基于Matlab的6種上肢動作肌電信號識別

顧興龍，宋天賜，陳文濤，毛嘉元

（1.中國民用航空飛行學院 工程技術訓練中心，四川 廣漢 618307；2.南京航空航天大學 自動化學院，南京 211106）

0 引言

表面肌電信號是一種生物電流信號，對表面肌電信號的研究可以促進人機交互的發展，目前表面肌電信號已廣泛應用于體育運動器械、游戲娛樂產品、手語識別等領域。其中，以仿生智能假手為例，通過采集患者的表面肌電信號，或是表面肌電信號和腦電信號的結合，成功解決了殘疾人的生活問題。未來的仿生智能假手還應向更高級別的智能化、人性化發展，不僅要滿足患者生理上的需求，還應給予心理上的舒適感，而要想實現這個目標，需要提升表面肌電信號的識別性能。因此，對表面肌電信號的識別率的提高進行分析具有重要的研究意義。

手勢動作識別是肌電信號最重要的應用之一。文獻[1]應用HMM（Hidden Markov Model，隱馬爾科夫模型）方法對6種肢體的運動進行識別，結果表明識別的準確率高于傳統的識別方法，可以達到95.5%以上。文獻[2]利用小波包變換結合LVQ（Learning Vector Quantization，學習向量量化）神經網絡對伸腕、屈腕、張手、握拳等4種手部動作進行分類識別，對伸腕、屈腕動作的識別率均為100%，對張手、握拳動作的識別率均達到92%，平均識別率為96%。文獻[3]利用支持向量機對張手、握拳、伸腕、屈腕等4種手部動作進行分類，識別率平均為95.625%。文獻[4]利用BP神經網絡對伸腕、屈腕、張手、握拳等4種手部動作進行分類識別，正確率達95%以上。

本文將小波閾值及小波包變換組合提取特征，在單一隱藏層的BP神經網絡進行識別的前提下，觀察這種組合所達到的最終識別效果。

1 表面肌電信號的濾波處理

一個完整的肌電信號識別過程需要經過表面肌電信號的采集、預處理、特征提取和模式分類，最終得到分類結果。而濾波處理是預處理的主要環節，作為特征提取和模式分類的前置工作顯得尤為重要。通常采集到的表面肌電信號中的有用信號成分往往比噪聲信號低2～3個數量級，如果數據不先經過濾波，有用信號會埋沒于噪聲信號中，將不利于表面肌電信號的特征提取，造成后續分類準確率的下降。

小波閾值去噪的基本原理是：對信號進行小波分解，給分解后的小波系數設定閾值，將高于閾值的判定為有用信號，低于閾值的判定為噪聲信號，去除噪聲對應的小波系數，然后將信號進行重構，得到的便是去噪后的信號。因而小波閾值去噪的過程分別是小波分解、閾值選取和信號重構。其中，閾值的選取和量化是小波閾值去噪的關鍵。常見的閾值選取規則有Rigrsure、Sqtwolog、Minimaxi和Heursure等4種。閾值的量化分為軟閾值和硬閾值。

小波閾值去噪的關鍵是閾值的選取。閾值選取過大，會造成有用信號的丟失，不利于后續的特征提取，分類識別；閾值選取過小，去噪效果不好，有用信號埋沒于噪聲信號中，提取出的特征量混雜了噪聲信號的部分，同樣會造成分類準確率的下降。

常見的小波閾值去噪法有默認閾值去噪、給定閾值去噪、強制去噪。由文獻[5]可知，給定閾值去噪相對于默認閾值去噪可靠性更高，盡管強制去噪能夠有效地抑制噪聲，去噪后的波形相對于另兩種更為平滑，但是可能會丟失信號中的有用成分。因此，將小波給定閾值去噪作為濾波處理方案。

現以“握拳”這一動作為例，觀察“握拳”產生的肌電信號經小波閾值去噪后的效果。

以4 s為一幀，取一幀的表面肌電信號并觀察信號能量集中段所在區間（本例中為2.8～3.2 s）的波形，“握拳”信號在該區間內的時域圖如圖1所示。

圖1 “握拳”的表面肌電信號

依據wmaxlev函數（最大分解層數）確定分解層數為6層，分解后的頻段小波系數cd1含有大量的噪聲和少量的有用信號，cd2含有少量的噪聲，因此需重點對這2個頻段的小波系數設定閾值。經調試，當cd1的閾值取Thr1=20，cd2的閾值取Thr2=15時能夠基本實現去噪，重構后的信號波形如圖2所示。

圖2 小波閾值去噪效果圖

2 表面肌電信號的特征提取

表面肌電信號需要對其進行特征提取，才能將其運用于肢體的動作識別。文獻[6]給出了3種常見的特征提取分析方法：時域分析、頻域分析和時頻分析。

2.1 時域特征提取

選取平均絕對值（MAV）、均方根（RMS）、過零點數（ZC）、自回歸（AR）系數和符號改變斜率（SSC）等5種時域特征對表面肌電信號進行特征提取。

1）絕對平均值：

式中：xi為當前采樣數據；N為滑動窗的長度。

2.2 頻域特征提取

單單時域提取出的特征量還不能夠完全體現表面肌電信號的特性，還需進行頻域特征提取。表面肌電信號的頻域特征提取主要采用的是功率譜分析方法，通過功率譜估計計算出功率譜密度，從而提取出頻域特征參數。

由文獻[7]提出平均功率頻率（MPF）和中值頻率（MF）等2種特征參數，其可抵抗噪聲并具備較強的信號混疊能力，因而被廣泛認為是一種可靠的、準確度高的頻域特征參數。

1）平均功率頻率：

其中：f為頻率；PSD（f）為功率譜密度函數。

2.3 時頻特征提取

傅里葉變換只能反映頻域上的特征，不能反映時域上的特征。許多從事sEMG研究者希望能得到信號的頻率隨時間變化的規律，即利用時頻分析方法來研究信號的特征。

小波變換是近年來流行的一種分析方法。小波變換的特點是：在低頻具有低的時間分辨率和高的頻率分辨率而在高頻區域則相反。因此小波變換能夠應用于各種信號，能夠對表面肌電信號這類突變信號進行處理。

小波變換的數學表達式為

式中：τ為小波函數的平移量；a為小波函數的尺度伸縮量；f(t)為信號時域函數；Ψ((t-τ)/a)為小波基函數。

小波變換僅對信號的低頻部分做分解，針對高頻部分不再繼續分解，它能夠很好地處理以低頻信息為主的信號，但不能很好地處理含有大量細節（以高頻為主）的信號。而小波包變換既可以分解低頻信號，也可以分解高頻信號，可以處理大量中高頻信息。

鑒于小波包變換處理信息量上多于小波變換，選取小波包變換作為時頻域特征參數的提取方法。

對肌電信號進行小波包分解，得到一個小波包系數矩陣。為了提高后續信號分類識別率，要求對小波包系數矩陣進行特征提取。本文選擇小波包系數奇異值、小波包系數最大值、小波包系數能量作為特征值。

1）小波包系數奇異值。

若A是m×n的任意矩陣，則ATA是一個方陣，對這個方陣求特征值，計算公式如下：

2）小波包系數最大值。

小波包系數最大值它能夠反映每一層信號的最大頻率，因此作為信號的特征是可行的。求出的每一層的小波包系數的最大值還要進行對數處理，從而將因手部動作導致肌電信號幅值波動降為最小。由小波包系數最大值組成的特征向量為

3 基于BP神經網絡的動作識別

圖3為本文的BP神經網絡模型，為研究去噪和特征提取對最終識別率的影響，選用單一隱藏層的網絡模型，輸出層節點數為6，輸入層節點數為特征向量的維度。運用Matlab自帶的神經網絡工具箱對模型進行訓練。將3/4的輸入特征量用于訓練，構造出合適的網絡模型，剩余1/4的數據用于預測，得到分類結果，驗證網絡的有效性。

圖3 神經網絡模型

握拳、張手、內旋、外旋、腕伸、腕屈等6種上肢動作經3次實驗后的分類結果如表1所示。

表1中，各個動作的分類準確率范圍是97%±2%，而6種動作的平均識別率達到了98%以上，較好地對6種手部動作進行了分類識別。

表1 神經網絡分類準確率

4 結語

對6種上肢動作信號進行小波閾值去噪，結合時域、頻域和時頻分析對信號進行特征提取，利用BP神經網絡對特征量進行訓練和測試。結果表明，在利用單一隱藏層的BP神經網絡進行分類的前提下，由小波閾值去噪結合時域、頻域及基于小波包變換的時頻特征提取能夠對信號進行較好的處理，從而利于后續的分類識別。