基于MYO的肌電假肢手控制中手勢在線識別系統(tǒng)

王朋 李傳江 井本成 張崇明 張自強

摘要：

表面肌電（surface electromyography，sEMG）信號被廣泛應用于臨床診斷、康復工程和人機交互等領域中.針對目前控制肌電假肢手的電極成本高、電極佩戴困難以及操作靈活性差等問題，設計一種基于MYO的肌電假肢手手勢在線識別系統(tǒng).通過采集人體上肢前臂的表面肌電信號，在時域上分別提取5種特征值，利用反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡分類算法實現(xiàn)對8種手勢動作意圖的在線實時識別.實驗結果證明，利用MYO進行手勢識別可以獲得較好的識別結果，該系統(tǒng)能夠準確識別8種手部動作，平均在線識別率達到92%.

關鍵詞：

表面肌電信號; MYO; 特征提取; BP神經(jīng)網(wǎng)絡; 在線識別

中圖分類號： TP 273文獻標志碼： A文章編號： 1000-5137（2018）01-0043-06

Hand mode online recognition system of electromyography prosthetic

hand based on MYO

Wang Peng， Li Chuanjiang*， Jing Bencheng， Zhang Chongming， Zhang Ziqiang

（The College of Information，Mechanical and Electrical Engineering，Shanghai Normal University，Shanghai 200234，China）

Abstract：

Surface electromyography （sEMG） is widely used in clinical diagnosis，rehabilitation engineering and human-computer interaction，etc.Aming at the problems of high cost of electrodes to control electromyography prosthetic hands，the difficulty in electrodes wear and poor operation flexibility，a MYO-based hand mode online identification system of electromyography prosthetic hands is designed.By collecting the sEMG of the human upper-limb-forearm and extracting 5 characteristic values in the time domain，8 real-time gesture recognition strategies are realized through the back propagation neural network.Experimental results show that the MYO-based gesture recognition canproduce bettergesture recognition results.The system can accurately identify the eight kinds of hand movements，and the average online recognition rate reaches 92%.

Key words：

surface electromyography; MYO; feature extraction; BP neural network; online recognition

收稿日期： 2016-06-12

作者簡介： 王朋（1991-），男，碩士研究生，主要從事智能假肢方面的研究.E-mail：526127005@qq.com

導師簡介： 李傳江（1978-），男，副教授，主要從事計算機自動檢測與控制、智能測控儀表、先進控制理論及其應用等方面的研究.E-mail：licj@shnu.edu.cn

*通信作者

引用格式： 王朋，李傳江，井本成，等.基于MYO的肌電假肢手控制中手勢在線識別系統(tǒng) [J].上海師范大學學報（自然科學版），2018，47（1）：43-48.

Citation format： Wang P，Li C J，Jing B C，et al.Hand mode online recognition system of electromyography prosthetic hand based on MYO [J].Journal of Shanghai Normal University（Natural Sciences），2018，47（1）：43-48.

0引言

表面肌電（surface electromyography，sEMG）信號是由神經(jīng)、肌肉興奮伴隨產(chǎn)生的生物電信號，并在一定程度上反映了人類特定手勢動作的意圖[1].sEMG可以反映神經(jīng)肌肉的特性，包含著豐富的有關人體肌肉活動的信息，是一種重要的假肢控制信號，廣泛應用于康復工程，尤其是智能假肢手的控制中[2-4].

隨著生物電信號的不斷深入研究，在sEMG信號的手勢動作識別研究方面，國內(nèi)很多學者都取得了一定的成果.文獻[5]設計了一套簡易且識別率高的表面肌電采集與在線識別系統(tǒng)，此外還設計了訓練范式，根據(jù)被測試的訓練數(shù)據(jù)提取在線識別算法的參數(shù)，以提高識別準確率.文獻[6]提出了一種基于微處理器（advanced RISC machines，ARM）的肌電假肢控制器設計方案，通過反向傳播（BP）算法實現(xiàn)了對5種手掌姿勢的在線實時識別.這些方法雖然效果好，但是應用到截肢患者的實際生活中，還存在著很多局限性，仍然需要深入研究.

sEMG信號作為可靠的信號源被廣泛用于肌電假肢手的控制中，sEMG傳感器的質量直接影響動作模式的識別率，從而影響假肢手的整體性能.高質量的傳感器比較貴，如Biomatric和Delsys無線電極等，單個傳感器的價格都在5 000元以上.國內(nèi)的假肢廠家多采用自己制作的肌電傳感器，但信號干擾較大，嚴重影響動作模式的識別精度.加拿大創(chuàng)業(yè)公司Thalmic Labs 推出的創(chuàng)新性MYO臂環(huán)，它可以佩戴在任何一條胳膊的肘關節(jié)上方，捕捉手臂肌肉運動時產(chǎn)生的生物電信號，通過低功率的藍牙將信號傳出，干擾小，信號質量好，佩戴方便，并且價格低廉.將其應用到假肢手的控制上是一個很好的選擇.

為了降低假肢手安裝的成本和提高假肢手的實用性，本文作者提出一套基于MYO臂環(huán)的肌電假肢控制在線識別系統(tǒng)，實現(xiàn)對手勢動作的在線實時識別.

1信號采集

圖1MYO穿戴位置

圖2八種手勢動作

采用MYO臂環(huán)采集sEMG信號，它有8個通道，每個通道等間距排列.將其佩戴于肘關節(jié)上方的位置（水平放置手臂，手掌心朝下，MYO臂環(huán)的標識與手掌心的方向相反），如圖1所示.

作者采用了8種手部動作進行在線識別研究，通過提取手部動作時所產(chǎn)生的sEMG信號的特征向量，進行分類，為人機交互模式提供可靠的控制源.8種手勢分別為：（1）手腕內(nèi)翻（Wrist Flexion，WF），（2）手腕外翻（Wrist Extension，WE），（3）握拳（Hand Close，HC），（4）展拳（Hand Open，HO），（5）握圓球（Spherical Grasping，SG），（6）握圓柱 Cylindrical Grasping，CG），（7）三指抓（Tripodal Precision Grasping，TPG），（8）二指捏（Key Grasping，KG）.各種手勢動作如圖2所示.

2軟件系統(tǒng)設計

考慮到Visual Studio是基于Windows編程，與PC端有很好的兼容性，所以本設計的上位機部分使用VC++開發(fā)語言實現(xiàn)，與MYO臂環(huán)之間通過低功率的藍牙來傳送信號.軟件部分主要包含sEMG信號實時采集、預處理、判斷動作起止點、sEMG信號特征提取和在線識別等模塊，其中模式識別所需的權值、閾值由BP神經(jīng)網(wǎng)絡離線訓練得到，然后寫入到系統(tǒng)中用于在線識別.手勢動作識別的在線處理流程如圖3所示.

圖3手勢動作識別的在線處理流程

2.1預處理

在上位機程序中，對MYO臂環(huán)實時采集到的sEMG信號先進行預處理，其目的主要是濾除噪聲.雖然MYO臂環(huán)采集到的信號干擾較小，但是sEMG信號是一種微弱的生物電信號，易受干擾.本軟件系統(tǒng)中用45～195 Hz 的帶通濾波器，對sEMG信號進行預處理.

2.2動作起止點判斷

動作起止點的判斷方法有閾值法、神經(jīng)網(wǎng)絡法、移動平均法等[7].為了保證系統(tǒng)的實時性，對動作起止點的判斷需要及時有效，所以采用閾值法.

對于MYO臂環(huán)的8個通道的sEMG信號，計算每個通道信號的某段數(shù)據(jù)采樣點個數(shù)為N的時域特征絕對平均值（Mean Absolute Average，MAV）[8]：

MAVi=1N∑Nk=1x（k），i=1，2…I，（1）

其中，k為單個采樣點，x（k）為每次采樣的sEMG數(shù)據(jù)，i是MYO對應的單個通道，這里I=8.

將各路信號的MAV相加，通過設定的門限閾值來判斷動作起止點.考慮到每個受試者的肌電信號特性不完全一樣，在離線訓練環(huán)節(jié)，通過對每個受試者采集到的樣本數(shù)據(jù)進行分析，可以確定各自合適的閾值.

2.3特征提取

特征提取的目的是將不同手勢動作盡可能區(qū)分，通過sEMG信號的某一特性數(shù)據(jù)來表示.相對于其他頻域或時-頻域特征，時域特征也可以獲得相對較好的分類特性，且具有計算量少、獲取迅速等優(yōu)點，滿足在線識別的實時性.因此，采用5個時域統(tǒng)計學特征作為分類標準，它們分別是平均絕對值（MAV）、過零點數(shù)（ZC）[9]、斜率變化數(shù)（SSC）、波形長度（WL）[9]和平均絕對值斜率（MAVS）.

MAV如（1）式所示.

sgn（-xk×xk+1） and （xk-xk+1≥ε），（2）

其中，sgn（x）=1，x>0

0，其他，ε是給定一個大于0的閾值（取0.02）.如果滿足（2）式條件，則ZC值加1.

（xk-xk-1）×（xk-xk+1）≥δ，（3）

對于3個連續(xù)的采樣點xk-1，xk，xk+1，給定一個大于0的閾值δ（取0.02）.當滿足（3）式條件時，SSC值加1.

WL為N個數(shù)據(jù)長度內(nèi)波形的累積長度，可以同時估計波形幅值、頻率和持續(xù)時間，計算公式為：

WL=∑Nk=1xk+1-xk.（4）

MAVS為兩個相鄰分析窗口內(nèi)的MAV之差，其計算公式為：

MAVS=Mk-Mk-1.（5）

2.4分類器

圖4BP神經(jīng)網(wǎng)絡結構模型

本上位機軟件系統(tǒng)采用如圖4所示的三層BP神經(jīng)網(wǎng)絡作為離線訓練和在線識別的分類器，由輸入層、隱含層和輸出層組成.輸入層為n（n=40）個神經(jīng)元，對應MYO的8路sEMG信號的5個時域特征值，隱含層設置q（q=18）個神經(jīng)元，輸出層為m（m=8）個神經(jīng)元，分別對應8種不同的手勢動作.

通過Matlab訓練，得到輸入層到隱含層權值向量Vqn和閾值向量θq;隱含層到輸出層的權值向量Wmq和閾值向量φk.然后將其復制到軟件界面中權值和閾值相對應的、允許用戶輸入的文本框內(nèi)，實現(xiàn)在線手勢動作識別.

3實驗及結果

3.1預處理實驗

圖5原始數(shù)據(jù)與濾波后對比曲線

圖68種動作狀態(tài)與無動作的8路肌電信號

MAV之和對比實驗統(tǒng)計圖

由于sEMG信號復雜并且微弱，在采集過程中極易受到干擾，所以在本軟件系統(tǒng)中采用了數(shù)字濾波技術，如圖5所示.

從圖5中可以看出，濾波之后的曲線是一條光滑的曲線，為判斷動作起止點減少了不必要的干擾，從而能更準確地判斷動作的起止點.

3.2動作起止點檢測實驗

為了找出不同受試者的合適閾值，對此，進行離線實驗，在相同條件下做8種動作，各做20次，將8通道信號的MAV進行相加，然后與“無動作（No Action，NA）”相比較，如圖6所示.從圖6中可以看出，NA和其他8種動作有明顯的區(qū)分界限.通過多次實驗來確定“NA”和各種手勢動作的MAV門限值.

3.3動作模式在線識別實驗

在Matlab中用BP神經(jīng)網(wǎng)絡訓練得到的權值、閾值系數(shù)，寫入上位機控制系統(tǒng)中，實現(xiàn)手勢動作在線識別.實驗過程中，每個動作做100次，8種手勢動作的一次動作驗證圖如圖7所示，其中圖7（d）沒有對應的動作顯示，主要是考慮到以后應用到假肢手，需要一個手勢動作，來復位當前假肢手所做的動作，從而更好地控制假肢手.

每個動作結束后，統(tǒng)計上位機軟件顯示的對應正確動作次數(shù)以及誤判動作次數(shù)，結果表明，總體在線識別率為92%，實驗結果如表1所示.

圖7實驗過程中八種手勢驗證圖

表1八種動作在線識別結果

由表1可知，8種動作平均識別率為92%.

以同樣的方式，采集其余4人的原始sEMG，進行Matlab訓練，得到新的權值、閾值系數(shù)，重新寫入到上位機控制系統(tǒng)中，然后進行在線識別實驗，同樣做100次，4個人的識別率都保持在92%左右.

4總結與展望

本文作者采用5種時域特征：MAV、ZC、SSC、WL以及MAVS，設計了基于MYO的肌電假肢在線識別系統(tǒng).通過BP神經(jīng)網(wǎng)絡實現(xiàn)了8種動作的在線識別，整體識別率達到92%，很好地滿足了截肢患者對肌電假肢手的控制的精度要求.

接下來，將在截肢患者身上做實驗，驗證該系統(tǒng)的識別精度;此外，還將研究減少MYO臂環(huán)的通道個數(shù)以及降低特征維數(shù)對識別精度的影響，力爭研究出更高精度的肌電假肢手實時控制系統(tǒng).

參考文獻：

[1]Liu H J，Young K Y.Upper-Limb EMG-Based robot motion governing using empirical mode decomposition and adaptive neural fuzzy inference system [J].Journal of Intelligent and Robotic Systems，2012，68（3-4）：275-291.

[2]Oskoei M A，Hu H.Myoelectric control systems-Asurvey [J].Biomedical Signal Processing and Control，2007，2（4）：275-294.

[3]趙京東，姜力，金明河，等.基于肌電信號的仿人型假手控制 [J].機械與電子，2006（8）：54-56.

Zhao J D，Jiang L，Jin M H，et al.Prosthetic hand control based on EMG signals [J].Machinery & Electronics，2006（8）：54-56.

[4]You B，Wang H L，Huang L.The system of sEMG recognition for prosthetic hand control [C].Strategic Technology （IFOST），Ulsan：IEEE，2010.

[5]何可人，孫偉，羅錦宏，等.表面肌電采集與在線識別系統(tǒng) [J].計算機測量與控制，2016，24（3）：241-243，247.

He K R，Sun W，Luo J H，et al.Collection and online identification system of sEMG [J].Computer Measurement & Control，2016，24（3）：241-243，247.

[6]卜峰，李傳江，陳佳佳，等.基于ARM的肌電假肢手控制器 [J].上海大學學報（自然科學版），2014，20（4）：442-449.

Bu F，Li C J.Chen J J，et al.Design of electromyography prosthesis controller based on ARM [J].Journal of Shanghai University （Natural Science），2014，20（4）：442-449.

[7]尹少華，楊基梅，梁政，等.基于遞歸量化分析的表面肌電特征提取和分析 [J].中國科學技術大學學報，2006，36（5）：550-555.

Yin S H，Yang J M，Liang Zh et al.Recurrence quantification analysis based on surface EMG signal feature extraction and classification [J].Journal of University of Science and Technology of China，2006，36（5）：550-555.

[8]Nadzri A AB A，Ahmad S A，Marhaban M H，et al.Characterization of surface electromyography using time domain features for determining hand motion and stages of contraction [J].Australasian Physical and Engineering Sciences in Medicine，2014，37（1）：133-137.

[9]李媛媛，陳香，張旭，等.基于ART2神經(jīng)網(wǎng)絡的手勢動作肌電信號識別 [J].中國科學技術大學學報，2010，40（8）：90-92.

Li Y Y，Chen X，Zhang X，et al.Hand gesture SEMG signal recognition based on ART2 neutral network [J].Journal of University of Science and Technology of China，2010，40（8）：90-92.