陳萬忠，孫保峰，高韌杰，雷 俊

(吉林大學(xué)通信工程學(xué)院，長春130022)

表面肌電信號(Surface electromyography，sEMG)是神經(jīng)肌肉系統(tǒng)在進(jìn)行活動時的生物電變化經(jīng)表面電極的引導(dǎo)、放大、顯示和記錄所獲得的一維電壓時間序列信號。由于肌電控制仿生假肢具有操作方便、實時性好的特點，表面肌電信號被廣泛應(yīng)用于肌電假肢控制、人工智能等領(lǐng)域。基于表面肌電信號的手臂運動模式識別是利用表面肌電信號完成對仿生假肢控制過程中最重要的環(huán)節(jié)。目前，肌電信號識別方法主要有神經(jīng)網(wǎng)絡(luò)、隱馬爾科夫模型、線性判別分析等［1－2］。在這些識別方法中，以神經(jīng)網(wǎng)絡(luò)技術(shù)最為成熟、應(yīng)用最廣。然而在實際使用神經(jīng)網(wǎng)絡(luò)時也有一些困難，如神經(jīng)網(wǎng)絡(luò)模型及網(wǎng)絡(luò)參數(shù)的確定、訓(xùn)練集和測試集的分配、神經(jīng)網(wǎng)絡(luò)收斂性時間的確定等，這些因素影響了神經(jīng)網(wǎng)絡(luò)技術(shù)模式識別的正確率［3－4］。為了提高表面肌電信號的模式識別率，本文進(jìn)行了神經(jīng)網(wǎng)絡(luò)集成技術(shù)的相關(guān)研究。

Hansen和Salamon在1990年首次證明了神經(jīng)網(wǎng)絡(luò)集成技術(shù)可以顯著地提高個體神經(jīng)網(wǎng)絡(luò)的泛化能力［5］。近年來，神經(jīng)網(wǎng)絡(luò)集成技術(shù)被廣泛地應(yīng)用于人工智能、模式識別等領(lǐng)域中。2007年于繁華等［6］成功地將神經(jīng)網(wǎng)絡(luò)集成技術(shù)應(yīng)用于結(jié)構(gòu)損傷的識別，并取得了較高的模式識別率，2011年李明愛等［3］將該技術(shù)用于人體腦電信號的識別并取得了良好的識別效果。本文將神經(jīng)網(wǎng)絡(luò)集成技術(shù)應(yīng)用于人體手臂運動模式識別中，實驗結(jié)果表明，神經(jīng)網(wǎng)絡(luò)集成技術(shù)可以顯著提高單個神經(jīng)網(wǎng)絡(luò)對手臂運動模式的正確識別率。

1 方法和材料

1.1 神經(jīng)網(wǎng)絡(luò)集成技術(shù)基本原理

集成神經(jīng)網(wǎng)絡(luò)的輸出主要通過兩種方法獲得，當(dāng)集成神經(jīng)網(wǎng)絡(luò)用于數(shù)據(jù)回歸估計時，集成的輸出常常由單個網(wǎng)絡(luò)輸出的平均或加權(quán)和構(gòu)成，而當(dāng)集成神經(jīng)網(wǎng)絡(luò)用于模式識別時，其輸出常由單個神經(jīng)網(wǎng)絡(luò)的輸出經(jīng)投票法產(chǎn)生［7］。

數(shù)據(jù)集中共有N個樣本，且每個樣本均對應(yīng)一個M維的特征向量時，若任一輸入特征向量為Ii，神經(jīng)網(wǎng)絡(luò)集成的期望輸出為Oi，神經(jīng)網(wǎng)絡(luò)Lj，(j=1，2，…，n)的實際輸出為fij，若集成神經(jīng)網(wǎng)絡(luò)的輸出由參與集成的各個體神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的加權(quán)和構(gòu)成，則集成神經(jīng)網(wǎng)絡(luò)的輸出可以用

表示。個體神經(jīng)網(wǎng)絡(luò)Lj在整個數(shù)據(jù)樣本上的泛化誤差為

集成神經(jīng)網(wǎng)絡(luò)在整個數(shù)據(jù)集上的泛化誤差為

［8］，神經(jīng)網(wǎng)絡(luò)集成的泛化誤差

根據(jù)參考文獻(xiàn)［8］，若利用相對多數(shù)投票法產(chǎn)生集成神經(jīng)網(wǎng)絡(luò)的輸出時，集成神經(jīng)網(wǎng)絡(luò)的泛化誤差要小于任何一個參與集成的單個神經(jīng)網(wǎng)絡(luò)的泛化誤差，即提高了系統(tǒng)整體的泛化能力。為此，本文將神經(jīng)網(wǎng)絡(luò)集成用于表面肌電信號的模式識別，集成神經(jīng)網(wǎng)絡(luò)的輸出由參與集成的各單個神經(jīng)網(wǎng)絡(luò)輸出經(jīng)過相對多數(shù)投票法產(chǎn)生。

1.2 sEMG采集

由生理學(xué)知識，掌管手臂前臂各運動模式的肌肉主要有尺側(cè)腕伸肌和尺側(cè)腕屈肌。因此，本文中所應(yīng)用的表面肌電信號均采自人體上臂的兩塊肌肉組織。

為了獲得較為純凈的表面肌電信號，在信號開始采集前，我們使用醫(yī)用酒精對受試者皮膚進(jìn)行清污處理。本文中信號采集儀器為日本蝶和股份有限公司生產(chǎn)的MQ－8型表面肌電信號采集分析系統(tǒng)，肌電信號均采自8名健康、成年男性的右臂，信號采樣頻率為2 000 Hz。

待分析的4個手臂動作分別為握拳(HG)、上翻(WS)、下翻(WP)及手勢”V”(GT)。實驗中，4個動作所對應(yīng)的雙路sEMG各采集了160組，每個受試者采集20組。為了避免在采集過程中因受試者肌肉疲勞而影響信號質(zhì)量，信號采集期間每做8次重復(fù)動作之間休息1分鐘。4個動作模式及表面電極的擺放位置如圖1所示。

圖1 表面肌電信號采集過程Fig.1 Acquisition process of sEMG

2 手臂動作模式識別實驗

2.1 sEMG 的特征提取

特征提取是模式識別過程的關(guān)鍵環(huán)節(jié)，所提取特征向量的好壞對模式識別結(jié)果具有顯著影響。表面肌電信號是一種復(fù)雜的時變非平穩(wěn)信號，具有微弱、交變和易干擾的特點，它的研究已成為康復(fù)工程、臨床醫(yī)學(xué)等領(lǐng)域的研究熱點之一。近年來，短時傅里葉變換、小波變換、小波包變換等一些常見的信號時－頻分析方法被廣泛應(yīng)用于表面肌電信號的分析處理領(lǐng)域。小波變換是傳統(tǒng)傅里葉變換的發(fā)展，具備多尺度分解特性，在信號去噪、特征提取方面應(yīng)用較廣。但由于其固定的時－頻分解形式并不是最優(yōu)的，如在一些情況下，它的高端分辨率較低［9］。

小波包分解(Wavelet Packet Decomposition)是小波變換的延伸。與小波變換相比，它同時對分解得到的信號高頻和低頻部分進(jìn)行下級分解，可以根據(jù)需要將信號分解到各個不同頻段上，因此，提高了信號的自適應(yīng)處理能力。如果原始信號為S，小波包變換級數(shù)為3，則小波包分解結(jié)束后可以得到8段信號小波包分解系數(shù)信號。試驗中，我們根據(jù)已查閱資料，小波包分解級數(shù)設(shè)定為3，這樣每個sEMG信號在分解結(jié)束后得到8段小波包系數(shù)(Wavelet Packet Coefficients，WPC)。

肌電信號的能量與手臂動作強度直接相關(guān)，它在一定程度上反應(yīng)了信號在各動作完成過程中的貢獻(xiàn)大小。手臂的不同動作均是由不同的肌肉組織相互協(xié)調(diào)配合共同完成的，在手臂動作完成的過程中，各肌肉組織對動作完成的貢獻(xiàn)大小不同，其表面肌電信號在能量上必然存在差異。因此，我們利用表面肌電信號小波包分解后得到的小波包系數(shù)能量作為表面肌電信號的特征元素，并從中選擇具有較強互異性的特征元素構(gòu)成最終的特征向量。

4種運動模式所對應(yīng)表面肌電信號的8段小波包系數(shù)的能量大小如圖2所示(每個動作僅畫出22組)，從圖2中可以看出第1、2段小波包系數(shù)的能量具有較強的分類性，故選擇每路肌電信號的WPC1、WPC2的能量作為最終特征向量的構(gòu)成元素，則我們共得到4個動作模式下的特征向量各160個，每個特征向量的維數(shù)均為4。

圖2 小波包系數(shù)能量圖Fig.2 Energy of wavelet packet coefficients

2.2 神經(jīng)網(wǎng)絡(luò)集成分類器設(shè)計

集成神經(jīng)網(wǎng)絡(luò)可以提高神經(jīng)網(wǎng)絡(luò)的泛化能力，從而提高模式識別的準(zhǔn)確率。目前，用于集成神經(jīng)網(wǎng)絡(luò)各個體神經(jīng)網(wǎng)絡(luò)生成的算法主要有Boosting法和Bagging法。Boosting法不太穩(wěn)定，有時效果很好，有時卻得不到分類效果［7］。而Bagging法基于可重復(fù)取樣技術(shù)，增加了神經(jīng)網(wǎng)絡(luò)集成的差異度，由式(4)可知，增加神經(jīng)網(wǎng)絡(luò)集成差異度的同時，神經(jīng)網(wǎng)絡(luò)集成的泛化能力得到提高。本文利用Bagging算法產(chǎn)生神經(jīng)網(wǎng)絡(luò)集成的各單個神經(jīng)網(wǎng)絡(luò)，利用相對多數(shù)投票法產(chǎn)生集成神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果?；谏窠?jīng)網(wǎng)絡(luò)集成技術(shù)的表面肌電信號識別流程如圖3所示。

圖3 表面肌電信號模式識別流程圖Fig.3 Structure diagram of integrated neural network

2.3 神經(jīng)網(wǎng)絡(luò)集成用于sEMG模式識別

文獻(xiàn)［10］中已證明任意非線性函數(shù)均可由一個3層的BP神經(jīng)網(wǎng)絡(luò)來逼近。因此，本文利用3層BP神經(jīng)網(wǎng)絡(luò)作為參與系統(tǒng)集成的單個神經(jīng)網(wǎng)絡(luò)。由于待識別的手臂動作模式有4種，且輸入神經(jīng)網(wǎng)絡(luò)特征向量維數(shù)為4，實驗中所設(shè)計BP神經(jīng)網(wǎng)絡(luò)的輸入層含有4個神經(jīng)元節(jié)點，輸出層含有2個神經(jīng)元節(jié)點。隱含層最佳神經(jīng)元節(jié)點數(shù)目的確定尚無成熟理論［11］，我們通過反復(fù)試驗確定隱含層神經(jīng)元節(jié)點數(shù)目，隱含層神經(jīng)元數(shù)目最終確定為6。

集成神經(jīng)網(wǎng)絡(luò)的識別結(jié)果與參與集成的單個神經(jīng)網(wǎng)絡(luò)的個數(shù)有關(guān)，隨著參與集成的單個神經(jīng)網(wǎng)絡(luò)數(shù)目的增加，集成神經(jīng)網(wǎng)絡(luò)的正確識別率也逐漸增大。但當(dāng)單個神經(jīng)網(wǎng)絡(luò)數(shù)目達(dá)到一定程度后，繼續(xù)增加單個神經(jīng)網(wǎng)絡(luò)的數(shù)目反而會導(dǎo)致識別率的下降。產(chǎn)生此現(xiàn)象的主要原因是當(dāng)單個神經(jīng)網(wǎng)絡(luò)的數(shù)目超過一定的限制后，各單個神經(jīng)網(wǎng)絡(luò)之間的差異度逐漸減小。根據(jù)式(4)可知，參與集成的神經(jīng)網(wǎng)絡(luò)的差異度減小會導(dǎo)致集成神經(jīng)網(wǎng)絡(luò)的泛化誤差增大，即正確識別率會降低。本文試驗中我們利用Bagging方法生成各訓(xùn)練集，并對各參與集成的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過實驗的方式確定單個神經(jīng)網(wǎng)絡(luò)的最佳數(shù)目為5。為了驗證神經(jīng)網(wǎng)絡(luò)集成具有較好的識別率，我們利用網(wǎng)絡(luò)結(jié)構(gòu)為4－6－2的單個BP神經(jīng)網(wǎng)絡(luò)做了對比試驗。

3 實驗結(jié)果與分析

通過信號特征提取后，得到了4個運動模式下的特征向量各160個，分別從160個特征向量中抽取40個作為訓(xùn)練集，剩下的構(gòu)成測試集。最終訓(xùn)練集中含有160個特征向量，每個運動模式40個，測試集中含有480個特征向量，每個運動模式120個。即所有表面肌電信號特征向量中，測試集與訓(xùn)練集的分配如表1所示。

表1 測試集與訓(xùn)練集分配Table 1 Assignment in training and test sets

本文中表面肌電信號的識別率由下面公式計算得出

由式(5)計算得出4個運動模式下表面肌電信號的識別率如表2所示。從表2中看出，集成神經(jīng)網(wǎng)絡(luò)技術(shù)顯著地提高了手臂動作的模式識別率，說明了將神經(jīng)網(wǎng)絡(luò)集成技術(shù)用于手臂動作模式識別領(lǐng)域的可行性與正確性。

表2 手臂動作的模式識別率Table 2 Correct recognition rates of hand motions

4 結(jié)束語

本文主要利用神經(jīng)網(wǎng)絡(luò)集成技術(shù)對手臂運動模式進(jìn)行識別，通過小波包分解提取兩路表面肌電信號的特征向量，根據(jù)已提取的特征向量完成對手臂運動模式的識別。實驗結(jié)果表明，與單一神經(jīng)網(wǎng)絡(luò)相比，神經(jīng)網(wǎng)絡(luò)集成技術(shù)可以顯著地提高手臂運動模式的正確識別率。因此，將神經(jīng)網(wǎng)絡(luò)集成技術(shù)應(yīng)用于人體手臂運動模式識別領(lǐng)域，有助于肌電控制仿生假肢的開發(fā)，促進(jìn)人工智能、康復(fù)工程、臨床醫(yī)學(xué)的發(fā)展。

參考文獻(xiàn):

［1］Abdulhamit Subasi，Mustafa Yilmaz，Hasan Riza Ozcalik.Classification of EMG signals using wavelet neural network［J］.Journal of Neuroscience Methods，2006，156(1－2):360－367.

［2］Chan A D C，Englehart K B.Continusmyoelectric control for powered prosthesis using hidden markovmodels［J］.IEEE Transactions on Biomedical Engineering，2005，52(1):121－124.

［3］李明愛，王蕊，郝冬梅.基于神經(jīng)網(wǎng)絡(luò)集成技術(shù)的運動想像腦電識別方法［J］.北京工業(yè)大學(xué)學(xué)報，2011，37(3):347－351.

LiMing－ai，Wang Rui，Hao Dong－mei.An EEG recognition algorithm ofmotor imagery based on neural network ensemble［J］.Journal of Beijing University of Technology，2011，37(3):347－351.

［4］Sun Bao－feng，Chen Wan－zhong.Classification of sEMG signals using integrated neural network with small sized training data［J］.Biomedical Engineering:Applications，Basis and Communications，2012，24(4):365－376.

［5］Hansen L，Salamon P.Neurnl network ensemble［J］. IEEE Transaction on Pattern Analysis and Machine Intelligence，1990，12(10):993－1001.

［6］于繁華，劉寒冰，譚國金.神經(jīng)網(wǎng)絡(luò)集成在結(jié)構(gòu)損傷識別中的應(yīng)用［J］.吉林大學(xué)學(xué)報:工學(xué)版，2007，37 (2):438－441.

Yu Fan－h(huán)ua，Liu Han－bing，Tan Guo－jin.Application of neural network ensemble for structural damage detection［J］.Journal of Jilin University(Engineering and Technology Edition)，2007，37(2):438－441.

［7］周志華，陳世福.神經(jīng)網(wǎng)絡(luò)集成［J］.計算機學(xué)報，2002，25(1):28－31.

Zhou Zhi－h(huán)ua，Chen Shi－fu.Neural network ensemble［J］.Chinese Journal of Computers，2002，25(1):1－8.

［8］白雪飛，李茹.神經(jīng)網(wǎng)絡(luò)集成的多表情人臉識別方法［J］.計算機工程與應(yīng)用，2010，46(4):145－148.

Bai Xue－fei，Li Ru.Neural network ensemble based expression invariant face recognition［J］.Computer Engineering and Applications，2010，46(4):145－148.

［9］羅志增，熊靜，劉志宏.一種基于WPT和LVQ神經(jīng)網(wǎng)絡(luò)的手部動作識別方法［J］，模式識別與人工智能，2010，23(5):695－700.

Luo Zhi－zeng，Xiong Jing，Liu Zhi－h(huán)ong.Pattern recognition of hand motions based on WPT and LVQ［J］.Pattem Recognition and Aitificial Intelligence，2010，23 (5):695－700.

［10］Sankar K Pal，Sushmita Mitra.Multilayer perceptron，fuzzy sets，and classification［J］.IEEE Trans Neural Networks 1992，5(3):683－697.

［11］呂硯山，趙正琦.BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化及應(yīng)用研究［J］.北京化工大學(xué)學(xué)報，2001，28(1):67－69.

LüYan－shan，Zhao Zheng－qi.Optimization and application research of BP neural network［J］.Journal of Beijing University of Chemical Technology，2001，28(1): 67－69.