一種基于表面肌電信號的踝關節角度的預測方法

廖尉捷

（重慶交通大學機電與車輛工程學院，重慶400074）

表面肌電信號sEMG（surface Electromyography）是指中樞神經系統支配肌肉活動時從皮膚表面檢測到的生理電信號，由于肌電信號總是先于實際動作產生的特點，與其他以角度、力、加速度等物理信息作為信號源的控制方法相比，sEMG 可以更直觀、更快速地反映人體意圖。肌電信號與其他控制方式的結合是直接意志控制中新的熱點方向。

1 肌電信號的采集和預處理

1.1 肌肉選擇

人體下肢運動是多肌肉聯合作用的結果，腿部肌肉在運動時的作用不完全相同，本文為得到表面肌電信號與踝關節關節角度的映射關系，需使用sEMG 傳感器和角度傳感器來采集表面肌電信號和踝關節角度信號。根據文獻[1-2]，脛骨前?。╰ibialis anterior，TA）、比目魚肌（soleus，SOL）、大腿股外側?。╲astus lateralis，VL）和大腿股二頭肌（biceps femoris,BF）等肌肉在人體步態過程中具有明顯的收縮，且表面脂肪含量較低，有利于表面肌電信號的采集。

脛骨前肌與比目魚肌、股外側肌與股二頭肌互為兩組拮抗肌。正常站立姿態的人體踝關節角度為90°腿。脛骨前肌收縮時，人體腳尖會向上翹起，即踝關節角度小于90°，此時比目魚肌處于放松狀態；反之即反。股外側肌與股二頭肌僅在擺動姿態時表現出拮抗效果，但股外側肌和股二頭肌對小腿擺動的作用明顯，故選取作為踝關節角度變化的輔助參考。

1.2 肌電信號的采集、預處理和特征提取

1.2.1 肌電信號的采集和預處理

研究中，使用一個8 通道的Myo 肌電儀采集TA、SOL、VL、BF4 塊肌肉sEMG 信號。肌電儀采樣頻率為1500Hz，由直徑為2cm 的銀芯電極貼附在肌肉表面。志愿者左踝關節在矢狀面內做有規律的步態運動，動作周期大約為2.5s，每個志愿者采集1500 個樣本點數據。

傳統研究肌電信號的方法大多是采用小波濾波處理原始肌電信號。小波濾波處理的肌電信號表現出較好的非平穩特性，但降噪效果容易受到信噪比的影響，且計算量過大不適合對關節角度的實時控制。本文使用此方法做對照試驗。

考慮到肌電信號映射至踝關節角度的響應速度和同步性，本研究使用帶通濾波去除低頻噪聲，采用四階巴特沃斯濾波[4]對原始肌電信號進行濾波，將肌電信號頻率控制在有用范圍20Hz-500Hz 內。再使用50Hz 陷波器消除50Hz 工頻干擾。

1.2.2 肌電信號的特征值提取

表面肌電信號的特征提取方法主要有時域法、頻域法、時頻域分析法等，本文采用時域法進行分析并提取特征值。主要的特征值有肌電積分值、均方根值RMS（Root Mean Square）、平均功率頻率、中值頻率等。均方根值RMS 反映在時間軸上肌電信號振幅的變化特征，可以直接反映肌電信號的瞬時功率。所以RMS 值在這些特征值中最具意義。

其中：Ei是肌電信號經過整流濾波處理后的第i 個樣本點的電壓值，NR取15，表示每15 個采樣點提取一個特征值。

2 神經網絡模型

表面肌電信號具有非線性的特征，數學表達式難以建立其與踝關節角度之間的映射模型。BP 神經網絡是一種用誤差反向傳播算法訓練的多層前向神經網絡，有輸入層、隱層和輸出層三個部分組成，上下層之間完全連接，同一層無連接。本研究用4 層BP 神經網絡從表面肌電信號映射到踝關節角度，模型如圖1，其輸入有4 個神經元，輸入信號為sEMG 特征值，輸出層為1個神經元，即踝關節角度信號。

圖1 前向反饋神經網絡模型

神經網絡隱層神經元數目過多會導致學習時間過長、誤差選取并不是最佳等問題，數目過少會導致學習不充分、誤差過大等問題。目前，關于神經元數目的確定只能通過設計者的經驗與多次實驗來確定。本研究在此問題上參考以下經驗公式：

其中，L 為隱層神經元個數，n 為輸入層神經元個數，m 為輸出層神經元個數，a 為[1，10]之間的常數。最終確定兩個隱層神經元個數分別為14 和25。

3 實驗及分析

實驗選取了4 名男性志愿者，年齡（22～26 歲，平均24 歲），身高（173～183cm，平均176cm），體重（63～70kg，平均68kg）。對他們進行了TA、SOL、VL、BF4 塊肌肉sEMG 的采集。此4 名志愿者腳踝健康無病史，也沒有踝關節強化鍛煉史，各肌肉功能正常。

以其中一位志愿者為例介紹實驗結果。圖2 為各肌肉sEMG 提取的RMS 值。sEMG 信號的RMS 和所得踝關節角度歸一化處理后，部分用于神經網絡的訓練，另一部分用于測試實驗結果。神經網絡的學習效率為0.1，目標均方誤差為0.001，迭代次數為54 次。神經網絡預測的關節角度曲線如圖3 所示。

圖2 各sEMG 的RMS 值

為驗證此方法的正確性，采用了傳統的小波濾波后的肌電信號來做對比實驗。實驗結果如圖3，可以明顯的看到，此方法相對于傳統方式，預測值與實際角度相差更小，預測曲線更接近。

4 結論

本文提出了一種新型的能準確預測踝關節運動角度的方法。研究過程中采集了TA、SOL、VL、BF4 塊肌肉的sEMG 信號，使用了四階巴特沃斯濾波對原始sEMG 信號進行濾波并提取特征值，建立了一個4 層神經網絡模型以找出sEMG 信號與踝關節角度間的映射關系。從實驗結果中可以看出，踝關節角度預測值與實際值有較好的重合度，此方法能夠準確地對踝關節運動進行預測。

圖3