基于小腿表面肌電的智能機(jī)器人協(xié)同控制方法

徐超立 林 科 楊 晨 吳超華 高小榕

(清華大學(xué)生物醫(yī)學(xué)工程系，北京 100084)

基于小腿表面肌電的智能機(jī)器人協(xié)同控制方法

徐超立 林 科 楊 晨 吳超華 高小榕#*

(清華大學(xué)生物醫(yī)學(xué)工程系，北京 100084)

作為人機(jī)交互的核心內(nèi)容之一，面向機(jī)器人控制的步態(tài)識別擁有廣泛的應(yīng)用前景。提出一種基于小腿表面肌電信號的智能移動(dòng)機(jī)器人控制方法。通過優(yōu)化互信息的最大相關(guān)最小冗余算法(MRMR)，實(shí)現(xiàn)對前進(jìn)、后退、左轉(zhuǎn)、右轉(zhuǎn)等4種步態(tài)分類識別，并建立一套移動(dòng)機(jī)器人同步控制系統(tǒng)。使用表面肌電信號(sEMG)作為輸入信息，對人步態(tài)動(dòng)作進(jìn)行分類識別，并轉(zhuǎn)化為對機(jī)器人運(yùn)動(dòng)進(jìn)行控制的信息，從而實(shí)現(xiàn)人與智能移動(dòng)機(jī)器人的實(shí)時(shí)協(xié)同交互。通過采集8名受試者前進(jìn)、后退、左轉(zhuǎn)、右轉(zhuǎn)行走時(shí)的小腿表面肌電信號，并實(shí)時(shí)控制智能機(jī)器人的運(yùn)動(dòng)。結(jié)果表明，在少量的訓(xùn)練條件下，該方法的步態(tài)識別準(zhǔn)確率可達(dá)88%?；诖朔椒ù罱ǖ囊苿?dòng)機(jī)器人協(xié)同控制系統(tǒng)，具有較強(qiáng)的實(shí)時(shí)控制能力以及較高的控制準(zhǔn)確度。基于小腿表面肌電的智能機(jī)器人協(xié)同控制方法具有良好的應(yīng)用前景，未來或可廣泛應(yīng)用于人機(jī)運(yùn)動(dòng)協(xié)調(diào)機(jī)器人控制等領(lǐng)域。

小腿表面肌電信號；步態(tài)識別；最大相關(guān)最小冗余算法；智能機(jī)器人

引言

隨著機(jī)器人技術(shù)的發(fā)展，人機(jī)交互方式越來越受到人們的重視。作為傳統(tǒng)的移動(dòng)機(jī)器人操控方式，遙桿、按鍵和觸控等需要復(fù)雜的儀器設(shè)備[1]，而且操作繁瑣，臨場感不強(qiáng)。因此，基于表面肌電信號的步態(tài)識別等新的人機(jī)交互方式成為了研究的熱點(diǎn)。

表面肌電信號是一種伴隨肌肉活動(dòng)的電生理信號。由于在肢體運(yùn)動(dòng)中，相應(yīng)的表面肌電信號蘊(yùn)含了豐富的信息[2]，因此可以通過分析不同步態(tài)對應(yīng)的肌電信息來完成步態(tài)識別。目前，基于表面肌電信號的步態(tài)識別已有一些研究，并且取得了一些成果，其中有通過分析大腿殘肢的肌電信號控制下假肢的運(yùn)動(dòng)[3-4]和基于粒子群優(yōu)化-支持向量機(jī)方法的下肢肌電信號步態(tài)識別[5]。盡管現(xiàn)有的步態(tài)識別方法已經(jīng)取得了較好的效果，但是仍存在3個(gè)主要局限：一是現(xiàn)有的大多數(shù)方法都需要同時(shí)采集雙腿的大小腿多組肌肉群的肌電信號，而大腿部肌電的采集常常不方便；二是絕大多數(shù)研究較少涉及特征選擇，往往都是直接采用某些特征的組合，如果直接將這些特征應(yīng)用到小腿的步態(tài)識別中，分類效果較差；三是應(yīng)用范圍較窄，主要應(yīng)用于假肢和康復(fù)醫(yī)療領(lǐng)域。

為了解決上述的問題，本研究在基于表面肌電信號步態(tài)識別的基礎(chǔ)上，設(shè)計(jì)了一種智能機(jī)器人協(xié)同控制方法。通過表面電極，將行走時(shí)的肌電信號轉(zhuǎn)換為移動(dòng)機(jī)器人的運(yùn)動(dòng)指令，從而讓人機(jī)交互更加自然、直觀和靈活。在本研究中，只利用了單個(gè)小腿的肌電信息，并且利用最大相關(guān)最小冗余(minimal-redundancy-maximal-relevance, MRMR)算法[6]，優(yōu)選出最佳的特征組合。該算法通過互信息，尋找和類別標(biāo)簽相關(guān)度最大而彼此間冗余度最小的特征組合?；谶@些特征組合，在Matlab上建立了一套機(jī)器人同步運(yùn)動(dòng)控制系統(tǒng)，可以利用對步態(tài)肌電信號的分析識別、實(shí)時(shí)觀測，通過TCP/IP協(xié)議將結(jié)果發(fā)送給智能機(jī)器人進(jìn)行遠(yuǎn)程控制。本研究所用的智能機(jī)器人是TurtleBot，是一款基于ROS系統(tǒng)的小型移動(dòng)機(jī)器人。ROS是開源的，是用于機(jī)器人的一種后操作系統(tǒng)，或者說次級操作系統(tǒng)。它提供類似操作系統(tǒng)所提供的功能，包含硬件抽象描述、底層驅(qū)動(dòng)程序管理、共用功能執(zhí)行、程序間消息傳遞、程序發(fā)行包管理，它也提供一些工具程序和庫用于獲取、建立、編寫和運(yùn)行多機(jī)整合的程序[7-8]。

1 方法和實(shí)驗(yàn)

1.1 系統(tǒng)控制原理

圖1給出了基于小腿肌電控制的智能機(jī)器人協(xié)同控制原理，其系統(tǒng)功能是利用從小腿采集的表面肌電圖(surface electromyography, sEMG)信號對人的行走動(dòng)作進(jìn)行識別，然后基于識別結(jié)果控制智能移動(dòng)機(jī)器人的運(yùn)動(dòng)。整個(gè)系統(tǒng)由肌電采集模塊、模式識別模塊和機(jī)器人控制模塊構(gòu)成。其中，肌電采集模塊采集受試行走中的sEMG信號，將其放大采集后通過藍(lán)牙通信送入模式識別模塊；模式識別分析模塊對sEMG信號進(jìn)行預(yù)處理、活動(dòng)段提取、特征提取和分類，然后將分類結(jié)果通過TCP/IP協(xié)議發(fā)送給機(jī)器人控制模塊；機(jī)器人控制模塊將不同指令輸入給智能機(jī)器人，從而控制機(jī)器人的運(yùn)動(dòng)。

圖1 系統(tǒng)框架Fig.1 System framework

1.2 肌電數(shù)據(jù)采集

1.2.1 行走動(dòng)作定義

前進(jìn)、后退、左轉(zhuǎn)、右轉(zhuǎn)等4種步態(tài)動(dòng)作如圖2所示。各步態(tài)動(dòng)作與智能機(jī)器人操作指令之間的關(guān)系見表1。

圖2 4種步態(tài)動(dòng)作Fig.2 Schematic diagram of four gaits

表1 步態(tài)動(dòng)作與操作指令之間的對應(yīng)關(guān)系Tab.1 The relationship between gaits and commands

1.2.2 sEMG信號采集

sEMG信號采集是通過本實(shí)驗(yàn)室采購的低功耗無線信號采集模塊進(jìn)行。該肌電采集模塊能夠采集8通道數(shù)據(jù)，并通過藍(lán)牙模組將肌電信號發(fā)送給模式識別模塊。肌電采集裝置的采樣率為1 kHz。

圖3為電極的安置方案，包括8導(dǎo)sEMG電極、1導(dǎo)參考電極和1導(dǎo)接地電極。8通道的電極分別放在腓腸肌上，參考電極放置在腳踝附近，接地電極放在脛骨粗隆附近[9-10]。

圖3 電極的安放位置。(a) 正面；(b)背面Fig.3 Location of electrodes.(a) Front view;(b) Back view

1.2.3 實(shí)驗(yàn)數(shù)據(jù)采集

8位受試者參與了本次實(shí)驗(yàn)數(shù)據(jù)的采集，其中男性7位、女性1位。他們的年齡在25～31歲之間,無運(yùn)動(dòng)神經(jīng)類疾病或障礙。在實(shí)驗(yàn)人員指導(dǎo)下， 受試者理解實(shí)驗(yàn)過程， 愿意參加試驗(yàn)，均簽署了知情同意書。

8通道肌電電極放置于小腿上。在每次實(shí)驗(yàn)中，受試者需在用Matlab軟件編寫的實(shí)驗(yàn)程序的提示下，完成相應(yīng)的步態(tài)動(dòng)作。如圖2所示，有前進(jìn)、后退、左轉(zhuǎn)、右轉(zhuǎn)4種動(dòng)作，不同的步態(tài)動(dòng)作會(huì)隨機(jī)出現(xiàn)。訓(xùn)練時(shí)，每位實(shí)驗(yàn)對象分別完成每類動(dòng)作10次作為訓(xùn)練內(nèi)容，然后用訓(xùn)練好的分類器對受試者進(jìn)行測試，每個(gè)受試每類控制各進(jìn)行40次，4種控制共160次。

1.3 步態(tài)sEMG模式識別

1.3.1 預(yù)處理和活動(dòng)段提取

為了減小肌電采集中各類噪聲的影響，本研究對采集到的肌電信號進(jìn)行濾波預(yù)處理。通常認(rèn)為肌電信號是非平穩(wěn)隨機(jī)信號,這主要是由于運(yùn)動(dòng)單元發(fā)放率的隨機(jī)性，低頻段肌電信號非常不穩(wěn)定，需首先用30 Hz的高通FIR濾波器對信號進(jìn)行濾波[11-12]。然后對信號進(jìn)行50 Hz陷波，除去工頻干擾。

區(qū)分人體肌肉是否活動(dòng)是步態(tài)識別的前提，活動(dòng)段檢測是多通道表面肌電信號模式識別過程中重要的一環(huán)，其目的是在連續(xù)采集的多通道肌電信號數(shù)據(jù)流中提取出對應(yīng)于動(dòng)作執(zhí)行時(shí)的幅度信號，稱為活動(dòng)段[13]?；顒?dòng)段信號是步態(tài)動(dòng)作在sEMG上幅度相關(guān)信息的反映，作為動(dòng)作分類與識別的基本單元。為了自動(dòng)確定步態(tài)開始和結(jié)束的時(shí)間，本研究采用了開關(guān)閾值的方法,并結(jié)合樣本熵SE(sample entropy)進(jìn)行活動(dòng)段檢測[14-15]。

假設(shè)時(shí)間序列為x(i),i=1～N，預(yù)先給定相似容限r(nóng)和模式維數(shù)m，從而可以得到N+m-1個(gè)時(shí)間子序列，U(i)=[x(i),x(i+1),…，x(i+m-1)](1≤i≤N+m-1)。

對于每個(gè)子序列，可以得到其他子序列與其距離小于r的個(gè)數(shù)，k(i)=number(d[U(i),U(j)]

(1)

A是維數(shù)為m+1時(shí)間序列自相似的概率，則樣本熵定義為

SE=-ln(A/B)

(2)

樣本熵是由Richman等研究的，是通過近似熵改進(jìn)而發(fā)展的一種信號復(fù)雜性測度方法。信號序列越復(fù)雜，其樣本熵值越大[14]。算法選取1s的平靜狀態(tài)肌電信號，并計(jì)算一秒內(nèi)肌電信號的樣本熵SE。步態(tài)運(yùn)動(dòng)開始閾值設(shè)為SE×5，步態(tài)運(yùn)動(dòng)的結(jié)束閾值設(shè)為SE×3。在本研究中，對濾波后的信號進(jìn)行實(shí)時(shí)的非重疊滑動(dòng)窗處理，每個(gè)窗的時(shí)間長度為60ms，然后計(jì)算每個(gè)窗內(nèi)信號的樣本熵。當(dāng)連續(xù)4個(gè)窗的平均樣本熵大于開始閾值時(shí)，則4個(gè)窗中的第一個(gè)窗的起點(diǎn)為一次步態(tài)的開始時(shí)間。當(dāng)連續(xù)3個(gè)窗的平均樣本熵小于結(jié)束閾值，取3個(gè)窗中第一個(gè)窗的起點(diǎn)作為步態(tài)的結(jié)束時(shí)間。因?yàn)橐淮尾綉B(tài)所需要的持續(xù)時(shí)間大約為200ms，因此如果檢測到的步態(tài)持續(xù)時(shí)間小于200ms，則認(rèn)為該次是誤觸發(fā)。

由于表面肌電信號是非平穩(wěn)信號，因此在活動(dòng)段檢測后，對信號進(jìn)行滑動(dòng)窗處理，其中窗長為200ms，步長為40ms[16-18]。

1.3.2 肌電特征選擇

在以往的步態(tài)研究中，大多數(shù)同時(shí)采集雙腿的大小腿多組肌肉群信號，且采用常見的幾種特征組合，包括AR系數(shù)和平均絕對值[11]，時(shí)域平均絕對值、均方根和過零點(diǎn)數(shù)[19]等其他組合。在本研究中，只采集了單條小腿的肌電信號，直接利用前人研究的參數(shù)和方法，效果不佳。

借鑒前人方法和本系統(tǒng)肌電信號的特點(diǎn)，本研究采用的肌電特征包括平均絕對值、波長、過零率、均方根、威爾遜幅值、方差、AR系數(shù)[19]和小波變換系數(shù)[20]。

對于長度為N的信號x(1),x(2),…，x(N)，平均絕對值定義為

(3)

波長定義為

(4)

過零率定義為

(5)

均方根定義為

(6)

對于給定閾值ε，威爾遜幅值定義為

(7)

其中

(8)

方差定義為

(9)

一段信號可以用式(9)來表示,其中ak為AR系數(shù)，有

(10)

小波變換系數(shù)的定義為WT，其中Ψ為小波基函數(shù)，在本文中用到的小波基函數(shù)為‘sym5’小波，有

(11)

在特征選擇中，不僅要考慮特征與類別的相關(guān)度，也要考慮各特征之間的聯(lián)系，互信息是比較合適的指標(biāo)。對于給定的x、y這兩個(gè)隨機(jī)變量，兩者間的互信息為

(12)

式中，p(x,y)為x和y的聯(lián)合概率密度，p(x)、p(y)分別為x、y的概率密度。

對于n維特征的數(shù)據(jù)，MRMR算法的具體過程如下：首先，分別計(jì)算各特征和類別間的互信息Di(i=1，…，n)，將互信息最大的特征k作為初始特征；然后，分別計(jì)算剩余特征和初始特征之間的互信息，作為冗余度Ri，從而得到剩余特征的最大相關(guān)最小冗余度Di-Ri，將Di-Ri最大的特征作為第二個(gè)特征；重復(fù)前面的過程，得到基于MRMR的特征排序；最后采用基于序列前向選擇算法，以交叉驗(yàn)證的準(zhǔn)確率作為標(biāo)準(zhǔn)，找出合適的特征組合。

1.3.3 特征降維和分類器訓(xùn)練

分類器采用支持向量機(jī)(support vector machine, SVM)，其中核選擇為RBF核，c、g為默認(rèn)參數(shù)。支持向量機(jī)是一種經(jīng)典的模式分類算法，在基于表面肌電的手勢識別中有較好的性能[22]。

對于8通道的肌電信號，每幀有8n個(gè)特征。如果將8n維特征全部輸入分類器，會(huì)造成過擬合現(xiàn)象，因此在訓(xùn)練之前需要對這8n維的特征進(jìn)行降維。本研究選用線性判別分析(linear discriminant analysis, LDA)，將數(shù)據(jù)降維到三維。相比常見的PCA方法，LDA可以找到線性可分性最大的子空間。

在測試時(shí)，取其前1 s的數(shù)據(jù)進(jìn)行分析，1 s的數(shù)據(jù)共包含21個(gè)窗，對于每個(gè)窗都可以得到一個(gè)識別結(jié)果。在識別某一試次信號時(shí)，以21個(gè)窗識別的結(jié)果進(jìn)行投票，得票最高的即為該試次對應(yīng)的步態(tài)。

1.3.4 MRMR算法步驟

綜上所述，整個(gè)算法的處理流程如圖4所示。先對原始數(shù)據(jù)進(jìn)行預(yù)處理，然后進(jìn)行活動(dòng)段提取和滑動(dòng)窗處理。訓(xùn)練時(shí)，提取每個(gè)滑動(dòng)窗所有特征，并通過MRMR算法確定最佳的特征組合，接著通過LDA將特征降到三維，并放入SVM訓(xùn)練得到分類器；測試時(shí)，提取每個(gè)滑動(dòng)窗的最佳特征組合，然后通過LDA將特征降到三維，并放入SVM得到識別結(jié)果。

圖4 算法流程Fig.4 Algorithmic flowchart

對于n維特征的數(shù)據(jù)，MRMR算法的具體過程如下。

步驟1:分別計(jì)算各特征和類別間的互信息Di(i=1，…，n)，將互信息最大的特征k作為初始特征。

步驟2:分別計(jì)算剩余特征和初始特征之間的互信息，作為冗余度Ri，從而得到剩余特征的最大相關(guān)最小冗余度Di-Ri，將Di-Ri最大的特征作為第二個(gè)特征。

步驟3：重復(fù)步驟1和步驟2，得到基于MRMR的特征排序。

步驟4：基于序列前向選擇算法，以交叉驗(yàn)證的準(zhǔn)確率作為標(biāo)準(zhǔn)，找出合適的特征組合。

1.4 人機(jī)交互界面和智能機(jī)器人

人機(jī)交互界面是在Matlab平臺(tái)下實(shí)現(xiàn)的，如圖5所示。

人機(jī)互界面實(shí)現(xiàn)了3個(gè)功能：一是采集和存儲(chǔ)原始肌電信號；二是建立各類步態(tài)動(dòng)作sEMG特征模板，對分類器的參數(shù)進(jìn)行訓(xùn)練；三是實(shí)時(shí)顯示肌電數(shù)據(jù)和識別結(jié)果；四是實(shí)時(shí)識別出當(dāng)前的步態(tài)動(dòng)作，并且通過TCP/IP協(xié)議控制智能機(jī)器人的運(yùn)動(dòng)。

圖5 人機(jī)交互界面Fig.5 GUI

所用的智能機(jī)器人是TurtleBot，是一款基于ROS的小型移動(dòng)機(jī)器人，如圖6所示。整個(gè)基于ROS搭建的智能機(jī)器人系統(tǒng)包括3個(gè)關(guān)鍵部分：節(jié)點(diǎn)、消息和主題[23]。這三者的關(guān)系如圖7所示，其中節(jié)點(diǎn)就是一些執(zhí)行運(yùn)算任務(wù)的進(jìn)程。ROS利用規(guī)?？稍鲩L的方式是代碼模塊化，即一個(gè)系統(tǒng)由很多節(jié)點(diǎn)組成[23]。這樣，節(jié)點(diǎn)就可以理解為ROS系統(tǒng)中運(yùn)行的一個(gè)單元，節(jié)點(diǎn)與節(jié)點(diǎn)相連就構(gòu)成了整個(gè)系統(tǒng)結(jié)構(gòu)。節(jié)點(diǎn)與節(jié)點(diǎn)直接通過消息進(jìn)行連接，每一個(gè)消息都是一個(gè)嚴(yán)格的數(shù)據(jù)結(jié)構(gòu)。一個(gè)節(jié)點(diǎn)可以在一個(gè)給定的主題中發(fā)布消息。在該主題中，部分節(jié)點(diǎn)可以發(fā)送消息，而部分節(jié)點(diǎn)可以接受消息。在建立了基于ROS的智能機(jī)器人運(yùn)動(dòng)系統(tǒng)后，可以通過TCP/IP協(xié)議與模式識別模塊進(jìn)行連接。

圖6 TurtleBot機(jī)器人Fig.6 TurtleBot

圖7 ROS中基于主題的通信模式Fig.7 Topic based communication mode in ROS

2 結(jié)果

2.1 活動(dòng)段提取性能

為了驗(yàn)證提出的步態(tài)活動(dòng)段檢測算法的有效性,以一段包含2個(gè)步態(tài)動(dòng)作的信號為例,分析該方法的實(shí)際應(yīng)用效果。讓一個(gè)受試者依次執(zhí)行實(shí)驗(yàn)中定義的2個(gè)步態(tài)動(dòng)作，采集到的8通道疊加平均后的sEMG信號及活動(dòng)段檢測的結(jié)果，如圖8所示。圖中上部信號為8通道疊加平均得到的sEMG信號,底部信號為各個(gè)移動(dòng)窗的樣本熵值，移動(dòng)窗寬60 ms。從圖中可以看出，在步態(tài)動(dòng)作執(zhí)行區(qū)間出現(xiàn)穩(wěn)定的信號峰，通過合適的閾值檢測就可以確定信號峰的端點(diǎn)，即每一個(gè)步態(tài)動(dòng)作的起點(diǎn)和終點(diǎn)。圖中虛線區(qū)域內(nèi)為2個(gè)步態(tài)動(dòng)作執(zhí)行的區(qū)間,同時(shí)用虛線標(biāo)記出每一個(gè)步態(tài)動(dòng)作執(zhí)行時(shí)的起止時(shí)刻,由此確定用戶每執(zhí)行一個(gè)步態(tài)動(dòng)作所對應(yīng)的活動(dòng)段信號。從圖中可以看出，本研究所提出的活動(dòng)段檢測方法可以準(zhǔn)確地標(biāo)記步態(tài)動(dòng)作的起止時(shí)間，因?yàn)樵趯?yīng)的步態(tài)動(dòng)作執(zhí)行時(shí)間內(nèi)信號的樣本熵值明顯較高。

圖8 活動(dòng)段檢測Fig.8 Active segments detection

2.2 MRMR算法性能分析

利用Hanchuan Peng編寫的MRMR工具包，得到相應(yīng)的特征排序。然后，采用序列前向選擇算法，以交叉驗(yàn)證的準(zhǔn)確率作為標(biāo)準(zhǔn)，找出合適的特征組合。圖9所示為特征個(gè)數(shù)和識別準(zhǔn)確率的關(guān)系?？梢钥闯?，得到的前5個(gè)特征已經(jīng)能達(dá)到很好的識別效果，繼續(xù)增加特征個(gè)數(shù)對結(jié)果影響不大，而且特征個(gè)數(shù)越多則防止過擬合需要的樣本量越大。綜合考慮，選擇了MRMR得到的特征序列的前5個(gè)作為本研究的特征組合。

圖9 特征數(shù)和分類準(zhǔn)確率的關(guān)系Fig.9 The relationship between feature number and accuracy

最終得到的特征組合為波長、均方根、‘sym5’小波3層分解得到的第3層系數(shù)能量，以及4階AR模型的第2和第3個(gè)系數(shù)。圖10所示為所選特征通過LDA降維到三維后得到的空間分布，從中也可以看到所選特征的可分性很好。

圖10 特征空間分布Fig.10 Distribution of features domain

為了分析所采用的最大相關(guān)最小冗余特征選擇算法的性能，對比了通過MRMR算法得到的特征組合和前人文獻(xiàn)中提到的幾種特征組合的分類正確率。常用到的特征組合包括時(shí)域特征組合(平均絕對值MAV，過零率ZC，符號改變斜率SSC，波長WL)、時(shí)域和頻域特征組合(平均絕對值MAV，4階AR模型系數(shù))、小波變換系數(shù)(‘sym5’小波3級分解得到的系數(shù)能量)，得到的結(jié)果如表2所示。

表2 不同特征識別效果比較Tab.2 The comparison of recognition performance using different features

2.3 實(shí)時(shí)交互控制

在實(shí)時(shí)控制系統(tǒng)中，系統(tǒng)的響應(yīng)時(shí)間或延遲時(shí)間是很關(guān)鍵的一個(gè)指標(biāo)。在本研究中，由于算法的運(yùn)行速度和識別結(jié)果通過TCP/IP發(fā)送給機(jī)器人的時(shí)間較小可以忽略，所以整個(gè)方法的控制延遲主要取決于每次識別需要利用的數(shù)據(jù)時(shí)間長度。圖11顯示了數(shù)據(jù)長度與識別效果的關(guān)系，可見隨著數(shù)據(jù)長度的增加，識別準(zhǔn)確率也逐漸提高，最后趨于平緩。當(dāng)每次識別利用的數(shù)據(jù)長度為300 ms時(shí)，由于提供的識別信息太少導(dǎo)致一定程度的分類困難，全局平均動(dòng)作識別率僅有83%；當(dāng)每次識別利用的數(shù)據(jù)長度增加到400 ms時(shí)，全局平均動(dòng)作識別率達(dá)到88%，之后增幅也比較平緩。綜合考慮系統(tǒng)的延遲時(shí)間和識別效果，每次識別利用的數(shù)據(jù)長度為400 ms。

圖11 數(shù)據(jù)長度和識別準(zhǔn)確率的關(guān)系Fig.11 The relationship between data length and accuracy

在實(shí)時(shí)交互控制中，8位受試分別執(zhí)行前進(jìn)、后退、左轉(zhuǎn)、右轉(zhuǎn)4種步態(tài)各320次，結(jié)果如表3所示。前進(jìn)、后退2種步態(tài)的分類識別率較高，分別為90%和93%；左轉(zhuǎn)、右轉(zhuǎn)2種步態(tài)的分類識別率較低，分別為85%和83%。

表3 交互控制結(jié)果Tab.3 The result of Human-machine interaction

在前面的分析中，利用了8個(gè)通道的數(shù)據(jù)，并取得了較好的結(jié)果。最后，進(jìn)一步分析了通道數(shù)和識別準(zhǔn)確率的關(guān)系。從圖12中可以看到：隨著利用的通道數(shù)越多，系統(tǒng)的識別準(zhǔn)確率越高;當(dāng)利用的通道數(shù)達(dá)到5個(gè)以后，識別準(zhǔn)確率增長趨于平緩。所以，為了節(jié)省成本以及實(shí)驗(yàn)更加方便，可以只采集5個(gè)通道的數(shù)據(jù)，分別為第1、2、6、7和8通道。

圖12 通道數(shù)和識別準(zhǔn)確率的關(guān)系Fig.12 The relationship between channel number and accuracy

3 討論

在本文中，提出了一種基于表面肌電的步態(tài)識別技術(shù)，為人機(jī)交互提供了新的思路。當(dāng)前階段，大部分的基于表面肌電的步態(tài)識別方法需要同時(shí)采集大腿及小腿的肌電信號，但在很多情況中受實(shí)際條件制約，大腿肌電信號難于同步采集，因而制約了步態(tài)識別技術(shù)的發(fā)展和應(yīng)用。因此，本研究設(shè)計(jì)了一種基于小腿肌電信號的步態(tài)識別方法。通過采用所提出的MRMR算法得到的特征組合，只需要使用小腿表面肌電信號進(jìn)行步態(tài)分類，即可得到良好的分類效果。

本研究對比了常用的一些肌電特征組合和新的特征組合的分類效果。在常用的特征組合中，小波變換提取的特征組合分類效果最差(72%)，時(shí)頻域特征組合分類效果較好(81%)，時(shí)域特征組合分類效果最好(83%)。通過MRMR提取多種信號特征組合，包括不同導(dǎo)聯(lián)數(shù)據(jù)中波長、均方根、‘sym5’小波系數(shù)能量、AR模型系數(shù)等，使新的特征組合識別準(zhǔn)確率顯著提高到88%。該組合既包含了傳統(tǒng)的空域特征、時(shí)域特征，同時(shí)又進(jìn)一步優(yōu)化篩選了數(shù)據(jù)的頻域特征，因此能夠反映信號的空、時(shí)、頻信息及信號的變化趨勢。新特征組合之間的冗余度小、類別相關(guān)度大，因此產(chǎn)生了較好的分類效果。

基于表面肌電的步態(tài)識別技術(shù)是一種信號檢測技術(shù)，檢測質(zhì)量通常與采樣時(shí)間長度及信噪比密切相關(guān)。在實(shí)時(shí)交互中，實(shí)時(shí)采集數(shù)據(jù)越長，其包含的信息也越豐富，識別效果也越好，但也會(huì)使系統(tǒng)的響應(yīng)時(shí)間越長。在正常情況下，完成一個(gè)行走步態(tài)需要大概300 ms，如果系統(tǒng)識別截取的數(shù)據(jù)長度為300 ms，則識別準(zhǔn)確率較低(83.4%)。隨著數(shù)據(jù)長度的增加，識別準(zhǔn)確率逐漸增加，到400 ms左右開始趨于平緩，因此選擇400 ms作為標(biāo)準(zhǔn)檢測時(shí)長。由于存在背景噪聲，多個(gè)電極往往能夠比單個(gè)電極獲得更高的信噪比。本研究采用了8導(dǎo)電極，這些電極位置比較密集，各通道之間的肌電信號存在信息冗余。研究發(fā)現(xiàn)，只采集第1、2、6、7、8通道的信號，識別準(zhǔn)確率即可達(dá)85%，結(jié)果稍低于8通道信號的識別準(zhǔn)確率(88%)。如果在實(shí)際應(yīng)用中考慮成本問題，只采集這5個(gè)通道的數(shù)據(jù)也能得到較良好的分類效果。

8名受試者參與了智能機(jī)器人實(shí)時(shí)控制實(shí)驗(yàn)，其中包括1名體育特長受試者、2名經(jīng)常參加健身的受試者、4名不經(jīng)常參與體育鍛煉但體重正常的受試者，以及1名體態(tài)偏胖的受試者。實(shí)驗(yàn)顯示，體育特長受試者和經(jīng)常健身的受試者的識別效果較好，體態(tài)偏胖的受試者的識別結(jié)果相對較差。據(jù)推測，經(jīng)常運(yùn)動(dòng)的人群小腿肌肉發(fā)達(dá)，因此其小腿肌電信號較干凈，信噪比較高；而體態(tài)偏胖的人小腿脂肪較多，肌電信號難于傳導(dǎo)到皮層表面，因此采集到的肌電信號質(zhì)量較差，信噪比較低。對比4種步態(tài)識別的結(jié)果，前進(jìn)和后退步態(tài)的識別準(zhǔn)確率達(dá)到90%以上，而左轉(zhuǎn)和右轉(zhuǎn)步態(tài)的識別準(zhǔn)確率相對較低。在生物動(dòng)力學(xué)研究中，轉(zhuǎn)向動(dòng)作主要由大腿肌肉群負(fù)責(zé)實(shí)施，小腿肌肉群僅起輔助作用。在本研究中，只使用小腿的肌電信號作為輸入數(shù)據(jù)，因此相比直行步態(tài)，轉(zhuǎn)向步態(tài)的識別準(zhǔn)確率略有降低。

雖然本研究已經(jīng)設(shè)計(jì)出一套有效的基于小腿表面肌電的人機(jī)交互方法，但該領(lǐng)域依然存在很多有待解決的問題。受試每天的肌電信號特征都有較大差異，實(shí)際應(yīng)用中的訓(xùn)練數(shù)據(jù)只能在較短的時(shí)間內(nèi)保持有效性，每隔一段時(shí)間都需要重新采集訓(xùn)練數(shù)據(jù)。肌電信號信噪比與受試者的疲勞程度密切相關(guān)，在不同疲勞狀態(tài)下肌電特征也會(huì)發(fā)生偏移，從而對長時(shí)間的人機(jī)交互產(chǎn)生不良影響。因此，如何進(jìn)行跨天學(xué)習(xí)以及如何消除疲勞狀態(tài)的影響，是下一步的研究方向。

4 結(jié)論

課題研究了一種基于表面肌電的智能機(jī)器人協(xié)同控制方法，并用于實(shí)現(xiàn)TurtleBot的前進(jìn)、后退、左轉(zhuǎn)、右轉(zhuǎn)運(yùn)動(dòng)。在研究中，提取受試者行走時(shí)的肌電信號特征，采用MRMR算法提取出和類別相關(guān)度最大而彼此間冗余度最小的特征組合?；谶@個(gè)特征組合，建立了一套在線的人機(jī)交互系統(tǒng)。先對步態(tài)動(dòng)作sEMG信號采集和模式識別，然后將識別結(jié)果作為智能機(jī)器人運(yùn)動(dòng)的控制信息，從而實(shí)現(xiàn)了人與智能機(jī)器人的實(shí)時(shí)交互。通過實(shí)驗(yàn)發(fā)現(xiàn)，構(gòu)建的這套協(xié)同控制方法具有控制實(shí)時(shí)性強(qiáng)和控制準(zhǔn)確度高等特點(diǎn)，較好地展現(xiàn)出基于sEMG信號的步態(tài)識別技術(shù)在人機(jī)交互領(lǐng)域的應(yīng)用前景。

[1] Hatanaka T, Chopra N, Spong MW. Passivity-based control of robots: Historical perspective and contemporary issues[C]//2015 IEEE 54th Annual Conference on Decision and Control (CDC). Osaca: IEEE, 2015: 2450-2452.

[2] Pham H, Kawanishi M, Narikiyo T. A LLE-HMM-based framework for recognizing human gait movement from EMG [C]// 2015 IEEE International Conference on Robotics and Automation (ICRA). Seattle: IEEE, 2015: 2997-3002.

[3] Zhang TY. The research on motion recognition based on EMG of residual thigh [C]//Bioinformatics and Biomedical Engineering: New Advances: Proceedings of the 9th International Conference on Bioinformatics and Biomedical Engineering (iCBBE 2015), Shanghai: CRC Press, 2015: 445.

[4] Hargrove LJ, Simon AM, Young AJ, et al. Robotic leg control with EMG decoding in an amputee with nerve transfers [J]. New England Journal of Medicine, 2013, 369(13): 1237-1242.

[5] Fa-rong G, Jia-jia W, Xu-gang X, et al. Gait recognition for lower extremity electromyographic signals based on PSO-SVM method [J]. Journal of Electronics & Information Technology, 2015, 5: 022.

[6] Peng H, Long F, Ding C. Feature selection based on mutual information criteria of max-dependency, max-relevance, and min-redundancy [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(8): 1226-1238.

[7] Linder T, Arras KO. People detection, tracking and visualization using ROS on a mobile service robot [M]//Robot Operating System (ROS). Beilin: Springer International Publishing, 2016: 187-213.

[8] Quigley M, Conley K, Gerkey B, et al. ROS: an open-source Robot Operating System [C]//ICRA Workshop on Open Source Software. Kobe:IEEE, 2009, 3(3.2): 5.

[9] Huang H, Kuiken TA, Lipschutz RD. A strategy for identifying locomotion modes using surface electromyography [J]. IEEE Transactions on Biomedical Engineering, 2009, 56(1): 65-73.

[10] Rainoldi A, Melchiorri G, Caruso I. A method for positioning electrodes during surface EMG recordings in lower limb muscles [J]. Journal of Neuroscience Methods, 2004, 134(1): 37-43.

[11] 張旭. 基于表面肌電信號的人體動(dòng)作識別與交互 [D]. 合肥：中國科學(xué)技術(shù)大學(xué), 2010.

[12] 陳玲玲. 基于支持向量機(jī)的下肢肌電信號模式識別的研究 [D]. 天津: 河北工業(yè)大學(xué), 2006.

[13] Haroon N, Malik AN. Multiple hand gesture recognition using surface EMG signals [J]. Journal of Biomedical Engineering and Medical Imaging, 2016, 3(1): 1-8.

[14] Chen X, Zhang X, Zhao Z Y, et al. Multiple hand gesture recognition based on surface EMG signal [C]// The 1st International Conference on Bioinformatics and Biomedical Engineering. Wuhan: IEEE, 2007: 506-509.

[15] Kosmidou VE, Hadjileontiadis LJ. Sign language recognition using intrinsic-mode sample entropy on sEMG and accelerometer data [J]. IEEE Transactions on Biomedical Engineering, 2009, 56(12): 2879-2890.

[16] 成娟. 基于表面肌電和加速度信號融合的動(dòng)作識別和人體行為分析研究 [D]. 合肥：中國科學(xué)技術(shù)大學(xué), 2013.

[17] 佟麗娜, 侯增廣, 彭亮，等. 基于多路sEMG時(shí)序分析的人體運(yùn)動(dòng)模式識別方法 [J]. 自動(dòng)化學(xué)報(bào), 2014, 40(5): 810-821.

[18] Wang N, Chen Y, Zhang X. Realtime recognition of multi-finger prehensile gestures [J]. Biomedical Signal Processing and Control, 2014, 13: 262-269.

[19] 劉欣. 基于模式識別的肌電信號動(dòng)作分類性能研究 [D]. 濟(jì)南：山東大學(xué), 2010.

[20] 王紅旗, 李林偉, 毛啊敏. 基于小波包的表面肌電信號特征表示與識別 [J]. 計(jì)算機(jī)工程與應(yīng)用, 2015, 51(9)：217-220.

[21] Kwak N, Choi CH. Input feature selection by mutual information based on Parzenwindow [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(12): 1667-1671.

[22] Chen L, Yang P, Xu X, et al. Fuzzy support vector machine for EMG pattern recognition and myoelectrical prosthesis control [M]//Advances in Neural Networks-ISNN 2007. Beilin：Springer Berlin Heidelberg, 2007: 1291-1298.

[23] 劉品杰. ROS機(jī)器人程序設(shè)計(jì) [M]. 北京: 機(jī)械工業(yè)出版社, 2014.

Cooperative Intelligent Robot Control Method Using Leg Surface EMG Signals

Xu Chaoli Lin Ke Yang Chen Wu Chaohua Gao Xiaorong#*

(DepartmentofBiomedicalEngineering,TsinghuaUniversity,Beijing100084,China)

As a significant aspect of human-computer interaction, gait recognition technology has a broad prospect in robot control area. A method for intelligent robot cooperative control system was proposed by using single leg surface EMG-based gait recognition technology. The system achieved the classification and recognition among four different gaits (moving forward, moving backward, turning left and turning right) by using mutual information based minimal-redundancy-maximal-relevance (MRMR) algorithm, and built up a synchronous robot control system. Surface EMG (sEMG) signals were collected from 8 subjects to classify and recognize the gait, and then the recognition result was used to control the robot synchronous motion. The results of the experiment showed that the recognition accuracy of the system reached to 88%. Based on the proposed approach, a robot synchronous control system with good synchronous controlling performance and high controlling accuracy was built. In concusion, the leg EMG signal based robot cooperative control technology has the application potentials in the areas of civilian equipment control and human-computer interaction in the future.

leg surface electromyographic (sEMG); gait recognition; minimal redundancy maximal relevance (MRMR) algorithm; intelligent robot

10.3969/j.issn.0258-8021. 2016. 04.001

2016-04-11， 錄用日期:2016-06-03

國家自然科學(xué)基金重點(diǎn)項(xiàng)目(61431007,91320202); 裝備預(yù)先研究項(xiàng)目(513260503)

R318

A

0258-8021(2016) 04-0385-09

# 中國生物醫(yī)學(xué)工程學(xué)會(huì)高級會(huì)員(Senior member, Chinese Society of Biomedical Engineering)

*通信作者(Corresponding author)， E-mail:gxr-dea@tsinghua.edu.cn