基于肌電小波包統(tǒng)計(jì)特征的踝關(guān)節(jié)動作識別

胡文龍， 喬曉艷

(山西大學(xué) 物理電子工程學(xué)院， 山西 太原 030006)

基于肌電小波包統(tǒng)計(jì)特征的踝關(guān)節(jié)動作識別

胡文龍， 喬曉艷

(山西大學(xué) 物理電子工程學(xué)院， 山西 太原 030006)

為改善足下垂患者步態(tài)， 研究了踝關(guān)節(jié)不同動作的表面肌電信號特征分類. 本文采集踝關(guān)節(jié)在不同動作下， 對應(yīng)脛骨前肌、 腓腸肌、 腓骨長肌和拇長伸肌的表面肌電信號， 采用小波包分解方法進(jìn)行肌電特征提取， 獲得小波包系數(shù)能量、 方差統(tǒng)計(jì)特征量； 利用支持向量機(jī)方法實(shí)現(xiàn)踝關(guān)節(jié)4種不同動作模式的肌電特征分類. 實(shí)驗(yàn)結(jié)果表明， 采用具有良好奇異特性的小波包能量、 對數(shù)方差構(gòu)成的肌電特征向量， 對踝關(guān)節(jié)動作進(jìn)行模式識別， 其正確率遠(yuǎn)高于通過提取肌電信號時域或者頻域特征進(jìn)行模式分類的正確率， 達(dá)到了92.8%的平均分類正確率. 該特征提取方法以及支持向量機(jī)分類器， 可以應(yīng)用于踝關(guān)節(jié)動作識別和機(jī)器人康復(fù)工程.

踝關(guān)節(jié)； 表面肌電信號； 小波包統(tǒng)計(jì)特征； 支持向量機(jī)

0 引 言

腦卒中是一種由于血液不能流入大腦而引起腦組織損傷的疾病， 臨床癥狀為患者喪失大腦控制運(yùn)動的能力， 肢體殘疾是腦卒中后最常見的癥狀. 目前， 有相當(dāng)數(shù)量的腦卒中患者存在下肢功能障礙的后遺癥， 即足下垂步態(tài). 改善足下垂步態(tài)， 令其能夠獨(dú)立行走， 是患者進(jìn)行康復(fù)訓(xùn)練和治療的重要環(huán)節(jié)[1].

對于改善足下垂步態(tài)的研究主要致力于踝關(guān)節(jié)的動作研究. 傳統(tǒng)的基于表面肌電信號的運(yùn)動特征分析方法主要針對時域或頻域方法對踝關(guān)節(jié)不同動作進(jìn)行特征分析， 或者采用時頻域的小波分析方法， 然而小波分析只對信號低頻部分進(jìn)行多尺度分解， 分解不夠精細(xì)， 重構(gòu)容易造成信息損失. 因此， Hu X等將小波包變換應(yīng)用于EMG信號分析處理中， 通過采集前臂屈肌的表面肌電信號， 利用小波包能量實(shí)現(xiàn)了前臂旋前和旋后的分類[2]. 這種方法可以有效地去除干擾， 得到更好的識別準(zhǔn)確率. 王玲等人采用小波包變換方法對上肢8種表面肌電信號進(jìn)行分解， 采用最小二乘支持向量機(jī)(LS SVM)進(jìn)行識別， 平均識別率在90%， 并且SVM分類準(zhǔn)確率明顯優(yōu)于傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)分類器[3]； YAN Z等人采用小波包方法， 利用支持向量機(jī)實(shí)現(xiàn)了拳頭握緊、 拳頭伸、 腕旋前和腕旋后4種動作的分類， 分類準(zhǔn)確率達(dá)到了95%以上[4]. 目前， 利用小波包和支持向量機(jī)實(shí)現(xiàn)表面肌電特征分類主要應(yīng)用在上肢動作中， 而且多采取的是肌電信號小波包分解系數(shù)作為特征向量， 沒有采用具有更明顯差異的小波包統(tǒng)計(jì)特征， 使不同動作肌電特征信息更顯著. 對于下肢踝關(guān)節(jié)的不同動作， 由于動作之間的肌電特征差異較小， 需要充分利用肌電信號時頻信息， 才能實(shí)現(xiàn)更有效的動作識別.

本文研究了踝關(guān)節(jié)不同動作表面肌電信號的模式識別. 采集踝關(guān)節(jié)背屈、 趾屈、 外翻和內(nèi)翻4種動作的表面肌電信號， 采用表面肌電信號具有良好奇異性的小波包能量、 對數(shù)方差特征組成的特征向量， 利用徑向基核函數(shù)的支持向量機(jī)方法， 實(shí)現(xiàn)踝關(guān)節(jié)4種不同動作模式的肌電特征分類， 仿真結(jié)果表明了該方法的有效性.

1 實(shí)驗(yàn)方法與信號采集

踝關(guān)節(jié)4種動作模式的肌電信號采集實(shí)驗(yàn)框圖如圖 1 所示. 首先， 受試者按照E-prime軟件編寫的踝關(guān)節(jié)動作實(shí)驗(yàn)范式， 執(zhí)行相應(yīng)的動作， 利用16通道肌電儀的4個通道電極分別采集對應(yīng)的脛骨前肌、 腓腸肌、 腓骨長肌和拇長伸肌的表面肌電信號， 并通過USB 接口傳送至計(jì)算機(jī)進(jìn)行顯示和數(shù)據(jù)處理.

圖 1 踝關(guān)節(jié)肌電信號采集框圖Fig.1 The block diagram of EMG signal of ankle joint

實(shí)驗(yàn)測試選用4名健康大學(xué)生， 均無相關(guān)的肌肉、 骨骼、 神經(jīng)疾病， 測試前24 h內(nèi)未做劇烈運(yùn)動， 以排除過度運(yùn)動肌肉殘余疲勞對測試結(jié)果的影響. 實(shí)驗(yàn)測試時， 受試者靜坐在椅子上， 身體自然放松. 首先， 用乙醇和生理鹽水對電極安放處的皮膚進(jìn)行清潔， 以降低皮膚與電極的接觸阻抗； 其次， 表面肌電電極平行于肌纖維的方向放置于相應(yīng)肌肉的肌腹處； 然后， 按照實(shí)驗(yàn)范式執(zhí)行踝關(guān)節(jié)4種不同動作.

實(shí)驗(yàn)范式為計(jì)算機(jī)屏幕上出現(xiàn)數(shù)字， 當(dāng)出現(xiàn)數(shù)字“1”， “2”， “3”， “4”時， 受試者分別執(zhí)行背屈、 趾屈、 外翻和內(nèi)翻4種不同動作各2 s. 最后， 每組實(shí)驗(yàn)連續(xù)采集記錄表面肌電信號30 s， 肌電信號采樣頻率為2 kHz.

4名受試者共進(jìn)行了8組試驗(yàn)， 每組試驗(yàn)每個動作都執(zhí)行15次， 得到120組實(shí)驗(yàn)數(shù)據(jù)， 踝關(guān)節(jié)4個動作共記錄得到480(120*4)個肌電信號， 4塊對應(yīng)肌群總共采集得到1 920(120*4*4)個表面肌電信號.

圖 2 為趾屈動作采集的脛骨前肌、 腓腸肌、 腓骨長肌和拇長伸肌的表面肌電信號.

對原始采集的肌電信號進(jìn)行預(yù)處理， 以去除測量中的各種干擾和噪聲. 利用數(shù)字陷波器去除50 Hz的工頻干擾； 通過小波自適應(yīng)去噪方法， 去除低頻漂移、 高頻噪聲以及運(yùn)動偽跡， 獲得純凈的表面肌電信號[5-7].

圖 2 趾屈動作對應(yīng)4塊肌群的表面肌電信號Fig.2 The surface EMG signals of the four muscle groups corresponding to the flexor movements

2 算法理論

2.1 小波包算法

將表面肌電信號進(jìn)行特征提取， 即從信號中提取出最能表征信號特性的特征向量， 這些特征向量的差異性和可分離度要高， 能夠利用這些特征對不同動作做出準(zhǔn)確的區(qū)分. 目前， 提取肌電信號特征的方法主要有時域、 頻域和時頻域分析法[8].

表面肌電信號是一種非平穩(wěn)的隨機(jī)信號， 具有時域的時變性以及頻域的波動性. 小波變換是將被分析信號進(jìn)行多尺度分解， 但該方法僅僅分解了信號的低頻成分， 對信號高頻部分并沒有進(jìn)行分解， 因而損失了很多有用的細(xì)節(jié)信息. 小波包變換在信號分解過程中會同時分解信號的低頻和高頻成分， 使得對信號分解更為精細(xì)全面， 獲得信號不同的時頻分辨率.

小波包變換的二尺度方程如下， 其中，h0k，h1k是多分辨率分析中的濾波器系數(shù)

(2)

當(dāng)n=0時，w0(t)=φ(t)為尺度函數(shù)，w1(t)=φ(t)為小波函數(shù). 定義函數(shù)序列{wn(t)}n∈Z為由w0(t)=φ(t) 所確定的小波包[9].

小波包系數(shù)遞推公式為

踝關(guān)節(jié)不同動作時， 肌肉收縮強(qiáng)度和變化可以通過表面肌電信號小波包系數(shù)的能量和方差來表達(dá)和反映， 因而可以計(jì)算其能量和方差,作為信號的特征向量.

1) 小波包系數(shù)能量表達(dá)式為

式中： N代表小波包系數(shù)的個數(shù)； Sj代表小波包分解系數(shù)； Ej代表小波包系數(shù)能量.

2) 小波包系數(shù)方差表達(dá)式為

式中： VARj代表小波包系數(shù)的方差.

2.2 支持向量機(jī)

支持向量機(jī)是一種以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的機(jī)器學(xué)習(xí)算法， 可以通過選用合適的核函數(shù)， 將在低維度無法線性分類的樣本映射到高維度空間， 構(gòu)成最優(yōu)分類超平面， 實(shí)現(xiàn)數(shù)據(jù)的劃分. 它的基本思想可用圖 3 的兩分類情況說明[10]. 在圖 3 中， 實(shí)心點(diǎn)和空心點(diǎn)分別代表兩類樣本， 線性判別函數(shù)的一般形式由權(quán)值向量w和偏移量b描述為：f(x)=x·w+b， 對應(yīng)的分類超平面方程為

圖 3 SVM找到的最優(yōu)超平面Fig.3 The optimal hyper plane that SVM finds

對f(x)=x·w+b進(jìn)行歸一化處理， 使所有樣本都滿足|f(x)|≥1， 此時離分離面最近的樣本為f(x)=1. 如果要求所有樣本都能正確分類， 則分類面必須滿足

由Lagrange函數(shù)可以求出其最小值， 如式(9)

式中：ai為Lagrange因子. 通過對w和b求偏微分并令它們等于0， 可得最優(yōu)解

于是， 最優(yōu)分類面的權(quán)系數(shù)向量就是支持向量機(jī)的線性組合. 由此可以推出最優(yōu)分類面函數(shù)為

式中：b*是分類閾值.

用內(nèi)積K(xi,x)替代最優(yōu)分類面中的點(diǎn)積， 相當(dāng)于將原特征空間變換到另一個新的特征空間， 相應(yīng)的判別函數(shù)式變?yōu)?/p>

此時的最優(yōu)分類算法即為支持向量機(jī)分類算法[11].

K(xi,x)稱為核函數(shù)， 常用的核函數(shù)有多項(xiàng)式核函數(shù)， 徑向基核函數(shù)和sigmoid核函數(shù). 本文采用的是徑向基核函數(shù). 徑向基核函數(shù)的表達(dá)式為

3 肌電特征提取與分析

因db2小波具有結(jié)構(gòu)簡單， 與表面肌電信號形狀相似的特點(diǎn)， 故選用db2小波基函數(shù)對表面肌電信號進(jìn)行3層小波包分解，S1～S8分別表示第3層的8個小波包系數(shù)， 小波包分解各個節(jié)點(diǎn)對應(yīng)頻帶范圍如表 1 所示.

表 1 分解系數(shù)對應(yīng)頻帶范圍

1) 小波包能量特征(xbE)

圖 4 為踝關(guān)節(jié)4種動作的肌電信號小波包能量特征圖. 其中， 4種符號分別表示4塊肌群， 橫軸代表4種不同動作， 依次為背屈、 趾屈、 外翻和內(nèi)翻動作給出的肌電樣本數(shù)為45個， 縱軸代表肌電信號小波包系數(shù)的能量值. 這里給出了分解系數(shù)S1的能量特征圖.

圖 4 分解系數(shù)S1能量特征Fig.4 Energy characteristics of decomposition coefficient S1

2) 小波包方差特征(xbVAR)

圖 5 為踝關(guān)節(jié)4種動作的肌電信號小波包方差特征圖. 其中， 4種符號分別表示4塊肌群， 橫軸代表4種不同動作， 依次為背屈、 趾屈、 外翻和內(nèi)翻動作， 每種動作給出的樣本數(shù)為45個， 縱軸代表小波包系數(shù)的方差對數(shù)值. 這里給出的是分解系數(shù)S1的方差對數(shù)特征圖.

圖 5 分解系數(shù)S1方差特征Fig.5 Variance characteristic of decomposition coefficient S1

3) 小波包奇異性特征向量(xbb)

得到小波包系數(shù)能量和方差特征值后， 對照圖 4 和圖 5， 對于踝關(guān)節(jié)不同動作的表面肌電信號的小波包能量特征， 可以較好地區(qū)分背屈和趾屈動作， 對于外翻和內(nèi)翻動作的可區(qū)分性并不好， 但從表面肌電信號的小波包方差對數(shù)特征來看， 可以較明顯地區(qū)分外翻和內(nèi)翻動作. 因此選擇小波包系數(shù)能量和方差特征中具有明顯奇異性的特征值組成特征向量， 作為新的動作分類特征向量.

由于表面肌電信號的主要能量范圍集中在10～150 Hz[12]， 也即分布在第3層小波包分解后的分解系數(shù)S1處. 因此， 為了使算法實(shí)時性更好， 選擇信號經(jīng)過3層小波包分解后的分解系數(shù)S1的能量系數(shù)和方差系數(shù)作為最后的特征向量T， 即T1=(E11,E21,E31,E41)，T2=(log10(VAR11),log10(VAR21),log10(VAR31),log10(VAR41))，T=(T1,T2). 其中，E11表示脛骨前肌表面肌電信號3層小波包分解的能量特征，E21表示腓腸肌表面肌電信號小波包分解的能量特征， 依次類推；VAR11表示脛骨前肌表面肌電信號3層小波包分解的方差特征，VAR21表示腓腸肌表面肌電信號小波包分解的方差特征， 依次類推. 4種踝關(guān)節(jié)動作提取的表面肌電信號的特征向量如圖 6 所示. 其中， 每種動作給出的樣本數(shù)為45個，X軸、Y軸和Z軸分別代表不同的特征向量. 從圖中可以看出， 踝關(guān)節(jié)4種動作在以小波包能量和方差特征組成的奇異性特征向量中， 可以表現(xiàn)出較明顯的聚類特性， 為支持向量機(jī)特征分類提供了保障.

圖 6 表面肌電信號特征向量的三維圖Fig.6 Three dimensional map of the characteristic vector of surface EMG signal

4 分類結(jié)果

通過小波包時頻域分析方法提取得到了踝關(guān)節(jié)4種動作類型下的特征向量. 本文選擇的受試者在進(jìn)行實(shí)驗(yàn)后每個動作共采集了120個樣本. 經(jīng)觀察原始肌電信號的波形， 剔除了測量中明顯的誤差數(shù)據(jù)， 最后每個動作選取90個樣本數(shù)據(jù)進(jìn)行分類. 由于需要訓(xùn)練支持向量機(jī)， 本文將實(shí)驗(yàn)數(shù)據(jù)分為訓(xùn)練集和測試集， 訓(xùn)練集樣本為60， 測試集樣本為30.

作為對比， 本文還分別采用了時域特征， 即肌電信號絕對積分平均值(AVA)以及頻域特征即平均功率頻率(MPF)， 同樣利用支持向量機(jī)方法進(jìn)行了踝關(guān)節(jié)4種動作分類， 結(jié)果如表 2 所示.

表 2 基于SVM的踝關(guān)節(jié)動作分類正確率

由表 2 可以看出， 采用肌電小波包時頻特征(對應(yīng)表中方法3,4,5)進(jìn)行踝關(guān)節(jié)動作分類， 相對于肌電信號的單一時域或者頻域特征， 其分類正確率有了顯著提高， 并且采用小波包方差統(tǒng)計(jì)特征(方法4)要比采用小波包能量特征(方法3)進(jìn)行踝關(guān)節(jié)動作分類更有效. 而本文提出的使用具有良好奇異性的小波包系數(shù)能量、 方差特征組成的肌電特征向量(方法5)進(jìn)行踝關(guān)節(jié)動作分類， 其分類正確率最高， 平均分類正確率達(dá)到了92.8%， 且每種動作分類識別正確率均在90%以上， 仿真結(jié)果表明了該方法的可行性和有效性.

5 結(jié) 論

本文基于小波包分解， 通過選用具有良好奇異性的小波包能量、 方差， 組成了踝關(guān)節(jié)不同動作的肌電信號特征向量， 利用徑向基核函數(shù)的支持向量機(jī)方法， 對踝關(guān)節(jié)4種動作進(jìn)行了有效分類， 達(dá)到了較好的分類識別精度， 該方法可以用于下肢機(jī)器人輔助康復(fù)訓(xùn)練中.

[1] Chen M, Wang Q B, Lou X X, et al. A foot drop correcting FES envelope design method using tibialis anterior EMG during healthy gait with a new walking speed control strategy[J]. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2010: 4906-4909.

[2] Hu X,Wang Z Z, Ren X M. Classification of surface EMG signal using relative wavelet packet energy[J]. Computer Methods and Programs in Biomedicine, 2005, 79(3): 189-195.

[3] 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(shù). 2011, 34(17)： 122-124. Wang Ling. Pattern recognition of surface EMG signals based on wavelet packet transform[J]. Modern Electronic Technology, 2011, 34(17)： 122-124. (in Chinese)

[4] Yan Zhiguo, You Xiaoming, Chen Jiamin, et al. Motion classification of EMG signals based on wavelet packet transform and LS-SVMs ensemble[J]. Transactions of Tianjin University, 2009, 15: 300-307.

[5] Xing Guoquan, Ye Huashan, Zhang Yuxia, et al. A new wavelet image de-noising method based on new threshold function[J]. Journal of Biomedical Engineering, 2013, 30(4): 743-747.

[6] 馬玉良， 許明珍， 佘青山， 等. 基于自適應(yīng)閾值的腦電信號去噪方法[J]. 傳感技術(shù)學(xué)報(bào), 2014, 27(10)： 1368-1372. Ma Yuliang, Xu Mingzhen, She Qingshan, et al.The noise canceling method for EEG signal based on the adaptive threshold[J]. Journal of Transduction Technology, 2014, 27(10)： 1368-1372. (in Chinese)

[7] Xing Guoquan, Ye Huashan, Zhang Yuxia, et al. A new wavelet image de-noising method based on new threshold function[J]. Journal of Biomedical Engineering， 2013, 30(4)： 743-747.

[8] 吳冬梅， 孫欣， 張志成， 等. 表面肌電信號的分析和特征提取[J]. 中國組織工程研究與臨床康復(fù), 2010, 14(43): 8073-8076. Wu Dongmei, Sun Xin, Zhang Zhicheng, et al. Analysis and feature extraction of surface EMG signals[J]. Chinese Journal of Tissue Engineering Research, 2010, 14(43): 8073-8076. (in Chinese)

[9] 王登, 苗奪謙, 王睿智. 一種新的基于小波包分解的EEG特征抽取與識別方法研究[J]. 電子學(xué)報(bào), 2013(1): 193-198. Wang Deng, Miao Duoqian, Wang Ruizhi. Research on a new method of EEG feature extraction and recognition based on wavelet packet decomposition[J]. Acta Electronica Sinica, 2013(1): 193-198. (in Chinese)

[10] Kuntze G, von Tscharner V, Hutchison C, et al. Multi-muscle activation strategies during walking in female post-operative total joint replacement patients[J]. Journal of Electromyography and Kinesiology, 2015, 25(4): 715-721.

[11] 崔建國， 李一波， 李忠海， 等. 基于小波包與支持向量機(jī)的復(fù)雜信號模式識別[J]. 數(shù)據(jù)采集與處理, 2008, 23(2): 163-167. Cui Jianguo, Li Yibo, Li Zhonghai, et al. Complex signal pattern recognition based on wavelet packet and support vector machine[J]. Journal of Data Acquisition & Processing, 2008, 23(2): 163-167. (in Chinese)

[12] 郝雪楠. 關(guān)于表面肌電信號的降噪處理[J]. 科技傳播， 2014,10： 113-114. Hao Xuenan. Noise reduction processing of surface EMG signals[J]. Public Communication of Science & Technology, 2014,10： 113-114. (in Chinese)

Ankle Motion Classification Based on Wavelet Packet Statistic Features of sEMG Signal

HU Wenlong, QIAO Xiaoyan

(College of Physics and Electronics Engineering, Shanxi University, Taiyuan 030006， China)

In order to improve the patient's foot drop gait, the paper discussed the feature classification of the surface Electromyography (EMG) signal to the different motions of the ankle joint. First, the surface EMG signals of anterior tibial muscle，gastrocnemius muscle，peroneus longus and extensor hallucis longus under the different motions of the ankle joint are collected. Then，wavelet packet decomposition method was utilized to extract sEMG feature. Next, the method of support vector machine (SVM) was used to classify four different motion patterns of the ankle joint. Experimental results shown that using the wavelet packet coefficient energy and Log variance features with good singularity as feature vector, ankle joint movement was recognized,which average correct rate of SVM classifier achieves 92.8% to ankle joint action, is much higher than adopting only time domain or frequency domain feature extraction method. This proposed feature extraction method and support vector machine classifier can be effectively applied to the motion recognition of the ankle joint and the robot rehabilitation project.

ankle joint; surface EMG; wavelet packet statistic feature; support vector machine

1671-7449(2017)02-0100-07

2016-11-03

山西省回國留學(xué)人員科研資助項(xiàng)目(2014-010)

胡文龍(1992-)， 男， 碩士生， 主要從事模式識別與智能系統(tǒng)等研究.

喬曉艷(1969-)， 女， 副教授， 博士， 主要從事信號檢測與處理、 機(jī)器學(xué)習(xí)、 仿生機(jī)器人等研究.

R318.04

A

10.3969/j.issn.1671-7449.2017.02.002