表面肌電信號模式識別在康復工程中的研究

陳志青 章悅 王哲祿 鄭澤祥

（1.溫州職業技術學院電氣電子工程系 浙江省溫州市 325000 2.華東理工大學機械與動力工程學院機械工程系 上海市 200237)

在醫學方面，表面肌電信號（sEMG）可用于腦卒中，帕金森，風濕系統疾病和面肌痙攣等一些疾病的診斷或分析。在康復工程方面，基于sEMG 的模式識別可用于智能系統的研究和開發，目前應用主要有三大類，智能假肢（手）、虛擬現實（VR）人機交互的康復訓練系統和基于sEMG 控制的外骨骼。這些系統的實現都需要對基于sEMG 的相關人體動作模式識別進行深入研究，目前研究者們已實現了對sEMG 的手指、手部、上肢、下肢、頭部等多個人體部位的動作分類研究。從分類的動作模式數量而言，Shuman 等現了對日常生活中常見的手部25 種抓握等動作的識別，且總體的識別精度達到了85.22%。基于sEMG 的動作模式識別研究往往包含了信號預處理、特征提取、特征降維和分類器訓練等重要環節。本文針對上述幾個必要環節，對近年來在國內外報道的具有代表性的一些方法中和應用進行介紹和討論。

1 信號預處理

對于sEMG 信號的處理，一般根據sEMG 的特性采用一個帶通濾波器,例如10-400Нz,將信號有效的頻帶信息保留，并使用陷波濾波器去除工頻干擾，此外還往往用來一定增益的信號放大器。由于信號中還含有一定的噪聲，Wei 等提出使用一種自適應小波方法對sEMG 進行去噪。在對sEMG 做濾波后，通過某種方法，例如使用較多的是短時能量法，可探測出動作開始和結束的位置，根據動作進行信號段的分割。

2 特征提取

對sEMG 做分析往往需要提取特征，根據其性質目前可大體分為四個大類，即時域特征、頻域特征、時-頻域特征和非線性動力學特征。

2.1 時域特征

時域特征是將信號視為時間的函數，得到信號的某些統計特征Phinyomark 等針對基于sEMG 的模式識別提取了27 種不同的時域特征，其中幾乎包含了研究者頻繁使用的所有時域特征，根據特征散點圖、統計學分析以及分類器的驗證結果表明，大多數特征在同時使用時具有一定的冗余性。平均絕對值（MAV）、過零率（ZC）、均方根值（RMS）等時域特征在眾多研究中使用頻繁，且常常取得較好的結果。但僅僅使用時域特征，會對信息的利用不夠充分，所以研究者有時需要結合由其他分析方法獲得的特征一起使用。

2.2 頻域特征

傳統的頻域分析是利用Fourier 變換，獲取信號的頻譜或功率譜。在sEMG 的頻域分析中,用的較多的特征是平均功率頻率（MPF）和中值頻率（MF），是利用Fourier 變換獲得信號的頻譜或功率譜。這兩個特征被用于動作模式識別研究中。頻域分析一般要求信號是平穩信號，然而sEMG 是非平穩信號，故頻域分析具有一定的局限性。所以在基于sEMG 的模式識別研究中，頻域分析提取的特征被使用得相對較少。

2.3 時-頻域特征

時-頻分析方法是利用時間和頻率的聯合分布函數來表示非平穩信號，對其進行分析和處理的一種方法。時-頻分析方法彌補了頻域分析方法的不足，基于此方法提取的特征被大量適用于sEMG的模式識別研究。在基于sEMG 的動作模式識別研究中常見的時-頻分析方法有Нilbert Нuang 變換，小波變換，小波包變換等，根據上述方法提取的特征均獲得過良好的分類效果。這些方法中使用最多的是小波變換和小波包變換。小波變換具有調節時頻窗口的功能，能夠根據小波函數將信號做多尺度分解，并可根據獲取的各尺度高頻和低頻系數重構系數。小波包變換則是從小波變換延伸出來的一種對信號進行更加細致的分析與重構方法，可以在任意細節上分析信號，用于提取小波包節點系數、小波包能量等作為特征。

2.4 非線性動力學特征

非線性動力學的發展對近些年來sEMG 處理方面的研究產生了一定影響。sEMG 具備非線性的特點，故非線性動力學分析中的一些特征被用于模式識別研究中，例如李雅普諾夫指數、分形維數以及各種熵等，其中熵使用得最多。熵原本是熱力學中的一個概念，在信息學中用于對信息量不足或混沌無序的度量。

3 特征降維及通道數量

3.1 特征降維

特征降維的方法分為特征選擇和特征變換兩種方式。特征變換是指將樣本的原始特征通過某種變換方法得到新的特征，使得新特征更適合學習任務。特征變換的主要方法有主成分分析法（PCA），核主成分分析法（KPCA）和線性判別分析法（LDA）等。章亞銀等根據sEMG 用于預測下肢關節角度的研究中的對比結果表明，PCA 將為處理的sEMG 相比KPCA 處理或未降維的sEMG,BP 神經網絡可以更加快速和準確的預測關節角度。Khushaba 等在面向基于sEMG 的假肢控制研究中，在提取2 通道sEMG 的SSC 等多個時域特征后使用了LDA 做特征降維和Bayesian 數據融合作為后處理方法，使得SVM 和KNN 作為分類器實現了單個手指運動以及手指組合運動的分類并獲得了正確分類的最大概率，有利于控制假肢不同的手指姿態。特征選擇則是從特征集中直接選擇出一個特征子集來表示原來的樣本，而不得到新的特征。例如，有研究中用到基于距離的特征選擇，有研究中用到基于互信息的特征選擇。還有研究對特征選擇方法進行對比，例如基于距離的特征選擇（DFSS）和基于相關的特征選擇（CFSS）兩種方法用于對sEMG 特征集的選擇，根據手部運動研究中的對比結果表明，相比于DFSS，使用CFSS 方法選擇特征獲得的結果更理想。此外，Нuang 等使用了一種蟻群最優化方法用于sEMG 的特征選擇。

3.2 通道數量

除了對特征進行選擇或變換的方式進行降維，有必要考慮通道個數。使用多通道sEMG 傳感器在康復工程的研究中并不實用，因為這樣會導致患者必須在身上穿戴太多的傳感器，從而造成不便。考慮到該因素，有些研究致力于在保證高識別率的前提下，盡可能的減少傳感器的數量。為了便于穿戴和降低應用成本，研究中使用的sEMG 通道在逐漸減少。Chen 等的研究結果表明，使用前臂6通道sEMG 可以獲得很好的手部動作分類效果。Yu 等的研究結果表明，采集前臂兩通道的sEMG，可實現握拳等6 類手部動作的識別。此外，Naik 等的研究結果表明，采集手臂屈肌和伸肌兩通道的sEMG，經過特定的分析方法，即可實現對多達10 類手指動作的有效分類。甚至有研究結果表明，使用單通道sEMG 也可實現5 類動作的模式識別，只是相對而言識別率較低。

4 分類算法

由于處于不同條件并面向不同的需求，設計的實驗往往會獲得不同的數據，特征維度，類型等因素均有差異。因此某一種或幾種處理算法不宜用于所有基于sEMG 的模式識別研究。研究者已使用眾多算法應用于基于sEMG 的動作模式識別研究中，例如支持向量機，神經網絡，線性判別分析等具有代表性的機器學習方法，均取得過令人滿意的效果。

4.1 支持向量機類

支持向量機（SVM）是一種建立在統計學的VC 維理論基礎之上，通過尋求結構風險最小化來提高分類器的泛化性能的機器學習方法。伍吉瑤等[ ]通過對sEMG進行時域分析和小波分析提取特征，使用局部線性嵌入（LLE）算法做特征降維，使用支持向量機（SVM）作為分類器，實現了對4 部四類動作的模式識別。SVM 算法有兩個重要的參數，分別為懲罰參數C 和核函數參數γ，有時根據經驗或試湊進行選取。針對該參數的尋優是對SVM 進行改進的常見方法。高榮發等將經過粒子群（PSO）對參數優化的SVM 用于下肢sEMG 步態識別，從識別率而言可獲得比普通SVM 算法更好的模式識別結果。此外還有利用人工魚群算法(AFSA），對SVM 的參數進行尋優。除了使用單核支持向量機，多核支持向量機也被應用于sEMG 的動作模式識別研究中。

4.2 神經網絡

神經網絡是模擬生物神經網絡進行信息處理的一種具備自適應能力的數學模型。有學者利用MYO 臂環獲取4 種手勢動作對應的手臂8 通道sEMG,使用人工神經網絡（ANN）對于MAV 等5 個時域特征構成的訓練集訓練分類器，對測試集的識別率達到90.35%。

4.3 線性判別分析

線性判別分析（LDA）本質是將高維的特征向量投影到最佳鑒別向量空間，已達到抽取分類信息和壓縮特征空間維數的效果。使用LDA 的好處在于，其基于簡單的統計學方法，計算效率高，無需進行參數調節，而分類精度這方面的性能卻可達到與其他的一些復雜分類器相差無幾。該方法除了可用于特征的降維，還可用于實現對信號的分類。Jarrassé 等在針對截肢者進行的假肢控制研究中，使用LDA 作為分類器，實現對6 類手部、腕部和肘部運動信號的分類。王紅旗等在提取兩通道sEMG 時域特征的基礎上，使用LDA 作為分類器，實現4 種手部或腕部動作的模式識別。此外，Wang 等的一項手部動作模式識別的研究結果表明，使用LDA 作為分類器，6 類手部動作的識別率高達97.46%。

4.4 其他方法

此外，隱形馬爾可夫模型（НMM）、K 近鄰、隨機森林等分類算法也被用于與sEMG 有關的動作模式識別研究，均取得過良好的結果。除了使用傳統的機器學習方法，近些年隨著深度學習的快速發展，一些有關深度學習的方法，例如卷積神經網絡（CNN）被用于sEMG 的分類中，也取得了一定的成果。

5 康復工程應用

5.1 假肢

手的缺失給殘疾人士帶來生活的不變，假肢可實現人手的部分動作功能，從而提高其生活質量。對于不同運動任務，sEMG 的不同模式可由適合的算法進行識別，根據其結果向假肢發送恰當的指令，以控制假肢執行動作。在實驗室特定的條件下，用于假肢控制的sEMG 模式識別正確率可以達到很高，然而在臨床實施時卻明顯降低，與實驗室中研究取得的結果具有明顯差異，其原因之一在于受試者在移動場合下進行肢體運動時，身體移動會引起sEMG 信號模式的改變。針對這種情況，Samuel 等采用sEMG 和加速度信號，根據四種場合研究身體移動對動作分類器的不良影響，提出了兩級順序分類方案等三種方法用于消除該不良影響，結果表明這三種方法可使不良影響明顯降低。

5.2 外骨骼控制

由于腦卒中等原因會造成患者在一定時間段內的偏癱，從而無法完全自主進行康復訓練。隨著機器人技術的飛速發展，產生了結合外骨骼康復機器人等先進的康復手段。康復訓練外骨骼的問世可有效幫助治療，并減輕治療師的工作負擔。通過采集人體的sEMG，使機器人獲取和預測人類的運動意圖或行為，來完成醫生所要求的康復訓練。一種訓練方式是可采用健側上肢執行動作，對其sEMG 模式識別的結果用于命令外骨骼執行對應的動作，從而實現健側上肢運動帶動患側的訓練方法。除了實現利用健側上肢運動帶動患側運動，還可采用患者患側sEMG 作為控制源，結合模式識別算法完成運動意圖的識別。

6 總結

表面肌電信號（sEMG）作為一種在神經肌肉活動時伴隨產生的生物電信號，近年來應用于人體動作模式識別已進行了大量研究，受到了國內外的重視。基于sEMG 的動作模式識別研究包含了幾個重要環節，各種研究結果為該領域提供了大量可借鑒的經驗。在應用研究方面，尤其在假肢控制和外骨骼的人機接口方面方面獲得到了廣泛的研究成果。然而目前很多研究尚處于起步階段，真正運用到商業應用的并不多，故在未來有很大的發展潛力和空間。除了單獨使用sEMG,還可以融合慣性測量原件（IMU）,腦電信號（EEG），肌音信號（MMG）等其他類型的信號進行研究，獲取更為豐富的信息，有時可以獲得比單獨使用sEMG 更好的效果。