改進AR模型特征提取及分類*

尚小晶 吳忠偉 徐成波

(吉林建筑大學城建學院,長春 130111)

0 引言

表面肌電信號(sEMG)[1]，是由電極引導記錄下來皮膚表面的神經肌肉活動時的生物電信號,它反映了神經、肌肉的功能和狀態(tài).不同的肢體動作由不同的肌肉群控制.因此,可通過肌肉群變化不同來體現(xiàn)不同的動作特征.表面肌電信號是肌肉動作的直接體現(xiàn),該信號作為不同動作的信號源最為合適,因此,只需提取不同動作信號的全面、具有代表性的特征就能將不同動作區(qū)別開來.

肌電信號主要集中在20Hz～500Hz之間,而50Hz工頻干擾是信號中的影響因素較大的噪聲信號.因此，一般的消噪過程都會將50Hz工頻誤認為是肌電信號而未被消除.消除工頻干擾是該信號處理的一個重要過程.目前國內外較成熟的信號處理方法是獨立成分分析[2](ICA),它可以從若干個相互獨立的混合信號中分離出信源間線性混合的獨立成分,因而能夠使其適用于許多場合的信號分析.但該方法一般只適用于線性平穩(wěn)信號,肌電信號具有很強的非平穩(wěn)性和非線性,為了能夠準確地去除干擾信號,本文將經驗模式分解(EMD)應用于獨立成分分析方法中,經驗模式分解非常適合處理非線性非平穩(wěn)信號.兩種方法相結合對表面肌電信號進行信號處理,然后建立AR模型將模型系數(shù)作為信號特征，采用改進概率神經網絡對食指伸展、伸腕、向下曲腕、握拳、向側曲腕、手掌伸展6種手勢動作進行模式識別.

1 獨立成分分析

肌電信號作為生物電信號采用電極采集非常微弱,在采集過程中，由于受到環(huán)境影響不可避免的會引入噪聲,50Hz工頻是最主要的干擾之一,該含噪信號用X表示與肌電源信號用S表示之間由混合矩陣描述.ICA要解決的問題是,在S和A均未知的條件下,求取一個解混矩陣W,使得X通過解混后所得輸出Y是S的最優(yōu)逼近.

在諸多ICA算法中,固定點算法 (也稱FastlCA[3])被廣泛應用于信號處理領域.該算法能很好地從觀測信號中估計出相互統(tǒng)計獨立的、被未知因素混合的原始信號.

2 EMD+AR模型

2.1 EMD分解

EMD[4]非常適合處理非線性、非平穩(wěn)信號能夠克服獨立成分分析的不足,該方法是將原信號分解成有限IMF之和.

EMD分解的具體步驟如下:

先由源信號s(t)的極大點和極小點求出其上包絡v1(t)與下包絡v2(t)之平均值

(1)

然后求s(t)和m(t)的差值h1(t)即

h1(t)=s(t)-m(t)

(2)

將h1(t)作為源信號s(t)重復以上操作,直到進行k次循環(huán)得到h1k(t),Huang定義了一個標準差

(3)

若SD≤0.3,則第一層分解結束,定義c1=h1k(t),此時c1即為所求的第一個固有模態(tài)函數(shù)IMF1,將剩余部分s(t)-c1=r進行同樣的分解過程,一次得到第二個IMFc2和第三個IMFc3,L.

直到r基本呈單調趨勢或|r|很小,可視為測量誤差時即停止.于是

(4)

其中，r為殘余分量,表示信號的中心趨勢.

分解之后每個IMF是信號從高頻到低頻不同頻率段的成分,且表面肌電信號的活動信息都集中在20Hz～500Hz頻率段,所以分解之后在前兩個IMF之中動作信號占主要成分.

2.2 AR模型

肌電信號的AR模型(自回歸模型)可以看成是由白噪聲激勵某一確定系統(tǒng)所產生的.該模型在計算過程中要求信號在短時間內滿足平穩(wěn)性,尤其在所分析的信號段內滿足平穩(wěn),表面肌電信號正好可滿足該特征.肌電信號的AR模型建立的過程中,如果已知噪聲的功率和系統(tǒng)的參數(shù),則可以通過研究輸入輸出之間的關系來研究肌電信號.

信號x(n)由本身的若干次過去的x(n-k)和當前激勵w(n)線性組合產生:

(5)

該模型的系統(tǒng)函數(shù)是:

(6)

采用LS最小二乘算法來確定AR模型的系數(shù)ak.將前兩個IMF作為AR模型的輸入,提取AR系數(shù)作為表面肌電信號的特征參數(shù).

3 實驗分析

設x1(t)為采集到的含有噪聲信號的原始肌電信號,將其表示為:

x1(t)=s(t)+e(t)

(7)

式中，s(t)為不含工頻干擾的sEMG信號;e(t)為sEMG中所包含的50Hz工頻噪聲.則有

e(t)=Asin(2πf0t+θ)=Acosθsin(2πf0t)+Asinθcos(2πf0t)=A1sin(2πf0t)+A2cos(2πf0t)

其中,f0=50Hz,A1,A2為幅值,在確定環(huán)境下,為恒定值.令e1(t)=A1sin(2πf0t)，e2(t)=A2cos(2πf0t),則上式又記為:

x1(t)=s(t)+e1(t)+e2(t)

(8)

表面肌電信號和工頻信號來源不同,互不影響,互不干涉,滿足相互獨立的條件.由于ICA算法要求觀測信號數(shù)目大于或等于獨立的源信號數(shù)目,為此,為了滿足要求除實際采集到的原始肌電信號x1(t)外,還需要人為構造觀測信號.

本文為了計算方便,人為構造工頻信號作為補充信號.根據工頻信號由正弦信號和余弦信號組成的特點,故按工頻f0=50Hz構造兩道相互正交的工頻參考源作為觀測信號,下式中x2(t),x3(t)為人工構造的兩路正交工頻信號:

x2(t)=sin(2πf0t)x3(t)=cos(2πf0t)

(9)

分離之后的目標信號為三個相互獨立的信號,分別為去除50Hz工頻噪聲后的原始信號s(t)、疊加有50Hz噪聲成分的余弦信號e1(t)和正弦信號e2(t).將上述方法構筑的三道信號x1(t)、x2(t)、x3(t)作為觀測信號,通過FastICA算法分離出三個獨立分量s(t)，e1(t)，e2(t).圖1為肌電信號在消噪前后的功率譜密度對比曲線.

將獨立成分分析與經驗模式分解相結合去除工頻噪聲,原始肌電信號能被分解成有限個IMF之和,且本文利用活動段的肌電信號進行分析,大大減少了處理的數(shù)據量.圖2為對分解之后的前兩個IMF進行FFT變換之后的頻譜圖.

圖1 SEMG信號消噪前后功率譜密度對比

圖2 IMF1和IMF2進行FFT變換之后的頻譜

從圖1看以看出，采用本文方法去除工頻干擾之后其功率譜曲線和原始信號相比在50Hz處截然不同,且其他頻率段和原始信號重合,即采用本文的方法能有效的抑制工頻干擾的影響,且對其他頻率段沒有任何影響.圖2中EMD分解之后前兩個IMF的頻率主要集中在20Hz～5 000Hz之間,即表明活動段檢測的有效性,同時對于集中原始肌電信號的前兩個IMF本文將對其進行建模分析.

對前兩個IMF建立AR模型,提取模型系數(shù)作為不同手勢動作表面肌電信號的信號特征,采用改進概率神經網絡[5]進行6種手勢動作識別.表1為本文ICA+EMD+AR模型系數(shù)的識別效果和AR模型識別效果對比.

表1 不同特征識別對比

從表1中結果可以看出,本文ICA+EMD結合之后處理信號所提取的模型系數(shù)的識別率要遠遠高于傳統(tǒng)的AR模型系數(shù)的識別率,驗證了本文改進算法的有效性.但本文所采用的算法步驟較為精細,花費的計算時間相對傳統(tǒng)算法時間要長,影響了效率.因此，有待于進一步研究和創(chuàng)新.

4 結論

肌電信號在采集過程中受到環(huán)境因素影響,引入了大量噪聲,其中工頻噪聲是最主要的.為了使肌電信號能準確進行分類識別，本文嘗試采用獨立成分分析和經驗模式分析相結合的算法，對原始肌電信號去除干擾；并采用編程實驗分析,得到該算法有較好的實用性,取得了較好的效果.對去除干擾之后的純凈信號建立AR模型,將AR系數(shù)作為表面肌電信號的特征,采用改進后的概率神經網絡對6種手勢動作進行識別.通過實驗分析表明,本文所采用的方法比傳統(tǒng)的建模方法識別率高,驗證了方法的有效性.本文的算法雖然有一定的成效，但也存在計算時間較長的不足,因此，在后期的研究工作中,尋找一個快速準備且識別效果好的特征是研究的重點.

參 考 文 獻

[1] JIN D W,WANG R CH.Artificial Intelligent prosthesis[J].Chinese J.Clinical Rehabilitation,2002,5(20):2994-2995.

[2] Comon P,Independent Component Analysis,a New Concept[J].Signal Processing,1994,36(3):287-314.

[3] Hyvarinen A.A Family of Fixed-Point Algorithms for Independent Component Analysis[J].Proc.Int.Conf.of Acoustics.Speech and Signal Processing,1997,5:3917-3920.

[4] Huang NE,et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[A].Proc&Soc Lond[C].London: Royal Soc London,1998.

[5] SHANG Xiaojing,TIAN Yantao,LI Yang,WANG Ligang.The Recognition of Gestures and Movements Based On MPNN.Journal of Jilin University (Information Science Edition)[J].2010,28(5):459-466.