基于sEMG 信號的下肢康復動作識別算法

譚智峰，張 磊，苗 娟，劉劍偉，陳永源

（1.山東信息職業技術學院，山東 濰坊 261000；2.山東澤普醫療科技有限公司，山東 濰坊 261000）

由于生活方式的改變和人口老齡化的加劇，我國越來越多的人患有下肢疾病。由于康復醫師的短缺，超過50%的患者在治療過程中無法得到有效的康復治療，這嚴重影響到患者的康復。長期而言，這種情況給患者及其家庭帶來了沉重的負擔[1]。在康復治療過程中，交互式康復訓練的作用十分重要，因其能夠調動患者的積極性和增加患者依從性，同時也減輕了醫護人員的負擔。對于交互式康復訓練而言，康復訓練動作識別至關重要。有效提取動作特征、提高康復訓練動作識別準確率是當前需要解決的問題。

表面肌電信號（surface electromyography，sEMG）是一種記錄肌肉收縮狀態的神經電信號，其具有無創傷、易于操作和實時性等優點，在臨床診療和醫療康復輔助機器人等領域得到廣泛應用[2]。因此，基于sEMG 信號的分類器在康復訓練動作識別中有著重要的研究意義和應用價值。本文運用機器學習方法對表面肌電信號進行分析，研究下肢多種不同被動訓練動作的識別。

1 肌電信號數據采集

利用國產的ELONI 肌電儀采集肌電數據，采樣頻率為1 000 Hz，選取27 個受試者參與數據的采集，分別執行5 種不同訓練動作。包括站立動作（類別1）、站立單抬腿動作（類別2）、坐立動作（類別3）、坐立單抬腿動作（類別4）和邁步動作（類別5），每名受試者每種不同的動作重復采集10 次。

人體下肢在運動時，主要運動肌肉群包括股直肌（Rectus Femoris，RF）、脛骨前肌（Tibialis Anterior，TA）、股外側肌（Vastus Lateralis，VL）、股內側肌（Vastus Medialis，VM）、半腱肌（Semitendinosus，ST）、股二頭肌（Biceps Femoris，BF）、腓骨長肌（Peroneus Longus，PL）[3]、內側腓腸肌（Medial Gastrocnemius，MG）、外側腓腸肌（Lateral Gastrocnemius，LG）及比目魚肌（Soleus Muscle，SM），其位置如圖1 所示[4]。

圖1 下肢肌肉示意圖

由于肌肉通道數增加導致冗余信號過多，為了更好地分析和處理數據。本研究選擇了8 塊重要的肌肉作為研究對象，包括RF、VL、VM、BF、ST、PL、MG 和LG，采集這些肌肉表面肌電信號。

在采集sEMG 數據的過程中，容易受到周圍環境多種噪聲的干擾，如50 Hz 的交流電路工頻干擾、人體內生物電信號（例如心電和眼電等）以及采集設備自身的固有噪音等。這些因素可能會降低sEMG 信號的質量。鑒于工頻干擾與肌電信號的有效頻率區間存在重疊，需要保護鄰近頻率的信號和避免失去原始sEMG信號中的信息，為此，在進行sEMG 信號采集時，需要盡可能遠離手機等潛在的干擾設備。采用電池組對采集系統進行供電，從而減少交流電所產生的工頻干擾，提高信號的精度。

2 康復動作識別

當患者使用康復機器人進行康復訓練時，需要對患者進行康復訓練動作的識別。這樣才能控制康復輔助機器人，幫助患者更好地完成康復訓練。這里利用肌電信號訓練機器學習分類模型對康復動作進行識別。基于機器學習分類算法的識別流程圖，主要包含數據預處理、特征提取、分類算法識別流程（圖2）。

圖2 康復動作識別流程圖

2.1 數據預處理

采集肌電信號時，往往會受到環境影響和其他不可控因素的干擾，導致出現多種噪聲。為了進一步進行信號分析研究，需要對原始數據進行適當的預處理。

根據研究結果顯示，sEMG 信號的大部分信息主要存在于0～500 Hz 的頻率范圍內。高頻區域（500～1 000 Hz）的sEMG 信號可能會受到混疊干擾[5]；低頻區域（1～10 Hz）則主要會受到電纜運動和測量電極與皮膚相對運動等影響而產生噪聲。因此，這里使用的是一個截止點為20 Hz（低）和450 Hz（高）的有限脈沖響應帶通濾波器[6]。

2.2 特征提取

肌電信號是一種隨時間變化的瞬態、非平穩信號。由于單個樣本數據無法準確反映肌肉活動狀態，因此需要對肌電數據進行加窗處理。在本研究中，使用了長度為100 ms、步長為50 ms 的滑動窗口對數據進行處理。

數據經過加窗處理之后，對于每個窗口內的序列數據，需要提取出該段數據的特征。時域特征和頻域特征是目前應用最廣泛的特征提取方法。sEMG 信號的時域特征是指基于統計方法計算的特征指標，將肌電信號視為隨時間變化的函數。常用的時域特征包括均方根、方差、平均絕對值、過零次數、平均絕對值斜率、波形長度、斜率符號變化和最大值等。而sEMG 信號的頻域特征，則是通過傅里葉變換將表面肌電信號的時域信號轉換為頻域信號，以便更好地分析其頻譜或功率譜特征。與時域特征相比，頻域特征能夠克服時域信號受噪聲影響較大、相對較弱的局限性，并且更容易提取穩定的特征指標。常見的頻域特征包括平均頻率、平均峰值頻率、中值頻率、平均功率、功率譜比、頻率比和中心頻率方差等。

為從所有窗口的信號中提取有用信息，同時避免信息冗余過多，需要選擇合適的特征。在本研究中，采用了8 個常見肌電信號特征進行研究，包括均方根、絕對平均值、波形長度、過零次數、斜率符號變化、平均頻率、中值頻率和平均峰值頻率。這些特征可以更精確地反映出肌肉活動的狀態。特征提取過程示意圖，如圖3所示。

圖3 特征提取示意圖

2.3 分類算法識別

在確定特征向量后，可以使用分類算法對這些特征向量進行分類以識別康復動作。目前比較流行的機器學習分類方法包括線性判別分析、支持向量機、最近鄰算法、樸素貝葉斯分析和隨機森林，此外，還有卷積神經網絡和循環神經網絡等深度學習方法。

DenseNet 網絡模型是Huang 等[7]于2017 年提出的密集連接卷積神經網絡模型，DenseNet 采用Dense－Block 和Transition Block 2 種結構。DenseBlock 主要用來保持訓練中的特征圖像大小尺寸一致，實現特征的重復利用，主要結構BN+ReLU+Conv，如圖4 所示。Transition Block 主要用于2 個DenseBlock 層之間，降低特征圖像大小，保持特征圖大小一致。由1 個卷積層和1 個平均池化層構建組成：BN-ReLU-1×1 Conv-2×2Pooling。如圖5 所示，起到壓縮模型的作用。

圖4 DenseBlock 結構

圖5 Transition Block 結構

本研究使用卷積神經網絡算法對sEMG 進行識別，在數據采集過程中，采集了8 塊肌肉的肌電信號。在特征提取部分，提取了肌電信號的8 個特征。因此卷積神經網絡的輸入為8×8 的大小，輸出為5 種不同訓練動作的概率，取概率最大值所對應的動作作為識別出的結果輸出。卷積神經網絡整體結構如圖6 所示。

圖6 卷積神經網絡模型結構

3 結果

本研究除了使用設計的卷積神經網絡對康復動作識別以外，還分別使用支持向量機、k 最近鄰、隨機森林對提取到的特征向量進行分類。分類結果見表1。

表1 康復動作識別評價%

4 結束語

本研究提出了一種基于深度學習模型的sEMG 信號下肢康復動作識別算法，實驗結果表明本研究提出的方法較比傳統機器學習方法在sEMG 信號下的下肢康復動作識別率上有較好效果，準確率、精確率、召回率、F1 值分別為83.73%、82.56%、86.94%、84.69%。但是由于實驗人數較少的原因，導致數據量不夠充裕。下一步擬采集大量的表面肌電信號數據，并且對超參數進行精調優化，以便取得更好的識別精度。