基于小波變換的多特征融合sEMG模式識別*

于亞萍，孫立寧，張峰峰，張建法

（蘇州大學機電工程學院機器人與微系統(tǒng)研究中心，江蘇蘇州215021）

基于小波變換的多特征融合sEMG模式識別*

于亞萍，孫立寧，張峰峰*，張建法

（蘇州大學機電工程學院機器人與微系統(tǒng)研究中心，江蘇蘇州215021）

針對單一特征值表征能力差的情況，根據小波變換的多分辨分析思想，采用基于多種母小波的多特征融合的特征提取方法對表面肌電信號進行特征提取。本實驗對十名測試人員進行肌電信號的采集，對日常生活中的四個基本下肢動作進行測試。首先，分別基于DB、Dmey和Bior三種不同的母小波，采用離散小波變換通過不同的分析方法對表面肌電信號進行多尺度分解。然后，通過分析發(fā)現(xiàn)，不同肌肉在不同特征提取方式下表征效果存在差異，為了結合不同特征方式的特點對基于不同小波基的特征值進行融合分析并比較。最后，將特征值分別輸入到Elman神經網絡和BP神經網絡進行模式識別并比較分析。實驗結果表明:通過對不同特征值進行識別比較，融合處理的特征值可以達到98.7%的識別率，并且，BP神經網絡相較于Elman神經網絡識別效果更好。

表面肌電；信號處理；模式識別；多特征融合；小波變換

EEACC:7510Ddoi:10.3969/j.issn.1004-1699.2016.04.009

表面肌電信號是指從肌肉表面通過電極引導而記錄下來的神經肌肉系統(tǒng)活動時的生物電信號［1］，它與肌肉的活動狀態(tài)和功能狀態(tài)之間存在著不同程度的關聯(lián)性，不同的肢體動作由不同的肌肉收縮模式產生，肌電信號特征也存在差異，通過對表面肌電信號特征進行分析就可以區(qū)分出不同的動作模式。因此，表面肌電信號已經廣泛應用到臨床醫(yī)學、運動醫(yī)學、生物醫(yī)學與工程等諸多領域，特別是在智能假肢方面的應用深受使用者和康復工程研究人員的青睞，已經成為功能性電刺激的理想控制信號［2］。

目前，表面肌電信號特征提取及模式識別的分析方法越來越多，例如鄒曉陽等［3］將模糊熵（FuzzyEn）和多尺度分析方法相結合，以MSFuzzuEn為特征對人體前臂的內翻、外翻、握拳、展拳、上切和下切6類動作的動作sEMG信號進行分類，相較模糊熵識別率有所提高；張啟忠等［4］提出以肌電信號的李雅普諾夫指數及關聯(lián)維作為模式分類的特征值，并由支持向量機構成的二叉樹結構分類器實現(xiàn)手臂握拳、展拳、腕內旋、腕外旋4類動作模式的分類識別，這種方法比Rosenstein算法有更強的抗干擾能力，適用于信噪低的信號；王玲［5］采用小波包變換的方法對sEMG進行了多尺度分解，采用最小二乘支持向量機（LS-SVM）分類器進行模式識別，得出LS-SVM分類準確率明顯優(yōu)于傳統(tǒng)的RBF神經網絡分類器。劉亞偉［6］分別以RMS、時變AR模型系數、非線性小波空間強度作為BP神經網絡的輸入，以足跟觸發(fā)同步信號電路輸出作為目標輸出完成了BP網絡的有監(jiān)督訓練，對行走周期中的四種模態(tài)進行識別等等。

傳統(tǒng)的表面肌電信號模式識別方法是提取時域特征用作模式識別，這些方法僅僅在時域中分析數據，并且將肌電信號視為平穩(wěn)信號或分段平穩(wěn)信號，而肌電信號在本質上是一種具有非平穩(wěn)特性的生理信號，因此在對多類肌電信號動作進行識別時很難得到理想的分類結果；而小波分析是一種有效的多分辨率時頻分析方法，是分析非平穩(wěn)信號的有力工具［7］。它在時域和頻域都具有良好的局部化特性，能自動適應時頻信號分析的要求，自動調節(jié)時頻窗的特點，從而可聚焦到信號的任意細節(jié)［8］，所以小波分析有“數學顯微鏡”之稱。此外，模式識別對于多自由度肌電假肢的控制至關重要，人工神經網絡模仿生物神經元結構和神經信息傳遞機理，有許多具有非線性映射能力的神經元組成，神經元之間通過權系數相連接構成自適應非線性動態(tài)系統(tǒng)。人工神經網絡的自組織、自適應學習以及優(yōu)秀的容錯性能使得它在某些系統(tǒng)辨識和模式識別問題上顯示出極大的優(yōu)越性。目前國內研究表面肌電信號特征提取及模式識別的對象大多集中在上肢，而對于下肢肌電信號的相關性研究相對較少。

本文主要研究人體下肢運動情況，通過對腿部肌肉的肌電信號進行分析，從而識別出相應的運動動作模式。由于單一肌肉的肌電信號不能很好地表征動作模式，實驗設計采集了人體腿部的股直肌、股內側肌、股外側肌、股二頭肌、半腱肌、脛骨前肌、內側腓腸肌、外側腓腸肌、比目魚肌九塊肌肉在上下臺階和上下斜坡時的表面肌電信號，并針對肌電信號非常微弱、易受干擾的非平穩(wěn)隨機特性［9］，根據小波變換的多分辨分析思想，利用離散小波變換對原始肌電信號進行多尺度分解，分別提取一定尺度上db4小波變換肌電信號的最大值、dmey小波分解系數的特征值、bior3.1小波變換肌電信號的奇異值作為原始肌電信號的特征，通過對特征值進行分析融合，再分別由BP神經網絡、Elman神經網絡對各特征值進行模式識別，通過分析比較得出優(yōu)的模式識別結果。

1　基于小波變換的特征參數提取

小波變換是時頻分析方法的一種，既能在整體上提供信號的全部信息，又能提供在任一局部時段內信號變化劇烈程度的信息，并且它的時頻定位特性可以實現(xiàn)信號的時變譜分析，進行任意細節(jié)上的信號分析［10］。小波變換在時域及頻域中同時具有良好的局部化性質，并具有對高頻成分進行“變焦距顯微的功能”，其作用類似于一組帶寬相等，中心頻率可變的帶通濾波器。這一特性特別適用于處理肌電信號一類的突變信號。

小波變換的原理:設 f（t）是平方可積函數，ψa，b（t）被稱為基本小波或母小波，定義如下:

則信號f（t）的連續(xù)小波變換定義為:

式中，a＞0，b∈R，a是尺度因子，b是伸縮因子，“＜＞”表示內積，“*”表示共軛。

信號f（t）的離散小波變換定義為:

其逆變換（恢復信號或重構信號）為:

為了更加全面、系統(tǒng)地從肌電信號的非平穩(wěn)隨機特性中獲取有價值的信息，針對肌電信號非常微弱、易受干擾的非平穩(wěn)隨機特性，根據小波變換的多分辨分析思想，利用離散小波變換對原始肌電信號進行多尺度分解。常用的母小波有dB、sym、bior等，不同的小波基函數在正交性、緊支性、平滑性和對稱性有很大的不同，對同一信號的分析效果也大不相同，具有對稱性的小波不產生相位畸變；具有好的正則性的小波易于獲得光滑的重構曲線和圖像，從而減小誤差。如Db小波具有緊支撐的正交性和雙正交性，且具有隨階數遞增的消失矩數目和絕對的規(guī)則性，可實現(xiàn)快速算法和完全重構［11］。選擇合適的小波基進行小波變換也是特征提取中需要注意的一點。

2　神經網絡模式識別

模式識別屬于人工智能范疇，其目的就是用機器去完成人類智能中通過視覺、聽覺、觸覺等感官去識別外界環(huán)境的那些工作。近年來神經網絡、聚類分析、模糊理論等方法也被大規(guī)模的應用到模式識別中來，其中人工神經網絡使用最為廣泛效果也最好。人工神經網絡可以模仿生物神經元結構和神經信息傳遞機理，有許多具有非線性映射能力的神經元組成，神經元之間通過權系數相連接構成自適應非線性動態(tài)系統(tǒng)。人工神經網絡的自組織、自適應學習以及優(yōu)秀的容錯性能使得它在某些系統(tǒng)辨識和模式識別問題上顯示出極大的優(yōu)越性。本文選取了Elman神經網絡和BP神經網絡對人體下肢運動動作模式進行模式識別。

2.1Elman神經網絡

Elman網絡可以看作是一個具有局部記憶單元和局部反饋連接的前向神經網絡［12］。該網絡除了具有輸入層、隱層、輸出層單元外，還有一個特殊的聯(lián)系單元，如圖1所示。

圖1　Elman神經網絡結構示意圖

該層從隱含層接收反饋信號，每一個隱含層節(jié)點都有一個與之對應的關聯(lián)層節(jié)點連接。關聯(lián)層的作用是通過聯(lián)接記憶將上一個時刻的隱層狀態(tài)連同當前時刻的網絡輸入一起作為隱層的輸入，相當于狀態(tài)反饋。Elman神經網絡是一種動態(tài)的反饋網絡，可以認為是一時延算子，它使該網絡具有動態(tài)記憶功能。

2.2BP神經網絡

BP網絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡，是目前應用最廣泛的神經網絡模型之一［13］。BP網絡能學習和存貯大量的輸入輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層、隱含層和輸出層，如圖2所示。

圖2　BP神經網絡拓撲結構

BP算法由數據流的前向計算（正向傳播）和誤差信號的反向傳播兩個過程構成。正向傳播時，傳播方向為輸入層、隱層、輸出層，每層神經元的狀態(tài)只影響下一層神經元。若在輸出層得不到期望的輸出，則轉向誤差信號的反向傳播流程。通過這兩個過程的交替進行，在權向量空間執(zhí)行誤差函數梯度下降策略，動態(tài)迭代搜索一組權向量，使網絡誤差函數達到最小值，從而完成信息提取和記憶過程。

3　實驗研究

3.1表面肌電信號采集

實驗采用美國 NORAXON公司生產的MyoResearch XP 16通道表面肌電儀分析及訓練系統(tǒng)，如圖3所示。其產品帶寬為10 Hz～1 000 Hz，采樣率最高可達2 048 Hz。由于單一肌肉信號不能完整表征腿部動作特征，本文設計采集人體腿部的股直肌、股內側肌、股外側肌、股二頭肌、半腱肌、脛骨前肌、內側腓腸肌、外側腓腸肌、比目魚肌九塊肌肉（如圖3）在上下臺階和上下斜坡時的表面肌電信號。

圖3　肌電信號實驗采集位置圖

實驗對10名試驗者進行數據采集，實驗前先用酒精分別在受試者的測試肌肉處擦涂去污，以增強信號的拾取能力，然后將一次性電極片貼于腿部用于采集表面肌電信號。把肌電信號采集儀（采集頻率1 000 Hz）的輸出通過USB連接到計算機上，采集上臺階、下臺階、上斜坡、下斜坡4個動作的表面肌電信號各30組。

3.2信號預處理

表面肌電信號本身是一種較微弱的電信號［14］，由于皮膚和組織對肌電均有衰減作用，測量誤差及其他一些不穩(wěn)定因素的存在，肌電信號采集的樣本數據中肯定存在一定噪聲的影響，提高肌電信號的信噪比，是增強后續(xù)動作識別效果的必要措施［15］。目前，小波在信號去噪領域已得到越來越廣泛的應用，本文采用了閾值去噪，其主要思想就是對小波分解后的各層系數中模大于和小于某閾值的系數分別處理，然后對處理完的小波系數再進行反變換，重構出經過去噪后的信號。

3.3肌電信號特征提取及分析

小波分析中所用到的小波函數具有不惟一性，即小波函數具有多樣性。小波分析一個十分重要的問題就是最優(yōu)小波基的選擇問題，因為用不同的小波基分析同一封問題會產生不同的結果［16］。小波基函數的主要性質有:正則性、緊支撐、對稱性和消失矩階數。具有對稱性的小波不產生相位畸變；具有好的正則性的小波易于獲得光滑的重構曲線和圖像，從而減小誤差。

本文采用dB4、dmey和bior3.1三種小波變換核，根據小波變換的多分辨分析思想，利用離散小波變換對原始肌電信號進行多尺度分解。

①基于dB4小波最大值肌電信號特征提取。小波變換能夠把信號分解成不同尺度基小波的加權和，由于其具有平移不變性，因此可以把小波變換系數直接作為信號模式分類的特征向量。針對采集的人體下肢規(guī)定動作的原始表面肌電信號，采用dB4小波分別對每組九通道數據作四級尺度分解，并從每級小波分解系數中提取絕對值最大的小波系數作為信號特征，構成多維特征矢量。圖4（a）是內側腓腸肌在不同動作模式下的特征集，可以明顯觀察到，在不同的動作模式下，特征值的分布存在差異，并且上臺階和下坡特征區(qū)間具有明顯的差異，圖4（b）是內側腓腸肌和比目魚肌的特征集顯示圖，不同的肌肉在運動時的活躍狀態(tài)不同，因此特征集也會存在差異，結合利用不同肌肉的狀態(tài)可以更好的區(qū)分運動狀態(tài)。

圖4?。╝）內側腓腸肌特征集顯示圖；（b）內側腓腸肌和比目魚肌特征顯示圖

②基于dmey小波多尺度分解肌電信號特征提取。針對采集的人體下肢規(guī)定動作的原始表面肌電信號，采用dmey小波分別對九通道數據作6級尺度分解，從每級分解系數中保留絕對值較大的系數構成方矩陣，6級分解系數則可構成6個方陣，再對每通道尺度分解系數進行降維得到所需要的特征值。圖5（a）是內側腓腸肌在多尺度系數下特征集，它的不同動作模式區(qū)間具有層次性，區(qū)域劃分相對明顯，上坡與上臺階存在些許重疊部分，可能會造成識別混淆，圖5（b）是內側腓腸肌和股內側肌的特征集顯示圖，通過結合不同肌肉的肌電信號信息，不同模式的特征值表征能力加強，有助于模式識別。

圖5?。╝）內側腓腸肌在多尺度系數下的特征集；（b）內側腓腸肌和股內側肌特征集顯示圖

③基于bior3.1小波奇異值肌電信號特征提取。針對采集的人體下肢規(guī)定動作的原始表面肌電信號，在具體提取肌電信號的特征參數時，選用bior3.1小波分別對九通道表面肌電信號作4級尺度分解，提取由小波分解系數構成矩陣的奇異值作為信號特征。圖6（a）是外側腓腸肌在系數奇異值下的特征集，單獨針對上下臺階和上下坡都有明顯的區(qū)分，在具體識別是會造成上臺階與上坡、下臺階與下坡的混淆，圖6（b）是外側腓腸肌和脛骨前肌的特征集顯示圖，圖中可以看出上臺階與上坡間存在嚴重的區(qū)域重疊。

圖6　（a）外側腓腸肌在系數奇異值下的特征集；（b）外側腓腸肌和脛骨前肌特征集顯示圖

圖4～圖6為單特征值時的圖像，由圖可以看出，單特征值圖像中多尺度系數具有較好的分離性，系數奇異值的分離性比較差。但圖中上臺階與下臺階都能較好的分辨出來，上斜坡與下斜坡也能較清晰的觀察出來，但下臺階和下斜坡有少量的重疊，上臺階與上斜坡重疊較多。因此，對于單一特征值來說，上下兩類動作能簡單的分離開來，但是將上臺階和上斜坡或是下臺階和下斜坡分離開來還是存在一些問題。

由于單一特征表征情況較片面，本文基于上述三種特征提取的方法，提出將三種特征值進行融合，為了突出不同特征值在表征能力上的優(yōu)點，將三種特征值通過比例加權的方法將特征向量根據表征效果的優(yōu)劣進行不同比例系數的加權分配，從而提高特征值的表征能力。

在不同的動作模式下，不同肌肉活躍狀態(tài)不同，因此表征能力也不同，通過不同的特征提取方法，肌肉的表征情況也有所變化。圖7為股外側肌、內側腓腸肌和比目魚肌分別在最大小波系數和多尺度系數下的特征圖，可以看出圖7（a）模式區(qū)分還是較為明顯，但上臺階和上坡還是存在少量重疊問題，圖7（b）基本可以將不同模式劃分開，也并不存在重疊部分。圖8為內側腓腸肌、外側腓腸肌和比目魚肌分別在最大小波系數和系數奇異值下的特征圖，圖中上臺階和上坡重疊較大。

圖7?。╝）內側腓腸肌在多尺度系數下特征集與股外側肌在最大小波系數下特征集二維顯示圖；（b）內側腓腸肌在多尺度系數下特征集與比目魚肌在最大小波系數下特征集二維顯示圖

圖8?。╝）外側腓腸肌在系數奇異值下特征集與內側腓腸肌在最大小波系數下特征集二維顯示圖；（b）內側腓腸肌在系數奇異值下特征集與比目魚肌在最大小波系數下特征集二維顯示圖

圖9為內側腓腸肌、外側腓腸肌和比目魚肌分別在多尺度系數和系數奇異值下的特征圖。在上述特征結合圖中，可以觀察到，在特征圖中上臺階和上坡區(qū)域劃分不明顯，圖7（b）特征圖散點排列比較緊湊，區(qū)域劃分較為明顯，相較于其他圖有比較好的分離性，圖10為比目魚肌、股外側肌和內側腓腸肌分別在最大小波系數、多尺度系數和系數奇異值下的特征圖，從圖中可以看出各模式之間互不干涉，三特征融合使得不同特征之間互補，提高了特征值的表征能力。

圖9　（a）外側腓腸肌在系數奇異值下特征集與內側腓腸肌在多尺度系數下特征集二維顯示圖；（b）比目魚肌在系數奇異值下特征集與內側腓腸肌在多尺度系數下特征集二維顯示圖

圖10　內側腓腸肌在系數奇異值下特征集、股外側肌在多尺度系數下特征集與比目魚肌在最大小波系數下特征集三維顯示圖

從上面的分析可以得出，db4小波最大系數對于上臺階和下坡兩種模式區(qū)分比較明顯，dmey小波分解系數的特征值對于上下臺階和上下坡區(qū)分叫明顯，但是上臺階和上坡會存在混淆，bior3.1小波變換的奇異值對于上下臺階和上下坡區(qū)分叫明顯，但是上臺階上坡和下臺階下坡會有混淆，因此不同特征向量的針對不同動作模式的區(qū)分能力是有差別的，單一特征從一定程度上能反映信號的某些特征，但模式識別時存在嚴重的模式重疊，單用這些特征來準確地區(qū)分出不同的信號還存在一定的困難。將幾個單一特征進行融合，構成特征向量，能使各單一特征的優(yōu)點互補，增強了特征值的表征能力，從而有效提高了模式分類的正確率。

3.4模式識別

通過對特征圖像的分析，將最大小波系數、多尺度系數和系數奇異值進行兩兩結合以及三者融合，得到了7種特征值，對4種動作模式進行特征提取各得到30組特征向量，從中任取21組特征向量作為訓練集輸入神經網絡，其余9組作為測試組。表1為各特征值分別輸入Elman神經網絡和BP神經網絡的統(tǒng)計結果。

表1　各特征值-模式識別統(tǒng)計結果

通過表1可以發(fā)現(xiàn)，模式識別的好壞與特征值密切相關，但Elman神經網絡的識別效果普遍低于BP神經網絡，單一特征值中系數奇異值表征肌電信號特征的能力較差，因此，在由單一特征值兩兩結合形成的特征模式識別中，最大小波系數-多尺度系數奇異值的表征能力較其他兩者的效果好，而與系數奇異值相結合的兩種特征值效果相對較差。三特征結合的效果優(yōu)于最大小波系數-多尺度系數奇異值的識別能力。

通過將最大小波系數、多尺度系數及系數奇異值融合后進行模式識別得到混淆矩陣，表2為特征向量輸入BP神經網絡得到的識別結果。

表2　模式識別混淆矩陣圖

從表2可以看出，上下臺階和上下坡區(qū)分相對較好，但是上臺階和上坡存在明顯的區(qū)域重疊，導致識別重疊。由于上臺階和上斜坡皆為抬腿動作，從某種程度上講動作具有相似性，因此造成模式識別困難，這也是動作模式識別需要解決的一個問題。

4　結論

本文針對國內在下肢表面肌電信號方面研究較少的情況，對腿部運動模式進行了研究。通過對多肌肉多特征值的分析，不同肌肉在不同動作模式下表征能力不同，并且對于不同的特征提取方式所展現(xiàn)出的區(qū)分效果也存在較大差異。通過不同肌肉在同一特征之下的表征差異，可以得到多尺度系數表征效果較好，而系數奇異值的表征效果較差，重疊部分較多。為了能夠結合不同特征值得特點，解決單一特征值表征能力較差的問題，本文提出了基于小波變換的三種特征值融合的方法，采用了比例加權的方法，將特征向量根據表征效果的優(yōu)劣進行不同比例系數的加權分配，通過對特征值分析并進行融合，再分別通過BP神經網絡和Elman神經網絡模式識別，從而達到提高識別率的目的。實驗結果分析表明，分別以db4、dmey和bior3.1為小波基得到的最大小波系數、多尺度系數和系數奇異值三者融合作為信號特征值輸入BP神經網絡的識別效果優(yōu)于其他方法的結合，而Elman識別效果相對較低。在以后的研究中可以考慮將時域、頻域特征進行融合，考慮采用支持向量機、模糊分類、神經網絡等多種識別方式進行結合，從而達到更理想的識別效果。

［1］ 張啟忠，席旭剛，羅志增.多重分形分析在肌電信號模式識別中的應用［J］.傳感技術學報，2013，26（2）:282-288.

［2］ Oskoei M A，Hu H0.Support Vector Machine-Based Classification Scheme for Myoelectric Control Applied to Upper Limb［J］. Biomedical Engineering，IEEE Transactions on，2008，55（8）: 1956-1965.

［3］ 鄒曉陽，雷敏.基于多尺度模糊熵的動作表面肌電信號模式識別［J］.生物醫(yī)學工程學雜志，2012，29（6）:1184-1188.

［4］ 張啟忠，席旭剛，羅志增.基于非線性特征的表面肌電信號模式識別方法［J］.電子與信息學報，2013，35（9）:2054-2058.

［5］ 王玲.基于小波包變換的表面肌電信號模式識別［J］.現(xiàn)代電子技術，2011，34（17）:122-124.

［6］ 劉亞偉.基于表面肌電多特征的下肢行走關鍵模態(tài)識別研究［D］.天津大學，2009.

［7］ Lucas M F，Gaufriau A，Pascual S，et al.Multi-Channel Surface EMG Classification Using Support Vector Machines and Signal-Based Wavelet Optimization［J］.Biomedical Signal Processing and Control，2008，3（2）:169-174.

［8］ 李云紅，伊欣.基于脈沖耦合神經網絡模型的小波自適應斑點噪聲濾除算法［J］.光學精密工程，2012，20（9）:2060-2067.

［9］ 吳冬梅，孫欣，張志成，等.表面肌電信號的分析和特征提?。跩］.中國組織工程研究與臨床康，2010，14（43）:8073-8076.

［10］王昕.含噪聲圖像的多聚焦融合算法［J］.光學精密工程，2012，19（12）:2977-2984.

［11］蘆吉云，王幫峰，梁大開.基于小波包特征提取及支持向量回歸機的光纖布拉格光柵沖擊定位系統(tǒng)［J］.光學精密工程，2012，20（4）:712-718.

［12］孫保峰.基于神經網絡的表面肌電信號分類方法研究［D］.吉林大學，2013.

［13］楊新亮，羅志增.基于表面肌電信號的時頻組合特征融合識別［J］.華中科技大學學報（自然科學版），2011，39（2）:153-156.

［14］雷培源，楊基海，陳香.基于三級濾波器的表面肌電信號降噪處理［J］.北京生物醫(yī)學工程，2011，30（1）:62-66.

［15］席旭剛，左靜，張啟忠，等.多通道表面肌電信號降噪與去混迭研究［J］.傳感技術學報，2014，27（3）:293-298.

［16］鄭鈞，侯銳鋒.小波去噪中小波基的選擇［J］.沈陽大學學報，2009，21（2）:108-110.

于亞萍（1991-），女，江蘇江陰人，碩士，2013年畢業(yè)于蘇州大學獲得學士學位，現(xiàn)于蘇州大學攻讀碩士學位，主要進行醫(yī)療機器人方面的研究，yuyaping_yyp@ 163.com；

孫立寧（1964-），遼寧覆縣人，教授，博士生導師，主要從進行微納機器人，醫(yī)療機器人，工業(yè)機器人等領域的研究，lnsun@suda.edu.cn；

張峰峰（1979-），男，山東日照人，博士，副教授，主要進行醫(yī)療機器人、虛擬手術仿真方向的研究，zhangfengfeng@suda.edu.cn。

sEMG Pattern Recognition Based on Multi Feature Fusion of Wavelet Transform*

YU Yaping，SUN Lining，ZHANG Fengfeng*，ZHANG Jianfa
（Robotics and Microsystems Center，College of Mechanical and Electrical Engineering，Soochow University，Suzhou Jiangsu 215021，China）

In view of the poor characterization of single feature value，multi feature fusion based on different wavelet basis was adopted to extract the surface EMG signal according to multi resolution analysis of wavelet transform.The experiment was conducted on ten testers and collected signals for four basic lower limb movements in daily life. First of all，discrete wavelet transform was used to decompose the surface EMG signals in multi-scale with DB，Dmey and Bior wavelet basis respectively.After that，it was founded that the characterization effects of different muscle vary by different extraction way.In order to combine the characteristics of different features，features were fused to analyze and compare.At last，the feature values were input to the Elman neural network and BP neural network for pattern recognition and comparison analysis.Experimental results showed that the recognition rate obtained by fusing the eigenvalues is higher than single feature with the accuracy up to 98.7%，and the BP neural network is better than the Elman neural network.

surface sEMG；signal processing；pattern recognition；multi feature fusion；wavelet transform

TP24

A

1004-1699（2016）04-0512-07

項目來源:國家863計劃項目（2015AA040101）

2015-11-04修改日期:2016-01-13