基于肘關(guān)節(jié)表面肌電信號(hào)的負(fù)載識(shí)別

龍遠(yuǎn)強(qiáng), 蔡家斌, 潘 正, 王 凱, 李 芳

(貴州大學(xué)機(jī)械工程學(xué)院，貴陽(yáng) 550025)

表面肌電(surface electromyography, s EMG)信號(hào)是在中樞神經(jīng)系統(tǒng)控制下，肌肉收縮過(guò)程中運(yùn)動(dòng)單元電位疊加的電壓信號(hào)[1]。s EMG信號(hào)獲取簡(jiǎn)單、靈活性大、靈敏度和分辨率高的優(yōu)點(diǎn)[2]，因此被廣泛應(yīng)用于模式識(shí)別、醫(yī)療康復(fù)訓(xùn)練、肌電假肢和智能助力器等重要領(lǐng)域。例如，謝平等[3]通過(guò)一種熵指標(biāo)來(lái)定量描述s EMG信號(hào)內(nèi)在的動(dòng)力學(xué)特性，利用SVM對(duì)指定動(dòng)作進(jìn)行模式識(shí)別；侯文生等[4]以s EMG信號(hào)的均方根(RMS)為特征參數(shù)研究了手部握力大小與前臂肌肉活動(dòng)的相關(guān)性，結(jié)果表明通過(guò)s EMG信號(hào)的特征參數(shù)能預(yù)測(cè)握力大?。籒oh等[5]以s EMG信號(hào)的均值、方差、均方根為特征向量，通過(guò)支持向量機(jī)實(shí)現(xiàn)常見(jiàn)4種手勢(shì)(握拳、張手、彎曲和伸展)和3種不同力量強(qiáng)度的識(shí)別，其識(shí)別準(zhǔn)確率分別達(dá)到95%和90%。尤波等[6]以s EMG信號(hào)的方差(VAR)作為特征向量，利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對(duì)環(huán)型抓取、捏取、五指伸展、豎拇指4種指定動(dòng)作進(jìn)行模式識(shí)別，識(shí)別準(zhǔn)確率平均為94.34%；史小華等[7]提出一種基于s EMG信號(hào)的下肢主動(dòng)訓(xùn)練模式，利用BP神經(jīng)網(wǎng)絡(luò)識(shí)別患者的運(yùn)動(dòng)意圖，將識(shí)別結(jié)果作為驅(qū)動(dòng)電機(jī)的信號(hào)源，實(shí)現(xiàn)對(duì)患者的主動(dòng)訓(xùn)練；宋月鵬等[8]以s EMG信號(hào)判斷小臂運(yùn)動(dòng)方式，并將結(jié)果作為信號(hào)源來(lái)控制小臂助力器的電機(jī)推動(dòng)，準(zhǔn)確地實(shí)現(xiàn)助力功能；張冰珂等[9]利用線性判別分析和人工神經(jīng)網(wǎng)絡(luò)的方法，實(shí)現(xiàn)肌電控制的假肢中進(jìn)行抓握識(shí)別和力大小估計(jì)，其識(shí)別準(zhǔn)確率達(dá)到77.8%和90%，不僅識(shí)別了假肢使用者的抓取動(dòng)作意圖，還預(yù)測(cè)了抓取力的大小，實(shí)現(xiàn)了假肢的平穩(wěn)抓取。目前的研究中，大多數(shù)都是在無(wú)負(fù)載情況下通過(guò)s EMG信號(hào)來(lái)識(shí)別人的主動(dòng)意圖，但是在一定負(fù)載條件下進(jìn)行主動(dòng)意圖識(shí)別，如何以s EMG信號(hào)識(shí)別負(fù)載的大小是實(shí)現(xiàn)主動(dòng)意圖的關(guān)鍵。因此，運(yùn)用s EMG信號(hào)來(lái)識(shí)別外加負(fù)載大小的研究對(duì)上述s EMG信號(hào)應(yīng)用領(lǐng)域均具有重要意義。

現(xiàn)主要研究人體肘關(guān)節(jié)在不同負(fù)載條件下做屈伸運(yùn)動(dòng)時(shí)，通過(guò)對(duì)手臂4個(gè)不同部位的s EMG信號(hào)進(jìn)行分析，從而識(shí)別出相應(yīng)的負(fù)載情況。并運(yùn)用MATLAB軟件對(duì)采集的原始信號(hào)進(jìn)行濾波、去燥和分割等前處理，分別從時(shí)域、頻域上提取s EMG信號(hào)的特征值作為原始信號(hào)的特征向量，再利用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)對(duì)特征向量進(jìn)行模式識(shí)別，進(jìn)行對(duì)比分析得出更優(yōu)的負(fù)載模式識(shí)別結(jié)果，可以將其輔助應(yīng)用于上述各領(lǐng)域。

1 研究方法

基于s EMG信號(hào)對(duì)手臂在不同負(fù)載情況下的識(shí)別主要包括兩部分：①s EMG信號(hào)的前處理得到可以代表原始信號(hào)的特征向量；②利用特征向量進(jìn)行負(fù)載模式識(shí)別。方法流程圖如圖1所示。

圖1 方法流程圖Fig.1 Method flow chart

1.1 s EMG信號(hào)的獲取

使用的s EMG信號(hào)采集儀是安徽埃力智能科技有限公司的JE—CB0820型表面肌電儀，采樣頻率1 000 Hz，同時(shí)采集4通道的s EMG信號(hào)。受測(cè)試者為身體健康的男生4人，女生2人，年齡在20～30歲，在采集信號(hào)之前，均對(duì)受測(cè)試者進(jìn)行規(guī)范動(dòng)作教程，并對(duì)采集部位(肱二頭肌、肱三頭肌、肱橈肌、肱側(cè)腕屈肌)表面使用酒精清潔，涂上甘油，以減小皮膚表面阻抗，增強(qiáng)導(dǎo)電性。

將電極分別貼于右臂的肱二頭肌、肱三頭肌、肱橈肌、肱側(cè)腕屈肌的中間位置，每個(gè)測(cè)試部位所放的電極(3個(gè))之間的間距不宜太大，主要是使提取的信號(hào)更加準(zhǔn)確。在測(cè)試之前，受測(cè)試者自然坐下，右臂平放在桌面上并保持放松。每人分別做無(wú)負(fù)載、負(fù)載1 kg和負(fù)載5 kg的3組測(cè)試，每組反復(fù)完成右臂的伸展彎曲動(dòng)作10次，每次間隔大約1 s，信號(hào)采集過(guò)程如圖 2所示。為防止肌肉出現(xiàn)疲勞，在完成每組測(cè)量后需要進(jìn)行3 min的間隙休息，記錄實(shí)驗(yàn)數(shù)據(jù)，采集信號(hào)如圖3所示。

圖2 信號(hào)采集過(guò)程Fig.2 Signal acquisition process

圖3 原始信號(hào)Fig.3 Original signal

從手臂四塊肌肉采集的s EMG信號(hào)有著明顯地波峰、波谷，可以明顯地看出是10組類(lèi)似的波峰，可以正確地反映受測(cè)試者在實(shí)驗(yàn)中做的10次伸展彎曲運(yùn)動(dòng)。

1.2 s EM信號(hào)的濾波

s EMG信號(hào)是由于神經(jīng)產(chǎn)生興奮最終控制肌肉組織收縮與舒張運(yùn)動(dòng)從而產(chǎn)生一系列的動(dòng)作電位，是一種很微弱的生物信號(hào)，其振幅平均值一般在微伏到毫伏之間[10]。所以，在測(cè)量時(shí)很容易受到外界環(huán)境噪聲、心電信號(hào)和運(yùn)動(dòng)失真噪聲等的干擾[11-12]。

由于s EMG信號(hào)屬于低頻弱信號(hào)，其有用的成分主要集中在0～500 Hz，能量主要集中在20～300 Hz[13]。根據(jù)采集信號(hào)的自身實(shí)際情況，運(yùn)用MATLAB軟件設(shè)計(jì)巴特沃斯帶通濾波器和50 Hz陷波器[14]，對(duì)采集的s EMG信號(hào)進(jìn)行10～450 Hz帶通濾波，濾除高頻干擾載；50 Hz陷波處理，濾除工頻干擾，濾波后信號(hào)如圖 4所示。

經(jīng)過(guò)濾波后的s EMG信號(hào)和原始信號(hào)相比，其高頻、低頻噪音部分被濾除，每組波峰的能量更集中，波峰之間更加明確，使后面的信號(hào)分割與特征提取更加方便、更可靠。

圖4 濾波信號(hào)Fig.4 Filtering signal

1.3 特征提取

1.3.1 s EMG信號(hào)的分割

研究肘關(guān)節(jié)肌電信號(hào)與肌肉力的關(guān)系，需要在不同負(fù)載下連續(xù)測(cè)量肘關(guān)節(jié)反復(fù)做伸展彎曲運(yùn)動(dòng)時(shí)的肌電信號(hào)。只有針對(duì)在肘關(guān)節(jié)做一個(gè)完整周期的伸展彎屈運(yùn)動(dòng)時(shí)獲得的肌電信號(hào)才具有一定的分析價(jià)值，所以需要把得到的原始信號(hào)分割為10個(gè)完整的屈展運(yùn)動(dòng)。

通過(guò)建立閾值來(lái)進(jìn)行數(shù)據(jù)分割是最直接常用的方法，其中設(shè)置肌電信號(hào)起始閾值的方法很多，最簡(jiǎn)單的方法就是使用單閾值法進(jìn)行分割。但單閾值法靈敏度較高的[15]，因此，采用雙閾值法來(lái)解決這一缺陷[16]，雙閾值法的原理和單閾值法一樣。雙閾值法原理如下：被測(cè)s EMG信號(hào)只有在超過(guò)第一個(gè)閾值時(shí)才開(kāi)始測(cè)量，如果被測(cè)s EMG信號(hào)的連續(xù)樣本數(shù)或時(shí)間長(zhǎng)度超過(guò)第二個(gè)閾值，則將被測(cè)s EMG信號(hào)第一次超過(guò)第一次閾值的樣本或時(shí)間設(shè)置為激活時(shí)間的開(kāi)始[5]。雙閾值法公式如下所示：

(1)

(2)

(3)

(4)

(5)

τ0n=τ0,m≥h2

(6)

圖5 分割信號(hào)Fig.5 Segmentation signal

單獨(dú)分割s EMG信號(hào)的一組波峰是受測(cè)試者做一次完整的伸展彎曲運(yùn)動(dòng)，可以看出其信號(hào)的能量主要集中在肘關(guān)節(jié)彎曲部分，這和實(shí)驗(yàn)相吻合，對(duì)其分割信號(hào)進(jìn)行分析具有可靠性。

1.3.2 s EMG信號(hào)特征提取

經(jīng)過(guò)對(duì)s EMG信號(hào)進(jìn)行分割處理后，針對(duì)每段信號(hào)在時(shí)域、頻域上進(jìn)行分析，選取信號(hào)的積分肌電值(IEMG)、均方根值(RMS)、方差(VAR)、均值絕對(duì)值(MAV)、平均功率頻率(MPF)、中值頻率(MF)構(gòu)成特征向量，進(jìn)行負(fù)載模式識(shí)別。

(1)積分肌電值描述的是在一段時(shí)間內(nèi)s EMG信號(hào)曲線與時(shí)間軸所包圍的面積總和，其計(jì)算公式為

(7)

(2)均方根值和方差都是描述s EMG信號(hào)振幅的變化情況，但兩者側(cè)重不一樣，其計(jì)算公式為

(8)

(9)

(3)均值絕對(duì)值計(jì)算公式為

(10)

(4)中值頻率、平均功率頻率計(jì)算公式為

(11)

(12)

式中：f為s EMG信號(hào)的頻率；P(f)為s EMG信號(hào)的功率譜密度函數(shù)。

根據(jù)介紹的特征提取方法，對(duì)分割后的s EMG信號(hào)進(jìn)行時(shí)域、頻域上的特征提取。時(shí)域特征由各通道s EMG信號(hào)的積分肌電值、均方根值、方差、均值絕對(duì)值4個(gè)特征組成，4通道信號(hào)合成的時(shí)域特征向量V1為16維。

V1=[IEMG1,IEMG2,…,IEMG4,RMS1,RMS2,…,RMS4，VAR1,VAR2,…,VAR4,MAV1,MAV2,…,MAV4]

(13)

頻域特征由各通道s EMG信號(hào)的平均功率頻率、中值頻率2個(gè)特征組成，4通道信號(hào)合成的頻域特征向量V2為8維，把時(shí)域和頻域的特征向量構(gòu)成一組24維的特征向量V，即為時(shí)-頻域特征向量。

V2=[MPF1,MPF2,…,MPF4,MF1,MF2,…,MF4]

(14)

V=[IEMG1,IEMG2,…,IEMG4,RMS1,RMS2,…,RMS4，VAR1,VAR2,…,VAR4,MAV1,MAV2,…,MAV，MPF1,MPF2,…,MPF4,MF1,MF2,…,MF4]

(15)

采用上述3種特征值提取方法提取不同負(fù)載情況下的特征向量，作為負(fù)載模式識(shí)別分類(lèi)器的輸入向量，其頻域的具體數(shù)據(jù)如表 1所示。

1.4 負(fù)載模式識(shí)別

1.4.1 支持向量機(jī)分類(lèi)算法

支持向量機(jī)(support vector machine, SVM)主要是對(duì)兩類(lèi)問(wèn)題的分類(lèi)，針對(duì)多類(lèi)問(wèn)題的分類(lèi)需要重新構(gòu)造SVM分類(lèi)器求解，目前主流選用的是通過(guò)組合多個(gè)二值子分類(lèi)器實(shí)現(xiàn)對(duì)多值分類(lèi)器的構(gòu)造，該方法主要有兩支算法，具體構(gòu)造方法是一對(duì)多和一對(duì)一，本文采用的是一對(duì)一構(gòu)造方法構(gòu)造SVM分類(lèi)器。一對(duì)一構(gòu)造方法是在樣本N類(lèi)中構(gòu)造出所有可能的兩類(lèi)分類(lèi)器，每一次訓(xùn)練只需在N類(lèi)樣本中的兩類(lèi)樣本上，訓(xùn)練結(jié)果一共是構(gòu)造了N(N-1)/2個(gè)分類(lèi)器，然后再組合這些兩類(lèi)分類(lèi)器并使用投票的方法進(jìn)行歸類(lèi)，得票最多的一類(lèi)為新點(diǎn)，通過(guò)設(shè)函數(shù)fij(x)對(duì)i和j兩類(lèi)樣本進(jìn)行分類(lèi)。若fij(x)>0，則判定x屬于第i類(lèi)，記i類(lèi)得一票;反之判定x屬于第j類(lèi)，記j類(lèi)得一票。最后在決策樹(shù)時(shí)，比較哪一類(lèi)得到的票最多，則將檢測(cè)樣本歸屬到該類(lèi)[17]。算法演示圖如圖 6所示。

1.4.2 神經(jīng)網(wǎng)絡(luò)分類(lèi)算法

BP神經(jīng)網(wǎng)絡(luò)是由Rumelhart首次提出的一種基于誤差逆向修正多次反饋的網(wǎng)絡(luò)，其優(yōu)越的分類(lèi)能力和多維的函數(shù)映射能力被廣泛地應(yīng)用到模式識(shí)別領(lǐng)域。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為輸入層、隱含層和輸出層，在隱含層神經(jīng)元個(gè)數(shù)可以根據(jù)實(shí)際需求進(jìn)行調(diào)整的前提下，其可以逼近任意的非線性映射函數(shù)，且具有一定的容錯(cuò)能力。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖如圖7所示。

表1 各個(gè)通道的頻域特征值Table 1 Frequency domain eigenvalues of each channel

圖6 一對(duì)一算法演示Fig.6 One-to-one algorithm demonstration

圖7 BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)Fig.7 Topological structure of BP neural network

本實(shí)驗(yàn)中{x1,x2,…,x24}表示24維的特征向量輸入，隱含層節(jié)點(diǎn)數(shù)選為15，{y1,y2,y3}表示3類(lèi)輸出。

相比于BP神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)的泛化能力更強(qiáng)，同時(shí)RBF神經(jīng)網(wǎng)絡(luò)能以高精度逼近任意非線性函數(shù)，其全局逼近能力解決了BP神經(jīng)網(wǎng)絡(luò)陷于局部最優(yōu)問(wèn)題，而且RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)更緊湊，其結(jié)構(gòu)參數(shù)可實(shí)現(xiàn)分離學(xué)習(xí)，收斂速度更快。

2 實(shí)驗(yàn)結(jié)果與分析

根據(jù)6個(gè)人的測(cè)試s EMG信號(hào)，無(wú)負(fù)載、負(fù)載1 kg、負(fù)載5 kg每種負(fù)載模式對(duì)應(yīng)60組，分別從每種負(fù)載模式中取其70%構(gòu)成特征向量作為訓(xùn)練集，其余的30%特征向量作為測(cè)試集。表2是以時(shí)域特征V1(126×16)為特征向量，54組測(cè)試集在SVM模式分類(lèi)器中得到的識(shí)別結(jié)果?？梢?jiàn)：平均識(shí)別正確率為96.3%，識(shí)別結(jié)果較為理想。

表2 時(shí)域特征在SVM分類(lèi)器中識(shí)別結(jié)果Table 2 Recognition results of time domain features in SVM classifier

將文中提取的時(shí)域特征V1(180×16)作為特征向量分別輸入常用BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)分類(lèi)器與SVM分類(lèi)器進(jìn)行對(duì)比實(shí)驗(yàn)分析，結(jié)果如表3所示?？梢?jiàn)：以時(shí)域特征為輸入特征向量，SVM分類(lèi)器的平均識(shí)別準(zhǔn)確率為95.8%，其識(shí)別效果明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)，SVM分類(lèi)器的預(yù)測(cè)結(jié)果如圖 8所示。

表3 時(shí)域上不同分類(lèi)器的識(shí)別結(jié)果Table 3 Recognition results of different classifiers in time domain

測(cè)試集SVM預(yù)測(cè)結(jié)果對(duì)比(時(shí)域)準(zhǔn)確率=96.153 8%圖8 時(shí)域上SVM識(shí)別結(jié)果Fig.8 SVM recognition results in time domain

將提取的頻域特征V2(180×8)作為特征向量分別輸入SVM分類(lèi)器、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行對(duì)比試驗(yàn)分析，結(jié)果如表 4所示?？梢?jiàn)：以頻域特征為輸入特征向量，BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器的識(shí)別準(zhǔn)確率為80.9%，SVM分類(lèi)器和RBF神經(jīng)網(wǎng)絡(luò)分類(lèi)器的識(shí)別率均不太理想。

表4 頻域上不同分類(lèi)器識(shí)別結(jié)果Table 4 Recognition results of different classifiers in frequency domain

將提取的時(shí)/頻域特征V(180×24)作為特征向量分別輸入SVM分類(lèi)器、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行對(duì)比試驗(yàn)分析，結(jié)果如表5所示?？梢?jiàn)：以頻域特征為輸入特征向量，BP神經(jīng)網(wǎng)絡(luò)的識(shí)別率為89.6%，RBF神經(jīng)網(wǎng)絡(luò)分類(lèi)器的識(shí)別準(zhǔn)確率為90.7%，其識(shí)別效果均優(yōu)于SVM分類(lèi)器。

表5 時(shí)/頻域上不同分類(lèi)器識(shí)別結(jié)果Table 5 Recognition results of different classifiers in time/frequency domain

通過(guò)以上的對(duì)比實(shí)驗(yàn)可以發(fā)現(xiàn)，分類(lèi)器的識(shí)別準(zhǔn)確率和特征向量密切相關(guān)，以單一時(shí)域上的特征值為特征向量進(jìn)行識(shí)別，SVM分類(lèi)器的識(shí)別效果最好，識(shí)別準(zhǔn)確率為96.2%；以單一頻域上的特征值為特征向量進(jìn)行識(shí)別，3個(gè)分類(lèi)器的識(shí)別效果均不太理想；以時(shí)域和頻域上的特征值融合后為特征向量進(jìn)行模式識(shí)別，RBF神經(jīng)網(wǎng)絡(luò)的識(shí)別效果最好，識(shí)別準(zhǔn)確率為90.7%，BP神經(jīng)網(wǎng)絡(luò)的識(shí)別效果次之，識(shí)別準(zhǔn)確率為89.6%，其訓(xùn)練狀態(tài)如圖 9所示。

圖9 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練狀態(tài)Fig.9 Training state of BP neural network

BP神經(jīng)網(wǎng)絡(luò)是從輸入到輸出需要采用相應(yīng)的權(quán)重w和偏置項(xiàng)b,用于前反饋和后傳播的參數(shù)調(diào)整，可以對(duì)非線性映射函數(shù)進(jìn)行逼近，且具有一定的泛化能力，對(duì)其進(jìn)行結(jié)構(gòu)性能分析，預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之間的誤差分布圖如圖 10所示。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的最佳逼近誤差為0.03，目標(biāo)誤差為0.001，效果一般，結(jié)果分析如圖 11所示，而RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練逼近誤差達(dá)到0.003，接近目標(biāo)誤差，結(jié)果分析如圖 12所示，所以說(shuō)RBF神經(jīng)網(wǎng)絡(luò)的性能比BP神經(jīng)網(wǎng)絡(luò)好。

圖10 BP神經(jīng)網(wǎng)絡(luò)誤差分布圖Fig.10 Error distribution map of BP Neural Network

圖11 BP神經(jīng)網(wǎng)絡(luò)的逼近誤差Fig.11 Approximation error of BP neural network

圖12 BRF神經(jīng)網(wǎng)絡(luò)的逼近誤差Fig.12 Approximation error of BRF neural network

綜上所述，在時(shí)域特征上SVM的識(shí)別能力最好，達(dá)到96.2%，時(shí)-頻域特征上RBF神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)識(shí)別能力好，達(dá)到90.4%，訓(xùn)練誤差為0.003。

3 結(jié)論

(1)提出了一種基于s EMG信號(hào)的負(fù)載識(shí)別方法。通過(guò)提取不同負(fù)載下肘關(guān)節(jié)s EMG信號(hào)的特征向量，并利用SVM、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)識(shí)別，其準(zhǔn)確率達(dá)到90%以上，具有一定的可行性。

(2)通過(guò)實(shí)驗(yàn)表明，通過(guò)sEMG信號(hào)來(lái)識(shí)別負(fù)載大小，以單一時(shí)域特征向量輸入，SVM的識(shí)別能力最佳，準(zhǔn)確率為96.2%；以單一的頻域特征向量輸入，BP神經(jīng)網(wǎng)絡(luò)的識(shí)別能力最佳，準(zhǔn)確率為87.5%；以時(shí)域、頻域組合特征向量輸入，RBF神經(jīng)網(wǎng)絡(luò)的識(shí)別能力最佳，準(zhǔn)確率為90.4%。綜上所述，基于s EMG信號(hào)進(jìn)行負(fù)載識(shí)別對(duì)醫(yī)療訓(xùn)練、智能假肢和智能助力器等領(lǐng)域具有重要意義。