基于sEMG和LSTM的指尖力預測*

劉樂遠,曹 樂,闞 秀,張文艷

(上海工程技術大學 電子電氣工程學院，上海 201620)

0 引 言

表面肌電(surface electromyography,sEMG)信號是人體自身的資源，蘊含著關聯人體運動的豐富信息[1]。人手的運動信息包括手勢、動作大小、動作快慢、動作力輸出等。早期的肌電控制假手，大多是根據最為直觀的肌電幅度變化，控制假手的“開關”[2]。近些年來，國內外學者對肌電和假肢控制的研究頗多。Zhang Z等人提出了一種新的手勢預測方法，利用循環神經網絡(recurrent neural network,RNN)模型從sEMG數據中學習并預測手勢[3]。同時，王濤等人提出的基于動作因素和個體因素的雙線性模型，為肌電假肢手的控制提供了新的思路[4]。針對不同的需求，研究的重點也逐漸分化，如基于肌電信號的兩自由度假肢，追求更快的響應速度[5]。而成娟等人對多種手指按鍵動作的識別研究，則對虛擬現實具有重要意義[6,7]。越來越多的方法被使用在肌電分析中，如采用線性判別分析(linear discriminant analysis,LDA)進行抓握模式的識別[8]、采用廣義回歸神經網絡(generalized regression neural network,GRNN)預測踝關節運動[9,10]等。而對于假手相關動作的指尖力研究較少。

本文通過自主搭建的實驗平臺，采集4種不同手指點擊動作下的sEMG信號和指尖力信號，經過信號提取及處理、動作分類、模型建立等步驟，最終實現了網絡對指尖力的準確預測。

1 測試系統與方法

傳統sEMG電采集方法中，多為模擬電路搭建，包括前置放大電路、濾波電路、ADC調理電路等[11]。使用分立元器件搭建電路，存在功耗高、調試困難的缺點。針對上述問題，采用ADS1298模擬前端，搭建了一種集成度較高的多通道肌電采集設備。 ADS1298每個通道的功耗只有0.75 mW，內部集成24位高精度Δ-∑ADC，具有可編程增益放大器，可通過設置寄存器調節放大倍數等參數，采樣頻率最大可設置為320 kS/s，充分滿足肌電信號采集頻率。ADS1298的一個顯著優點是，為心電采集預留的一個右腿驅動電路，而使用在肌電測量中，則可以用于連接人體，用來抑制系統的共模干擾。 ADS1298的最終參數設置為：采集頻率1 kps，放大倍數為6，內部參考電壓Uref為2.4 V。則信號分辨率u為

(1)

指尖力測量采用FSR壓電傳感器(量程0～20N)，信號為模擬量連續輸出。測試系統框圖如圖1所示。

圖1 測試系統框圖

2 肌電信號處理

2.1 濾波、降噪

sEMG的信號處理包括濾波去噪和特征提取[12]。濾波去噪包括設計50 Hz陷波器和10～300 Hz高通濾波器。同時借鑒語音降噪(增強)用的譜減法，對濾波后波形進行降噪，濾波、降噪后波形如圖2所示。

圖2 sEMG濾波、降噪后波形

2.2 特征提取

肌電的特征提取主要是時域、頻域、時頻域[13]。為了保證時間的連續性，采用時域特征進行4種動作的分類和指尖力的預測。提取的時域特征包括平均絕對值(MAV)、均方根(RMS)、波形長(WL)、過零點(ZC)。4種特征值波形如圖3，N為時間窗長度，xi為時間窗內第i個表面肌電信號值，取N=100。

圖3 4種特征值波形

1)平均絕對值(MAV)：sEMG在幅值上表現出很強的隨機性，絕對值運算將信號的幅值全部轉換成正值，可以直觀地反映肌肉的收縮力量。滑動窗口下絕對值均值的表達式如下

(2)

2)均方根(RMS)：信號能量的一種量測，其表達式為

(3)

3)波形長(WL)：波形長是描述一段時間內信號變化幅值累加之和，是信號復雜度的一種量測，其表達式為

(4)

4)過零點(ZC)：零穿越次數描述一段時間內信號幅值變化過程中穿過x軸的次數，該特征從時域的角度對信號的頻域特征進行估計，滑動窗口下過零點的表達式為

(5)

3 指尖力預測模型

3.1 預測模型的建立

假設指尖力為Fc，傳感器對應采集到的電壓為U，建立式(6)、式(7)的關系，只要求得Φ，就能得到指尖力的預測值

U=0.15×Fc+0.2

(6)

Fc=Φ(Cf)

(7)

式中U為力傳感器電壓值，Fc為力數值，Cf為sEMG信號的特征值。回歸算法具有很好的非線性擬合能力，適用于對指尖力做擬合預測。

3.2 LSTM回歸算法

LSTM是一種特殊的時間RNN架構[14]。 LSTM的關鍵在于時間序列處理模塊和網絡連接線，信息在連接線上易保存。而信息在流轉過程中是添加還是刪除，則通過門來決定的，具體操作是通過一個sigmoid的神經層和逐點相乘。

LSTM的第一步是決定從時間序列處理模塊中丟棄的信息，通過一個遺忘門來完成。該門會讀取前神經元信息ht-1和當前輸入xt，輸出一個在0～1之間的值σ，來表示有多少數據量ft可以通過，公式如下

ft=σ(Wf·[ht-1,xt])+bf)

(8)

第二步是決定加入多少新的信息到時間序列處理模塊。首先，用一個sigmoid來決定更新的信息it；其次，用一個tanh層生成一個向量，即備選的更新內容t，公式如下

it=σ(Wi·[ht-1,xt])+bi)

(9)

t=tanh(Wc·[ht-1,xt])+bc)

(10)

第三步是最終決定輸出的值。通過一個sigmoid層來決定信息輸出的部分。然后，經過tanh處理得到具體值。信息輸出的部分和具體值相乘，實現確定部分的輸出ht，公式如下

ot=σ(Wo·[ht-1,xt]+bo)

(11)

ht=ot*tanh(Ct)

(12)

3.3 網絡模型

xt在網絡中為肌電時域特征特征值。LSTM網絡設置為3層，包括輸入層、隱含層、輸出層，輸入層設置輸入16個肌電特征維度，輸出層設置為1個預測力輸出，設置3個隱含層，參數分別設置為40，160，80，LSTM網絡的優化器使用AdamOptmizer，設置訓練最大次數為200，學習率設置為0.006。LSTM網絡結構如圖4所示。

圖4 網絡結構

4 實驗與結果

選取4名平均年齡為24歲的健康男性受試者作為實驗對象。通過4通道肌電采集設備，采集受試者4個前臂肌群拇長屈肌、指淺屈肌、指深屈肌、尺側腕屈肌的表面肌電信號[15]。指尖力測試4種動作設計分別為：拇指和食指點擊、拇指和中指點擊、拇指和無名指點擊、拇指和小指點擊。每次實驗的時長為不超過1 min，每個點擊動作間歇性用力，間隔時長1～2 s。每種點擊動作做3組。實驗動作和實驗場景如圖5。

圖5 實驗動作和實驗場景

4.1 分類結果

對每名受試者的每組實驗數據提取4種特征值，并打好標簽。通過支持向量機(SVM)和BP神經網絡對4種手指動作進行分類，使用遺傳算法(GA)優化兩種分類方法的參數。從分類結果來看，BP神經網絡的分類準確度為92.5 %，SVM的分類準確度為94.3 %，SVM的分類結果優于BP神經網絡的分類結果。4名受試者2種不同網絡的4種手指分類結果，如表1所示。

表1 4名受試者2種分類方法結果

4.2 預測結果

提取不同表面肌電信號的4種特征值，并對每種特征值進行單獨歸一化。力傳感器的數值作為訓練集的對比輸出。測量了多組1 min的數據，使用GRNN、LSTM網絡分別進行訓練。對于GRNN，使用交叉驗證尋找最佳的spread參數。對于LSTM網絡，優化器使用AdamOptmizer，設置訓練最大次數為200，學習率設置為0.006。其中，LSTM網絡對于受試者3的指尖力預測結果如圖6所示。

圖6 受試者3的4種指尖力預測結果

對于預測結果，采用均方根誤差來評價網絡預測的準確性。受試者3的4種指尖力預測均方根誤差為0.198 0，0.278 2，0.260 3，0.216 8，動作1的預測誤差最小，動作2的預測誤差最大。表2中列出4名受試者2種不同網絡的4種指尖力預測結果。

表2 4名受試者2種網絡的預測結果

4名受試者使用GRNN做4種指尖力預測均方根誤差為0.302 6,0.316 6,0.359 0,0.345 6，使用LSTM做4種指尖力預測的均方根誤差分別為0.205 6,0.271 0,0.257 1,0.210 7。雖然受試者不同，但2種網絡對于拇指和食指的指尖力預測誤差都小于其他3種動作的指尖力預測誤差。且LSTM的均方根誤差明顯小于GRNN的均方根誤差。因此，使用LSTM對指尖力的預測更為準確。

5 結 論

本文研究以假手對力精準控制的需求為背景，提出了一種基于sEMG信號和LSTM的指尖力預測方法，對4種手指動作進行sEMG信號和指尖力的同步采集，并對肌電信號進行預處理和特征提取。首先，通過遺傳算法(GA)優化的 BP,SVM對手指動作進行正確分類，再使用LSTM網絡對手指指尖力進行進一步預測。分類結果表明：SVM的分類效果優于BP網絡，分類精度達到了94.3 %；預測結果表明：LSTM的均方根誤差在1.3～1.7 N，GRNN的均方根誤差在2.0～2.3 N，證明了LSTM在處理時間序列肌電信號的力預測上有顯著的性能提高，為基于肌電的智能假手高精度控制提供了一種有效的研究方法。