張啟忠 席旭剛 馬玉良 羅志增 佘青山

(杭州電子科技大學(xué)智能控制與機(jī)器人研究所，杭州 310018)

引言

肌電信號(hào)(electromyography，EMG)是一種伴隨肌肉活動(dòng)的生物電信號(hào)，是眾多肌纖維中運(yùn)動(dòng)單元?jiǎng)幼麟娢坏寞B加，蘊(yùn)含了肌肉活動(dòng)的各種信息。通過(guò)提取截肢者自身殘端的EMG 信號(hào)，利用其蘊(yùn)含的動(dòng)作模式信息，可以達(dá)到假手智能控制的目的。

目前，肌電假手智能控制的研究主要集中在相關(guān)的基礎(chǔ)領(lǐng)域，如肌電信號(hào)采樣頻率的確定和采樣窗口范圍變化對(duì)動(dòng)作模式識(shí)別率的影響［1-2］，以及實(shí)時(shí)的肌電信號(hào)消噪方法［3］。也有研究從肌電信號(hào)中提取不同類型的特征，選用合適的分類器以實(shí)現(xiàn)精細(xì)動(dòng)作模式的區(qū)分，從而控制智能假手的動(dòng)作［4-5］。然而，從特征及分類器選取角度研究以提高動(dòng)作模式識(shí)別率的并不多，往往只是采用在相關(guān)肌肉組上盡可能多地布置采樣電極，從信號(hào)的時(shí)域或頻域中提取簡(jiǎn)單特征，如信號(hào)的平均幅值(MAV)、過(guò)零點(diǎn)數(shù)(NZC)、波形長(zhǎng)度(WL)、斜率符號(hào)變化數(shù)(SSC)等，最后用線性判別分類器等方法實(shí)現(xiàn)動(dòng)作模式的識(shí)別［6-8］。這種方法從理論上能提高動(dòng)作模式識(shí)別的實(shí)時(shí)性，然而在實(shí)際使用中特征信號(hào)的波動(dòng)范圍很大，識(shí)別率并不理想，而且過(guò)多的采樣電極、規(guī)模偏大的調(diào)理電路，讓使用者穿戴不方便。因而，尋找理想的肌電信號(hào)動(dòng)作模式特征，設(shè)計(jì)分類能力強(qiáng)且具有增強(qiáng)學(xué)習(xí)能力的模式識(shí)別方法，是值得重視的研究方向。

本研究是從肌電信號(hào)的產(chǎn)生機(jī)理出發(fā)，選取能從整體及細(xì)節(jié)兩方面表征出肌電信號(hào)序列形態(tài)特征的非線性信息，設(shè)計(jì)具有增量學(xué)習(xí)能力的動(dòng)作模式分類器，實(shí)現(xiàn)對(duì)手腕的4 種精細(xì)動(dòng)作模式腕右旋、腕左旋及腕伸、腕屈的識(shí)別，用于肌電假手的控制。

1 表面肌電信號(hào)特征的選取

特征選取是模式識(shí)別的核心問(wèn)題。如果能從待識(shí)別對(duì)象中選取出所需的有效特征，且不同對(duì)象的特征差別較大，分類器就能比較容易地實(shí)現(xiàn)對(duì)不同模式的分類。下面從肌電信號(hào)的產(chǎn)生機(jī)理出發(fā)，尋找用于模式識(shí)別的特征信息。

動(dòng)作單元(motor unit，MU)是肌肉最小的收縮單位，由α 運(yùn)動(dòng)神經(jīng)元、終板及多條肌纖維組成，如圖1 所示。α 運(yùn)動(dòng)神經(jīng)元發(fā)放固定頻率值40 Hz 以下的δ 脈沖序列［9-10］，脈沖序列經(jīng)軸突、終板傳導(dǎo)到與之連接的肌纖維形成動(dòng)作電位序列(MUAPT)，引起肌纖維收縮而產(chǎn)生肌張力，并帶動(dòng)各關(guān)節(jié)運(yùn)動(dòng)。此時(shí)，如果在對(duì)應(yīng)組織處放置測(cè)試電極，則在檢測(cè)電極與參考點(diǎn)(如肘部)之間表現(xiàn)出電位差，檢測(cè)電極所募集的各動(dòng)作單元綜合形成的動(dòng)作電位即為表面肌電信號(hào)(sEMG)。

從數(shù)學(xué)上描述，若令第k 個(gè)動(dòng)作單元所產(chǎn)生的動(dòng)作電位序列MUAPT 為hk(t)。則表面肌電信號(hào)是M 個(gè)MUAPT 的總和，即

圖1 運(yùn)動(dòng)神經(jīng)元與肌纖維的電剌激傳播Fig． 1 The electrical stimulating propagation of motoneuron and muscle fibers

由于單個(gè)α 運(yùn)動(dòng)神經(jīng)元釋放的電信號(hào)為具有周期性的脈沖序列uk(t)，多個(gè)運(yùn)動(dòng)神經(jīng)單元的組合仍為周期性信號(hào)，因而從形態(tài)上分析肌電信號(hào)具有明顯的整體自相似性。同時(shí)，不同動(dòng)作模式參與的運(yùn)動(dòng)神經(jīng)單元、神經(jīng)纖維、肌纖維的數(shù)目等都是有區(qū)別的，信號(hào)在細(xì)節(jié)上又有其自身的復(fù)雜性。復(fù)雜性和整體自相似性是肌電信號(hào)的兩個(gè)重要特征。

近似熵是表征信號(hào)復(fù)雜度常用的指標(biāo)。由于近似熵算法只要有比較短的數(shù)據(jù)就能得出比較穩(wěn)健的估計(jì)值，同時(shí)又是有較好的抗噪及抗干擾能力［11］，因而是理想的計(jì)算肌電信號(hào)復(fù)雜度的算法。分形是研究具有自相似性、標(biāo)度不變性的非線性復(fù)雜系統(tǒng)的有效方法。自相似性是指某種結(jié)構(gòu)或過(guò)程的特征從不同的空間尺度或時(shí)間尺度來(lái)看是相似的，標(biāo)度不變性是指在研究對(duì)象上任選一局部區(qū)域進(jìn)行放大還會(huì)顯示原圖的形態(tài)特征。由于肌電信號(hào)具有此特點(diǎn)，因而用分形的概念來(lái)分析表面肌電信號(hào)是可行的。

筆者選用近似熵指標(biāo)及分維數(shù)的概念，分別表征時(shí)間序列信號(hào)的整體復(fù)雜度及自似性，能較完整地表達(dá)出信號(hào)的形態(tài)特征。

2 特征計(jì)算及模式識(shí)別方法

2.1 近似熵

近似熵是Princus 在1991 年定義的［11］。時(shí)間序列信號(hào)(x1，x2，…，xi，…xN)的近似熵算法步驟如下:

1)構(gòu)造m 維矢量集合X1，X2，…，XN-m+1，其中

2)計(jì)算矢量X(i)與X(j)之間的距離d［X(i)，X(j)］，定義為

3)給定閾值r(r 為選定的相似容限，r ＞0 )，對(duì)于每一個(gè)i ≤N -m +1，統(tǒng)計(jì)d［X(i)，X(j)］≤r 的數(shù)目，如果d［X(i)，X(j)］≤r，那么X(i)，X(j)就被認(rèn)為是近似的。計(jì)算近似矢量個(gè)數(shù)與矢量總數(shù)的比值，有

式中，f(·)為Heaviside 階躍函數(shù)。

4)定義φm(r)為(r)的平均值，即

5)對(duì)于m + 1，重復(fù)計(jì)算1 ～4 步，得到φm+1(r)。

6)近似熵ApEn 可定義為

由于信號(hào)序列N 的值是有限的，因而近似熵ApEn 用下式的統(tǒng)計(jì)數(shù)代替，即

對(duì)于相同的動(dòng)作模式，肌電信號(hào)的波形具有較強(qiáng)的相似性，而細(xì)節(jié)卻與手的動(dòng)作速度、用力大小等因素有關(guān)，如用原始信號(hào)直接求取信號(hào)的復(fù)雜度，同一動(dòng)作模式復(fù)雜度的值變動(dòng)范圍會(huì)較大，達(dá)不到理想的識(shí)別效果，因而還需對(duì)信號(hào)做下述處理:

1)求肌電信號(hào)的局部極大、極小值。通過(guò)插值函數(shù)獲得信號(hào)的上下包絡(luò)線，并對(duì)上下包絡(luò)線求平均，記為m(i)。以包絡(luò)線上同符號(hào)值s(i)替代對(duì)應(yīng)序列點(diǎn)上肌電信號(hào)原值x(i)，求信號(hào)x(i)與m(i)的差值，記為h(i)= x(i)- m(i)。其中，i 為肌電信號(hào)的序數(shù)，其值為1 ～N，N 為信號(hào)的長(zhǎng)度。

2)將h(i)信號(hào)歸一化。令hmax= max| h(i)|(i = 1，2，…，N)。最后按幅度歸一化，有

肌電信號(hào)動(dòng)作模式起跳時(shí)間的確定采用滑動(dòng)窗的方法，窗內(nèi)能量大于某閾值時(shí)，認(rèn)為動(dòng)作開(kāi)始，取后續(xù)的1 024個(gè)采樣點(diǎn)信號(hào)作為信號(hào)處理對(duì)象數(shù)據(jù)。預(yù)處理后計(jì)算信號(hào)的標(biāo)準(zhǔn)差STD，并取m = 2，r= 0.2STD，計(jì)算肌電信號(hào)的近似熵。采用了下述快速方法，計(jì)算式(4)中的(r)及(r)。

1)對(duì)N 點(diǎn)信號(hào)序列x(i)計(jì)算N × N 距離矩陣T，其中元素tij的值為

2.2 分維數(shù)

信號(hào)序列分維數(shù)的計(jì)算用改變粗視化程度的方法。針對(duì)已做時(shí)間與幅值歸一化的時(shí)間序列信號(hào)X = (x1，x2，…，xN)，筆者所設(shè)計(jì)的分維數(shù)計(jì)算方法如下:

1)選定步長(zhǎng)k，把時(shí)間序列信號(hào)分成m 等分，有

式中，「?代表上取整。

段內(nèi)平均，形成新的時(shí)間序列信號(hào)Y = ［y1，y2，…，yj，…，ym］，其中

2)計(jì)算步長(zhǎng)為k 時(shí)的曲線總長(zhǎng)度L(k)，有

由分析可知，lnk 和lnL(k)是斜率為- α 的直線關(guān)系。若能求得lnk 和lnL(k)，則用最小二乘法擬合這些點(diǎn)，即可得到α，進(jìn)而得到分維數(shù)D。

由于在近似熵計(jì)算時(shí)已對(duì)信號(hào)進(jìn)行了幅值歸一化，所以只須對(duì)信號(hào)進(jìn)行時(shí)間坐標(biāo)的歸一化。設(shè)幅值歸一化信號(hào)為X = (x1，x2，…，xN)，令第i 點(diǎn)的橫坐標(biāo)取為i/N，則時(shí)間歸一化后各點(diǎn)對(duì)應(yīng)橫坐標(biāo)為:i = 1/N，2/N，…，(N -1)/N，1。分維數(shù)計(jì)算中k的值可取20，21，…，這樣相鄰點(diǎn)可兩兩相加取平均，以達(dá)到快速計(jì)算新的時(shí)間序列信號(hào) Y =的目的。

2.3 KNN 模型增量學(xué)習(xí)算法

K 最近鄰(KNN)法是一種基于實(shí)例的分類算法［12］，其基本思想是:使用一種度量計(jì)算待分類樣本與所有訓(xùn)練樣本之間的距離，找到距離待分類樣本最近的k 個(gè)近鄰;然后根據(jù)這k 個(gè)近鄰所屬的類別進(jìn)行多數(shù)投票來(lái)確定待分類樣本的類別。KNN法具有性能穩(wěn)定、準(zhǔn)確率高的優(yōu)勢(shì)。然而，KNN 是一種懶散型的學(xué)習(xí)方法，也不是一種增量學(xué)習(xí)算法［13-14］。為解決KNN 算法存在的缺陷，改進(jìn)提出了一種具有增量學(xué)習(xí)能力的KNN 模型增量學(xué)習(xí)算法，由樣本點(diǎn)數(shù)據(jù)整理及KNN 法分類兩部分構(gòu)成。

算法的第一部分:構(gòu)造一系列模型簇，以模型簇的中心點(diǎn)作為代表點(diǎn)，用于新樣本的KNN 法分類，簇 中 的 模 型 以 五 元 組 {Cls(di)，Sim(di)，Cent(di)，Num(di)，Rep(di)} 表 示。 其 中:Cls(di)表示該區(qū)域中數(shù)據(jù)點(diǎn)的類別;Sim(di)表示區(qū)域的半徑，即最遠(yuǎn)點(diǎn)到中心點(diǎn)的距離;Cent(di)表示區(qū)域的中心點(diǎn)di本身，即這些樣本點(diǎn)的均值;Num(di)表示區(qū)域覆蓋點(diǎn)的數(shù)量;Rep(di)則為構(gòu)成簇的樣本數(shù)據(jù)串。對(duì)樣本點(diǎn)數(shù)據(jù)進(jìn)行整理，首先對(duì)每個(gè)類別中的樣本點(diǎn)使用C-均值聚類算法進(jìn)行自動(dòng)聚類，分成m 個(gè)簇。然后建立模型的五元組。

為使分類器具有增量學(xué)習(xí)能力，對(duì)于后續(xù)使用中經(jīng)模式識(shí)別得到驗(yàn)證準(zhǔn)確識(shí)別的樣本點(diǎn)，按距離度量最近的原則加到已有簇中，而識(shí)別結(jié)果不正確的樣本點(diǎn)則在模型簇中另建五元組，從而進(jìn)一步改善學(xué)習(xí)樣本集的分布狀態(tài)，使其更接近總體分布。當(dāng)新增的樣本點(diǎn)數(shù)達(dá)到一定量的累積時(shí)，可按實(shí)際需求剔除部分最早批次的樣本點(diǎn)，或保留所有樣本點(diǎn)，然后用C-均值聚類算法重新聚類，重建模型簇。

算法的第二部分:用K 最近鄰(KNN)法計(jì)算待分類樣本與各類代表點(diǎn)之間的距離。在投票決定待識(shí)別樣本的類別時(shí)，對(duì)每個(gè)代表點(diǎn)乘一權(quán)重系數(shù)，由加權(quán)后的數(shù)據(jù)投票確定待識(shí)別樣本的類別。

若在數(shù)據(jù)整理階段，使用過(guò)程中不對(duì)模型簇的樣本點(diǎn)進(jìn)行調(diào)整，則為不具備增量學(xué)習(xí)能力的KNN模型算法。

3 特征提取及模式識(shí)別結(jié)果

3.1 動(dòng)作表面肌電信號(hào)的采集

人體的前臂肌肉群包括尺側(cè)腕伸肌、尺側(cè)腕屈肌、掌長(zhǎng)肌等數(shù)十塊肌肉，其主要功能是實(shí)現(xiàn)屈肘、屈腕、屈指和前臂旋轉(zhuǎn)等，它是人體中十分重要的部位，也是肌電假手的控制信息源。本研究針對(duì)動(dòng)作模式腕屈、腕伸、腕左旋及腕右旋進(jìn)行識(shí)別，結(jié)果用于自制肌電假手的控制。

實(shí)驗(yàn)對(duì)象均為右手低位截肢志愿者:男性6 名，年齡(40 ±5)歲，體重(65.0 ±5.0)kg，身高(170.0±5.0)cm;女性4 名，年齡(35 ±5)歲，體重(52.0 ±6.0)kg，身高(162.0 ±5.0)cm。取6 位男性中的4位，編號(hào)為#01 ～#04;女性中的2 位，編號(hào)為#04 ～#05;余下的2 男2 女，編號(hào)為#07 ～#10。實(shí)驗(yàn)前要求受試者24 h 內(nèi)不做劇烈運(yùn)動(dòng)，以排除非實(shí)驗(yàn)要求的肌肉疲勞影響。每次試驗(yàn)需記錄受試者編號(hào)、開(kāi)始時(shí)間、所采集肌電信號(hào)的時(shí)刻、受試者狀態(tài)等信息，將所采集的表面肌電信號(hào)建立數(shù)據(jù)庫(kù)。由于動(dòng)作模式腕屈、腕伸、腕左旋及腕右旋主要與前臂肌肉群的尺側(cè)腕伸肌與尺側(cè)腕屈肌有關(guān)，因而選取實(shí)驗(yàn)者右手上肢這兩組肌肉表面作為sEMG 的拾取位置，每組肌肉表面貼附一次性雙極表面電極;選用由美國(guó) Noraxon 公司研制的新型便攜式MyoTrace400 肌電信號(hào)采集儀來(lái)獲取信號(hào)，采樣頻率為2 500 Hz，儀器內(nèi)置截止頻率500 Hz 的低通濾波器和截止頻率為10 Hz 的高通濾波器。圖2 為肌電信號(hào)測(cè)試實(shí)驗(yàn)，圖3 為腕右旋動(dòng)作的肌電信號(hào)。

理想的肌電假手應(yīng)具有可推廣性，即產(chǎn)品參數(shù)的設(shè)置是基于部分受試者的，但結(jié)果對(duì)另一部分人群也適用。因此，筆者對(duì)肌電信號(hào)特征的統(tǒng)計(jì)與分析及初始分類器的構(gòu)建是基于前6 位受試者的，而動(dòng)作模式的識(shí)別則對(duì)所有10 位受試者進(jìn)行。

3.2 肌電信號(hào)近似熵及分維數(shù)的計(jì)算結(jié)果

表1 為從前6 位低位截肢者數(shù)據(jù)庫(kù)中隨機(jī)取得的非疲勞狀態(tài)下4 類動(dòng)作模式各200 組肌電信號(hào)近似熵的統(tǒng)計(jì)結(jié)果，圖4 為各取50 組肌電信號(hào)近似熵的二維分布。表1 的數(shù)據(jù)顯示，在尺側(cè)腕伸肌與尺側(cè)腕屈肌上，采集的腕屈與腕伸兩個(gè)動(dòng)作的肌電信號(hào)的近似熵值較大，右旋及左旋動(dòng)作肌電信號(hào)的近似熵相對(duì)較小。而且，每類動(dòng)作在尺側(cè)腕伸肌與尺側(cè)腕屈肌上近似熵的取值大小情況正相反，反映在圖中4 個(gè)動(dòng)作相應(yīng)復(fù)雜度值的聚類特性較為明顯，利于動(dòng)作模式的分類。

表2 為從前6 位低位截肢者數(shù)據(jù)庫(kù)中隨機(jī)取得的非疲勞狀態(tài)下4 類動(dòng)作模式各200 組肌電信號(hào)分維數(shù)的統(tǒng)計(jì)結(jié)果，圖5 為各取50 組肌電信號(hào)分維數(shù)的二維分布。在表2 中，右旋和腕伸動(dòng)作，尺側(cè)腕伸肌上的分維數(shù)較尺側(cè)腕屈肌上的值大。左旋與腕屈在肌肉組上的表現(xiàn)與上面情況正好相反，尺側(cè)腕腕伸肌上的分維數(shù)較尺側(cè)腕屈肌上的值要小。在圖5 中，4 類動(dòng)作分維數(shù)點(diǎn)對(duì)的分布聚類特性明顯。

3.3 模式識(shí)別結(jié)果

圖2 肌電信號(hào)測(cè)試實(shí)驗(yàn)Fig．2 Experiment on electromyogram(EMG)test

圖3 腕右旋動(dòng)作的表面肌電信號(hào)。(a)尺側(cè)腕伸肌;(b)尺側(cè)腕屈肌Fig．3 The surface electromyography(sEMG)of wrist supination．(a)extensor carpi ulnaris;(b)flexor carpi ulnaris

表1 表面肌電信號(hào)復(fù)雜度指數(shù)統(tǒng)計(jì)數(shù)據(jù)(n =6，均值±標(biāo)準(zhǔn)差)Tab．1 Statistic data of sEMG's complexity (n =6，mean±SD)

表2 表面肌電信號(hào)分維數(shù)統(tǒng)計(jì)數(shù)據(jù)(n = 6，均值±標(biāo)準(zhǔn)差)Tab．2 Statistic data of sEMG's fractal dimension (n =6，mean ±SD)

針對(duì)肌電信號(hào)動(dòng)作模式的識(shí)別問(wèn)題，初始分類器的構(gòu)建是從前6 位受試者非疲勞狀態(tài)下所建立的肌電信號(hào)數(shù)據(jù)庫(kù)中隨機(jī)地取4 ×100 組信號(hào)，每類動(dòng)作模式各100 次。計(jì)算其復(fù)雜度和分維數(shù)，其中的80 組作為樣本數(shù)據(jù)，以C-均值聚類算法構(gòu)建模型簇;其余20 組作為測(cè)試樣本，測(cè)試分類器的分類性能。實(shí)驗(yàn)中能完全識(shí)別，表明所設(shè)計(jì)的分類器合理。再以此方式建立的模式分類器，用于受試者后續(xù)動(dòng)作模式的識(shí)別。

圖4 肌電信號(hào)復(fù)雜度指數(shù)分布Fig．4 Distribution of sEMG's complexity

圖5 肌電信號(hào)分維數(shù)分布Fig．5 Distribution of sEMG's fractal dimension

為驗(yàn)證所提出的模式識(shí)別方案的效果，設(shè)計(jì)了如下的實(shí)驗(yàn)方法。受試者從休息放松狀態(tài)進(jìn)入動(dòng)作狀態(tài)，連續(xù)循環(huán)地做動(dòng)作組——腕右旋、腕左旋及腕伸、腕屈，共100 組。100 組的選定使得受試者在后半階段的實(shí)驗(yàn)中明顯處于疲勞狀態(tài)，表3 為10位受試者對(duì)100 組動(dòng)作模式的實(shí)驗(yàn)結(jié)果。模式分類器采用的是具有增量學(xué)習(xí)能力的KNN 模型增量學(xué)習(xí)算法，每行數(shù)據(jù)代表了對(duì)某類動(dòng)作100 次識(shí)別得到的結(jié)果及識(shí)別參數(shù)。識(shí)別效果的評(píng)價(jià)采用了靈敏度、特異度及識(shí)別率3 個(gè)參數(shù)，計(jì)算靈敏度、特異度的真陽(yáng)性和真陰性定義為:屬于某一動(dòng)作模式且被準(zhǔn)確判別則為真陽(yáng)性，不屬于某一動(dòng)作模式且被準(zhǔn)確識(shí)別不是該模式的為真陰性。在此定義下，靈敏度的值與識(shí)別率的值相同。

表3 受試者動(dòng)作模式識(shí)別結(jié)果統(tǒng)計(jì)Tab．3 Statistic data of mode recognition rate of the participants's action

數(shù)據(jù)表明，受試者動(dòng)作模式的識(shí)別率(靈敏度)均達(dá)到了92.5%以上，且前6 位受試者與后4 位受試者動(dòng)作模式識(shí)別無(wú)明顯差別，說(shuō)明所設(shè)計(jì)的模式識(shí)別方案具有應(yīng)用推廣能力。

肌電信號(hào)的熵及分維數(shù)會(huì)隨著肌肉疲勞的產(chǎn)生而有相應(yīng)的變化［15-16］，因而本研究還對(duì)是否采用增量學(xué)習(xí)能力分類器對(duì)模式識(shí)別率的影響做了對(duì)比實(shí)驗(yàn)。表4 為#01 號(hào)受試者10 次實(shí)驗(yàn)不同階段的識(shí)別率數(shù)據(jù)，實(shí)驗(yàn)中的前50 組定義為階段Ⅰ，后50 組定義為階段Ⅱ，50 組的選定是使受試者感覺(jué)開(kāi)始進(jìn)入肌肉疲勞狀態(tài)。其中，“分類器1”代表普通的不具有增量學(xué)習(xí)能力的KNN 模型算法，“分類器2”代表具有增量學(xué)習(xí)能力的KNN 模型增量學(xué)習(xí)算法，單元中的值代表對(duì)4 類各50 組動(dòng)作的平均識(shí)別率。

表4 各階段模式識(shí)別率(%)統(tǒng)計(jì)Tab．4 Statistic data of mode recognition rate(%)in each phase

數(shù)據(jù)顯示，相同的肌電信號(hào)，在不采用增量學(xué)習(xí)算法時(shí)，識(shí)別率隨著假肢使用者生理狀態(tài)的變化而下降;在采用增量學(xué)習(xí)型算法時(shí)，識(shí)別率穩(wěn)定。兩種分類器對(duì)應(yīng)階段Ⅰ、Ⅱ，平均識(shí)別率之差為2.0%、4.5%。為判斷差異是由于偶然因素引起或是兩者確實(shí)本身存在著差異，筆者利用SPSS 軟件對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了配對(duì)樣本t 檢驗(yàn)，顯著性檢驗(yàn)標(biāo)準(zhǔn)為P ＜0.05。檢驗(yàn)結(jié)果顯示，階段Ⅰ肌電信號(hào)用不同分類器分類，其正確識(shí)別率數(shù)據(jù)的差異由抽樣誤差引起的概率為P =0.001，階段Ⅱ則接近于0。這表明，兩個(gè)階段的數(shù)據(jù)用不同分類器識(shí)別，其差別在統(tǒng)計(jì)學(xué)上都有顯著性意義。

4 討論

本研究選用近似熵作為表征肌電信號(hào)的復(fù)雜度特征，而不同動(dòng)作的復(fù)雜度數(shù)據(jù)有較明顯的差異。從表1 及圖4 中可以看出，腕屈與腕伸兩個(gè)動(dòng)作主要由尺側(cè)腕伸肌與尺側(cè)腕屈肌參與完成，而右旋及左旋動(dòng)作的完成相對(duì)前兩個(gè)動(dòng)作更為復(fù)雜、參與的肌肉組較多。實(shí)驗(yàn)結(jié)果表明，在尺側(cè)腕伸肌與尺側(cè)腕屈肌上采集的腕屈與腕伸兩個(gè)動(dòng)作的肌電信號(hào)的近似熵值較大，右旋及左旋動(dòng)作的肌電信號(hào)的近似熵相對(duì)較小。說(shuō)明，用近似熵指標(biāo)表達(dá)肌電信號(hào)的復(fù)雜度特征，研究方向是正確的，能很好地用于動(dòng)作的分類。

分析肌肉組在各種動(dòng)作下的活動(dòng)狀態(tài)。以右旋和腕伸為例，肌肉組尺側(cè)腕伸肌都處于較強(qiáng)的收縮狀態(tài)，尺側(cè)腕屈肌處于相對(duì)放松狀態(tài)。從表2 中可以看出，反映肌電信號(hào)整體自相似性的分形維數(shù)的數(shù)值情況相似，尺側(cè)腕伸肌上的分維數(shù)較尺側(cè)腕屈肌上的值大。左旋與腕屈在肌肉組上的表現(xiàn)與上面情況正好相反，尺側(cè)腕伸肌上的分維數(shù)較尺側(cè)腕屈肌上的值小。數(shù)據(jù)說(shuō)明，反映肌電信號(hào)整體自相似性的分維數(shù)指標(biāo)與肌肉的活動(dòng)強(qiáng)度相關(guān)，分維數(shù)的大小隨肌肉活動(dòng)強(qiáng)度增大而增大。

因此，筆者選用近似熵指標(biāo)與分維數(shù)指標(biāo)，完整地表達(dá)出了不同動(dòng)作模式肌電信號(hào)的形態(tài)特征，再與分類器-KNN 模型增量學(xué)習(xí)算法結(jié)合，取得了較滿意的分類結(jié)果。

為驗(yàn)證所提出的動(dòng)作模式識(shí)別方法的優(yōu)越性，筆者把該方案與Arjunan 等所提方案［17-18］進(jìn)行了比較。他們選用了兩種信號(hào)特征向量的選取方法，一種是提取肌電信號(hào)的均方值(RMS)、平均幅值(MAV)、方差(VAR)及波形長(zhǎng)度(WL)構(gòu)成簡(jiǎn)單特征組合，另一種以Fukuda O［19］方法提取肌電信號(hào)的分維數(shù)及最大分形長(zhǎng)度(maximum fractal length，MFL)構(gòu)成分形特征組合;然后，用BP 網(wǎng)絡(luò)進(jìn)行分類識(shí)別，實(shí)驗(yàn)數(shù)據(jù)采用#01 號(hào)受試者階段Ⅰ的肌電信號(hào)，結(jié)果得出簡(jiǎn)單特征組合的識(shí)別率為81.0%，分形特征組合的識(shí)別率為86.0%，與本方法有較大差距。上述結(jié)果說(shuō)明:簡(jiǎn)單特征組合僅選取信號(hào)的常用時(shí)域特征，特征主要反映肌肉的活動(dòng)強(qiáng)度;而分形特征組合只反映信號(hào)的自相似性及信號(hào)強(qiáng)度，沒(méi)能全面表征信號(hào)的形態(tài)特征。

5 結(jié)論

對(duì)基于表面肌電信號(hào)形態(tài)特征的手腕動(dòng)作模式識(shí)別進(jìn)行了研究，實(shí)現(xiàn)了手腕的4 種精細(xì)動(dòng)作模式腕屈、腕伸、腕右旋、腕左旋的識(shí)別，結(jié)果用于肌電假手的動(dòng)作命令產(chǎn)生。

模式識(shí)別的輸入特征采用了復(fù)雜度理論中的近似熵及分形理論中的分維數(shù)指標(biāo)，分別表征信號(hào)形態(tài)特征上的細(xì)節(jié)復(fù)雜度及整體自相似性。動(dòng)作模式識(shí)別分類器采用了改進(jìn)的KNN 模型增量學(xué)習(xí)算法，所設(shè)計(jì)的分類器不但繼承了KNN 算法性能穩(wěn)定、識(shí)別率高的優(yōu)點(diǎn)，而且具備了增量學(xué)習(xí)的能力。對(duì)受試者右手腕部的4 個(gè)精細(xì)動(dòng)作腕屈、腕伸、腕右旋、腕左旋的識(shí)別實(shí)驗(yàn)中，達(dá)到了92.5% 以上的準(zhǔn)確識(shí)別率，具有實(shí)用價(jià)值。

［1］ Li Guanlin，Li Yaonan，Yu Long，et al. Conditioning and sampling issues of EMG signals in motion recognition of multifunctional myoelectric prostheses［J］. Ann Biomed Eng，2011，39(6):1779 -1787.

［2］ Smith LH，Hargrove LJ，Lock BA，et al. Determining the optimal window length for pattern recognition-based myoelectric control:Balancing the competing effects of classification error and controller delay［J］. IEEE Trans Neural Syst Rehabil Eng，2011，19(2):186 -192.

［3］ Hahne JM，Graimann B，Muller KR. Spatial Filtering for Robust Myoelectric Control［J］. IEEE Trans Biomed Eng，2012，59(5):1436 -1443.

［4］ Khushaba RN，Kodagoda S，Takruri M，et al. Toward improved control of prosthetic fingers using surface electromyogram (EMG)signals［J］. Expert Syst Appl，2012，39(12):10731 -10738.

［5］ Gini G，Arvetti M，Somlai I，et al. Acquisition and analysis of EMG signals to recognize multiple hand movements for prosthetic applications［J］. Appl Bion Biomechan，2012，9(2):145 -155.

［6］ Li Guanlin， Schultz AE， Kuiken TA. Quantifying pattern recognition-based myoelectric control of multifunctional transradial prostheses［J］. IEEE Trans Neural Syst Rehabil Eng，2010，18(2):185 -192.

［7］ Losier Y，Englehart K，Hudgins B. Evaluation of shoulder complex motion-based input strategies for endpoint prostheticlimb control using dual-task paradigm［J］. J Rehabil Res Dev，2011，48:669 -678.

［8］ Bunderson NE，Kuiken TA. Quantification of feature space changes with experience during electromyogram pattern recognition control［J］. IEEE Trans Neural Syst Rehabil Eng，2012，20(3):239 -246.

［9］ Duchene J，Hogrel J Y. A model of EMG generation［J］. IEEE Trans Biomed Eng，2000，47(2):192 -201.

［10］ Basmajian JV， Deluca CJ. Electromyography-physiology，engineering and noninvasive applications［M］. New York::IEEE Press，2004.

［11］ Pincus SM. Approximate entropy (ApEn) as a complexity measure［J］. Chaos，1995，5(1):110 -117.

［12］ Cover TM，Hart PE. Nearest neighbor pattern classification［J］.IEEE Trans Inf Theory，1967，13(1):21 -27.

［13］ Guo Gongde，Wang Hui，Bell D，et al. Using kNN model for automatic text categorization［J］. Soft Comput，2006，10(5):423 -430.

［14］ 陳黎飛，郭躬德. 最近鄰分類的多代表點(diǎn)學(xué)習(xí)算法［J］. 模式識(shí)別與人工智能，2011，24(6):883 -888.

［15］ 劉加海，王健，羅曉芳. 局部肌肉疲勞的表面肌電信號(hào)復(fù)雜度和熵變化［J］. 生物物理學(xué)報(bào)，2004，20(3):198 -202.

［16］ 蔡立羽，王志中，李凌. 肌肉疲勞過(guò)程中的表面肌電信號(hào)特征研究［J］. 中國(guó)康復(fù)醫(yī)學(xué)雜志，2000，15(2):94 -95.

［17］ Arjunan SP， Kumar DK. Fractal properties of surface electromyogram for classification of low level hand movements from single-channel forearm muscle activity［J］. J Mech Med Biol，2011，11(3):581 -590.

［18］ Arjunan SP，Kumar DK. Decoding subtle forearm flexions using fractal features of surface electromyogram from single single and multiple sensors［J］. J Neur Rehabil，2010，7(1):1 -10.

［19］ Fukuda O，Tsuji T，Kaneko M，et al. A human-assisting manipulator teleoperated by EMG signals and arm motions［J］.IEEE Trans Robot Autom，2003，19(2):210 -222.