基于表面肌電信號的手腕動作模式識別

張啟忠 席旭剛 馬玉良 羅志增 佘青山

(杭州電子科技大學(xué)智能控制與機(jī)器人研究所，杭州 310018)

引言

肌電信號(electromyography，EMG)是一種伴隨肌肉活動的生物電信號，是眾多肌纖維中運動單元動作電位的疊加，蘊含了肌肉活動的各種信息。通過提取截肢者自身殘端的EMG 信號，利用其蘊含的動作模式信息，可以達(dá)到假手智能控制的目的。

目前，肌電假手智能控制的研究主要集中在相關(guān)的基礎(chǔ)領(lǐng)域，如肌電信號采樣頻率的確定和采樣窗口范圍變化對動作模式識別率的影響［1-2］，以及實時的肌電信號消噪方法［3］。也有研究從肌電信號中提取不同類型的特征，選用合適的分類器以實現(xiàn)精細(xì)動作模式的區(qū)分，從而控制智能假手的動作［4-5］。然而，從特征及分類器選取角度研究以提高動作模式識別率的并不多，往往只是采用在相關(guān)肌肉組上盡可能多地布置采樣電極，從信號的時域或頻域中提取簡單特征，如信號的平均幅值(MAV)、過零點數(shù)(NZC)、波形長度(WL)、斜率符號變化數(shù)(SSC)等，最后用線性判別分類器等方法實現(xiàn)動作模式的識別［6-8］。這種方法從理論上能提高動作模式識別的實時性，然而在實際使用中特征信號的波動范圍很大，識別率并不理想，而且過多的采樣電極、規(guī)模偏大的調(diào)理電路，讓使用者穿戴不方便。因而，尋找理想的肌電信號動作模式特征，設(shè)計分類能力強(qiáng)且具有增強(qiáng)學(xué)習(xí)能力的模式識別方法，是值得重視的研究方向。

本研究是從肌電信號的產(chǎn)生機(jī)理出發(fā)，選取能從整體及細(xì)節(jié)兩方面表征出肌電信號序列形態(tài)特征的非線性信息，設(shè)計具有增量學(xué)習(xí)能力的動作模式分類器，實現(xiàn)對手腕的4 種精細(xì)動作模式腕右旋、腕左旋及腕伸、腕屈的識別，用于肌電假手的控制。

1 表面肌電信號特征的選取

特征選取是模式識別的核心問題。如果能從待識別對象中選取出所需的有效特征，且不同對象的特征差別較大，分類器就能比較容易地實現(xiàn)對不同模式的分類。下面從肌電信號的產(chǎn)生機(jī)理出發(fā)，尋找用于模式識別的特征信息。

動作單元(motor unit，MU)是肌肉最小的收縮單位，由α 運動神經(jīng)元、終板及多條肌纖維組成，如圖1 所示。α 運動神經(jīng)元發(fā)放固定頻率值40 Hz 以下的δ 脈沖序列［9-10］，脈沖序列經(jīng)軸突、終板傳導(dǎo)到與之連接的肌纖維形成動作電位序列(MUAPT)，引起肌纖維收縮而產(chǎn)生肌張力，并帶動各關(guān)節(jié)運動。此時，如果在對應(yīng)組織處放置測試電極，則在檢測電極與參考點(如肘部)之間表現(xiàn)出電位差，檢測電極所募集的各動作單元綜合形成的動作電位即為表面肌電信號(sEMG)。

從數(shù)學(xué)上描述，若令第k 個動作單元所產(chǎn)生的動作電位序列MUAPT 為hk(t)。則表面肌電信號是M 個MUAPT 的總和，即

圖1 運動神經(jīng)元與肌纖維的電剌激傳播Fig． 1 The electrical stimulating propagation of motoneuron and muscle fibers

由于單個α 運動神經(jīng)元釋放的電信號為具有周期性的脈沖序列uk(t)，多個運動神經(jīng)單元的組合仍為周期性信號，因而從形態(tài)上分析肌電信號具有明顯的整體自相似性。同時，不同動作模式參與的運動神經(jīng)單元、神經(jīng)纖維、肌纖維的數(shù)目等都是有區(qū)別的，信號在細(xì)節(jié)上又有其自身的復(fù)雜性。復(fù)雜性和整體自相似性是肌電信號的兩個重要特征。

近似熵是表征信號復(fù)雜度常用的指標(biāo)。由于近似熵算法只要有比較短的數(shù)據(jù)就能得出比較穩(wěn)健的估計值，同時又是有較好的抗噪及抗干擾能力［11］，因而是理想的計算肌電信號復(fù)雜度的算法。分形是研究具有自相似性、標(biāo)度不變性的非線性復(fù)雜系統(tǒng)的有效方法。自相似性是指某種結(jié)構(gòu)或過程的特征從不同的空間尺度或時間尺度來看是相似的，標(biāo)度不變性是指在研究對象上任選一局部區(qū)域進(jìn)行放大還會顯示原圖的形態(tài)特征。由于肌電信號具有此特點，因而用分形的概念來分析表面肌電信號是可行的。

筆者選用近似熵指標(biāo)及分維數(shù)的概念，分別表征時間序列信號的整體復(fù)雜度及自似性，能較完整地表達(dá)出信號的形態(tài)特征。

2 特征計算及模式識別方法

2.1 近似熵

近似熵是Princus 在1991 年定義的［11］。時間序列信號(x1，x2，…，xi，…xN)的近似熵算法步驟如下:

1)構(gòu)造m 維矢量集合X1，X2，…，XN-m+1，其中

2)計算矢量X(i)與X(j)之間的距離d［X(i)，X(j)］，定義為

3)給定閾值r(r 為選定的相似容限，r ＞0 )，對于每一個i ≤N -m +1，統(tǒng)計d［X(i)，X(j)］≤r 的數(shù)目，如果d［X(i)，X(j)］≤r，那么X(i)，X(j)就被認(rèn)為是近似的。計算近似矢量個數(shù)與矢量總數(shù)的比值，有

式中，f(·)為Heaviside 階躍函數(shù)。

4)定義φm(r)為(r)的平均值，即

5)對于m + 1，重復(fù)計算1 ～4 步，得到φm+1(r)。

6)近似熵ApEn 可定義為

由于信號序列N 的值是有限的，因而近似熵ApEn 用下式的統(tǒng)計數(shù)代替，即

對于相同的動作模式，肌電信號的波形具有較強(qiáng)的相似性，而細(xì)節(jié)卻與手的動作速度、用力大小等因素有關(guān)，如用原始信號直接求取信號的復(fù)雜度，同一動作模式復(fù)雜度的值變動范圍會較大，達(dá)不到理想的識別效果，因而還需對信號做下述處理:

1)求肌電信號的局部極大、極小值。通過插值函數(shù)獲得信號的上下包絡(luò)線，并對上下包絡(luò)線求平均，記為m(i)。以包絡(luò)線上同符號值s(i)替代對應(yīng)序列點上肌電信號原值x(i)，求信號x(i)與m(i)的差值，記為h(i)= x(i)- m(i)。其中，i 為肌電信號的序數(shù)，其值為1 ～N，N 為信號的長度。

2)將h(i)信號歸一化。令hmax= max| h(i)|(i = 1，2，…，N)。最后按幅度歸一化，有

肌電信號動作模式起跳時間的確定采用滑動窗的方法，窗內(nèi)能量大于某閾值時，認(rèn)為動作開始，取后續(xù)的1 024個采樣點信號作為信號處理對象數(shù)據(jù)。預(yù)處理后計算信號的標(biāo)準(zhǔn)差STD，并取m = 2，r= 0.2STD，計算肌電信號的近似熵。采用了下述快速方法，計算式(4)中的(r)及(r)。

1)對N 點信號序列x(i)計算N × N 距離矩陣T，其中元素tij的值為

2.2 分維數(shù)

信號序列分維數(shù)的計算用改變粗視化程度的方法。針對已做時間與幅值歸一化的時間序列信號X = (x1，x2，…，xN)，筆者所設(shè)計的分維數(shù)計算方法如下:

1)選定步長k，把時間序列信號分成m 等分，有

式中，「?代表上取整。

段內(nèi)平均，形成新的時間序列信號Y = ［y1，y2，…，yj，…，ym］，其中

2)計算步長為k 時的曲線總長度L(k)，有

由分析可知，lnk 和lnL(k)是斜率為- α 的直線關(guān)系。若能求得lnk 和lnL(k)，則用最小二乘法擬合這些點，即可得到α，進(jìn)而得到分維數(shù)D。

由于在近似熵計算時已對信號進(jìn)行了幅值歸一化，所以只須對信號進(jìn)行時間坐標(biāo)的歸一化。設(shè)幅值歸一化信號為X = (x1，x2，…，xN)，令第i 點的橫坐標(biāo)取為i/N，則時間歸一化后各點對應(yīng)橫坐標(biāo)為:i = 1/N，2/N，…，(N -1)/N，1。分維數(shù)計算中k的值可取20，21，…，這樣相鄰點可兩兩相加取平均，以達(dá)到快速計算新的時間序列信號 Y =的目的。

2.3 KNN 模型增量學(xué)習(xí)算法

K 最近鄰(KNN)法是一種基于實例的分類算法［12］，其基本思想是:使用一種度量計算待分類樣本與所有訓(xùn)練樣本之間的距離，找到距離待分類樣本最近的k 個近鄰;然后根據(jù)這k 個近鄰所屬的類別進(jìn)行多數(shù)投票來確定待分類樣本的類別。KNN法具有性能穩(wěn)定、準(zhǔn)確率高的優(yōu)勢。然而，KNN 是一種懶散型的學(xué)習(xí)方法，也不是一種增量學(xué)習(xí)算法［13-14］。為解決KNN 算法存在的缺陷，改進(jìn)提出了一種具有增量學(xué)習(xí)能力的KNN 模型增量學(xué)習(xí)算法，由樣本點數(shù)據(jù)整理及KNN 法分類兩部分構(gòu)成。

算法的第一部分:構(gòu)造一系列模型簇，以模型簇的中心點作為代表點，用于新樣本的KNN 法分類，簇 中 的 模 型 以 五 元 組 {Cls(di)，Sim(di)，Cent(di)，Num(di)，Rep(di)} 表 示。 其 中:Cls(di)表示該區(qū)域中數(shù)據(jù)點的類別;Sim(di)表示區(qū)域的半徑，即最遠(yuǎn)點到中心點的距離;Cent(di)表示區(qū)域的中心點di本身，即這些樣本點的均值;Num(di)表示區(qū)域覆蓋點的數(shù)量;Rep(di)則為構(gòu)成簇的樣本數(shù)據(jù)串。對樣本點數(shù)據(jù)進(jìn)行整理，首先對每個類別中的樣本點使用C-均值聚類算法進(jìn)行自動聚類，分成m 個簇。然后建立模型的五元組。

為使分類器具有增量學(xué)習(xí)能力，對于后續(xù)使用中經(jīng)模式識別得到驗證準(zhǔn)確識別的樣本點，按距離度量最近的原則加到已有簇中，而識別結(jié)果不正確的樣本點則在模型簇中另建五元組，從而進(jìn)一步改善學(xué)習(xí)樣本集的分布狀態(tài)，使其更接近總體分布。當(dāng)新增的樣本點數(shù)達(dá)到一定量的累積時，可按實際需求剔除部分最早批次的樣本點，或保留所有樣本點，然后用C-均值聚類算法重新聚類，重建模型簇。

算法的第二部分:用K 最近鄰(KNN)法計算待分類樣本與各類代表點之間的距離。在投票決定待識別樣本的類別時，對每個代表點乘一權(quán)重系數(shù)，由加權(quán)后的數(shù)據(jù)投票確定待識別樣本的類別。

若在數(shù)據(jù)整理階段，使用過程中不對模型簇的樣本點進(jìn)行調(diào)整，則為不具備增量學(xué)習(xí)能力的KNN模型算法。

3 特征提取及模式識別結(jié)果

3.1 動作表面肌電信號的采集

人體的前臂肌肉群包括尺側(cè)腕伸肌、尺側(cè)腕屈肌、掌長肌等數(shù)十塊肌肉，其主要功能是實現(xiàn)屈肘、屈腕、屈指和前臂旋轉(zhuǎn)等，它是人體中十分重要的部位，也是肌電假手的控制信息源。本研究針對動作模式腕屈、腕伸、腕左旋及腕右旋進(jìn)行識別，結(jié)果用于自制肌電假手的控制。

實驗對象均為右手低位截肢志愿者:男性6 名，年齡(40 ±5)歲，體重(65.0 ±5.0)kg，身高(170.0±5.0)cm;女性4 名，年齡(35 ±5)歲，體重(52.0 ±6.0)kg，身高(162.0 ±5.0)cm。取6 位男性中的4位，編號為#01 ～#04;女性中的2 位，編號為#04 ～#05;余下的2 男2 女，編號為#07 ～#10。實驗前要求受試者24 h 內(nèi)不做劇烈運動，以排除非實驗要求的肌肉疲勞影響。每次試驗需記錄受試者編號、開始時間、所采集肌電信號的時刻、受試者狀態(tài)等信息，將所采集的表面肌電信號建立數(shù)據(jù)庫。由于動作模式腕屈、腕伸、腕左旋及腕右旋主要與前臂肌肉群的尺側(cè)腕伸肌與尺側(cè)腕屈肌有關(guān)，因而選取實驗者右手上肢這兩組肌肉表面作為sEMG 的拾取位置，每組肌肉表面貼附一次性雙極表面電極;選用由美國 Noraxon 公司研制的新型便攜式MyoTrace400 肌電信號采集儀來獲取信號，采樣頻率為2 500 Hz，儀器內(nèi)置截止頻率500 Hz 的低通濾波器和截止頻率為10 Hz 的高通濾波器。圖2 為肌電信號測試實驗，圖3 為腕右旋動作的肌電信號。

理想的肌電假手應(yīng)具有可推廣性，即產(chǎn)品參數(shù)的設(shè)置是基于部分受試者的，但結(jié)果對另一部分人群也適用。因此，筆者對肌電信號特征的統(tǒng)計與分析及初始分類器的構(gòu)建是基于前6 位受試者的，而動作模式的識別則對所有10 位受試者進(jìn)行。

3.2 肌電信號近似熵及分維數(shù)的計算結(jié)果

表1 為從前6 位低位截肢者數(shù)據(jù)庫中隨機(jī)取得的非疲勞狀態(tài)下4 類動作模式各200 組肌電信號近似熵的統(tǒng)計結(jié)果，圖4 為各取50 組肌電信號近似熵的二維分布。表1 的數(shù)據(jù)顯示，在尺側(cè)腕伸肌與尺側(cè)腕屈肌上，采集的腕屈與腕伸兩個動作的肌電信號的近似熵值較大，右旋及左旋動作肌電信號的近似熵相對較小。而且，每類動作在尺側(cè)腕伸肌與尺側(cè)腕屈肌上近似熵的取值大小情況正相反，反映在圖中4 個動作相應(yīng)復(fù)雜度值的聚類特性較為明顯，利于動作模式的分類。

表2 為從前6 位低位截肢者數(shù)據(jù)庫中隨機(jī)取得的非疲勞狀態(tài)下4 類動作模式各200 組肌電信號分維數(shù)的統(tǒng)計結(jié)果，圖5 為各取50 組肌電信號分維數(shù)的二維分布。在表2 中，右旋和腕伸動作，尺側(cè)腕伸肌上的分維數(shù)較尺側(cè)腕屈肌上的值大。左旋與腕屈在肌肉組上的表現(xiàn)與上面情況正好相反，尺側(cè)腕腕伸肌上的分維數(shù)較尺側(cè)腕屈肌上的值要小。在圖5 中，4 類動作分維數(shù)點對的分布聚類特性明顯。

3.3 模式識別結(jié)果

圖2 肌電信號測試實驗Fig．2 Experiment on electromyogram(EMG)test

圖3 腕右旋動作的表面肌電信號。(a)尺側(cè)腕伸肌;(b)尺側(cè)腕屈肌Fig．3 The surface electromyography(sEMG)of wrist supination．(a)extensor carpi ulnaris;(b)flexor carpi ulnaris

表1 表面肌電信號復(fù)雜度指數(shù)統(tǒng)計數(shù)據(jù)(n =6，均值±標(biāo)準(zhǔn)差)Tab．1 Statistic data of sEMG's complexity (n =6，mean±SD)

表2 表面肌電信號分維數(shù)統(tǒng)計數(shù)據(jù)(n = 6，均值±標(biāo)準(zhǔn)差)Tab．2 Statistic data of sEMG's fractal dimension (n =6，mean ±SD)

針對肌電信號動作模式的識別問題，初始分類器的構(gòu)建是從前6 位受試者非疲勞狀態(tài)下所建立的肌電信號數(shù)據(jù)庫中隨機(jī)地取4 ×100 組信號，每類動作模式各100 次。計算其復(fù)雜度和分維數(shù)，其中的80 組作為樣本數(shù)據(jù)，以C-均值聚類算法構(gòu)建模型簇;其余20 組作為測試樣本，測試分類器的分類性能。實驗中能完全識別，表明所設(shè)計的分類器合理。再以此方式建立的模式分類器，用于受試者后續(xù)動作模式的識別。

圖4 肌電信號復(fù)雜度指數(shù)分布Fig．4 Distribution of sEMG's complexity

圖5 肌電信號分維數(shù)分布Fig．5 Distribution of sEMG's fractal dimension

為驗證所提出的模式識別方案的效果，設(shè)計了如下的實驗方法。受試者從休息放松狀態(tài)進(jìn)入動作狀態(tài)，連續(xù)循環(huán)地做動作組——腕右旋、腕左旋及腕伸、腕屈，共100 組。100 組的選定使得受試者在后半階段的實驗中明顯處于疲勞狀態(tài)，表3 為10位受試者對100 組動作模式的實驗結(jié)果。模式分類器采用的是具有增量學(xué)習(xí)能力的KNN 模型增量學(xué)習(xí)算法，每行數(shù)據(jù)代表了對某類動作100 次識別得到的結(jié)果及識別參數(shù)。識別效果的評價采用了靈敏度、特異度及識別率3 個參數(shù)，計算靈敏度、特異度的真陽性和真陰性定義為:屬于某一動作模式且被準(zhǔn)確判別則為真陽性，不屬于某一動作模式且被準(zhǔn)確識別不是該模式的為真陰性。在此定義下，靈敏度的值與識別率的值相同。

表3 受試者動作模式識別結(jié)果統(tǒng)計Tab．3 Statistic data of mode recognition rate of the participants's action

數(shù)據(jù)表明，受試者動作模式的識別率(靈敏度)均達(dá)到了92.5%以上，且前6 位受試者與后4 位受試者動作模式識別無明顯差別，說明所設(shè)計的模式識別方案具有應(yīng)用推廣能力。

肌電信號的熵及分維數(shù)會隨著肌肉疲勞的產(chǎn)生而有相應(yīng)的變化［15-16］，因而本研究還對是否采用增量學(xué)習(xí)能力分類器對模式識別率的影響做了對比實驗。表4 為#01 號受試者10 次實驗不同階段的識別率數(shù)據(jù)，實驗中的前50 組定義為階段Ⅰ，后50 組定義為階段Ⅱ，50 組的選定是使受試者感覺開始進(jìn)入肌肉疲勞狀態(tài)。其中，“分類器1”代表普通的不具有增量學(xué)習(xí)能力的KNN 模型算法，“分類器2”代表具有增量學(xué)習(xí)能力的KNN 模型增量學(xué)習(xí)算法，單元中的值代表對4 類各50 組動作的平均識別率。

表4 各階段模式識別率(%)統(tǒng)計Tab．4 Statistic data of mode recognition rate(%)in each phase

數(shù)據(jù)顯示，相同的肌電信號，在不采用增量學(xué)習(xí)算法時，識別率隨著假肢使用者生理狀態(tài)的變化而下降;在采用增量學(xué)習(xí)型算法時，識別率穩(wěn)定。兩種分類器對應(yīng)階段Ⅰ、Ⅱ，平均識別率之差為2.0%、4.5%。為判斷差異是由于偶然因素引起或是兩者確實本身存在著差異，筆者利用SPSS 軟件對實驗結(jié)果進(jìn)行了配對樣本t 檢驗，顯著性檢驗標(biāo)準(zhǔn)為P ＜0.05。檢驗結(jié)果顯示，階段Ⅰ肌電信號用不同分類器分類，其正確識別率數(shù)據(jù)的差異由抽樣誤差引起的概率為P =0.001，階段Ⅱ則接近于0。這表明，兩個階段的數(shù)據(jù)用不同分類器識別，其差別在統(tǒng)計學(xué)上都有顯著性意義。

4 討論

本研究選用近似熵作為表征肌電信號的復(fù)雜度特征，而不同動作的復(fù)雜度數(shù)據(jù)有較明顯的差異。從表1 及圖4 中可以看出，腕屈與腕伸兩個動作主要由尺側(cè)腕伸肌與尺側(cè)腕屈肌參與完成，而右旋及左旋動作的完成相對前兩個動作更為復(fù)雜、參與的肌肉組較多。實驗結(jié)果表明，在尺側(cè)腕伸肌與尺側(cè)腕屈肌上采集的腕屈與腕伸兩個動作的肌電信號的近似熵值較大，右旋及左旋動作的肌電信號的近似熵相對較小。說明，用近似熵指標(biāo)表達(dá)肌電信號的復(fù)雜度特征，研究方向是正確的，能很好地用于動作的分類。

分析肌肉組在各種動作下的活動狀態(tài)。以右旋和腕伸為例，肌肉組尺側(cè)腕伸肌都處于較強(qiáng)的收縮狀態(tài)，尺側(cè)腕屈肌處于相對放松狀態(tài)。從表2 中可以看出，反映肌電信號整體自相似性的分形維數(shù)的數(shù)值情況相似，尺側(cè)腕伸肌上的分維數(shù)較尺側(cè)腕屈肌上的值大。左旋與腕屈在肌肉組上的表現(xiàn)與上面情況正好相反，尺側(cè)腕伸肌上的分維數(shù)較尺側(cè)腕屈肌上的值小。數(shù)據(jù)說明，反映肌電信號整體自相似性的分維數(shù)指標(biāo)與肌肉的活動強(qiáng)度相關(guān)，分維數(shù)的大小隨肌肉活動強(qiáng)度增大而增大。

因此，筆者選用近似熵指標(biāo)與分維數(shù)指標(biāo)，完整地表達(dá)出了不同動作模式肌電信號的形態(tài)特征，再與分類器-KNN 模型增量學(xué)習(xí)算法結(jié)合，取得了較滿意的分類結(jié)果。

為驗證所提出的動作模式識別方法的優(yōu)越性，筆者把該方案與Arjunan 等所提方案［17-18］進(jìn)行了比較。他們選用了兩種信號特征向量的選取方法，一種是提取肌電信號的均方值(RMS)、平均幅值(MAV)、方差(VAR)及波形長度(WL)構(gòu)成簡單特征組合，另一種以Fukuda O［19］方法提取肌電信號的分維數(shù)及最大分形長度(maximum fractal length，MFL)構(gòu)成分形特征組合;然后，用BP 網(wǎng)絡(luò)進(jìn)行分類識別，實驗數(shù)據(jù)采用#01 號受試者階段Ⅰ的肌電信號，結(jié)果得出簡單特征組合的識別率為81.0%，分形特征組合的識別率為86.0%，與本方法有較大差距。上述結(jié)果說明:簡單特征組合僅選取信號的常用時域特征，特征主要反映肌肉的活動強(qiáng)度;而分形特征組合只反映信號的自相似性及信號強(qiáng)度，沒能全面表征信號的形態(tài)特征。

5 結(jié)論

對基于表面肌電信號形態(tài)特征的手腕動作模式識別進(jìn)行了研究，實現(xiàn)了手腕的4 種精細(xì)動作模式腕屈、腕伸、腕右旋、腕左旋的識別，結(jié)果用于肌電假手的動作命令產(chǎn)生。

模式識別的輸入特征采用了復(fù)雜度理論中的近似熵及分形理論中的分維數(shù)指標(biāo)，分別表征信號形態(tài)特征上的細(xì)節(jié)復(fù)雜度及整體自相似性。動作模式識別分類器采用了改進(jìn)的KNN 模型增量學(xué)習(xí)算法，所設(shè)計的分類器不但繼承了KNN 算法性能穩(wěn)定、識別率高的優(yōu)點，而且具備了增量學(xué)習(xí)的能力。對受試者右手腕部的4 個精細(xì)動作腕屈、腕伸、腕右旋、腕左旋的識別實驗中，達(dá)到了92.5% 以上的準(zhǔn)確識別率，具有實用價值。

［1］ Li Guanlin，Li Yaonan，Yu Long，et al. Conditioning and sampling issues of EMG signals in motion recognition of multifunctional myoelectric prostheses［J］. Ann Biomed Eng，2011，39(6):1779 -1787.

［2］ Smith LH，Hargrove LJ，Lock BA，et al. Determining the optimal window length for pattern recognition-based myoelectric control:Balancing the competing effects of classification error and controller delay［J］. IEEE Trans Neural Syst Rehabil Eng，2011，19(2):186 -192.

［3］ Hahne JM，Graimann B，Muller KR. Spatial Filtering for Robust Myoelectric Control［J］. IEEE Trans Biomed Eng，2012，59(5):1436 -1443.

［4］ Khushaba RN，Kodagoda S，Takruri M，et al. Toward improved control of prosthetic fingers using surface electromyogram (EMG)signals［J］. Expert Syst Appl，2012，39(12):10731 -10738.

［5］ Gini G，Arvetti M，Somlai I，et al. Acquisition and analysis of EMG signals to recognize multiple hand movements for prosthetic applications［J］. Appl Bion Biomechan，2012，9(2):145 -155.

［6］ Li Guanlin， Schultz AE， Kuiken TA. Quantifying pattern recognition-based myoelectric control of multifunctional transradial prostheses［J］. IEEE Trans Neural Syst Rehabil Eng，2010，18(2):185 -192.

［7］ Losier Y，Englehart K，Hudgins B. Evaluation of shoulder complex motion-based input strategies for endpoint prostheticlimb control using dual-task paradigm［J］. J Rehabil Res Dev，2011，48:669 -678.

［8］ Bunderson NE，Kuiken TA. Quantification of feature space changes with experience during electromyogram pattern recognition control［J］. IEEE Trans Neural Syst Rehabil Eng，2012，20(3):239 -246.

［9］ Duchene J，Hogrel J Y. A model of EMG generation［J］. IEEE Trans Biomed Eng，2000，47(2):192 -201.

［10］ Basmajian JV， Deluca CJ. Electromyography-physiology，engineering and noninvasive applications［M］. New York::IEEE Press，2004.

［11］ Pincus SM. Approximate entropy (ApEn) as a complexity measure［J］. Chaos，1995，5(1):110 -117.

［12］ Cover TM，Hart PE. Nearest neighbor pattern classification［J］.IEEE Trans Inf Theory，1967，13(1):21 -27.

［13］ Guo Gongde，Wang Hui，Bell D，et al. Using kNN model for automatic text categorization［J］. Soft Comput，2006，10(5):423 -430.

［14］ 陳黎飛，郭躬德. 最近鄰分類的多代表點學(xué)習(xí)算法［J］. 模式識別與人工智能，2011，24(6):883 -888.

［15］ 劉加海，王健，羅曉芳. 局部肌肉疲勞的表面肌電信號復(fù)雜度和熵變化［J］. 生物物理學(xué)報，2004，20(3):198 -202.

［16］ 蔡立羽，王志中，李凌. 肌肉疲勞過程中的表面肌電信號特征研究［J］. 中國康復(fù)醫(yī)學(xué)雜志，2000，15(2):94 -95.

［17］ Arjunan SP， Kumar DK. Fractal properties of surface electromyogram for classification of low level hand movements from single-channel forearm muscle activity［J］. J Mech Med Biol，2011，11(3):581 -590.

［18］ Arjunan SP，Kumar DK. Decoding subtle forearm flexions using fractal features of surface electromyogram from single single and multiple sensors［J］. J Neur Rehabil，2010，7(1):1 -10.

［19］ Fukuda O，Tsuji T，Kaneko M，et al. A human-assisting manipulator teleoperated by EMG signals and arm motions［J］.IEEE Trans Robot Autom，2003，19(2):210 -222.