基于表面肌電信號上肢運(yùn)動意圖識別*

張 昌，苑堯堯，李 聰

（曲阜師范大學(xué),山東 日照 276800）

0 引 言

表面肌電信號（Surface Electromyography, sEMG）是人體運(yùn)動神經(jīng)中樞產(chǎn)生的動作電位通過運(yùn)動神經(jīng)纖維將動作電位傳送到肌細(xì)胞，對肌細(xì)胞膜內(nèi)外產(chǎn)生的電位差序列總和，進(jìn)行讀取的生物電信號。肌電信號的采集可以通過針電極進(jìn)行采集，由于針電極采集會對人體造成一定程度的創(chuàng)傷，所以選用貼片電極對sEMG進(jìn)行采集應(yīng)用較為廣泛。

根據(jù)肌電信號的特殊性可知，人體實(shí)際動作的輸出總是比肌電信號的出現(xiàn)晚，這為通過對肌電信號的分析，進(jìn)行人體動作意圖識別奠定了基礎(chǔ)[1]。

模式識別的差別不僅體現(xiàn)在信號采集的肌肉位置上，還與提取的特征不同有關(guān)。隨著國內(nèi)外對肌電信號的深入研究，以及肌電信號在康復(fù)醫(yī)學(xué)中的廣泛應(yīng)用，如何提取更為有效的特征值，訓(xùn)練一個準(zhǔn)確率較高的分類系統(tǒng)成為了當(dāng)下研究重點(diǎn)，而且研究分析的方法多種多樣。

本文的研究目的為實(shí)現(xiàn)4種動作意圖的模式識別，對提取的原始信號通過小波變換及數(shù)字濾波器和陷波器的交叉使用進(jìn)行降噪處理， 在時(shí)域中提取了絕對值均值（Mean Absolute Value，MAV）、 均 方 根（Root Mean Square，RMS）[2]作為時(shí)域特征，通過小波變換將時(shí)域轉(zhuǎn)換成頻域，提取平均功率頻率（Mean Power Frequency，MPF）、中位頻率（Median Frequency，MF）作為頻域特征，將提取的特征構(gòu)造成特征向量，以誤差反向傳播算法（Error Back Proragation，BP）作為模式分類器，實(shí)現(xiàn)了上肢四種運(yùn)動意圖的模式識別。

1 信號采集與預(yù)處理

1.1 信號采集

肌電信號的采集選用美國Delsys無線表面肌電采集系統(tǒng)，該系統(tǒng)可同時(shí)完成16通道的檢測任務(wù)，采樣頻率為1 926 Hz。選用個4通道提取4種動作意圖的肌電信號，根據(jù)上肢運(yùn)動需要涉及到肌肉，選取了肱二頭肌，肱三頭肌，肱側(cè)腕屈肌，肱橈肌這四塊肌肉作為研究對象，測試前為保證采集數(shù)據(jù)的準(zhǔn)確性，首先對測試者的4塊肌肉部位用醫(yī)用酒精進(jìn)行擦拭，并將Trigno無線采集傳感器上的箭頭與肌腹方向保持平行，進(jìn)一步減少干擾。選取10位健康測試者作為實(shí)驗(yàn)對象，每一種動作意圖均采集20次，為防止連續(xù)動作產(chǎn)生肌肉疲勞對實(shí)驗(yàn)有影響，每意圖動作5次，測試者休息兩分鐘再進(jìn)行下次采集，將采集到的信號以表格的形式進(jìn)行存儲。共得到800組數(shù)據(jù)。

表面肌電信號是極其微弱復(fù)雜的非線性生物電信號[3]，信號頻率為0～500 Hz，容易受到工頻信號、周圍磁場、靜電以及人體其他生物電信號的干擾。要想進(jìn)行肌電信號數(shù)據(jù)的應(yīng)用，首先要對原始信號進(jìn)行去噪預(yù)處理，應(yīng)用小波變換、數(shù)字濾波器、陷波器去除高頻噪聲和基線漂移現(xiàn)象以及50 Hz的工頻干擾。

1.2 去噪預(yù)處理

基于真實(shí)信號與噪聲信號的差異性，小波變換通過逐層分解，將真實(shí)信號和噪聲信號分離開來，通過合適閾值的選取，將噪聲信號剔除，最后將保留下的真實(shí)信號，通過重構(gòu)算法重構(gòu)成純凈肌電信號的原始狀態(tài)。

傳統(tǒng)的數(shù)據(jù)處理方法有濾波器、卡爾曼以及經(jīng)驗(yàn)公式濾波，這些數(shù)據(jù)處理方法分析的過程較為繁瑣，且有的還需要一些基礎(chǔ)數(shù)學(xué)工具以及經(jīng)驗(yàn)知識，去噪效果并不理想。而采用離散小波變換進(jìn)行多尺度細(xì)化，最終達(dá)到高頻處時(shí)間細(xì)分，低頻處頻率細(xì)分，能自動適應(yīng)時(shí)頻信號分析的要求，從而可聚焦到信號的任意細(xì)節(jié)，操作簡單、便于理解[4]，再結(jié)合數(shù)字濾波器和陷波器的使用，將其三種去噪工具的優(yōu)點(diǎn)融合為一體，得到的信號既純凈又與原始信號具有較高的相似度，為此非常適用于sECG這一類非線性信號源的處理。

根據(jù)離散小波變換的性質(zhì)可知，任何信號（函數(shù)）均可被分解為[5-6]：

通過以上兩式可知，第j+1層的aj+1,m和dj+1,m可通過濾波系數(shù) h*（m）和 g*（m）將第 j層的尺度系數(shù)aj,k分解得到[7]。

分解示意為圖1。

圖1 小波分解

重構(gòu)示意如圖2所示。

圖2 小波重構(gòu)

合適閾值的選取至關(guān)重要，提取的sEMG經(jīng)過多種閾值選取方法的測試，選用啟發(fā)式無偏似然估計(jì)規(guī)則（heursure）的閾值，并作用于軟閾值去噪效果最佳。閾值計(jì)算方法：

其中，n是待估計(jì)小波系數(shù)向量的長度，若Eta＜Crit，則選取固定閾值，否則選取rigrsure準(zhǔn)則和sqtwolog準(zhǔn)則的較小者作為本準(zhǔn)則閾值。

原始信號的時(shí)頻域波形圖如圖3所示。

圖3 原始信號時(shí)頻域波形

不僅閾值的選取至關(guān)重要，分解層數(shù)選取的過多或過少都會影響著去噪的效果，根據(jù)上肢肌電信號的特性，以及多次重復(fù)實(shí)驗(yàn)的驗(yàn)證，系統(tǒng)選用三層分解進(jìn)行去噪處理，選用一個動作其中一個通道的信號進(jìn)行分解處理比對，其余動作其余通道信號處理效果一致，去噪前與去噪后分解對比圖如圖4所示。

圖4 分解對比

從對比圖中可以看出，去噪效果比較明顯。

在采集數(shù)據(jù)過程中，由于肌肉的收縮與電極之間會產(chǎn)生微小的移位現(xiàn)象，該現(xiàn)象稱為基線漂移，需要再加入線性濾波器去除掉基線漂移。處理結(jié)果如圖5所示。

圖5 去除基線漂移

根據(jù)未經(jīng)濾波器處理的信號和經(jīng)過零相移數(shù)字濾波器濾波后的對比圖可以看出，基線漂移現(xiàn)象已經(jīng)得到了明顯的抑制，低頻噪聲也得到了明顯的控制，在起始位的無窮大飄移現(xiàn)象已完全消除。

通過小波去除了高頻噪聲，通過數(shù)字濾波器抑制了基線漂移，50 Hz工頻干擾依然存在，通過陷波器去除50 Hz工頻，處理結(jié)果如圖6所示。

圖6 工頻濾波對比

通過上述的去噪濾波處理得到了純凈的肌電信號，進(jìn)一步對純凈的信號進(jìn)行分析處理。去噪后信號時(shí)頻域波形圖如圖7所示。

圖7 去噪后信號時(shí)頻域波形

2 特征值提取

2.1 時(shí)域特征

表面肌電信號在時(shí)域中比較直觀，易分析，且方法簡便，因此應(yīng)用較為成熟廣泛。在肌電圖中sEMG表現(xiàn)為時(shí)間-幅值的曲線，不需要任何轉(zhuǎn)換，就可從中求出信號的特征，求取絕對值均值（MAV）、均方根（RMS）作為時(shí)域中的特征值。

（1）絕對值均值（MAV）

sEMG信號具有很強(qiáng)的隨機(jī)性，正負(fù)幅值呈對稱分布，均值近似為零，故首先將各個時(shí)刻的幅值取絕對值在求其均值，絕對值均值（MAV）表征信號幅值在每個時(shí)間點(diǎn)偏離原點(diǎn)的程度。絕對值均值（MAV）計(jì)算公式：=1 i

（2）均方根（RMS）

均方根（RMS）能夠更好的表征信號的真實(shí)性和有效性，減小與真實(shí)信號的差異性，其計(jì)算公式為：

其中，N為采集的sEMG總個數(shù)，x（i）為采集到的第i個sEMG信號。

2.2 頻域特征

sEMG是極其微弱的生物電信號，數(shù)量級在μv～mv之間，為了分析更穩(wěn)定的肌電信號，需要進(jìn)行時(shí)頻域轉(zhuǎn)換，得到頻域信號，基于頻域信號的特征有平均功率頻率（MPF）和中位頻率（MF）。

（1）平均功率頻率（MPF）

其中，f為 sEMG 頻率，p（f）為功率譜密度函數(shù)[8]。

通過matlab仿真，可以看出選取的這四個特征量在不同的動作下，每個通道的特征值均表現(xiàn)出了明顯的差異性，故選取的這四個特征具有研究的可行性。四個特征量在四個動作下的對比圖如圖8所示。

2.3 構(gòu)造特征向量

根據(jù)提取的特征值，構(gòu)造特征向量，選取每個人每次動作四個通道的四個特征值作為一個特征向量。

其中，xi表示第i次試驗(yàn)動作的特征向量，該向量為 16 維，αi1αi2αi3αi4分別表示第 i次試驗(yàn)動作第一、二、三、四通道由MAV、RMS、MPF、MF構(gòu)成的4維特征向量。

3 模式識別

BP[9-10]（Back Propagation）神經(jīng)網(wǎng)絡(luò)是指基于誤差反向傳播算法（BP算法）的多層前向神經(jīng)網(wǎng)絡(luò)，通過將網(wǎng)絡(luò)中的權(quán)值和閾值沿著網(wǎng)絡(luò)誤差變化的負(fù)梯度方向進(jìn)行調(diào)整，最終使網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值得偏差為最小的一種算法[11]。由于其強(qiáng)大的非線性映射能力、自學(xué)習(xí)和自適應(yīng)能力，因此被廣泛應(yīng)用于模式識別等分類系統(tǒng)中。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型主要包括輸入層、隱含層和輸出層，每一層由若干個神經(jīng)元組成。BP神經(jīng)元模型如圖9所示，BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)模型如圖10所示。

圖9 神經(jīng)元模型

其中ui為神經(jīng)元的內(nèi)部狀態(tài)；θi為閾值；xi為輸入信號；i=1,2,…,n；wij表示從單元uj到單元ui的連接權(quán)值；Si為外部輸入信號，f（·）為激勵函數(shù)。

上述模型的輸出yi可以表示為：

圖10 神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)的構(gòu)造：首先進(jìn)行網(wǎng)絡(luò)初始化，根據(jù)輸入輸出序列確定輸入層、隱含層、輸出層各層神經(jīng)元的個數(shù)。由于系統(tǒng)特征向量為16維，故輸入層神經(jīng)元個數(shù)為16，進(jìn)行4分類，所以輸出層神經(jīng)元個數(shù)為4，隱含層通過經(jīng)驗(yàn)公式：

其中，n，l分別為輸入層和輸出層神經(jīng)元個數(shù)，求得神經(jīng)元個數(shù)為8。

選擇網(wǎng)絡(luò)參數(shù)，訓(xùn)練次數(shù)為p=1 000,目標(biāo)誤差e=0.01,學(xué)習(xí)率η=0.01。確定隱含層的輸出為H,隱含層激勵函數(shù)f（x）選用log sig函數(shù)，輸出層激勵函數(shù)g（x）選用purelin線性函數(shù)，訓(xùn)練函數(shù)選用trainrp。

確定輸出層的輸出為O,網(wǎng)絡(luò)期望輸出為Y,網(wǎng)絡(luò)預(yù)測誤差為e。

最后根據(jù)求得的誤差e更新各層之間的連接權(quán)值wij，wjk以及神經(jīng)元的閾值a，b。

反復(fù)調(diào)整權(quán)值的原則是使誤差不斷的減小，于是權(quán)值的調(diào)整量應(yīng)與誤差的下降梯度成正比，即：式中的負(fù)號表示梯度下降

式中的i取值為i=1,2,…,n，j取值為j=1,2,…,m，k 取值為 k=1,2,…,l。

通過MATLAB訓(xùn)練該系統(tǒng)，通過圖11可以看出，在訓(xùn)練到第14步時(shí)，校驗(yàn)集的誤差達(dá)到最小，之后又有回升趨勢，故權(quán)值的選取應(yīng)從訓(xùn)練到第14步的時(shí)候確定。神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線如圖12所示，系統(tǒng)在迭代到200次時(shí)，逐漸趨于收斂，逐漸向目標(biāo)誤差靠近。網(wǎng)絡(luò)的訓(xùn)練樣本回歸曲線如圖13所示，通過圖像可以看出，選取的特征值與運(yùn)動意圖具有很強(qiáng)的相關(guān)性。

圖11 網(wǎng)絡(luò)均方誤差

圖12 網(wǎng)絡(luò)訓(xùn)練誤差曲線

圖13 網(wǎng)絡(luò)訓(xùn)練結(jié)果

4 實(shí)驗(yàn)結(jié)果分析

將測得的800組數(shù)據(jù)，選取640組作為訓(xùn)練數(shù)據(jù)，剩下的160組作為測試數(shù)據(jù)，通過設(shè)計(jì)統(tǒng)計(jì)識別率程序，測試完成之后，在MATLAB命令窗口中直接顯示計(jì)算出的識別率，為大量測試數(shù)據(jù)識別率

的計(jì)算提供了方便。通過仿真，該系統(tǒng)的識別率達(dá)到了90%。為檢驗(yàn)系統(tǒng)是否具有較強(qiáng)的穩(wěn)定性，現(xiàn)隨機(jī)選取一名健康測試者，做10次動作意圖，對系統(tǒng)進(jìn)行測試，將這10組測試數(shù)據(jù)輸入訓(xùn)練好的分類系統(tǒng)。模型預(yù)測的輸出與實(shí)際輸出對比如表1所示。

表1中y為系統(tǒng)預(yù)測輸出值，y′為系統(tǒng)預(yù)測擬合值，z為實(shí)際擬合值，由這10組測試數(shù)據(jù)可得，系統(tǒng)識別出了9次的意圖動作，有一次未識別出，系統(tǒng)的識別率依舊是90%，證明該系統(tǒng)具有較好的識別性及穩(wěn)定性。

表1 模型預(yù)測的輸出與實(shí)際輸出對比

5 結(jié) 語

針對傳統(tǒng)的肌電信號濾波方法未能得到更為平滑純凈的信號，本文提出了基于小波變換和數(shù)字濾波器陷波器交叉使用的去噪方法，保證了噪聲的有效去除并保留了與原始信號的較高的相似度。從濾波后純凈信號中提取特征值，將其構(gòu)造為BP神經(jīng)網(wǎng)絡(luò)分類器輸入的特征向量，通過大量的訓(xùn)練和測試樣本進(jìn)行驗(yàn)證分析，得到了一個高識別率分類系統(tǒng)，同時(shí)也檢驗(yàn)了所提取特征的有效性。為上肢康復(fù)以及智能假肢的研究具有一定的參考價(jià)值。