基于sEMG 信號的下肢康復(fù)動作識別算法

譚智峰，張 磊，苗 娟，劉劍偉，陳永源

（1.山東信息職業(yè)技術(shù)學(xué)院，山東 濰坊 261000；2.山東澤普醫(yī)療科技有限公司，山東 濰坊 261000）

由于生活方式的改變和人口老齡化的加劇，我國越來越多的人患有下肢疾病。由于康復(fù)醫(yī)師的短缺，超過50%的患者在治療過程中無法得到有效的康復(fù)治療，這嚴(yán)重影響到患者的康復(fù)。長期而言，這種情況給患者及其家庭帶來了沉重的負(fù)擔(dān)[1]。在康復(fù)治療過程中，交互式康復(fù)訓(xùn)練的作用十分重要，因其能夠調(diào)動患者的積極性和增加患者依從性，同時也減輕了醫(yī)護(hù)人員的負(fù)擔(dān)。對于交互式康復(fù)訓(xùn)練而言，康復(fù)訓(xùn)練動作識別至關(guān)重要。有效提取動作特征、提高康復(fù)訓(xùn)練動作識別準(zhǔn)確率是當(dāng)前需要解決的問題。

表面肌電信號（surface electromyography，sEMG）是一種記錄肌肉收縮狀態(tài)的神經(jīng)電信號，其具有無創(chuàng)傷、易于操作和實時性等優(yōu)點(diǎn)，在臨床診療和醫(yī)療康復(fù)輔助機(jī)器人等領(lǐng)域得到廣泛應(yīng)用[2]。因此，基于sEMG 信號的分類器在康復(fù)訓(xùn)練動作識別中有著重要的研究意義和應(yīng)用價值。本文運(yùn)用機(jī)器學(xué)習(xí)方法對表面肌電信號進(jìn)行分析，研究下肢多種不同被動訓(xùn)練動作的識別。

1 肌電信號數(shù)據(jù)采集

利用國產(chǎn)的ELONI 肌電儀采集肌電數(shù)據(jù)，采樣頻率為1 000 Hz，選取27 個受試者參與數(shù)據(jù)的采集，分別執(zhí)行5 種不同訓(xùn)練動作。包括站立動作（類別1）、站立單抬腿動作（類別2）、坐立動作（類別3）、坐立單抬腿動作（類別4）和邁步動作（類別5），每名受試者每種不同的動作重復(fù)采集10 次。

人體下肢在運(yùn)動時，主要運(yùn)動肌肉群包括股直?。≧ectus Femoris，RF）、脛骨前肌（Tibialis Anterior，TA）、股外側(cè)?。╒astus Lateralis，VL）、股內(nèi)側(cè)?。╒astus Medialis，VM）、半腱?。⊿emitendinosus，ST）、股二頭?。˙iceps Femoris，BF）、腓骨長?。≒eroneus Longus，PL）[3]、內(nèi)側(cè)腓腸肌（Medial Gastrocnemius，MG）、外側(cè)腓腸?。↙ateral Gastrocnemius，LG）及比目魚?。⊿oleus Muscle，SM），其位置如圖1 所示[4]。

圖1 下肢肌肉示意圖

由于肌肉通道數(shù)增加導(dǎo)致冗余信號過多，為了更好地分析和處理數(shù)據(jù)。本研究選擇了8 塊重要的肌肉作為研究對象，包括RF、VL、VM、BF、ST、PL、MG 和LG，采集這些肌肉表面肌電信號。

在采集sEMG 數(shù)據(jù)的過程中，容易受到周圍環(huán)境多種噪聲的干擾，如50 Hz 的交流電路工頻干擾、人體內(nèi)生物電信號（例如心電和眼電等）以及采集設(shè)備自身的固有噪音等。這些因素可能會降低sEMG 信號的質(zhì)量。鑒于工頻干擾與肌電信號的有效頻率區(qū)間存在重疊，需要保護(hù)鄰近頻率的信號和避免失去原始sEMG信號中的信息，為此，在進(jìn)行sEMG 信號采集時，需要盡可能遠(yuǎn)離手機(jī)等潛在的干擾設(shè)備。采用電池組對采集系統(tǒng)進(jìn)行供電，從而減少交流電所產(chǎn)生的工頻干擾，提高信號的精度。

2 康復(fù)動作識別

當(dāng)患者使用康復(fù)機(jī)器人進(jìn)行康復(fù)訓(xùn)練時，需要對患者進(jìn)行康復(fù)訓(xùn)練動作的識別。這樣才能控制康復(fù)輔助機(jī)器人，幫助患者更好地完成康復(fù)訓(xùn)練。這里利用肌電信號訓(xùn)練機(jī)器學(xué)習(xí)分類模型對康復(fù)動作進(jìn)行識別。基于機(jī)器學(xué)習(xí)分類算法的識別流程圖，主要包含數(shù)據(jù)預(yù)處理、特征提取、分類算法識別流程（圖2）。

圖2 康復(fù)動作識別流程圖

2.1 數(shù)據(jù)預(yù)處理

采集肌電信號時，往往會受到環(huán)境影響和其他不可控因素的干擾，導(dǎo)致出現(xiàn)多種噪聲。為了進(jìn)一步進(jìn)行信號分析研究，需要對原始數(shù)據(jù)進(jìn)行適當(dāng)?shù)念A(yù)處理。

根據(jù)研究結(jié)果顯示，sEMG 信號的大部分信息主要存在于0～500 Hz 的頻率范圍內(nèi)。高頻區(qū)域（500～1 000 Hz）的sEMG 信號可能會受到混疊干擾[5]；低頻區(qū)域（1～10 Hz）則主要會受到電纜運(yùn)動和測量電極與皮膚相對運(yùn)動等影響而產(chǎn)生噪聲。因此，這里使用的是一個截止點(diǎn)為20 Hz（低）和450 Hz（高）的有限脈沖響應(yīng)帶通濾波器[6]。

2.2 特征提取

肌電信號是一種隨時間變化的瞬態(tài)、非平穩(wěn)信號。由于單個樣本數(shù)據(jù)無法準(zhǔn)確反映肌肉活動狀態(tài)，因此需要對肌電數(shù)據(jù)進(jìn)行加窗處理。在本研究中，使用了長度為100 ms、步長為50 ms 的滑動窗口對數(shù)據(jù)進(jìn)行處理。

數(shù)據(jù)經(jīng)過加窗處理之后，對于每個窗口內(nèi)的序列數(shù)據(jù)，需要提取出該段數(shù)據(jù)的特征。時域特征和頻域特征是目前應(yīng)用最廣泛的特征提取方法。sEMG 信號的時域特征是指基于統(tǒng)計方法計算的特征指標(biāo)，將肌電信號視為隨時間變化的函數(shù)。常用的時域特征包括均方根、方差、平均絕對值、過零次數(shù)、平均絕對值斜率、波形長度、斜率符號變化和最大值等。而sEMG 信號的頻域特征，則是通過傅里葉變換將表面肌電信號的時域信號轉(zhuǎn)換為頻域信號，以便更好地分析其頻譜或功率譜特征。與時域特征相比，頻域特征能夠克服時域信號受噪聲影響較大、相對較弱的局限性，并且更容易提取穩(wěn)定的特征指標(biāo)。常見的頻域特征包括平均頻率、平均峰值頻率、中值頻率、平均功率、功率譜比、頻率比和中心頻率方差等。

為從所有窗口的信號中提取有用信息，同時避免信息冗余過多，需要選擇合適的特征。在本研究中，采用了8 個常見肌電信號特征進(jìn)行研究，包括均方根、絕對平均值、波形長度、過零次數(shù)、斜率符號變化、平均頻率、中值頻率和平均峰值頻率。這些特征可以更精確地反映出肌肉活動的狀態(tài)。特征提取過程示意圖，如圖3所示。

圖3 特征提取示意圖

2.3 分類算法識別

在確定特征向量后，可以使用分類算法對這些特征向量進(jìn)行分類以識別康復(fù)動作。目前比較流行的機(jī)器學(xué)習(xí)分類方法包括線性判別分析、支持向量機(jī)、最近鄰算法、樸素貝葉斯分析和隨機(jī)森林，此外，還有卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法。

DenseNet 網(wǎng)絡(luò)模型是Huang 等[7]于2017 年提出的密集連接卷積神經(jīng)網(wǎng)絡(luò)模型，DenseNet 采用Dense－Block 和Transition Block 2 種結(jié)構(gòu)。DenseBlock 主要用來保持訓(xùn)練中的特征圖像大小尺寸一致，實現(xiàn)特征的重復(fù)利用，主要結(jié)構(gòu)BN+ReLU+Conv，如圖4 所示。Transition Block 主要用于2 個DenseBlock 層之間，降低特征圖像大小，保持特征圖大小一致。由1 個卷積層和1 個平均池化層構(gòu)建組成：BN-ReLU-1×1 Conv-2×2Pooling。如圖5 所示，起到壓縮模型的作用。

圖4 DenseBlock 結(jié)構(gòu)

圖5 Transition Block 結(jié)構(gòu)

本研究使用卷積神經(jīng)網(wǎng)絡(luò)算法對sEMG 進(jìn)行識別，在數(shù)據(jù)采集過程中，采集了8 塊肌肉的肌電信號。在特征提取部分，提取了肌電信號的8 個特征。因此卷積神經(jīng)網(wǎng)絡(luò)的輸入為8×8 的大小，輸出為5 種不同訓(xùn)練動作的概率，取概率最大值所對應(yīng)的動作作為識別出的結(jié)果輸出。卷積神經(jīng)網(wǎng)絡(luò)整體結(jié)構(gòu)如圖6 所示。

圖6 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

3 結(jié)果

本研究除了使用設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)對康復(fù)動作識別以外，還分別使用支持向量機(jī)、k 最近鄰、隨機(jī)森林對提取到的特征向量進(jìn)行分類。分類結(jié)果見表1。

表1 康復(fù)動作識別評價%

4 結(jié)束語

本研究提出了一種基于深度學(xué)習(xí)模型的sEMG 信號下肢康復(fù)動作識別算法，實驗結(jié)果表明本研究提出的方法較比傳統(tǒng)機(jī)器學(xué)習(xí)方法在sEMG 信號下的下肢康復(fù)動作識別率上有較好效果，準(zhǔn)確率、精確率、召回率、F1 值分別為83.73%、82.56%、86.94%、84.69%。但是由于實驗人數(shù)較少的原因，導(dǎo)致數(shù)據(jù)量不夠充裕。下一步擬采集大量的表面肌電信號數(shù)據(jù)，并且對超參數(shù)進(jìn)行精調(diào)優(yōu)化，以便取得更好的識別精度。