基于肘關節表面肌電信號的負載識別

龍遠強, 蔡家斌, 潘 正, 王 凱, 李 芳

(貴州大學機械工程學院，貴陽 550025)

表面肌電(surface electromyography, s EMG)信號是在中樞神經系統控制下，肌肉收縮過程中運動單元電位疊加的電壓信號[1]。s EMG信號獲取簡單、靈活性大、靈敏度和分辨率高的優點[2]，因此被廣泛應用于模式識別、醫療康復訓練、肌電假肢和智能助力器等重要領域。例如，謝平等[3]通過一種熵指標來定量描述s EMG信號內在的動力學特性，利用SVM對指定動作進行模式識別；侯文生等[4]以s EMG信號的均方根(RMS)為特征參數研究了手部握力大小與前臂肌肉活動的相關性，結果表明通過s EMG信號的特征參數能預測握力大小；Noh等[5]以s EMG信號的均值、方差、均方根為特征向量，通過支持向量機實現常見4種手勢(握拳、張手、彎曲和伸展)和3種不同力量強度的識別，其識別準確率分別達到95%和90%。尤波等[6]以s EMG信號的方差(VAR)作為特征向量，利用改進的BP神經網絡對環型抓取、捏取、五指伸展、豎拇指4種指定動作進行模式識別，識別準確率平均為94.34%；史小華等[7]提出一種基于s EMG信號的下肢主動訓練模式，利用BP神經網絡識別患者的運動意圖，將識別結果作為驅動電機的信號源，實現對患者的主動訓練；宋月鵬等[8]以s EMG信號判斷小臂運動方式，并將結果作為信號源來控制小臂助力器的電機推動，準確地實現助力功能；張冰珂等[9]利用線性判別分析和人工神經網絡的方法，實現肌電控制的假肢中進行抓握識別和力大小估計，其識別準確率達到77.8%和90%，不僅識別了假肢使用者的抓取動作意圖，還預測了抓取力的大小，實現了假肢的平穩抓取。目前的研究中，大多數都是在無負載情況下通過s EMG信號來識別人的主動意圖，但是在一定負載條件下進行主動意圖識別，如何以s EMG信號識別負載的大小是實現主動意圖的關鍵。因此，運用s EMG信號來識別外加負載大小的研究對上述s EMG信號應用領域均具有重要意義。

現主要研究人體肘關節在不同負載條件下做屈伸運動時，通過對手臂4個不同部位的s EMG信號進行分析，從而識別出相應的負載情況。并運用MATLAB軟件對采集的原始信號進行濾波、去燥和分割等前處理，分別從時域、頻域上提取s EMG信號的特征值作為原始信號的特征向量，再利用神經網絡和支持向量機對特征向量進行模式識別，進行對比分析得出更優的負載模式識別結果，可以將其輔助應用于上述各領域。

1 研究方法

基于s EMG信號對手臂在不同負載情況下的識別主要包括兩部分：①s EMG信號的前處理得到可以代表原始信號的特征向量；②利用特征向量進行負載模式識別。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信號的獲取

使用的s EMG信號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，同時采集4通道的s EMG信號。受測試者為身體健康的男生4人，女生2人，年齡在20～30歲，在采集信號之前，均對受測試者進行規范動作教程，并對采集部位(肱二頭肌、肱三頭肌、肱橈肌、肱側腕屈肌)表面使用酒精清潔，涂上甘油，以減小皮膚表面阻抗，增強導電性。

將電極分別貼于右臂的肱二頭肌、肱三頭肌、肱橈肌、肱側腕屈肌的中間位置，每個測試部位所放的電極(3個)之間的間距不宜太大，主要是使提取的信號更加準確。在測試之前，受測試者自然坐下，右臂平放在桌面上并保持放松。每人分別做無負載、負載1 kg和負載5 kg的3組測試，每組反復完成右臂的伸展彎曲動作10次，每次間隔大約1 s，信號采集過程如圖 2所示。為防止肌肉出現疲勞，在完成每組測量后需要進行3 min的間隙休息，記錄實驗數據，采集信號如圖3所示。

圖2 信號采集過程Fig.2 Signal acquisition process

圖3 原始信號Fig.3 Original signal

從手臂四塊肌肉采集的s EMG信號有著明顯地波峰、波谷，可以明顯地看出是10組類似的波峰，可以正確地反映受測試者在實驗中做的10次伸展彎曲運動。

1.2 s EM信號的濾波

s EMG信號是由于神經產生興奮最終控制肌肉組織收縮與舒張運動從而產生一系列的動作電位，是一種很微弱的生物信號，其振幅平均值一般在微伏到毫伏之間[10]。所以，在測量時很容易受到外界環境噪聲、心電信號和運動失真噪聲等的干擾[11-12]。

由于s EMG信號屬于低頻弱信號，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]。根據采集信號的自身實際情況，運用MATLAB軟件設計巴特沃斯帶通濾波器和50 Hz陷波器[14]，對采集的s EMG信號進行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，濾波后信號如圖 4所示。

經過濾波后的s EMG信號和原始信號相比，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，使后面的信號分割與特征提取更加方便、更可靠。

圖4 濾波信號Fig.4 Filtering signal

1.3 特征提取

1.3.1 s EMG信號的分割

研究肘關節肌電信號與肌肉力的關系，需要在不同負載下連續測量肘關節反復做伸展彎曲運動時的肌電信號。只有針對在肘關節做一個完整周期的伸展彎屈運動時獲得的肌電信號才具有一定的分析價值，所以需要把得到的原始信號分割為10個完整的屈展運動。

通過建立閾值來進行數據分割是最直接常用的方法，其中設置肌電信號起始閾值的方法很多，最簡單的方法就是使用單閾值法進行分割。但單閾值法靈敏度較高的[15]，因此，采用雙閾值法來解決這一缺陷[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s EMG信號只有在超過第一個閾值時才開始測量，如果被測s EMG信號的連續樣本數或時間長度超過第二個閾值，則將被測s EMG信號第一次超過第一次閾值的樣本或時間設置為激活時間的開始[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Fig.5 Segmentation signal

單獨分割s EMG信號的一組波峰是受測試者做一次完整的伸展彎曲運動，可以看出其信號的能量主要集中在肘關節彎曲部分，這和實驗相吻合，對其分割信號進行分析具有可靠性。

1.3.2 s EMG信號特征提取

經過對s EMG信號進行分割處理后，針對每段信號在時域、頻域上進行分析，選取信號的積分肌電值(IEMG)、均方根值(RMS)、方差(VAR)、均值絕對值(MAV)、平均功率頻率(MPF)、中值頻率(MF)構成特征向量，進行負載模式識別。

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

(7)

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

(8)

(9)

(3)均值絕對值計算公式為

(10)

(4)中值頻率、平均功率頻率計算公式為

(11)

(12)

式中：f為s EMG信號的頻率；P(f)為s EMG信號的功率譜密度函數。

根據介紹的特征提取方法，對分割后的s EMG信號進行時域、頻域上的特征提取。時域特征由各通道s EMG信號的積分肌電值、均方根值、方差、均值絕對值4個特征組成，4通道信號合成的時域特征向量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信號的平均功率頻率、中值頻率2個特征組成，4通道信號合成的頻域特征向量V2為8維，把時域和頻域的特征向量構成一組24維的特征向量V，即為時-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載情況下的特征向量，作為負載模式識別分類器的輸入向量，其頻域的具體數據如表 1所示。

1.4 負載模式識別

1.4.1 支持向量機分類算法

支持向量機(support vector machine, SVM)主要是對兩類問題的分類，針對多類問題的分類需要重新構造SVM分類器求解，目前主流選用的是通過組合多個二值子分類器實現對多值分類器的構造，該方法主要有兩支算法，具體構造方法是一對多和一對一，本文采用的是一對一構造方法構造SVM分類器。一對一構造方法是在樣本N類中構造出所有可能的兩類分類器，每一次訓練只需在N類樣本中的兩類樣本上，訓練結果一共是構造了N(N-1)/2個分類器，然后再組合這些兩類分類器并使用投票的方法進行歸類，得票最多的一類為新點，通過設函數fij(x)對i和j兩類樣本進行分類。若fij(x)>0，則判定x屬于第i類，記i類得一票;反之判定x屬于第j類，記j類得一票。最后在決策樹時，比較哪一類得到的票最多，則將檢測樣本歸屬到該類[17]。算法演示圖如圖 6所示。

1.4.2 神經網絡分類算法

BP神經網絡是由Rumelhart首次提出的一種基于誤差逆向修正多次反饋的網絡，其優越的分類能力和多維的函數映射能力被廣泛地應用到模式識別領域。BP神經網絡結構分為輸入層、隱含層和輸出層，在隱含層神經元個數可以根據實際需求進行調整的前提下，其可以逼近任意的非線性映射函數，且具有一定的容錯能力。BP神經網絡拓撲結構圖如圖7所示。

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

圖6 一對一算法演示Fig.6 One-to-one algorithm demonstration

圖7 BP神經網絡的拓撲結構Fig.7 Topological structure of BP neural network

本實驗中{x1,x2,…,x24}表示24維的特征向量輸入，隱含層節點數選為15，{y1,y2,y3}表示3類輸出。

相比于BP神經網絡，RBF神經網絡的泛化能力更強，同時RBF神經網絡能以高精度逼近任意非線性函數，其全局逼近能力解決了BP神經網絡陷于局部最優問題，而且RBF神經網絡的拓撲結構更緊湊，其結構參數可實現分離學習，收斂速度更快。

2 實驗結果與分析

根據6個人的測試s EMG信號，無負載、負載1 kg、負載5 kg每種負載模式對應60組，分別從每種負載模式中取其70%構成特征向量作為訓練集，其余的30%特征向量作為測試集。表2是以時域特征V1(126×16)為特征向量，54組測試集在SVM模式分類器中得到的識別結果。可見：平均識別正確率為96.3%，識別結果較為理想。

表2 時域特征在SVM分類器中識別結果Table 2 Recognition results of time domain features in SVM classifier

將文中提取的時域特征V1(180×16)作為特征向量分別輸入常用BP神經網絡、RBF神經網絡分類器與SVM分類器進行對比實驗分析，結果如表3所示。可見：以時域特征為輸入特征向量，SVM分類器的平均識別準確率為95.8%，其識別效果明顯優于BP神經網絡和RBF神經網絡，SVM分類器的預測結果如圖 8所示。

表3 時域上不同分類器的識別結果Table 3 Recognition results of different classifiers in time domain

測試集SVM預測結果對比(時域)準確率=96.153 8%圖8 時域上SVM識別結果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分類器、BP神經網絡和RBF神經網絡分類器進行對比試驗分析，結果如表 4所示。可見：以頻域特征為輸入特征向量，BP神經網絡分類器的識別準確率為80.9%，SVM分類器和RBF神經網絡分類器的識別率均不太理想。

表4 頻域上不同分類器識別結果Table 4 Recognition results of different classifiers in frequency domain

將提取的時/頻域特征V(180×24)作為特征向量分別輸入SVM分類器、BP神經網絡和RBF神經網絡分類器進行對比試驗分析，結果如表5所示。可見：以頻域特征為輸入特征向量，BP神經網絡的識別率為89.6%，RBF神經網絡分類器的識別準確率為90.7%，其識別效果均優于SVM分類器。

表5 時/頻域上不同分類器識別結果Table 5 Recognition results of different classifiers in time/frequency domain

通過以上的對比實驗可以發現，分類器的識別準確率和特征向量密切相關，以單一時域上的特征值為特征向量進行識別，SVM分類器的識別效果最好，識別準確率為96.2%；以單一頻域上的特征值為特征向量進行識別，3個分類器的識別效果均不太理想；以時域和頻域上的特征值融合后為特征向量進行模式識別，RBF神經網絡的識別效果最好，識別準確率為90.7%，BP神經網絡的識別效果次之，識別準確率為89.6%，其訓練狀態如圖 9所示。

圖9 BP神經網絡訓練狀態Fig.9 Training state of BP neural network

BP神經網絡是從輸入到輸出需要采用相應的權重w和偏置項b,用于前反饋和后傳播的參數調整，可以對非線性映射函數進行逼近，且具有一定的泛化能力，對其進行結構性能分析，預測結果與實際結果之間的誤差分布圖如圖 10所示。

BP神經網絡訓練的最佳逼近誤差為0.03，目標誤差為0.001，效果一般，結果分析如圖 11所示，而RBF神經網絡的訓練逼近誤差達到0.003，接近目標誤差，結果分析如圖 12所示，所以說RBF神經網絡的性能比BP神經網絡好。

圖10 BP神經網絡誤差分布圖Fig.10 Error distribution map of BP Neural Network

圖11 BP神經網絡的逼近誤差Fig.11 Approximation error of BP neural network

圖12 BRF神經網絡的逼近誤差Fig.12 Approximation error of BRF neural network

綜上所述，在時域特征上SVM的識別能力最好，達到96.2%，時-頻域特征上RBF神經網絡比BP神經網絡識別能力好，達到90.4%，訓練誤差為0.003。

3 結論

(1)提出了一種基于s EMG信號的負載識別方法。通過提取不同負載下肘關節s EMG信號的特征向量，并利用SVM、BP神經網絡和RBF神經網絡進行分類識別，其準確率達到90%以上，具有一定的可行性。

(2)通過實驗表明，通過sEMG信號來識別負載大小，以單一時域特征向量輸入，SVM的識別能力最佳，準確率為96.2%；以單一的頻域特征向量輸入，BP神經網絡的識別能力最佳，準確率為87.5%；以時域、頻域組合特征向量輸入，RBF神經網絡的識別能力最佳，準確率為90.4%。綜上所述，基于s EMG信號進行負載識別對醫療訓練、智能假肢和智能助力器等領域具有重要意義。