基于MYO 肌電傳感器的網(wǎng)球握拍手勢研究

楊嘉豪

（浙江工業(yè)大學設(shè)計藝術(shù)學院，杭州310023）

0 引言

表面肌電信號（surface Electromyography，sEMG）是肌肉收縮時伴隨的電信號，是在體表無創(chuàng)檢測肌肉活動的重要方法，具有安全、方便、可靠等優(yōu)點。隨著科學技術(shù)的不斷發(fā)展，表面肌電信號被廣泛的應(yīng)用于康復醫(yī)療、臨床醫(yī)學、運動醫(yī)學等各個領(lǐng)域，如神經(jīng)系統(tǒng)的診斷和評價、測量神經(jīng)傳導速度、動作識別、人機交互等[1]。

傳統(tǒng)的表面肌電信號采集方式采用電極片與皮膚直接接觸的方式測量表面肌電信號，并以有線的傳輸方式將信號傳輸至上位機，這種測量方式佩戴不便、使用過程復雜、長久佩戴會造成過敏反應(yīng)，無法直接用于輔助運動。而MYO 臂環(huán)可以測量表面八路肌電信號，通過藍牙信號傳輸方式將信號傳輸至上位機，擺脫線束干擾，再運用上位機軟件對信號進行分析，并反饋給用戶，以達到輔助運動的效果，該采集設(shè)備佩戴方便、識別率高、應(yīng)用性強、有較好的推廣性，能夠有效滿足輔助運動的需求。

網(wǎng)球是體育項目中非常復雜的一項運動，它不僅需要大肌肉群的運動，還需要小肌肉群的參與。在學習網(wǎng)球的過程中初學者很容易出現(xiàn)各種錯誤動作，這些錯誤動作若不及時糾正，不但會影響初學者對技術(shù)的掌握，影響學習效果，甚至會有初學者因使用錯誤動作而導致受傷情況的發(fā)生。而網(wǎng)球運動初學起步比較困難，對動作技巧性要求較高，尤其需要教練親自一對一教學，效率極低。目前網(wǎng)球類輔助運動設(shè)備中很少運用動作捕捉技術(shù)[2]，大部分以可穿戴傳感器[3]為主，但是這些技術(shù)都是通過模擬出整個人的運動姿態(tài)[4]來分析，僅僅能判斷出大肌肉群的運動結(jié)果，而缺少通過小肌肉群對手部動作判斷。因此本文選用的MYO 臂環(huán)也是為了驗證通過小肌肉群對動作糾正的可行性。

1 MYO肌電信號傳感器

MYO 腕帶如圖1 所示，能夠采集八路表面肌電信號，通過低功耗藍牙傳送給上位機，其基本原理是：通過臂環(huán)上的傳感器捕捉到用戶手臂肌肉運動時產(chǎn)生的生物電變化，再將經(jīng)過芯片初步處理通過藍牙傳輸至上位機。

MYO 臂環(huán)不僅佩戴方便，而且可以佩戴在任意一條胳膊的小臂上，還有松緊扣使其可以適用在不同人的手臂上，用戶使用時只需將臂環(huán)套在手臂上，調(diào)節(jié)好松緊度，并且把充電口和藍色logo 都對準手背即可。

MYO 傳感器有八個通道，每個通道等間距排列[5]，用來探測人體肌肉活動伴隨產(chǎn)生的生物電信號。因此在采集信號的過程中，難以避免會遇到MYO 臂環(huán)相鄰通道間的混迭、耦合等影響，導致收集到的sEMG 信號產(chǎn)生偏差，會對信號特征的提取產(chǎn)生影響。因此需要后續(xù)的數(shù)據(jù)處理及上位機的算法協(xié)助判斷。

圖1 MYO腕帶

MYO 官方的軟件可以根據(jù)不同的用戶，通過向?qū)崆颁浿茙讉€動作，定制生成其專屬的配置文件，使差異化盡可能的減小，因此能夠準確、有效、快速地識別出不同的手勢，并能及時對手勢動作進行判定，較為常見的手勢有以下幾種[5]：手腕內(nèi)翻（Wrist Flexion，WF）、手腕外翻（Wrist Valgus，WV）、握拳（Hand Close，HC）、手指伸張（Fingers Stretching，F(xiàn)S）、雙擊（Double Click，DC）。加上與MYO 臂環(huán)上的IMU 聯(lián)合，可以代替鼠標對電腦進行簡單的交互。

為了避免每次佩戴位置不同而影響判斷結(jié)果，MYO 官方程序中開始有一個校準識別過程。當佩戴好臂環(huán)時，做出手腕外翻手勢，若佩戴位置正確，則臂環(huán)會有長時間連續(xù)的震動反饋，反之則為間歇性的短時間震動反饋。因此MYO 臂環(huán)不僅可以方便采集數(shù)據(jù)，還可以避免一些采集過程中的誤差。

2 手勢動作的判定方法

2.1 sEMG信號預(yù)處理

為盡量減小信號噪聲的干擾，獲得較完整的數(shù)據(jù)，MYO 的采樣頻率200Hz，上位機實時通過藍牙接收到MYO 的肌電信號，確認每段數(shù)據(jù)完整后把每個通道的sEMG 信號幅值保存到本地文件。

2.2 動作起點及穩(wěn)定性判斷

判斷動作起止點是為了分割出有效數(shù)據(jù)分析，提高系統(tǒng)工作效率。不同的測試者在無動作放松狀態(tài)的肌電信號會有細微差別，反映出的信號幅值也不會相同，利用上位機軟件對MYO 采集的信號進行數(shù)據(jù)分析，采用時域特征中的絕對平均值（MAV）作為動作的起止點判斷標準[6]，其定義如公式（1）。

其中，N 為信號采樣點的總個數(shù)，將腕帶檢測到的八路肌電信號的所有采樣點計算MAV 值，通MAV 變化來確定一個動作起止點的判斷條件[7]。此處以握拍姿勢為例進行實驗，在肌肉放松的時候開始握拍，然后松開并保持放松。計算MAV 之后，把各通道sEMG 幅值和MAV 數(shù)據(jù)放在同一個時間線上對比。

圖2 握拍sEMG信號與MAV特征對比

如圖2 所示，MAV 值在握拍時刻的幅值很大，放松時刻的MAV 值非常小，波動也很小，因此通過MAV值可以有效來分割提取數(shù)據(jù)，區(qū)別出有動作狀態(tài)和靜止放松，繼續(xù)進行下一步判斷。

由于握拍是靜態(tài)動作手勢，因此需要在肌電信號穩(wěn)定時再做記錄。判斷動作穩(wěn)定我們利用絕對值方差來判斷。其公式（2）如下：

其中n 代表采集到的數(shù)據(jù)量，N 代表通道數(shù)，VARavg代表每個通道的絕對值方差的平均值，肌電信號來自最近3s 讀取到的值，因此這個值越小代表動作幅度越小，動作趨于靜態(tài)。閾值的確定來自每個人的實驗數(shù)據(jù)，當握拍動作處于靜態(tài)穩(wěn)定時，各次VARavg值中的最大值作為個人的判斷閾值。當最近3s 的VARavg值不大于閾值且不是無動作狀態(tài)時，則認為動作穩(wěn)定，記錄當前數(shù)據(jù)。

2.3 特征提取

sEMG 是一種非常復雜的信號，信號本身較為微弱，穩(wěn)定性差，隨機性高?？傮w上，sEMG 特征可分為三大類，即時域特征（Time Domain，TD）、頻域特征（Frequency Domain，F(xiàn)D）和時頻域（Time Frequency Domain，TFD）[8]。

最早應(yīng)用于sMEG 信號提取的是時域特征，由于其計算簡單，被廣泛應(yīng)用于肌電信號模式識別，適合用于對肌電的實時控制。常用的肌電信號時域特征有多種，因為本次實驗初期為靜態(tài)動作研究，因此主要利用方差（Variance），由于原始肌電信號的均值為0，因此其方差公式（3）如下：

其中，N 為采集數(shù)量。本文以一個單位時間段的方差作為比較。

2.4 基于DTW算法的相似度比較

提取到有效數(shù)據(jù)片段以后，可以得到一個動作單位時間內(nèi)，八路通道的方差值，下一步需要做的時利用這些數(shù)據(jù)比較兩個動作的相似度，從而可以判斷動作的準確程度。

動態(tài)時間歸整（Dynamic Time Warping，DTW）算法，是一種衡量兩個序列的相似度的方法，應(yīng)用也比較廣，主要是在模板匹配中。令要計算相似度的兩個時間序列為X 和Y，長度分別為|X|和|Y|，如圖3 所示，在二維直角坐標系中，橫軸X 表示測試樣本，縱軸Y 表示參考樣本，圖中的整數(shù)坐標點即表示參考樣本和測試樣本的交匯點。DTW 算法就是尋找一條通過坐標網(wǎng)格點的最短路徑，由于每個通道的先后順序不可能發(fā)生變化，因此路徑的選擇一定是從左下角開始到右上角結(jié)束。歸整路徑D 必須從D1=（1，1）開始，到Dk=（|X|，|Y|）結(jié)尾，以保證X 和Y 中的每個坐標都在D 中出現(xiàn)。

另外，D（i，j）的i 和j 必須是單調(diào)增加的，所謂單調(diào)增加是指：

最后要得到的歸整路徑是距離最短的一個歸整路徑。把8 個通道的VAR 值按照通道順序組成一個序列，由于各通道順序不變，因此兩個序列的距離判斷可以采用DTW 算法。設(shè)序列X={x1，x2，…，xi}，Y={y1，y2，…，yi}，i=1，2，…，8。計算以上兩個序列的距離公式（4）如下：

最后求得的歸整路徑為D（|X|，|Y|）。

圖3 DTW歸整路徑

當計算出來的DTW 距離D 越小時，證明兩個序列的距離越近，所對應(yīng)的動作相似度越高。

2.5 標準模板

制作模板是為了在對動作進行識別時提高動作的識別率，消除了一些偏差、位置、不同個體差異等因素的影響[9]。模板制作的過程就是將各種差異考慮在內(nèi)，如皮膚的活動組織結(jié)構(gòu)等。模板制作的數(shù)據(jù)來自于訓練階段的訓練樣本，制作模板首先是對信號序列進行活動段探測后，對每個通道記錄5 次總共15 秒內(nèi)的數(shù)據(jù)，并制作個人標準模板。模板由8 個通道的方差按順序排列組成，首先對于每個動作，選取訓練樣本相似度算法比較，兩兩計算DTW 距離，得到距離總和最接近的幾個樣本，然后把這些相近的樣本各通道所對應(yīng)的數(shù)據(jù)值取平均，得到正確動作的最終模板。最終模板用于測試動作的識別中。

3 網(wǎng)球握拍姿勢判定的應(yīng)用

凡作為一項運動所直接適用的器材應(yīng)該與人體的生理結(jié)構(gòu)與動作相符、相協(xié)調(diào)，這樣，便能充分地借助于器材，發(fā)揮出人體結(jié)構(gòu)的運動效果和作用。從人體生理結(jié)構(gòu)分析，人的手腕是一個及其靈活的具有空間三維坐標的一個萬向節(jié)，它可以使手掌在各個方位和角度上靈活地變化，以適應(yīng)生活、活動的復雜運動的需要。而東方式的正手握拍方法是使手掌重合于拍面的握拍方法，（如圖4 左）把球拍底部從下往上看，是一個八邊形，食指根部關(guān)節(jié)貼合右邊（左手持拍者為左邊）為東方式正手握拍，它正體現(xiàn)了拍面是手掌的擴大，使擊球時有用手掌擊球一般的感覺。因此，東方式正手握拍依舊是最適合新手入門的握拍方法[10]。

圖4 東方式（左）與西方式（右）

正手握拍

還有種目前職業(yè)選手比較流行的西方式正握拍（如圖4 右），食指根部關(guān)節(jié)在下方（左手持拍者同），擊球時可以制造更強烈的旋轉(zhuǎn)，但不易上手。

初學者在學習的時候并不如專業(yè)運動員一般熟練切換握拍姿勢，也不知使用哪塊肌肉發(fā)力，因此往往會因為長期使用錯誤的動作而導致肌肉的損傷[11]。MYO臂環(huán)可檢測使用者手部的肌肉使用狀態(tài)，對肌肉信號進行分析來識別使用者的動作是否正確，并及時提醒使用者，糾正其動作如圖5。

在用戶佩戴臂環(huán)的時候，實時檢測并輸出肌電信號，當檢測到最近3s 的數(shù)據(jù)穩(wěn)定時，上位機通過前一節(jié)所介紹的方法，把數(shù)據(jù)分割并提取特征，最后和標準模板距離計算，低于閾值則為正確動作，反之為錯誤動作。為了提高個人的識別準確率，閾值的范圍大小通過每個人制作模板時的實驗數(shù)據(jù)得出。設(shè)T 為判斷閾值，tm為標準模板與已記錄的標準動作數(shù)據(jù)之間DTW距離最大的數(shù)值。T 的取值如公式（5）。

系數(shù)b 的取值在1%～10%之間，根據(jù)個人差異調(diào)整，首次默認為5%。

圖5 判定流程圖

4 實驗與結(jié)果

4.1 實驗

本次實驗對象為10 個網(wǎng)球初學者進行實驗，球拍為一塊300g 的2 號柄標準長度網(wǎng)球拍。確認正確佩戴MYO 臂環(huán)并通過官方程序確認后，以網(wǎng)球基本的擊球準備動作開始（如圖6），使用東方式正手握拍水平持拍，教練輔助做基本準備動作后，記錄5 組，每組3s 的肌電信號。并制作該動作的個人標準模板。同樣方法記錄西方式正手握拍數(shù)據(jù)，并制作模板和計算閾值。每個人共記錄10 組數(shù)據(jù)，制作兩個模板。

接下來自由訓練時間，所有實驗對象同時聽教練口令做動作，教練隨機指示東方式正手握拍或者西方式正手握拍擊球準備動作各5 組，共10 組。反向驗證算法的可行性及準確性。

圖6 擊球前準備動作

4.2 實驗算法檢測結(jié)果

10 個測試對象得到標準模板后，緊接著進行聽教練口令自由訓練，共6 組，每組10 人，程序判斷出三種結(jié)果，分別為東方式正手，西方式正手和錯誤動作。實驗綜合判斷成功率為95%，符合預(yù)計結(jié)果。具體結(jié)果如表1 所示。

表1 握拍測試結(jié)果

對東方式動作的判斷準確率為96.7%，高于西方式。主要原因在于在做西方式正手的準備動作時，有個別測試者由于不習慣握拍，會主動發(fā)力，正確的準備動作應(yīng)該是放松的狀態(tài)，而緊緊的拿著球拍，直接導致肌電信號幅值增加，因此表面看到的動作是正確，而實際上是錯誤的。這個也是MYO 臂環(huán)所帶來的一個好處，可以判斷用戶持拍手的放松程度。

另外，測試者手尺寸大小也是影響判斷準確率的主要因素。由于本測試實驗使用統(tǒng)一尺寸的球拍，個別測試者手的大小影響實驗結(jié)果，后續(xù)研究將進一步針對優(yōu)化個體化差異的研究，以及更多技術(shù)動作研究。

5 結(jié)語

根據(jù)相關(guān)文獻整理和實地的實驗證明，通過上位機結(jié)合MYO 對使用者肌電信號實時獲取，分析處理后，實現(xiàn)在網(wǎng)球運動中，對網(wǎng)球握拍動作的提醒與糾正。研究結(jié)果認為MYO 作為輔助運動的肌電設(shè)備，有實際的可行性。后續(xù)工作仍有很大的提升空間，例如簡化模板制作流程，以及在算法方面的優(yōu)化，可以提升系統(tǒng)檢測效率，防止由于肌肉疲勞所帶來的不必要的誤差。

除了這些基本動作的糾正，其他涉及到小肌肉群的復雜運動過程，關(guān)系到肌肉群的組合運動，還需根據(jù)實際動作的分析，以及對各種錯誤動作的分析防止誤判，并且運用更復雜的算法[12]來實現(xiàn)精準的提醒錯誤要點。