基于深度學習的肌電信號預測的研究

張志堅

摘要：肌電圖分析是解釋人體運動意圖的有效手段。一些研究已經成功地利用肌電信號識別固定姿勢，并將其應用于假肢的操作。本文計劃研究進一步辨識肌電的連續動態運動，以建構能接受更精細運動指令，使截肢者也可以像普通人一樣使用假體來進行平滑的運動。本研究的目的是在前臂連續運動的執行過程中，找出肌電信號與手臂運動的關系，并利用肌電信號實時預測使用者預期的前臂運動。本文提出了一種動態遞歸神經網絡的非線性自回歸外生輸入模型和矢量量化時間聯想記憶學習算法，并在3個實驗對象和兩個自由度動態運動的基礎上進行了實驗。實驗結果表明，該方法能夠利用肌電信號在一系列連續運動中立即估計出前臂的位置，可用于精密假肢的控制。

關鍵詞：肌電;預測;神經網絡;自由度

中圖分類號：TP391 文獻標識碼：A 文章編號：1001-5922（2021）02-0134-04

近年來，隨著測量設備和方法的快速發展，電機、信息、生物、醫學等領域的學者開始有能力將人體復雜的工作模式研究成分析和仿生仿真。該領域最熱門、最困難的研究課題是與神經系統相關的信息研究。作為支配身體的控制和感覺交流，神經系統的作用可以簡化為3個階段：感覺受體接受刺激、大腦進行性解釋和命運、效應器運動。在這3個階段中，生物負責通過電傳遞信息。目前的研究大多集中在對這些電生理信號的采集和應用上：例如，通過分析感覺感受器產生的電生理刺激，通過接收眼、耳等外部信號，并將其轉換成正確的電生理信號進行刺激神經系統的仿生器官;通過分析感覺受體產生的電生理刺激。

在本研究中，嘗試分析肢體運動中前臂運動所產生的肌電信號。研究的主要對象是前臂靠近胸部的垂直運動，上臂肌肉和胸背肌控制運動的肌電信號。對于動態運動的肌電識別方法，考慮到多肌肉的收縮和多肌肉與骨骼的耦合問題，將生物醫學模型用于前臂運動分析將使模型設計難度加倍。因此，在本文中，提出一個遞歸模型，稱為動態遞歸神經網絡的非線性自回歸外生輸入模型和矢量量化時間聯想記憶學習算法。

1模型架構與方法設計

圖1是模型控制系統，使用肌電圖動作預測機制作為人機輸入接口，該結構顯示了預測機制在控制系統中的位置和功能。該控制系統結構靈活，大致可分為3個部分：信號采集部分、運動預測接口和終端控制系統。在信號采集單元中，包括信號放大器、比位轉換卡、運動跟蹤系統等硬件測量儀器，等，用于捕捉用戶當前前臂運動，并輸出進行采樣和記錄，以刺激肌肉收縮，并由收縮肌電信號和肌肉收縮驅動的運動軌跡位置。第二部分對肌電信號進行分析，基于循環運行網絡模型的動態估計接口和前一節記錄的肌電信息，將組合軌跡和對應軌跡的訓練數據輸入網絡，進行網關分析和映射學習。第3部分為位置控制，為控制器和被控制體提供一個合適的控制系統，以避免用戶從接收運動估計界面輸出的動作意圖。

2運動預估機制設計

為了獲取前臂的空間運動信息，在前臂的肘部和腕部設計了三維跟蹤系統傳感器，使肘部和腕部的運動坐標同步。此外，為了更有效地描述前臂的運動，引入球坐標系來描述前臂的運動軌跡。圖3顯示了前臂上定義的球面坐標系。將軌跡轉化為球坐標，從肘部傳感器的空間坐標值中減去腕部傳感器的空間坐標值，得到以肘部為原點的腕部位置對應的一組空間方向（x，y，x），描述手臂的當前狀態。然后將（x，y，z）代入球面坐標變換公式：

最后，得到了彈道的球坐標P=（p，θ，φ）。φ應于由胸背肌的收縮和放松引起的前臂內旋和外旋的運動，對應于上臂肌肉的收縮和放松。這樣，球坐標自然會與控制前臂運動的肌肉收縮方向相對應，從而進一步增強前臂運動狀態與肌電信號變化的關系。因此，在前臂運動過程中，球坐標系只需要兩個變量來描述運動軌跡。模型的輸出和估計值需要從原始坐標系中的3個元素轉換為球面坐標系。

3深度學習學習策略

本研究使用了Narendram和Parthasarathy提出的串并聯結構。其結構特點是在訓練過程中使用目標系統的實際輸出，而不是原來由網絡構建的輸出。在學習算法設計方面，各系統的實際輸入輸出訓練數據集可以作為事件機樣本，通過并行結構作為規范化網絡模型的要點。但是，為了保證機器值的穩定性，使用屬于內存基結構的網絡模型來采集大數據點時，可能會出現計算結果耗時的問題。因此，有時會引入原型方法來集中相似的子群數據。然而，常用的無監督聚類算法，如k-means算法，只能在一個空間域內進行聚類。本文提出一種特殊的非定向聚類算法：基于自組織特征映射算法的矢量量化時間聯想記憶模型。

基于自組織特征映射算法的矢量量化時間聯想記憶模型從獲得的訓練數據中提取并建立靜態導線網。以下是算法過程：

4實驗與數據分析

4.1實驗設計

通過采集數據建立學習模型的目的不僅僅是映射內存給定的數據，徹底減少輸出誤差，而是提取數據的特征，從而建立一個能夠表示數據的統計模型。因此，模型訓練的目標應該是為尚未獲得的新數據建立模型。在模型結構和學習算法確定的基礎上，通過改變模型的復雜度來調整模型，實現類型的提升。模型的復雜性主要由兩個因素控制：一個是模型的輸入維數，另一個是模型的可調維數。輸入維數越大，可調維數越高，模型的復雜度越高，在模型中，這兩個因素分別用延遲長度和歸一化網絡元素表示，在選擇了最佳長度后，進行測試，最終完成網絡學習。用均方誤差（MSE）和相關系數（r）假設在上述驗證過程中用于構造誤差值的成本函數。公式如下：

由于肌肉大小和運動習慣等生理差異，每個人對同一動作產生的肌電信號幾乎相同。因此，有必要研究該系統對多個實驗個體的適用性。3名受試者被邀請參加這項研究。受試者以男性為主，身體素質存在顯著差異。其中一人還經常鍛煉肌肉，進行研究。

4.2實驗數據分析

以下結果將在實驗設計的第二部分中給出，其中1作為測試。首先，調整模型的復雜性。第一部分是調整測試。在調整中，為了避免系統預測誤差，通過對誤差信息進行放大，使輸入延遲大于反饋延遲，以保證輸入項有足夠的能力調整系統誤差。

測試結果如圖2（a）所示。當輸入延遲約為12時，誤差MSE最小，相關系數r最大。然而，當長度增加導致模型復雜度增加時，廣義誤差也開始增大，因此選擇輸入延遲12個單位最佳延遲長度。圖2（b）所示，當子午線元數在200左右時，誤差MSE最低，相關系數r最高，當子午線元數繼續增加時，泛化誤差也開始增加。從圖2（b）可以看出，預測的軌跡與實際軌跡幾乎一致。

5結語

為了有效地識別前臂在多自由度、多肌肉連續運動中產生的肌電信號，建立肌電信號與運動學信息的映射關系，文章提出了一種通過學習逼近動態系統的遞歸遍歷網絡自動建模和分析。本研究所使用的遞歸網絡模型，利用一種快速、無方向的學習算法將學習框架與訓練相匹配，以縮短建模時間。實驗結果表明，所提出模型和學習策略在經過設計的二自由度連續運動試驗后，能夠快速、完美地再現映射關系，表明所提出的模型和學習策略能夠分析肌電與運動學的動態關系。