基于表面肌電信號的雙手平衡狀態識別研究*

張夏豐, 闞 秀, 曹 樂

(上海工程技術大學 電子電氣工程學院,上海 201620)

0 引 言

智能假肢手可以幫助肢體殘疾者恢復部分手部功能，同時較大地改善了截肢者的生活質量[1,2]。同時隨著科技的進步,智能假肢手的功能也在不斷完善。但人手是一個復雜的結構,如何將智能假肢手完善成像人手這樣一個復雜的系統，且滿足殘疾者的日常使用需要是目前該領域的一個重要的研究方向[3]。

表面肌電(sEMG)信號是一種由于肌肉收縮在皮膚表面產生的微弱電信號,其中包含有豐富的肢體運動信息,且該信號可以方便通過無創的方式采集,是智能假肢手控制的理想信號源。文獻[4]通過采集單臂肌電信號將表面肌電信號的定量分析方法應用于手臂運動的估計;文獻[5]通過將肌電信號與近紅外信號結合的方式對單手運動進行識別;文獻[6]采用前臂表面肌電信號實現針對伸食指、握拳、伸腕、曲腕四種手勢的識別;文獻[7]通過單通道表面肌電信號實現了對手部關節信號的識別。當前針對肌電控制假肢手的研究中大多集中于單手肌電信號的研究,對雙手協同過程中肌電信號關系研究較少。

本文針對智能假手控制領域對雙臂協同方面的需求,以5種雙手平衡狀態為研究對象,采用自主設計肌電采集系統,選擇性放置采集電極以獲取雙臂表面肌電信號,并對所采集信號進行數據預處理,分別提取肌電信號中的時域特征與頻域特征并進行特征分析,最后分別采用3種識別模型對5種雙手平衡狀態進行識別,獲得了較好的識別效果。

1 系統設計

本文采用自主設計采集系統，系統包括8通道肌電采集裝置及姿態采集裝置,肌電采集裝置主要由模擬前端、主控模塊以及信號傳輸塊組成。其中模擬前端電路由TI公司推出的用于生物電信號采集的醫療級集成模擬前端芯片ADS1298及其外圍電路組成,該芯片內置可編程增益放大器(PGA),及8個24位高分辨率模數轉換器(ADC),最大采樣率可達到32 ksps[8],為滿足肌電信號采集需求,本文采樣率設置為1 kHz。主控模塊及無線傳輸模塊分別由STM32F103及ESP8266組成。系統中姿態采集裝置主要由HI219模塊及藍牙組成,其中HI219模塊為超核電子推出的一種低成本、高性能9軸IMU模塊,該模塊內部集成低功耗微處理器,可直接輸出3維方位數據。圖1所示為采集系統,其中8通道肌電采集模塊分別采集雙手肌電信號,姿態采集模塊置于實驗裝置內部,用于采集實驗裝置的平衡狀態。

圖1 采集系統硬件

2 實驗設計與數據處理

2.1 實驗設計

實驗選取6名受試者,均為男性,年齡在22～25周歲,無神經系統疾病或其他肌肉相關疾病史。在實驗開始前,受試者保持肌肉放松,使用酒精清潔肌電采集點。實驗分別選取雙臂橈側腕長伸肌、橈側腕屈肌、尺側腕伸肌以及肱二頭肌作為采集肌肉組,實驗開始前將Ag/AgCl電極貼于上述肌肉組。開始實驗時受試者分別以平衡、前傾、后仰、左傾、右傾5種平衡狀態托舉實驗箱體,在每次托舉結束后手臂恢復放松狀態。為避免肌肉疲勞對實驗產生影響,受試者每進行一輪實驗后休息3 min以放松肌肉。圖2所示為受試者分別執行5種平衡狀態。

圖2 平衡狀態

2.2 數據預處理

采集裝置設計時,前端電路已設計有RC濾波電路,用于濾除高頻信號。由于環境噪聲等影響,在采集過程中仍會有一定的噪聲信號[9]。若直接對帶噪信號進行分析對結果會產生一定的影響,在進行數據分析前,需消除信號中噪聲以提高信噪比。

原始信號中,由人體的運動等情況容易致使原始信號產生基線漂移,影響信號質量。基線漂移一般為低頻信號,本文采用零相移濾波器提取出3 Hz以下低頻信號,將原始肌電信號減去所提取的低頻信號。如圖3所示為去除基線漂移前后肌電波形圖,經處理后基線漂移情況得以改善,且同時消除了信號中存在的原始電位,使靜息電位恢復為0 mV。

圖3 去基線漂移

去除基線漂移后,本文通過采用小波閾值降噪的方法去除仍存在噪聲[10～12]。在小波降噪中小波基的選擇對降噪效果有較大影響,針對本文所采集的信號特點,選用了sym8小波基作為母小波,并根據降噪效果將分解層數確定為4層。圖4為小波降噪前后信號對比,其中，小波去噪閾值分別選用Heursure閾值與Rigrsure閾值做對比,信號經過小波降噪之后信號中噪聲進一步降低,通過對結果觀察其中Heursure閾值降噪效果優于Rigrsure閾值。本文選用降噪效果較好的Heursure閾值降噪后的數據作為預處理結果進行后續分析。

圖4 小波降噪

2.3 活動段劃分

準確判斷肌電信號起止點是保證分析結果正確性的關鍵前提[13],本文采用倒譜距離測量法進行肌電活動段劃分，根據每個信號幀與噪聲幀的倒譜距離的軌跡進行檢測和判斷[14,15]。若原始肌電信號為xi(m)且其頻譜為Xi(ω),則信號xi(m)的倒譜ci(n)可看成是Xi(ω)的傅里葉級數展開,即

(1)

式中ci(n)為倒譜系數,ci(n)=ci(-n)為實數,且存在

(2)

dcep=4.342 9×

(3)

式中p為所取倒譜系數的階數。

圖5 活動段劃分

2.4 特征提取

為有效區分不同平衡狀態,針對本文所采集肌電信號特點,分別提取肌電信號波形長度(WL)、均方根(RMS)值時域特征與平均功率頻率(MPF)、中位頻率(MF)頻域特征。其中,WL為窗口范圍內相鄰各個數值絕對差值之和,計算方法如下

(4)

RMS值為窗口內各個數值的平方和取均值后取其平方根得到,RMS值反映了窗口范圍內表面肌電信號的有效值,計算公式如下

(5)

MPF為經過功率譜曲線重心的頻率,其計算公式如下

(6)

MF為將功率譜分為兩個面積相等區域的頻率,在肌電信號頻域分析中起重要指標,計算公式如下

(7)

式中P(f)為肌電功率譜。

2.5 特征分析

本文針對每種平衡狀態選取100組特征數據并求取其均值,表1～表4分別為8通道肌電數據中WL、RMS、MPF、MF共4個特征在5種平衡狀態下的特征均值,4個特征中RMS特征數值較小,為方便觀察與分析,將表中數據均擴大100倍。4個特征表中左手1～4通道與右手1～4通道所處肌肉位置相對應。

表1 WL特征

表2 RMS特征

表3 MPF特征

表4 MF特征

通過特征表可得,左傾狀態時與右傾狀態相比,WL特征除雙手通道2中變化趨勢相同,其余各通道均呈相反變化趨勢；在RMS特征中除通道1中變化趨勢相反,雙手其余各通道均呈相同變化趨勢；頻域MPF特征中通道3幅值變化明顯,且雙手呈相反變化趨勢；MF特征中雙手通道2與通道3特征幅值變化明顯，且通道2中變化趨勢相同,通道3中變化趨勢相反。前傾狀態時與后仰相比WL特征中通道1與通道3呈相同變化趨勢,其余兩通道特征幅值變化趨勢相反；在RMS特征中左手通道1與通道2特征幅值變化明顯,但右手對應通道特征幅值基本相同,無明顯變化,雙手通道4中特征幅值變化趨勢相反；頻域MPF與MF特征中雙手通道3變化趨勢相反,且左手特征幅值變化較大。前傾、后仰、左傾、右傾4種狀態下各特征幅值與水平狀態相比均有不同變化趨勢。

3 實驗結果分析

本文選取部分樣本,采用SVM、KNN、BP神經網絡3種流行識別模型對5種平衡狀態進行識別,識別結果如圖5所示。

圖6為SVM算法的識別結果,其中類別標簽1～5分別對應水平、前傾、后仰、左傾、右傾5種平衡狀態。通過表5可得SVM的平均識別正確率為93.4 %，BP神經網絡的平均識別正確率為91 %，KNN的識別正確率為86.5 %,3種識別模型中SVM的平均識別率最高。5種平衡狀態中,水平狀態下的識別正確率較低,其中SVM在水平狀態下識別正確率為83 %,高于其他兩種模型。通過對圖6觀察可得,平衡狀態下被錯分的樣本中除少量被錯分為左傾狀態外,其余均被錯分為右傾狀態。SVM對5種平衡狀態的識別中,其中左傾狀態識別率為94.5 %,低于BP的99 %。其余平衡狀態下其識別正確率均高于其他兩種模型,其中后仰狀態的識別率最高,達到了99.5 %。通過圖6中SVM識別結果可得,前傾、后仰、左傾、右傾4種非水平狀態被錯分的樣本中,前傾狀態下被錯分的樣本均被錯分成右傾狀態,而右傾狀態被錯分的樣本中均被錯分成了水平狀態。左傾狀態被錯分的樣本中除少量被錯分成后仰狀態，其余均被錯分為右傾狀態或平衡狀態。后仰狀態僅有一個樣本被錯分為水平狀態。

表5 不同算法分類正確率結果 %

圖6 SVM分類結果

4 結 論

本文提出了一種基于表面肌電信號的雙手平衡狀態識別方法,通過自主設計的肌電信號檢測系統對表面肌電信號采集,根據數據特點進行數據預處理并提取有效活動段。在對提取的肌電數據進行時域與頻域特征分析的基礎上,將所提取特征組成特征矩陣并輸入3種識別模型,最高識別精度達到93.4 %,能夠滿足基本測試需求。實驗結果表明：所提出的基于表面肌電信號的雙手識別模型對雙手平衡狀態識別具有較好的效果,為假手的智能控制提供重要的技術支撐。