基于肌肉協同的表面肌電通道選擇方法

摘要：將不同肌肉對運動任務的貢獻度作為最優通道選擇的優化準則，提出了基于肌肉協同（Muscle Synergy，MS） 的通道選擇方法。首先對原始肌電信號進行預處理，提取時域特征，然后使用非負矩陣分解（Non-Negative Matrix Factorization，NMF） 算法分別對每個手勢動作提取肌肉協同矩陣并進行轉換；再將每個手勢動作在各個肌電通道上的肌肉權重系數進行求和， 得到所有肌電通道的重要性系數； 最后通過支持向量機（Support Vector Machines，SVM）、隨機森林（Random Forest，RF）、K 近鄰分類器（K-Nearest Neighbor，KNN） 進行分類。采用Ninapro 數據庫中DB5 子數據庫記錄的表面肌電信號對該方法進行測試，測試結果表明，提取10 個最優通道時，與以往研究中提出的順序前向選擇（Sequential Forward Selection，SFS）、馬爾可夫隨機場（Markov Random Field，MRF） 和Relief-F 通道選擇方法相比，本文方法確定的肌電信號子集獲得的識別精度與MRF 和Relief-F 方法相近，比SFS 方法略低，但計算成本比它們均低。

關鍵詞：表面肌電信號；肌肉協同；通道選擇；手勢識別；非負矩陣分解

中圖分類號：TP391 文獻標志碼：A

表面肌電信號（Electromyography，EMG）作為一種電生理信號，可以反映肌肉的興奮程度，在手勢識別、假肢、康復設備、遠程控制機器人等領域中發揮著重要的作用[1-3]。

由于對生物信號進行分類時，分類的準確性很大程度上受到生物信號信息量的影響[4]，使用更多的肌電電極可以捕獲更多的電生理信息[5]，故手勢識別精度的提高往往需要增加肌電通道的數量[6]。但信道的增加不僅會造成較高的肌電控制系統成本，且增加了數據處理的負擔，還會造成通道之間的信號串擾等問題[7]，使得在實時肌電控制系統中不切實際。因此，選擇適當數量的、具有理想分類性能的肌電通道是有必要的。

肌肉協同（Muscle Synergy， MS） 理論認為， MS是中樞神經系統控制肌肉骨骼系統完成各種運動的最小單位[8]。通過提取肌肉協同效應，可以估計肌肉骨骼系統完成各手勢任務的最小單位，從而確定包含肌電信號信息量最多的肌電通道。

在肌電控制系統中，用于確定肌電電極數量和位置的方法有兩種。一種是基于骨骼肌生理上已知的解剖知識[9-10]，該方法對于骨骼肌功能完好的人，可以快速地確定肌電電極的最佳位置，但對于骨骼肌功能不完備的人來說，在進行肢體活動時，由于他們的肌肉收縮與正常人不同，以及肌肉的損傷程度、位置可能不一致，所以很難用這種方法來確定合適的電極位置。另一種方法則是基于一定的優化準則。在之前的基于肌電模式識別最優信道選擇研究中，Qu 等[11] 將Relief-F 算法應用于最優肌電通道選擇，從8 個肌電通道中選擇了4 個最優通道， 獲得了99.53% 的手勢識別準確率。Huang 等[12] 使用了一種基于順序前向選擇（Sequential Forward Selection，SFS）的電極通道選擇方法，該方法在大量降低電極通道的同時，其分類精度僅比使用其他電極通道時降低1.2%。但該方法以高分類精度為優化目標，需對肌電通道進行反復搜索，直到得到要求數量的通道，花費的時間較長。此外，該方法在選擇最優通道時，主要依靠分類器的重復實現來完成，相對于其他通道提取方法，搜索最優通道的時間對分類器的模型復雜度較為敏感。Liu 等[13] 使用了馬爾可夫隨機場（Markov Random Field，MRF） 方法來進行最優通道選擇，使用K 近鄰（K-Nearest Neighbor，KNN） 分類器對所選通道的特征進行分類。該方法可有效減少不同通道的冗余信息，且獲得了與使用所有肌電通道相似的高分類精度，但也存在計算成本較高的問題。