通过遗传算法优化的模糊强化学习对前臂运动进行分类：一种面向假肢设计的方法

《Results in Engineering》：Forearm Movements Classification via Genetic Algorithm Optimized Fuzzy Reinforcement Learning: An Approach Towards Prosthesis Design

基于遗传算法优化的模糊强化学习（GAFRL）分类器在六种前臂运动分类中的应用。通过Hilbert-Huang变换（HHT）和模糊格阵法提取EMG信号的非线性特征，结合主成分分析（PCA）降维至7个特征。实验表明，GAFRL分类器在20名健康受试者的测试中平均准确率达95.475%，显著优于传统方法如ANN（81.38%）、SVM（81.66%）和KNN（84.08%），展示了其在自适应学习及假肢控制系统中的潜力。

　　本研究提出了一种基于遗传算法优化的模糊强化学习（GAFRL）分类器，用于识别六种前臂动作。实验中，使用Biopac 100c系统采集了20名健康受试者的表面肌电图（sEMG）信号，采样频率为1000 Hz，每种动作持续记录5分钟。首先，通过希尔伯特-黄变换（HHT）和模糊晶格形成技术提取特征，这两种方法能够有效处理sEMG信号的非线性和非平稳特性。HHT通过经验模态分解（EMD）将信号分解为多个本征模态函数（IMF），并利用希尔伯特谱分析提取瞬时频率信息。而模糊晶格形成方法则通过薛定谔方程计算动能特征，进一步增强特征提取的全面性。

为了进一步减少特征维度，研究采用主成分分析（PCA）进行特征降维，最终保留7个最具代表性的特征用于分类。随后，GAFRL分类器被应用于识别前臂动作，该分类器具有自适应学习能力，能够根据奖励/惩罚机制不断优化自身的分类策略。与传统的分类器如人工神经网络（ANN）、K近邻（KNN）等相比，GAFRL分类器在准确率、灵敏度和特异性方面表现更优，达到了95.8%、97.8%和93.8%的分类性能。这些结果表明，该方法在处理非线性、非平稳的sEMG信号时，具有更强的适应性和分类能力。

从历史背景来看，EMG技术的发展已有数百年，从1666年Francesco Redi首次记录电鳐的放电现象，到1773年Walsh发现鳗鱼肌肉组织能够产生电火花，再到1792年Galvani的肌肉放电研究，EMG逐渐成为研究人体运动的重要工具。随着技术的进步，sEMG在1960年代开始应用于临床治疗，如手部运动的识别与控制。然而，传统方法在处理非线性、非平稳信号时存在局限，特别是在分类准确性和适应性方面表现不佳。近年来，研究者尝试结合多种技术，如深度学习和强化学习，以提高分类性能。

本研究的创新点在于将模糊强化学习与遗传算法相结合，以解决分类器的维度灾难问题。传统分类器如ANN需要预先知道输入和目标矩阵，而强化学习（RL）则通过奖励机制进行自我学习，但面临维度高、计算复杂度大的问题。模糊逻辑的引入为RL提供了一种有效的解决方案，通过模糊推理系统（FIS）对Q值进行近似处理，使得分类器能够在不依赖目标信息的情况下进行学习。遗传算法（GA）则用于优化Q值的选择，从而提高分类的准确性。这种结合方式在处理非线性Q函数时表现优异，同时具备良好的适应性。

实验结果显示，使用HHT和模糊晶格形成方法提取的特征，结合GA优化的FRL分类器，能够显著提升前臂动作的识别准确率。具体而言，对于右臂动作，GAFRL分类器的平均识别准确率为94.138%和93.98%，而左臂动作的平均准确率分别为94.04%和93.12%。这些结果与传统分类器如ANN、SVM、KNN和Boosted Tree Algorithm的性能进行了比较，显示出GAFRL在分类准确率方面的优势。此外，研究还与其他文献中提出的分类方法进行了对比，例如Lei Zhang的反向传播神经网络（BPNN）和A. Kukker的ANN方法，结果表明GAFRL在准确率上超越了这些传统方法。

在实验过程中，sEMG信号的采集和处理是一个关键环节。实验对象为20名年龄在18-35岁之间的健康志愿者，其中男女各10名。信号采集过程中，受试者在放松状态下进行动作，以确保数据的真实性和代表性。通过HHT和模糊晶格形成方法提取的特征，包括时间域、频率域和相位域的指标，如均值、标准差、熵、能量、最大值、最小值和宽度等。这些特征的提取过程不仅考虑了信号的非线性和非平稳特性，还通过模糊逻辑的方法对信号进行建模，从而提高分类的鲁棒性。

PCA用于特征降维，保留了最多信息的特征维度，使得分类过程更加高效。GAFRL分类器的性能评估表明，其在准确率、灵敏度和特异性方面均优于传统分类器。此外，实验还分析了分类器在不同动作中的表现，例如手部闭合、张开、旋前、旋后、屈曲和伸展等。通过将GAFRL与FRL进行对比，研究发现GAFRL在平均训练准确率上达到了95.475%，而FRL仅为93.491%。这表明，结合遗传算法的模糊强化学习方法在处理复杂、非线性的sEMG信号时具有更强的适应性和更高的分类准确率。

尽管GAFRL分类器在识别前臂动作方面表现出色，但该方法仍面临一些挑战。首先，由于使用了多种特征提取和分类方法，计算复杂度较高，这可能限制其在实时系统中的应用。其次，实验数据仅来自六种前臂动作，样本量相对较小，未来需要在更大规模的数据集上进行验证，以提高分类器的泛化能力。此外，虽然GAFRL分类器能够在线学习，但其学习过程仍需一定时间，这可能影响其在实际应用中的响应速度。

为了进一步提升分类器的性能，研究者可以考虑引入更先进的优化算法，如双深度Q学习（Double Deep Q-Learning）或其他强化学习策略，以增强分类器的学习效率和适应性。此外，未来的工作还可以探索将该方法应用于更多自由度的运动控制，例如手部和前臂的联合动作，以实现更精细的运动识别。同时，研究者可以尝试将该方法与其他技术如深度学习和神经网络相结合，以构建更复杂的分类系统，提高分类的准确性和鲁棒性。

总的来说，本研究提出了一种创新的分类方法，结合了HHT、模糊晶格形成、PCA和遗传算法优化的模糊强化学习技术，以提高前臂动作的识别准确率。实验结果表明，该方法在处理非线性、非平稳的sEMG信号时表现优异，能够有效解决传统分类器在处理复杂信号时的局限性。未来的研究可以进一步扩展该方法的应用范围，提高其在实际系统中的性能，并探索其在更广泛领域的应用潜力。