muscle fatigue classification method based on FGNN algorithm[J]. Science Technology and Engineering, 2022, 22(19): 8370-8377.
[7]

钟旭, 张弼, 李纪桅, 等. 面向外骨骼的下肢多模态协同量化分析与康复评估方法[J]. 生物医学工程学杂志, 2023, 40(5): 953-964.
[8]

Zhong Xu, Zhang Bi, Li Jiwei, et al. Multi-modal synergistic quantitative analysis and rehabilitation assessment of lower limbs for exoskeleton[J]. Journal of Biomedical Engineering, 2023, 40(5): 953-964.
[9]

Ni S, Shen J, Tang C, et al. DKD-MNet: decoupled knowledge distillation and multimodal network for sEMG-based gesture recognition[J]. Knowledge-Based Systems, 2025, 331: 114775.
[10]

胡学政, 陶庆, 赵暮超, 等. 采用迁移学习的表面肌电信号手势识别方法[J]. 科学技术与工程, 2024, 24(12): 5044-5050.
[11]

Hu Xuezheng, Tao Qing, Zhao Muchao, et al. sEMG gesture recognition method using transfer learning[J]. Science Technology and Engineering, 2024, 24(12): 5044-5050.
[12]

Du C, Dai S, Sun Q. Theoretical modeling of a bionic arm with elastomer fiber as artificial muscle controlled by periodic illumination[J]. Polymers, 2025, 17(15): 2122.
[13]

李文国, 罗志增, 席旭刚. 改进S变换谱估计的动态手势肌电特征处理[J]. 仪器仪表学报, 2022, 43(5): 191-198.
[14]

Li Wenguo, Luo Zhizeng, Xi Xugang. Dynamic gesture EMG feature processing based on modified S-transform spectrum estimation[J]. Chinese Journal of Scientific Instrument, 2022, 43(5): 191-198.
[15]

赵世昊, 周建华, 伏云发. 注意力机制CNN结合肌电特征矩阵的手势识别研究[J]. 电子测量与仪器学报, 2023, 37(6): 59-67.
[16]

Zhao Shihao, Zhou Jianhua, Fu Yunfa. Investigation of gesture recognition using attention mechanism CNN combined electromyography feature matrix[J]. Journal of Electronic Measurement and Instrumentation, 2023, 37(6): 59-67.
[17]

Ni S, Qaness A A M. PTCVS-net: patch-based transformer-CNN with variable sparse attention network for sEMG-based gesture recognition[J]. Applied Soft Computing, 2026, 187: 114316.
[18]

He D, Liu W, Wang X, et al. DSRANet: a lightweight depthwise separable residual attention network for sEMG gesture recognition[J]. Biomedical Signal Processing and Control, 2026, 113( PB): 108845.
[19]

Zhang Y, Wang D W. A modality-wise multi-modal transfer learning and dual stream CNN-Transformer hybrid network for ACC-sEMG-based continuous estimation of finger joint angles[J]. Biomedical Signal Processing and Control, 2026, 112: 108445.
[20]

Zhao H, Li W, Yin K, et al. Powered ankle exoskeleton control based on sEMG-driven model through adaptive fuzzy inference[J]. Mathematics, 2025, 13(23): 3839.
[21]

Li S, Wang Y, Li W, et al. Enhancing sEMG recognition with dynamic asymmetric training in context-informed virtual-real fusion system[J]. Biomedical Signal Processing and Control, 2026, 113: 109235.
[22]

崔冰艳, 邓嘉, 张祥. 基于表面肌电信号的手势识别方法[J]. 科学技术与工程, 2023, 23(35): 15133-15141.
[23]

Cui Bingyan, Deng Jia, Zhang Xiang. Hand gesture recognition based on surface electromyography[J]. Science Technology and Engineering, 2023, 23(35): 15133-15141.
[24]

李凯阳, 韩团军, 刘庆江. 表面肌电信号熵特征和改进PSO-SVM的手势识别方法[J]. 科学技术与工程, 2025, 25(35): 15155-15164.
[25]

Li Kaiyang, Han Tuanjun, Liu Qingjiang. Gesture recognition method based on entropy features of surface electromyography signals and improved PSO-SVM[J]. Science Technology and Engineering, 2025, 25(35): 15155-15164.
[26]

Fu L, Wang J, Fu X, et al. Finite-time pade-based adaptive FNN controller implementation for microbial fuel cell with delay and multi-disturbance[J]. International Journal of Hydrogen Energy, 2025, 98: 1034-1043.
[27]

Miah M S A, Shin J, Hasan M A M. Effective features extraction and selection for hand gesture recognition using sEMG signal[J]. Multimedia Tools and Applications, 2024, 83(37): 85169-85193.
[28]

杜义浩, 曹添福, 范强, 等. 基于GA-BLS方法的手势识别研究[J]. 计量学报, 2024, 45(1): 121-127.
[29]

Du Yihao, Cao Tianfu, Fan Qiang, et al. Research on gesture recognition based on GA-BLS method[J]. Acta Metrologica Sinica, 2024, 45(1): 121-127.
[30]

Zhang X, Li T, Sun M, et al. Replay-based incremental learning framework for gesture recognition overcoming the time-varying characteristics of sEMG signals[J]. Sensors, 2024, 24(22): 7198.
[31]

Prabhavathy T, Elumalai V K, Balaji E. Gesture recognition framework for upper-limb prosthetics using entropy features from electromyographic signals and a Gaussian kernel SVM classifier[J]. Applied Soft Computing, 2024, 167: 112382.
[32]

Liu X, Hu L, Tie L, et al. Integration of convolutional neural network and vision transformer for gesture recognition using sEMG[J]. Biomedical Signal Processing and Control, 2024, 98: 106686.
[33]

Shin J, Miah M S A, Konnai S, et al. Hand gesture recognition using sEMG signals with a multi-stream time-varying feature enhancement approach[J]. Scientific Reports, 2024, 14(1): 22061.
[34]

Wang G, Liu Y, Liu K, et al. sEMG data driven-based anti-disturbance control enables adaptive interaction of lower limb rehabilitation exoskeleton[J]. Biomedical Signal Processing and Control, 2024, 94: 106347.

基金资助

国家自然科学基金(61972239)

陕西省教育厅专项科学研究计划(18JK0160)

陕西省教育厅专项科学研究计划(18JK0154)

陕西理工大学2023年科研基金项目(SLGKYXM2308)

PDF (18018KB)

71

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录