上肢殘肢肌電信號(hào)交互的實(shí)現(xiàn)

徐國(guó)慶，吳云韜

（武漢工程大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院 智能機(jī)器人湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢430205）

0 引 言

上肢截肢患者的康復(fù)訓(xùn)練是患者術(shù)后康復(fù)的重要環(huán)節(jié)。文獻(xiàn) ［1－3］等對(duì)肌電信號(hào)的多模態(tài)識(shí)別進(jìn)行研究，通過提取腕肌電信號(hào)峰度，對(duì)神經(jīng)性疾病以及肌肉勞損度預(yù)測(cè)進(jìn)行研究。隨著模式識(shí)別技術(shù)的發(fā)展，將模式識(shí)別的算法應(yīng)用于多通道表面肌電 （sEMG）信號(hào)處理成為新型肌電假手的主要處理方法，針對(duì)上肢殘疾或者行動(dòng)不便的人群，通過肌電信號(hào)處理，使患者實(shí)現(xiàn)以殘肢肌電信號(hào)進(jìn)行魯棒人機(jī)交互［4－7］。在臨床康復(fù)過程中，針對(duì)肌電信號(hào)識(shí)別、對(duì)sEMG 信號(hào)進(jìn)行濾波去噪等研究，提出了一系列有效的方法［8－10］，包括使用改進(jìn)的自適應(yīng)共振理論神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)基于2通道的sEMG 的6類手指運(yùn)動(dòng)識(shí)別、使用線性判別分析 （LDA）、使用高斯混合模型對(duì)sEMG 信號(hào)分類識(shí)別，分別在信號(hào)采集、活動(dòng)段檢測(cè)、特征提取、動(dòng)作識(shí)別方面進(jìn)行研究，構(gòu)建了基于sEMG 的實(shí)時(shí)手勢(shì)識(shí)別系統(tǒng)。

在肌電信號(hào)中包含一定成分的高頻噪聲，使用小波變換可以較為有效地對(duì)sEMG 信號(hào)特征降噪處理，結(jié)合空間電極陣列檢測(cè)并運(yùn)用空間濾波來獲取高質(zhì)量的sEMG 信號(hào)。肌電信號(hào)受到殘肢勞損影響，使用sEMG 進(jìn)行長(zhǎng)時(shí)間交互會(huì)使降低系統(tǒng)自適應(yīng)能力。肌肉的長(zhǎng)期重復(fù)運(yùn)動(dòng)也會(huì)降低系統(tǒng)的有效性。因此如何有效提高上肢殘肢康復(fù)訓(xùn)練過程的有效性，增強(qiáng)殘肢肌電信號(hào)的精度以及可用性，對(duì)于提升患者對(duì)肌電信號(hào)的控制能力具有重要的意義。

本文針對(duì)基于殘肢肌電信號(hào)實(shí)時(shí)動(dòng)作識(shí)別中的特征提取方法進(jìn)行研究，提出了結(jié)合短時(shí)肌電信號(hào)特征的動(dòng)作識(shí)別算法，并構(gòu)建了基于殘肢肌電信號(hào)的康復(fù)訓(xùn)練系統(tǒng)。相比于已有的算法，該算法在時(shí)域進(jìn)行短時(shí)處理，在效率和動(dòng)作識(shí)別精度上有較大提高。實(shí)驗(yàn)結(jié)果表明，該算法是識(shí)別上肢殘肢表面肌電信號(hào)動(dòng)作的有效方法。

1 肌電信號(hào)的多分辨分析

表面肌電信號(hào)是一維時(shí)間序列，對(duì)于L2（R）中的函數(shù)可以表示為近似函數(shù)逼近的極限，近似函數(shù)為原函數(shù)在不同分辨率子空間上的投影?？臻gVj上函數(shù)分解公式可以表示為

即通過引入正交補(bǔ)空間Vj－1和Wj－1，將Vj上的函數(shù)分解為Vj－1上的尺度分量和小波空間Wj－1上的小波分量，其中

在上式中令j→∞得到函數(shù)的完全正交分解

利用多尺度分解，將原信號(hào)分解為正交空間的低頻分量和高頻分量。對(duì)于噪聲分量，其大部分成分位于高頻空間，通過對(duì)分解后的信號(hào)的高頻部分進(jìn)行濾波處理，可以將原信號(hào)中的大部分噪聲信號(hào)去除。

（1）｜H（ω）｜2＋｜H（ω＋π）｜2＝1；

（2）H（0）＝1；

對(duì)肌電信號(hào)進(jìn)行多分辨分解，在重構(gòu)信號(hào)中噪聲去除明顯，但是信號(hào)的能量得以保留，動(dòng)作部分的信號(hào)幅值能量特征可以明顯增強(qiáng)，并且能量損耗小 （其峰值基本完全保留），使用自動(dòng)閾值使濾波后的信號(hào)的總體方差更小，信號(hào)均勻分布于0值附近。

2 肌電信號(hào)短時(shí)特征提取

表面肌電信號(hào)中的動(dòng)作段和無動(dòng)作段的峰值區(qū)別明顯，但無動(dòng)作段的高頻部分有比較強(qiáng)的噪聲，因此在處理的初始階段，應(yīng)對(duì)這些噪聲信號(hào)進(jìn)行濾波處理。

從肌電信號(hào)的特征來看，其動(dòng)作的觸發(fā)具有偶然性、非周期性、非固定時(shí)長(zhǎng)等特點(diǎn)，可以采用基于短時(shí)特征的分析方法，使用短時(shí)過零率、短時(shí)能量、短時(shí)平均幅度等統(tǒng)計(jì)方法，提取信號(hào)的短時(shí)數(shù)字特征。

肌電信號(hào) ｛x（n）｝的短時(shí)能量定義為

其中，N 是時(shí)間窗口，如果直接對(duì)時(shí)間窗口進(jìn)行能量累加，在瞬時(shí)尖峰噪聲處會(huì)引入較大的誤差，因此實(shí)際中，選擇短時(shí)平均能量，即對(duì)短時(shí)能量窗口進(jìn)行平均

考慮到平方計(jì)算的效率，可以使用肌電信號(hào)的短時(shí)平均幅度代替平均能量計(jì)算

信號(hào) ｛x（n）｝的短時(shí)平均過零率為

其中，sgn為符號(hào)函數(shù)

肌電信號(hào)在時(shí)間域?yàn)橐痪S數(shù)字信號(hào)，為進(jìn)行短時(shí)處理，將肌電信號(hào)進(jìn)行時(shí)間軸分幀。即設(shè)置每幀包含m 個(gè)采樣點(diǎn)，將信號(hào)分為k幀，在每幀序列上分別計(jì)算信號(hào)的短時(shí)能量特征sij和短時(shí)過零率特征qij，特征以布爾值表示

式中：i，j——幀序號(hào)和幀內(nèi)采樣點(diǎn)序號(hào)。使用sij和qij構(gòu)成短時(shí)能量和過零率矩陣

在實(shí)際算法中，考慮到單一特征在信號(hào)處理過程中會(huì)引入誤判，因此，可以將兩類特征進(jìn)行組合，得到復(fù)合判別特征

復(fù)合特征Edge可以較好地表述肌電信號(hào)實(shí)際動(dòng)作段／非動(dòng)作段的端點(diǎn)跳變特征，結(jié)合復(fù)合特征矩陣，對(duì)動(dòng)作信號(hào)進(jìn)行端點(diǎn)檢測(cè)。

根據(jù)肌電信號(hào)動(dòng)作段、非動(dòng)作段過渡的狀態(tài)，引入3種狀態(tài)參數(shù)，0表示靜止無動(dòng)作段，1表示肌電信號(hào)從無動(dòng)作段到動(dòng)作段的過渡段；2 表示肌電信號(hào)從有動(dòng)作段到無動(dòng)作段的過渡段。

由于動(dòng)作段、非動(dòng)作段過渡段會(huì)出現(xiàn)瞬時(shí)噪聲跳變，為消除尖峰噪聲引起的誤判，將過渡狀態(tài)轉(zhuǎn)換判斷進(jìn)行延遲檢測(cè)處理，即當(dāng)出現(xiàn)動(dòng)作跳變時(shí)，繼續(xù)對(duì)后續(xù)若干幀進(jìn)行連續(xù)動(dòng)作判斷，如果后續(xù)動(dòng)作持續(xù)一段時(shí)間為相同的判斷結(jié)果，則可以確認(rèn)過渡段，從而消除誤判的過渡段。

磚子乍進(jìn)門，見纖掌揮來，明知敵不過刀馬旦的拳腳功夫，也要拼力反抗、擊退氣勢(shì)洶洶的強(qiáng)敵的，然而氣吐如蘭的動(dòng)口不動(dòng)手，將他軟化在石榴裙下了。趙仙童擁著他坐上沙發(fā)，轉(zhuǎn)身沏杯龍井茶，又削了一只大蘋果，剖成片放進(jìn)碟子里，捏出一片撒著嬌要喂他。磚子涌起潮水般的感動(dòng)，晚上遭受詩(shī)友們不知情的污辱，白天挨的莫名其妙耳光，全都在一片蘋果、一杯清茶中和解了。盡管這是他多年夫妻生活中，從未經(jīng)歷過的大起大落。

3 尺側(cè)腕伸屈肌電信號(hào)動(dòng)作識(shí)別

3.1 識(shí)別分類器設(shè)計(jì)

支持向量機(jī) （SVM）針對(duì)線性可分的分類面問題，實(shí)現(xiàn)對(duì)兩類樣本的區(qū)分，并使分類面距離兩類樣本的間隔最大，從而使分類的期望風(fēng)險(xiǎn)最小，并可推廣到高維空間。在肌電信號(hào)中包含兩類特征，可使用SVM 實(shí)現(xiàn)魯棒區(qū)分。對(duì)于線性可分的樣本集（xi，yi），i＝1，2，…，n，xi∈Rd，yi∈｛－1，＋1｝是兩類類別標(biāo)志。在d維空間，線性判別函數(shù)為：f（x）＝〈w，x〉＋b，對(duì)應(yīng)的兩類分類面為：〈w，x〉＋b＝0。

SVM 通過歸一化處理，使兩類樣本中位于支撐超平面上的樣本滿足＝1，并且使兩類樣本的支撐超平面的間隔最大為：2／w ，對(duì)于正確分類的樣本，有：yi［〈w，xi〉＋b］≥1，i＝1，…，l。對(duì)于線性可分的樣本集，盡管在起始階段存在一段干擾噪聲，使其短時(shí)能量值較大，但是由于該段噪聲內(nèi)的短時(shí)過零率較低，在過零率曲線上可以直接將其去除，從而準(zhǔn)確識(shí)別動(dòng)作段。

3.2 短時(shí)特征構(gòu)造

在兩通道信號(hào)分割端點(diǎn)限定的動(dòng)作段內(nèi)，分別計(jì)算兩通道信號(hào)的平均能量，短時(shí)平均能量很好地刻畫了動(dòng)作段內(nèi)的兩個(gè)通道采集數(shù)據(jù)的短時(shí)特征。將兩通道的肌電信號(hào)的短時(shí)平均能量構(gòu)成特征向量v，v ＝｛｝，分別提取m 組伸腕動(dòng)作、屈腕動(dòng)作的動(dòng)作段特征矢量構(gòu)成正、負(fù) 訓(xùn) 練 樣 本：Vpos＝ ｛v1，v2，…，vm｝，Vneg＝ ｛，…，｝。

各樣本對(duì)應(yīng)的類別標(biāo)簽為：Lpos＝｛＋1，…，＋1｝，Lneg＝｛－1，…，－1｝。

使用短時(shí)特征獲取的兩類動(dòng)作的訓(xùn)練樣本，可以較好地消除瞬時(shí)噪聲的影響，特征提取簡(jiǎn)單有效。

4 實(shí)驗(yàn)和討論

針對(duì)兩路信號(hào)進(jìn)行尺側(cè)腕伸屈動(dòng)作識(shí)別，對(duì)不同測(cè)試者的兩類動(dòng)作數(shù)據(jù)，每名受試者的伸腕、屈腕數(shù)據(jù)分別連續(xù)采集。在采集時(shí)通過測(cè)試，選擇肌電信號(hào)相對(duì)較強(qiáng)的尺側(cè)腕伸屈肌，交替記錄兩個(gè)通道的電極的采集數(shù)據(jù)，受試者每隔2s伸腕一次，每次伸腕的動(dòng)作時(shí)間為1.5s左右。

對(duì)原始信號(hào)進(jìn)行多尺度濾波、重構(gòu)，并在重構(gòu)后的信號(hào)中進(jìn)行動(dòng)作段分割。由于在屈腕、伸腕動(dòng)作中兩通道的信號(hào)的動(dòng)作段是交替的，因此在處理時(shí)根據(jù)動(dòng)作與通道的關(guān)系，選擇有動(dòng)作的通道作為動(dòng)作段分割的通道，另外通道采用相同的端點(diǎn)進(jìn)行分割。將分割后的動(dòng)作段信號(hào)輸入分類器實(shí)現(xiàn)動(dòng)作識(shí)別。

圖1是自適應(yīng)的閾值去噪方法，對(duì)尺側(cè)腕伸屈肌起始的3個(gè)動(dòng)作段信號(hào)去噪的對(duì)比的結(jié)果，從上到下依次為：原始信號(hào)、強(qiáng)制去噪后的信號(hào)、默認(rèn)閾值去噪、手動(dòng)閾值去噪、自動(dòng)閾值去噪的結(jié)果。

圖1 尺側(cè)腕伸屈肌信號(hào)去噪算法對(duì)比

從圖1可以看出，采用強(qiáng)制消噪，直接將小波分解的高頻段信號(hào)置零，則重構(gòu)的信號(hào)中動(dòng)作信號(hào)的特征基本消失，而在高頻段的動(dòng)作區(qū)保留有較明顯的信號(hào)特征，直接去除高頻部分會(huì)導(dǎo)致較大的信號(hào)失真。使用默認(rèn)閾值去噪，重構(gòu)后的信號(hào)總體能量損耗較大，而使用手動(dòng)軟閾值和自動(dòng)軟閾值方法去噪，由于考慮到細(xì)節(jié)信號(hào)中所含有的動(dòng)作特征，將其中的動(dòng)作部分的較大能量特征予以保留，為短時(shí)特征提取提供較為豐富的計(jì)算樣本。

圖2是使用本文得短時(shí)特征識(shí)別算法信號(hào)動(dòng)作段分割結(jié)果。結(jié)合肌電信號(hào)短時(shí)實(shí)際特性，分別對(duì)尺側(cè)腕伸肌的3個(gè)動(dòng)作段和尺側(cè)腕屈肌的4個(gè)動(dòng)作段計(jì)算短時(shí)能量和短時(shí)過零率，依據(jù)短時(shí)特征進(jìn)行動(dòng)作段分割提取。通過肌電信號(hào)的高頻濾波處理，能夠在原始信號(hào)上濾除大部分的高頻噪聲，但是動(dòng)作信號(hào)段的低頻特征得以完整保留。在上肢殘肢兩側(cè)肌肉運(yùn)動(dòng)過程中，動(dòng)作段與非動(dòng)作段的信號(hào)具有較為顯著的區(qū)別。從圖中可以看出使用本文的噪聲自適應(yīng)去除方法，能夠完整地保留動(dòng)作段的信號(hào)特征，結(jié)合提出的端點(diǎn)分割算法，可以較為準(zhǔn)確地區(qū)分出動(dòng)作的起止點(diǎn)。為動(dòng)作特征提取提供較為精確的分割結(jié)果。

圖2 肌電信號(hào)動(dòng)作段檢測(cè)分割結(jié)果

為驗(yàn)證SVM 算法以及短時(shí)特征的分類效率，分別采用SVM、神經(jīng)網(wǎng)絡(luò) （ANN）進(jìn)行訓(xùn)練，并對(duì)兩種分類算法進(jìn)行對(duì)比。其中SVM 分類器分別使用線性核函數(shù)、多項(xiàng)式核函數(shù)、RBF核函數(shù)進(jìn)行訓(xùn)練，并對(duì)測(cè)試集進(jìn)行識(shí)別測(cè)試。

實(shí)驗(yàn)分別采集了4個(gè)人的伸腕、屈腕動(dòng)作，采集點(diǎn)為尺側(cè)腕屈肌和尺側(cè)腕伸肌，訓(xùn)練數(shù)據(jù)集為16組共320個(gè)動(dòng)作段，測(cè)試集為伸腕5組，屈腕7組，使用短時(shí)算法提取兩類樣本的特征。

表1 是使用短時(shí)平均能量對(duì)12 組測(cè)試數(shù)據(jù) （伸腕5組、屈腕7組）共966個(gè)動(dòng)作段，分別使用SVM 及神經(jīng)網(wǎng)絡(luò)的正確識(shí)別的動(dòng)作數(shù)及識(shí)別率。N 為輸入樣本數(shù)，M 為正確識(shí)別的樣本數(shù)，從結(jié)果可以看出對(duì)屈腕組數(shù)據(jù)SVM 和ANN 分類的區(qū)別較大?？傮w上SVM 法要優(yōu)于ANN 算法。

表1 動(dòng)作分類測(cè)試結(jié)果

圖3是對(duì)一組屈腕動(dòng)作分類識(shí)別結(jié)果 （左右圖分別為ANN、SVM 方法），圖中實(shí)心點(diǎn)標(biāo)記為尺側(cè)腕屈肌動(dòng)作特征，十字標(biāo)記為尺側(cè)腕伸肌動(dòng)作特征，圓圈對(duì)應(yīng)于測(cè)試集屈腕5組中的176個(gè)尺側(cè)腕屈肌動(dòng)作特征樣本，從對(duì)比圖上可以看出，SVM 根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，具有強(qiáng)泛化性能，其分類性能要明顯優(yōu)于神經(jīng)網(wǎng)絡(luò)。SVM 誤分類的樣本數(shù)為6，并且基本上在分類面的附近，而神經(jīng)網(wǎng)絡(luò)的誤分類樣本數(shù)為18，且大部分樣本點(diǎn)距離分類面的距離較遠(yuǎn)。

圖3 ANN 和SVM 測(cè)試集識(shí)別結(jié)果

從圖3可看出，使用線性核的SVM 和神經(jīng)網(wǎng)絡(luò)對(duì)兩類動(dòng)作的分類器性能有明顯的差異，SVM 的分類特性充分體現(xiàn)，其分類面不僅使兩類樣本的分類誤差最小，且使分類面距兩類樣本的距離最遠(yuǎn)，兼顧了訓(xùn)練誤差和推廣能力。

圖4為使用本文提出的基于短時(shí)能量的動(dòng)作識(shí)別算法對(duì)握拳、張拳動(dòng)作的識(shí)別結(jié)果以及使用肌電信號(hào)實(shí)時(shí)驅(qū)動(dòng)三維手骨格模型動(dòng)作的效果。從實(shí)驗(yàn)交互的過程來看，使用短時(shí)信號(hào)特征可以在較短的時(shí)間內(nèi)提取有效特征，算法計(jì)算過程簡(jiǎn)單有效，在識(shí)別過程中使用線性SVM 算法，可以將兩類多進(jìn)行較為精確的區(qū)分，并基本上肢動(dòng)作過程中，可以較為魯棒地實(shí)現(xiàn)兩類動(dòng)作檢測(cè)。由于使用短時(shí)能量直接在信號(hào)域進(jìn)行處理，算法實(shí)現(xiàn)效率和動(dòng)作識(shí)別的準(zhǔn)確度高，可以應(yīng)用于上肢殘肢肌電信號(hào)交互訓(xùn)練。

圖4 肌電信號(hào)驅(qū)動(dòng)的手骨骼模型交互

對(duì)比神經(jīng)網(wǎng)絡(luò)，使用SVM 分類器，對(duì)線性可分的兩類尺側(cè)腕伸屈肌動(dòng)作，平均識(shí)別率在99%以上?？紤]到線性核函數(shù)的SVM 對(duì)兩類在識(shí)別率上已經(jīng)可以滿足實(shí)際需要，因此確定使用此分類器作為尺側(cè)腕伸屈肌兩類動(dòng)作的識(shí)別算法。

5 結(jié)束語(yǔ)

肌電信號(hào)交互是上肢殘障患者的有效的功能替代方式，對(duì)肌電信號(hào)動(dòng)作的魯棒識(shí)別和實(shí)時(shí)處理的效率直接影響到交互過程的效率。通過引入短時(shí)信號(hào)特征提取方法，并在計(jì)算中使用絕對(duì)值平均代替短時(shí)平均能量，進(jìn)一步降低計(jì)算復(fù)雜度，使特征提取在計(jì)算效率上有較大提升。對(duì)于肌電信號(hào)在測(cè)試集中的錯(cuò)誤識(shí)別的樣本，其原因主要是由于兩類動(dòng)作的肌肉收縮力度不足導(dǎo)致信號(hào)的動(dòng)作段與非動(dòng)作段的區(qū)分度不足，可以從以下方面加以改進(jìn)：一是選擇兩側(cè)肌肉收縮力較大的采集點(diǎn)，并在皮膚表面進(jìn)行清潔處理以增強(qiáng)導(dǎo)電性能；二是在使用時(shí)要求患者提高肌肉動(dòng)作力度，增強(qiáng)兩類動(dòng)作的動(dòng)作段對(duì)應(yīng)兩通道信號(hào)短時(shí)特征的對(duì)比?？紤]到動(dòng)作采集效果對(duì)特征提取及識(shí)別的影響，在采集中可以通過測(cè)試選擇肌電動(dòng)作區(qū)分度較大的肌群進(jìn)行采集。

［1］Fong D T，Yam K，Chu V W.Upper limb muscle fatigue during prolonged Boccia games with underarm throwing technique［J］.Sports Biomechanics，2012，11 （4）：441－451.

［2］Bonfiglioli R，Botter A，Calabrese M.Surface electromyography features in manual workers affected by carpal tunnel syndrome［J］.Muscle and Nerve，2012，4 （6）：873－882.

［3］Ahamed N U，Sundaraj K，Poo T S.Design and development of an automated，portable and handheld tablet personal computer－based data acquisition system for monitoring electromyography signals during rehabilitation ［J］.Proceedings of the Institution of Mechanical Engineers，2013，227 （3）：262－274.

［4］Qin Zhang，Mitsuhiro Hayashibe，Philippe Fraisse.FES－induced torque prediction with evoked EMG sensing for muscle fatigue tracking ［J］.IEEE／ASME Transactions on Mechatronics，2011，16 （5）：816－826.

［5］Sakrapee Paisitkriang Krai，Shen Chunhua，Zhang Jian.Incremental training of a detector using online sparse Eigen decomposition ［J］.IEEE Transaction on Image Processing，2011，20 （1）：213－225.

［6］Ali Asadi Nikooyan，Amir Abbas Zadpoor.Effects of muscle fatigue on the ground reaction force and soft－tissue vibrations during running：A model study ［J］.IEEE Transactions on Biomedical Engineering，2012，59 （3）：797－802.

［7］Lotte F，Guan C.Regularizing common spatial patterns to improve BCI designs：Unified theory and new algorithms ［J］.IEEE Trans Biomed Eng，2011，58 （2）：355－362.

［8］Peter O，F(xiàn)azekas G，Zsiga K.Robot－mediated upper limb physiotherapy：Review and recommendations for future clinical trials［J］.International Journal of Rehabilitation Research，2011，34 （3）：196－202.

［9］Tscharner VV，Eskofier B，F(xiàn)ederolf P.Removal of the electrocardiogram signal from surface EMG recordings using nonlinearly scaled wavelets［J］.Journal of Electrocardiogram and Kinesiology，2011，21 （4）：683－688.

［10］Zidelmal Z，Amirou A，Adnane M.QRS detection based on wavelet coefficients［J］.Computer Methods and Programs in Biomedicine，2012，107 （3）：490－496.