基于經(jīng)驗(yàn)?zāi)B(tài)分解樣本熵的肌電信號(hào)識(shí)別

席旭剛， 朱海港， 羅志增， 張啟忠

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

基于經(jīng)驗(yàn)?zāi)B(tài)分解樣本熵的肌電信號(hào)識(shí)別

席旭剛， 朱海港， 羅志增， 張啟忠

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

針對(duì)表面肌電信號(hào)非線性、噪聲強(qiáng)等特點(diǎn)，設(shè)計(jì)一種快速有效的表面肌電信號(hào)手部多運(yùn)動(dòng)模式識(shí)別方法，用于肌電假手的實(shí)時(shí)控制。提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解樣本熵和聚類分析的表面肌電信號(hào)多運(yùn)動(dòng)模式識(shí)別方法。該方法對(duì)動(dòng)作持續(xù)階段的信號(hào)首先進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，將其分解為多個(gè)平穩(wěn)的固有模態(tài)函數(shù)（IMF），再依據(jù)頻率有效度選取若干個(gè)包含肌電信號(hào)有效信息的IMF分量求和后，計(jì)算其樣本熵。以尺側(cè)腕伸肌和尺側(cè)腕屈肌兩路肌電信號(hào)對(duì)應(yīng)的EMD樣本熵作為特征向量，設(shè)計(jì)了主軸核聚類算法的聚類分類器進(jìn)行模式識(shí)別。成功識(shí)別了展拳、握拳、腕上翻和腕下翻4種動(dòng)作，平均識(shí)別率達(dá)到93%。該方法取得了較高的識(shí)別率，抗干擾能力強(qiáng)，計(jì)算量少，可用于肌電假手的控制。

計(jì)量學(xué)；表面肌電信號(hào)；經(jīng)驗(yàn)?zāi)Ｊ椒纸猓粯颖眷?；聚類分析；模式識(shí)別

1 引 言

表面肌電信號(hào)（Surface electromyography，sEMG）是從人體骨骼肌表面通過表面肌電拾取電極記錄下來的、與神經(jīng)肌肉活動(dòng)相關(guān)的生物電信號(hào)，其中蘊(yùn)含著很多與肢體運(yùn)動(dòng)相關(guān)聯(lián)的信息［1］，不同的肢體動(dòng)作具有不同的肌肉收縮模式，肌電信號(hào)特征也將有所差異，通過對(duì)這些特征的分析就可以區(qū)分肢體的不同動(dòng)作模式，因此，它不僅被廣泛運(yùn)用于臨床診斷、運(yùn)動(dòng)醫(yī)學(xué)等領(lǐng)域［2～4］，還成為殘障人士假肢的理想控制信號(hào)［5］。隨著對(duì)肌電信號(hào)產(chǎn)生機(jī)理的研究，研究者們發(fā)現(xiàn)sEMG具有非周期、非平穩(wěn)、非線性等混沌特性［6～8］，近年來運(yùn)用非線性指標(biāo)來識(shí)別動(dòng)作表面肌電信號(hào)的模式也得到了深入地研究，如王人成［9］等利用Hausdorff維區(qū)別了伸腕、屈腕和旋腕3個(gè)動(dòng)作；Hu X［10］等利用GP算法的信息維識(shí)別了腕正旋、腕反旋2個(gè)動(dòng)作；鄒曉陽(yáng)、雷敏［11］等將最大李雅普諾夫指數(shù)和多尺度分析方法結(jié)合起來，然后利用支持向量機(jī)較好地識(shí)別了人體前臂的內(nèi)翻、外翻、握拳、展拳、上切和下切6類動(dòng)作；澳大利亞皇家墨爾本理工大學(xué)的Arjunan S P，Naik G R等［12～15］提取手部各類動(dòng)作的肌電信號(hào)的分形維特征，然后結(jié)合支持向量機(jī)識(shí)別手部各個(gè)動(dòng)作，取得了較高的識(shí)別率。這些非線性算法均較好地解決了肌電信號(hào)的特征提取問題，然而這些特征提取方法需要長(zhǎng)時(shí)間穩(wěn)定的sEMG信號(hào)，抗噪能力較弱，對(duì)肌電假手就不能較好地實(shí)時(shí)控制。

本文提出了一種將經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical mode decomposition，EMD）與樣本熵相結(jié)合的特征提取方法——EMD樣本熵，首先將sEMG信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，選取若干個(gè)包含肌電信號(hào)有效信息的固有模態(tài)函數(shù)（Intrinsic Mode Function，IMF）分量求和作為有效肌電信號(hào)，求取其樣本熵，然后將樣本熵作為特征向量，運(yùn)用主軸核聚類分類器有效地區(qū)分了腕上翻、腕下翻、展拳和握拳4類動(dòng)作。實(shí)驗(yàn)表明，該方法取得了較高的識(shí)別率，抗干擾能力強(qiáng)，計(jì)算量少，可用于肌電假手的控制。

2 基本原理

2.1 經(jīng)驗(yàn)?zāi)B(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）是一種新出現(xiàn)的信號(hào)分析方法［16］，它將信號(hào)自適應(yīng)地分解到不同的尺度上，非常適合非線性、非平穩(wěn)信號(hào)的處理，不僅具有小波分析的全部?jī)?yōu)點(diǎn)，還有更清晰準(zhǔn)確的譜結(jié)構(gòu)，因而引起了信號(hào)處理相關(guān)領(lǐng)域的極大興趣，并廣泛應(yīng)用于工程領(lǐng)域［17，18］。它基于一個(gè)基本的假設(shè)條件，即所要分析的信號(hào)是由許多不同的固有模態(tài)函數(shù)（IMF）相互疊加而成。不同時(shí)間尺度的各種模式將會(huì)根據(jù)其自身的特征尺度進(jìn)行分解，分解后的每種模式是相互獨(dú)立的，在連續(xù)的過零點(diǎn)間不存在其他

式中，cj（t）為第j個(gè)IMF分量；rn（t）為余項(xiàng)。

信號(hào)在分解的過程中保留了原來的特性，這些IMF分量頻率從大到小，包含著不同的特征時(shí)間尺度，將信號(hào)的特征信息在不同的分辨率下表現(xiàn)出來，從而可以選取信號(hào)的IMF分量組成新的特征信息。

自適應(yīng)地選取前若干個(gè)IMF分量，本文采用了基于瞬時(shí)頻率的有效信息統(tǒng)計(jì)法，定義第i層的內(nèi)蘊(yùn)模式分量IMFi的頻率有效度Ei＝ni／n。其中，ni為IMFi中瞬時(shí)頻率落在20～350范圍內(nèi)的點(diǎn)數(shù)，n為總的信號(hào)采樣點(diǎn)數(shù)，Ei為在指定頻率段的有效信息量。由于EMD分解的各層IMF分量的頻率逐層減小，它們的頻率有效度也各不相同，因而通過設(shè)定頻率有效度Ei的值可以選取不同的若干個(gè)IMF分量。

2.2 樣本熵

樣本熵是在近似熵的基礎(chǔ)上，Richman［19］提出的一種改進(jìn)的時(shí)間序列復(fù)雜度測(cè)量方法。它與近似熵類似但精度更好，不但具備近似熵的所有優(yōu)點(diǎn)，而且避免了近似熵中統(tǒng)計(jì)量的不一致性，具有其他非線性動(dòng)力學(xué)參數(shù)所不具有的優(yōu)點(diǎn)。樣本熵計(jì)算所需數(shù)據(jù)短，算法的運(yùn)算量小，只需要很短的數(shù)據(jù)（100～5 000點(diǎn)）便可得到穩(wěn)健的樣本熵估計(jì)值，不依賴于數(shù)據(jù)長(zhǎng)度；樣本熵具有很好的一致性，即如一時(shí)間序列比另一時(shí)間序列有較高的樣本熵值的話，那么不管它們的維數(shù)和相似容限如何變化，這一結(jié)論不會(huì)變化；樣本熵對(duì)于丟失數(shù)據(jù)不敏感，即使丟失多達(dá)1／3，對(duì)樣本熵的值影響依然很??；這些特點(diǎn)對(duì)需要實(shí)時(shí)控制的肌電假手應(yīng)用非常重要，而其他一些非線性參數(shù)（關(guān)聯(lián)維數(shù)、李雅普諾夫指數(shù)等）的計(jì)算卻需要大量的數(shù)據(jù)，算法的時(shí)間復(fù)雜度與空間復(fù)雜度大；另外樣本熵表示非線性動(dòng)力學(xué)系統(tǒng)產(chǎn)生新信息的速率，樣本熵值越低，序列的自我相似性極值點(diǎn)。所以每一個(gè)IMF均要滿足以下2個(gè)判斷條件：整組IMF數(shù)據(jù)中極值點(diǎn)和過零點(diǎn)的數(shù)目相等或最多相差1；信號(hào)的局部極大值包絡(luò)線和局部極小值包絡(luò)線的均值為0。根據(jù)這2個(gè)條件對(duì)信號(hào)不斷的“篩選”，可以將任意非線性、非平穩(wěn)信號(hào)自適應(yīng)的分為若干個(gè)不同的內(nèi)蘊(yùn)模式函數(shù)（IMF）和1個(gè)剩余分量。越高，產(chǎn)生新模式的速率也就越低，樣本熵值越大，表示序列越復(fù)雜。因此樣本熵非常適合肌電信號(hào)非線性特征的分析，本文采用的是樣本熵的快速算法［20］，在保持樣本熵優(yōu)點(diǎn)的情況下，計(jì)算速度更快。

快速樣本熵的計(jì)算步驟如下：

（1）設(shè)肌電信號(hào)時(shí)間序列｛xi｝含有N個(gè)數(shù)據(jù)，分別為x（1），x（2），…，x（N）。

（2）將序列｛xi｝按順序組成一組m維矢量

矢量X（i）與X（j）之間的距離dis［X（i），X（j）］用分量間的最大歐氏距離表示，即

（3）定義N×N的二值距離矩陣為D，D的第i行第j列為dij，給定閾值r（r＞0），則

（4）利用矩陣中的元素計(jì)算Bmi（r）和Bm＋1i（r）

（5）求所有的Bmi（r）的平均值記為Bm（r）及Bm＋1i（r）的平均值記為Bm＋1（r）

（6）肌電信號(hào)時(shí)間序列x{}i的樣本熵Esamp可表示為

樣本熵值顯然與嵌入維數(shù)m和相似容限r(nóng)的取值有關(guān)，在一般情況下，m取1或2，r取0.1～0.25倍的數(shù)據(jù)標(biāo)準(zhǔn)差。m的取值越大，算法所需要的數(shù)據(jù)量越大，計(jì)算時(shí)間也就越長(zhǎng)；r取值越大，時(shí)間序列的細(xì)節(jié)信息損失越多，r取值越小，噪聲對(duì)結(jié)果的影響越顯著。通過取不同的m和r值計(jì)算肌電信號(hào)的樣本熵值，大量實(shí)驗(yàn)證明當(dāng)m不變時(shí)，r從0.1～0.25變化時(shí)，樣本熵值成減小趨勢(shì)，但變化很微小，對(duì)特征提取的影響不大，因此本文取m＝2，r＝0.2，特征提取的效果也較為理想。

2.3 主軸核聚類算法

根據(jù)肌電信號(hào)樣本熵分布特征，本文設(shè)計(jì)了一種基于樣本與核的相似性度量的算法——主軸核聚類算法，該算法和K均值算法原理相似，均為核聚類算法的一種，但它們選取的核函數(shù)不同，在K均值算法中，用樣本均值替代了核函數(shù)，因此每類樣本僅用一個(gè)聚類中心來作為一類的代表，而一個(gè)點(diǎn)往往不能夠充分地反應(yīng)出該類的樣本分布結(jié)構(gòu)，當(dāng)類的分布是球狀或近似球狀時(shí)，即每類中各分量的方差接近相等時(shí)，K均值算法分類效果較好，但形狀發(fā)生變化時(shí)，就會(huì)影響分類的效果。而主軸核聚類算法用一個(gè)聚類主軸作為一類的代表，不僅能對(duì)類的自然分布為球狀或接近球狀的樣本作有效分類，還能夠?qū)σ恍┓植紴榉乔驙畹臉颖居绕涫悄切E球或近似橢球狀的樣本作出更有效地分類，算法思想簡(jiǎn)便，容易實(shí)現(xiàn)。

設(shè)一個(gè)d維矢量樣本集X＝｛x1，x2，…，xn｝，類別數(shù)為c，定義主軸核函數(shù)為

任一樣本x與一個(gè)軸Uj之間的相似程度可以用x與wj類主軸之間的歐氏距離的平方來度量

式中，＾ui為wj類樣本的均值向量。

任一樣本與某個(gè)類主軸的歐氏距離不受特征量綱選取的影響，并且平移不變，而且也反應(yīng)了特征的相關(guān)性。通過對(duì)訓(xùn)練數(shù)據(jù)的聚類分析，用已知?jiǎng)幼饔?xùn)練集分別求取的每個(gè)動(dòng)作的主軸核函數(shù)為相應(yīng)類的聚類主軸，每個(gè)聚類主軸均為一個(gè)d維矢量。如果給定矢量屬于第j類，那么它到第j類聚類主軸的歐氏距離最??；因此，如果要判定矢量屬于哪一類，只要計(jì)算它到哪一類聚類主軸的歐氏距離最小即可。

3 實(shí)驗(yàn)研究

3.1 信息預(yù)處理

實(shí)驗(yàn)采用美國(guó)Noraxon公司的mt400肌電信號(hào)采集儀，先用酒精分別在受試者的尺側(cè)腕伸肌和尺側(cè)腕屈肌上擦涂去污，以增強(qiáng)信號(hào)的拾取能力，然后將一次性肌電電極貼于受試者的前臂尺側(cè)腕伸肌和尺側(cè)腕屈肌處，用于采集表面肌電信號(hào)。把肌電信號(hào)采集儀（采集頻率1 000 Hz）的輸出通過藍(lán)牙USB連接到裝有肌電處理軟件的計(jì)算機(jī)上，肌電處理軟件獲取的手部動(dòng)作肌電信號(hào)采樣值以Matlab文件的格式導(dǎo)出，采集腕上翻、腕下翻、展拳和握拳共4種手前臂動(dòng)作的表面肌電信號(hào)各80組，共320組數(shù)據(jù)。肌電信號(hào)采集儀內(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，消去了大部分的噪聲。圖1為采集到的展拳動(dòng)作表面肌電信號(hào)。

圖1 展拳動(dòng)作表面肌電信號(hào)

3.2 肌電信號(hào)特征提取與分析

特征選取是模式識(shí)別的核心問題，它不僅影響分類器的設(shè)計(jì)，還關(guān)系到分類的有效性。如果不同類別的特征差別較大，就比較容易設(shè)計(jì)分類器把各個(gè)類別很好地識(shí)別出來。為了驗(yàn)證樣本熵在表面肌電信號(hào)中的有效性，分別對(duì)采集的4類動(dòng)作中每組肌電信號(hào)的尺側(cè)腕伸肌和尺側(cè)腕屈肌信號(hào)各20組數(shù)據(jù)進(jìn)行處理，由于在熵的理論中，正確判斷動(dòng)作的起始位置和終止位置是熵值能否成功區(qū)分動(dòng)作的關(guān)鍵，因此本文在這里運(yùn)用能量閾值確定動(dòng)作的起始位置和終止位置［21］，通過計(jì)算發(fā)現(xiàn)每種動(dòng)作約有1 000個(gè)樣點(diǎn)。對(duì)表面肌電信號(hào)分別進(jìn)行如下處理：（1）對(duì)動(dòng)作信號(hào)直接求近似熵和樣本熵；（2）對(duì)動(dòng)作信號(hào)進(jìn)行EMD分解，把分解后的各個(gè)IMF分量和包含主要信息的前若干個(gè)IMF分量之和作為肌電信號(hào)求近似熵和樣本熵。

經(jīng)過大量實(shí)驗(yàn)觀察它們的特征分布發(fā)現(xiàn)：無論是對(duì)動(dòng)作信號(hào)直接求近似熵還是對(duì)經(jīng)EMD分解后的IMF分量求近似熵均發(fā)生模態(tài)混疊，而對(duì)動(dòng)作信號(hào)求取的EMD樣本熵聚類性較好。EMD分解后的各個(gè)IMF分量與前若干個(gè)IMF分量之和的樣本熵的聚類性不一。其中當(dāng)Ei＞60%時(shí)，滿足頻率有效度的前5個(gè)IMF分量之和的樣本熵聚類性最好，因此本文采用對(duì)表面肌電信號(hào)進(jìn)行EMD分解后，依據(jù)頻率有效度的方法對(duì)選取的前5個(gè)IMF分量進(jìn)行迭加作為動(dòng)作信號(hào)求取樣本熵進(jìn)行特征提取，將EMD樣本熵方法與直接進(jìn)行樣本熵特征提取的方法進(jìn)行對(duì)比，以屈肌樣本熵為橫坐標(biāo)，伸肌樣本熵為縱坐標(biāo)建立直角坐標(biāo)系，它們的特征分布結(jié)果見圖2、圖3。并計(jì)算各自的均值和標(biāo)準(zhǔn)差，結(jié)果見表1。

圖2 表面肌電信號(hào)樣本熵分布

圖3 表面肌電信號(hào)EMD樣本熵分布

由圖2、圖3可以看出，EMD樣本熵和直接樣本熵具有相似的分布，不同動(dòng)作在平面上有著相對(duì)獨(dú)立的聚類區(qū)域，類區(qū)分性較好；但通過對(duì)比表1和圖2、圖3發(fā)現(xiàn)，EMD樣本熵相對(duì)于直接樣本熵來說標(biāo)準(zhǔn)差系數(shù)較小，聚合度更大，類區(qū)分性更好，所以更容易達(dá)到理想的分類結(jié)果。

3.3 模式分類

在模式識(shí)別的過程中，分類器的性能決定了分類效果的有效性，根據(jù)樣本熵較好的聚類分布特點(diǎn)，并且各個(gè)動(dòng)作的分布區(qū)域近似于橢球狀，所以本文采用了核聚類算法，并分別選用了主軸核函數(shù)和正態(tài)分布的核函數(shù)進(jìn)行核聚類分析，通過實(shí)驗(yàn)證明采用主軸核函數(shù)的分類效果較好。

采集的每個(gè)動(dòng)作的表面肌電信號(hào)均有屈肌和伸肌兩路信號(hào)組成，所以對(duì)每組信號(hào)求取樣本熵均會(huì)產(chǎn)生屈肌樣本熵和伸肌樣本熵，將每組動(dòng)作的屈肌和伸肌的樣本熵構(gòu)成特征向量A＝［xi，yi］，其中xi為第i組屈肌信號(hào)的樣本熵值；yi為第i組伸肌信號(hào)的樣本熵值。選取采集的每類動(dòng)作信號(hào)的40組共160組表面肌電信號(hào)作為訓(xùn)練集，通過求取樣本熵和EMD樣本熵兩種方法分別獲得各自的特征向量，利用主軸核聚類算法分別求取各個(gè)特定動(dòng)作的主軸核函數(shù)，然后將剩下的160組數(shù)據(jù)作為測(cè)試集，送入主軸核聚類分類器進(jìn)行識(shí)別，若識(shí)別結(jié)果與測(cè)試目標(biāo)一致，說明對(duì)測(cè)試的動(dòng)作進(jìn)行了正確歸類，否則是錯(cuò)誤歸類，兩種方法的識(shí)別結(jié)果見表2。

表1 4種手部動(dòng)作肌電信號(hào)的樣本熵和EMD樣本熵統(tǒng)計(jì)特性（均值±標(biāo)準(zhǔn)差）×10－2

表2 兩種特征提取方法的手部動(dòng)作識(shí)別結(jié)果

由表2可以看出，樣本熵可以有效地區(qū)分手部肌電信號(hào)的上翻、下翻、展拳、握拳4個(gè)動(dòng)作，識(shí)別率分別為95%、82.5%、80%、87.5%，平均識(shí)別率達(dá)到了86.25%；而EMD樣本熵算法對(duì)4種動(dòng)作的識(shí)別率分別為100%、90%、87.5%和95%，平均識(shí)別率達(dá)到了93.13%，明顯優(yōu)于直接樣本熵方法，分類效果較好，這是由于sEMG信號(hào)經(jīng)過EMD分解選取若干IMF分量之和，擯棄了大量冗余信息，使EMD樣本熵算法具有良好的抗干擾性，更適用于肌電信號(hào)的特征提取。

本文也嘗試用其他模式分類器，由于EMD樣本熵有著良好的聚類分布，所以本文選取了另外兩個(gè)常用的聚類分類器：基于K均值的聚類分類器和基于距離測(cè)度的馬氏距離分類器作為對(duì)比，它們均選擇已知?jiǎng)幼饔?xùn)練集的特征矢量的均值作為每個(gè)動(dòng)作的聚類中心，然后對(duì)測(cè)試集進(jìn)行分類識(shí)別，訓(xùn)練集為每類動(dòng)作信號(hào)的40組共160組表面肌電信號(hào)，測(cè)試集為剩下的160組數(shù)據(jù)，識(shí)別結(jié)果見表3。

表3 不同的分類器的識(shí)別效果

由表3可以看出，主軸核聚類算法明顯優(yōu)于K均值算法和馬氏距離算法，主要原因是前兩種算法適合那些類的自然分布為球狀或近似球狀的樣本作有效聚類，而EMD樣本熵的聚類分布近似橢球型，本文所提出的主軸核聚類算法比較適合這種特征分布的分類，取得了較為理想的分類效果。

4 結(jié) 論

本文運(yùn)用EMD樣本熵對(duì)腕上翻、腕下翻、展拳和握拳4類手部動(dòng)作的尺側(cè)腕伸肌和尺側(cè)腕屈肌兩路表面肌電信號(hào)進(jìn)行了分析。研究表明，樣本熵能夠從較短的時(shí)間序列中揭示動(dòng)作表面肌電信號(hào)的復(fù)雜性，很好地表現(xiàn)肌電信號(hào)的細(xì)微變化情況，抗干擾能力強(qiáng)，算法簡(jiǎn)單，計(jì)算速度較快，特別適合肌電信號(hào)的實(shí)時(shí)處理。而對(duì)sEMG信號(hào)進(jìn)行EMD分解后，利用樣本熵對(duì)包含肌電信號(hào)主要信息的前若干個(gè)IMF分量進(jìn)行復(fù)雜度分析的方法，很好地去除了肌電信號(hào)中的冗余信息，能夠得到更好的樣本熵特征分布，最后根據(jù)EMD樣本熵的聚類分布近似橢球型分布的特點(diǎn)，利用主軸核聚類算法對(duì)4類前臂動(dòng)作進(jìn)行分類，取得了較為理想的效果。

［1］ De Luca C J.Physiology and mathematics ofmyoelectric signals［J］.IEEE Trans Bio Med Eng，1979，26（6）：313－325.

［2］ Hoover CD，F(xiàn)ulk G D，F(xiàn)ite K B.The Design and Initial Experimental Validation of an Active Myoelectric Transfemoral Prosthesis［J］.Journal Medical Devices，2012，6（1）：011005－12.

［3］ 吳小鷹，侯文生，鄭小林，等.腕長(zhǎng)伸肌表面肌電與握力大小的相關(guān)性研究［J］.儀器儀表學(xué)報(bào)，2008，29（8）：1605－1608.

［4］ 高云園，佘青山，孟明，等.基于多源信息融合的膝上假肢步態(tài)識(shí)別方法［J］.儀器儀表學(xué)報(bào)，2010，31（12）：2682－2688.

［5］ 席旭剛，李仲寧，羅志增.基于相關(guān)性分析和支持向量機(jī)的手部肌電信號(hào)動(dòng)作識(shí)別［J］.電子與信息學(xué)報(bào)，2008，30（10）：2315－2319.

［6］ 張啟忠，席旭剛，高發(fā)榮.采用匹配濾波和ICA消除sEMG的工頻干擾［J］.計(jì)量學(xué)報(bào)，2013，34（2）：168－172.

［7］ LeiM，Wang Z Z，F(xiàn)eng Z J.Detecting nonlinearity of action surface EMG signal［J］.Phys Lett A，2001，290（5－6）：297－303.

［8］ 劉加海，王麗，王健.基于相空間、熵和復(fù)雜度變化的表面肌電信號(hào)分析［J］.浙江大學(xué)學(xué)報(bào)（理學(xué)版），2006，33（2）：182－186.

［9］ 王人成，黃昌華，常宇，等.表面肌電信號(hào)的分形分析［J］.中國(guó)醫(yī)療器械雜志，1999，23（3）：125－127.

［10］ Hu X，Wang Z Z，Ren X M.Classification of surface EMG signal with fractal dimension［J］.J Zhejiang Univ Sci B，2005，6（8）：844－848.

［11］ 鄒曉陽(yáng)，雷敏.基于多尺度最大李雅普諾夫指數(shù)的表面肌電信號(hào)模式識(shí)別［J］.中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2012，31（1）：7－12.

［12］ Arjunan SP，Kumar D K，Naik G R.Features of sEMG based on source separation and fractal properties to detect wrist movements［J］.Biomed Eng Appl Basis Commun，2010，22（4）：293－300.

［13］ Naik G R，Kumar D K，Arjunan S P.Towards classification of low-level fingermovements using forearm muscle activation：A comparative study based on ICA and Fractal theory［J］.Int JBiomed Eng Technol，2011，6（2）：150－162.

［14］ Arjunan S P，Kumar D K，Naik G R.A machine learning basedmethod for classification of fractal features of forearm sEMG using twin support vector machines［C］／／Annual International Conference of the IEEE on Engineering in Medicine and Biology Society，Buenos Aires，2010.

［15］ Arjunan S P，Kumar D K，Naik G R.Fractal based modelling and analysis of electromyography to identify subtle actions［C］／／Annual International Conference of the IEEE on Engineering in Medicine and Biology Society，Lyon，2007.

［16］ Huang N，Shen Z.The Empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis［J］.Proc R Soc Lond A，1998，454（1971）：903－995.

［17］ Taheri F.Damage identification in beams using empiricalmode decomposition［J］.Struct Health Monit，2011，10（3）：261－274.

［18］ 聶永紅，程軍圣，張亢，等.基于EMD與響度的有源噪聲控制系統(tǒng)［J］.儀器儀表學(xué)報(bào)，2012，33（4）：801－808.

［19］ Richman J S，Moorman JR.Physiological time-series analysis using approximate entropy and sample entropy［J］.Am J Physiol-Heart and Circulatory Physiol，2000，278（6）：H2039－H2049.

［20］ 王新沛，楊靜，李遠(yuǎn)洋，等.基于樣本熵快速算法的心音信號(hào)動(dòng)力學(xué)分析［J］.振動(dòng)與沖擊，2010，29（11）：115－118.

［21］ 雷敏，王志中.一種用于實(shí)時(shí)提取動(dòng)作信號(hào)的新方法［J］.中國(guó)醫(yī)療器械雜志，2000，24（4）：200－202.

EMG Signal Recognition Based on EMD Sam ple Entropy

XIXu-gang， ZHU Hai-gang， LUO Zhi-zeng， ZHANG Qi-zhong
（Intelligent Control＆Robotics Institute，Hangzhou Dianzi University，Hangzhou，Zhejiang310018，China）

According to the chaotic and nonlinear characteristics of surface electromyography（sEMG），a fast and efficient handsmovement sEMG pattern recognitionmethod for real-time control ofmyoelectric prosthetic hand is designed.A multi-modeling pattern recognition method of sEMG features based on the empirical mode decomposition（EMD）sample entropy and clustering analysis is proposed.First，it decomposes the sEMG signal into a set of intrinsic mode functions（IMF），then combines some of the IMF which contains the useful information according to frequency effectiveness，and calculates the sample entropy of the combination.The sample entropy of two sEMG of the extensor carpi ulnaris and flexor carpi ulnaris constitute the feature vector，the clustering classifier which based on principal axis clustering arithmetic is applied to classify the four hand movements.The result shows that four movements（hand extension，hand grasps，wrist spreads and wrist bends）are successfully identified.The average recognition rate is 93%.The method achieved high recognition rate，anti-interference ability and less computation，that is suitable for the control of themyoelectric prosthetic hand.

Metrology；Surface electromyography；Empiricalmode decomposition；Sample entropy；Clustering analysis； Pattern recognition

TB973

A

1000-1158（2014）06-0534-06

10．3969／j．issn．1000-1158．2014．06．03

2013-04-03；

2014-08-21

國(guó)家自然科學(xué)基金（60903084，61172134，61201300）；浙江省自然科學(xué)基金（LY13F030017）；浙江省科技計(jì)劃項(xiàng)目（2014C33105）

席旭剛（1975－），男，杭州電子科技大學(xué)副教授，主要研究方向?yàn)樯镝t(yī)學(xué)信息檢測(cè)、模式識(shí)別和機(jī)器人技術(shù)。xixugang＠hdu.edu.cn