華敏，李響

(1.信陽(yáng)農(nóng)林學(xué)院 計(jì)算機(jī)科學(xué)系，河南 信陽(yáng)464000;2.開(kāi)封大學(xué) 軟件學(xué)院,河南 開(kāi)封475004)

表面肌電信號(hào) SEMG(Surface Electromyographic)是從人體骨骼肌表面通過(guò)電極記錄下來(lái)的神經(jīng)肌肉活動(dòng)發(fā)放的生物電信號(hào)[1]。隨著檢測(cè)技術(shù)、信號(hào)處理技術(shù)和模式識(shí)別技術(shù)的長(zhǎng)足發(fā)展，國(guó)內(nèi)外學(xué)者對(duì)表面肌電的特征提取和模式識(shí)別也有更加深入的研究[2]。參考文獻(xiàn)[3]采用一種自適應(yīng)神經(jīng)模糊推理系統(tǒng)識(shí)別手部動(dòng)作命令且動(dòng)作識(shí)別率達(dá)到92%[3]；參考文獻(xiàn)[4]采用主成分分析提取SEMG信號(hào)的特征參數(shù)，進(jìn)而識(shí)別手部動(dòng)作。參考文獻(xiàn)[5]采用小波變換和AR模型對(duì)SEMG進(jìn)行分析處理，利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)SEMG信號(hào)進(jìn)行模式識(shí)別，動(dòng)作識(shí)別率 85%[5]；參考文獻(xiàn)[6]采用 4通道采集 SEMG信號(hào)，利用小波變換和BP神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別SEMG信號(hào)8種動(dòng)作，動(dòng)作平均識(shí)別率96.25%。但在SEMG信號(hào)的特征提取和動(dòng)作模式識(shí)別中仍然存在特征向量維數(shù)過(guò)高、數(shù)據(jù)冗余度大，分類器復(fù)雜、魯棒性差和識(shí)別率低等問(wèn)題[7]。基于以上問(wèn)題，提出了一種小波包核主元分析和支持向量機(jī)相結(jié)合的新方法。通過(guò)SEMG信號(hào)對(duì)前臂動(dòng)作識(shí)別進(jìn)行研究，研究表明，該方法魯棒性好，成功實(shí)現(xiàn)了對(duì)前臂4種不同動(dòng)作的模式分類。

1 SEMG信號(hào)采集系統(tǒng)平臺(tái)設(shè)計(jì)

整個(gè)系統(tǒng)主要由表面肌電信號(hào)檢測(cè)電極、儀表放大電路、10～1 000 Hz帶通濾波電路、DAQ板卡以及 LabVIEW框架下的計(jì)算機(jī)系統(tǒng)組成[8]。SEMG信號(hào)采集系統(tǒng)框圖如圖1所示。

圖1 肌電信號(hào)采集系統(tǒng)結(jié)構(gòu)框圖

在實(shí)驗(yàn)室條件下，用儀表放大器INA128和運(yùn)算放大器LM324，設(shè)計(jì)了一套差分輸入SEMG信號(hào)采集與調(diào)理電路。此電路具有高輸入阻抗、高共模抑制比，能夠很好地提取表面肌電信號(hào)。調(diào)理電路的放大倍數(shù)為250倍，通頻帶為 10～1 000 Hz[9]。在采樣頻率為 2 000 Hz，握拳動(dòng)作時(shí)采集到的SEMG信號(hào)如圖2所示。

圖2 握拳時(shí)的表面肌電信號(hào)圖

2 小波包分析與核主元分析

2.1 小波包分析

小波包分析(WPA)是在小波分析基礎(chǔ)上將頻帶進(jìn)行多層次劃分，對(duì)小波分析沒(méi)有細(xì)分的高頻部分進(jìn)一步分解，根據(jù)信號(hào)特征，選擇相應(yīng)頻帶，達(dá)到與信號(hào)頻譜相匹配，提高時(shí)-頻分辨率的目的[10]。

2.2 核主元分析

核主元分析(KPCA)多用于統(tǒng)計(jì)領(lǐng)域，它是常用的數(shù)據(jù)壓縮方法之一，采用KPCA能夠達(dá)到用較少的特征量對(duì)數(shù)據(jù)樣本進(jìn)行描述，實(shí)現(xiàn)了降低空間維數(shù)的目的，并且在降維后，仍然保留了原始特征中主要的非線性信息，使處理運(yùn)算量大大降低[11]。

設(shè)SEMG數(shù)據(jù)的特征總數(shù)目為M，樣本個(gè)數(shù)為N，樣本空間 X=[x1,x2,…,xM]，經(jīng) KPCA處理后的矩陣為 V。具體的 KPCA分析步驟如下：

(1)選取多項(xiàng)式核作為核映射函數(shù):

(2)求在核空間下的協(xié)方差矩陣D:

對(duì)每一維m=1,2,…,M計(jì)算經(jīng)驗(yàn)均值，將計(jì)算得到的均值放入M×1維的經(jīng)驗(yàn)均值向量um中:

求各樣本與經(jīng)驗(yàn)均值向量的差值向量B：

計(jì)算協(xié)方差矩陣：

(3)計(jì)算協(xié)方差矩陣D的特征向量和特征值，特征向量按照特征值由大到小排列的矩陣就是投影變換矩陣。在M維的樣本空間中，有M個(gè)主元，根據(jù)式(6)計(jì)算主元的比率Z，按照比率大于等于95%，選取前P(P＜M)個(gè)對(duì)偏差貢獻(xiàn)大的主元構(gòu)成向量D。

(4)計(jì)算變換后的矩陣：

3 基于小波包核主元分析的SEMG特征提取

采用小波包核主元分析 (WPKPCA)提取兩路SEMG信號(hào)特征矩陣過(guò)程如圖3所示。

圖3 基于小波包主元分析SEMG信號(hào)特征提取

由圖3可得具體的WPKPCA實(shí)現(xiàn)SEMG信號(hào)特征提取具體過(guò)程如下：

(1)將采集到的兩路 S EMG信號(hào) X1、X2分別經(jīng) L 層小波包變換(WPT)得到各個(gè)尺度下的小波系數(shù)的均方根D1，D2，…，D2L，構(gòu)成小波系數(shù)特征矩陣 y1、y2。各個(gè)尺度下的小波系數(shù)均方根為：

其中 j=1,2,…,2L，dj,i為第 j尺度下的數(shù)據(jù)，N為該段的采樣點(diǎn)數(shù)，這里選取N為100。

(2)將 y1、y2經(jīng)核主元分析后得到各路SEMG信號(hào)特征矩陣 Y1、Y2；

(3)將Y1、Y2合并為運(yùn)動(dòng)特征矩陣Y。得到運(yùn)動(dòng)特征矩陣Y后進(jìn)行后續(xù)的動(dòng)作識(shí)別。

4 基于SVM的SEMG信號(hào)動(dòng)作識(shí)別

支持向量機(jī)(SVM)是統(tǒng)計(jì)學(xué)習(xí)理論發(fā)展的產(chǎn)物，其基本思想是將低維輸入空間中的數(shù)據(jù)通過(guò)非線性函數(shù)映射到高維屬性空間，將分類問(wèn)題轉(zhuǎn)化為屬性空間中進(jìn)行，在屬性空間中求取樣本最優(yōu)分類面[12]。SVM算法克服了傳統(tǒng)統(tǒng)計(jì)學(xué)中經(jīng)驗(yàn)風(fēng)險(xiǎn)與期望風(fēng)險(xiǎn)可能具有較大差別的不足，使得其在有限樣本下具有了較強(qiáng)的泛化能力[13]。SVM通過(guò)構(gòu)造最優(yōu)超平面，在滿足經(jīng)驗(yàn)風(fēng)險(xiǎn)最小的條件下使得VC(Vapnik和Chervonnenkis)維置信范圍最小。最優(yōu)超平面的構(gòu)造問(wèn)題實(shí)質(zhì)上是約束條件下求解一個(gè)二次規(guī)劃問(wèn)題，以得到一個(gè)最優(yōu)分類函數(shù)：

SVM多類分類器的基本構(gòu)造方法是通過(guò)組合多個(gè)二值分類器來(lái)實(shí)現(xiàn)的。具體的構(gòu)造方法有一對(duì)一和一對(duì)多兩種。一對(duì)一的方法中對(duì)兩類樣本設(shè)計(jì)一個(gè)SVM分類器，通過(guò)設(shè)計(jì)k(k-1)/2(k為類別數(shù))個(gè)SVM分類器，設(shè)分類函數(shù)為fij(x)用于判別i和j兩類樣本。

若fij(x)＞0，則x屬于第i類，記i類得一票，最后決策時(shí)，通過(guò)比較哪一類得票數(shù)最多，就把測(cè)試樣本歸于該類。在一對(duì)多的方法中，需要構(gòu)造k個(gè)SVM分類器，對(duì)于第i個(gè)SVM分類器，將第i個(gè)模式的樣本作為一類(正類),剩下的k-1類樣本作為另一類(負(fù)類)，決策時(shí),將待測(cè)樣本x依次輸入到各個(gè)SVM分類器中,比較哪一個(gè)SVM分類器輸出值最大，把測(cè)試樣本歸于該類?？紤]到SEMG樣本類別較少，而一對(duì)一的SVM分類器算法簡(jiǎn)單，易于實(shí)現(xiàn),因此選用一對(duì)一的SVM分類器來(lái)構(gòu)造多類分類器。

5 實(shí)驗(yàn)結(jié)果分析

將差分式肌電信號(hào)采集電極粘貼在受試者的尺側(cè)腕屈肌和肱橈肌對(duì)應(yīng)的皮膚表面上，選取橈腕關(guān)節(jié)處的皮膚表面作為參考點(diǎn)接地，以消除共模信號(hào)。設(shè)置采樣頻率為2 000 Hz，當(dāng)手部做握拳、展拳、手掌內(nèi)翻和手掌外翻四種動(dòng)作時(shí)，同時(shí)采集尺側(cè)腕屈肌和尺側(cè)腕伸肌兩路SEMG信號(hào)。每種動(dòng)作采集 5 s。前 2.5 s作為訓(xùn)練樣本，后2.5 s作為測(cè)試樣本，則訓(xùn)練樣本和測(cè)試樣本都是5 000個(gè)數(shù)據(jù)。以100個(gè)數(shù)據(jù)為子樣本，每種動(dòng)作有50組數(shù)據(jù)。

針對(duì)手部動(dòng)作的 SEMG，采用 db08小波基，對(duì)預(yù)處理后的兩路肌電信號(hào)進(jìn)行3層小波包分解，得到各個(gè)尺度下的小波系數(shù)矩陣。圖4為握拳動(dòng)作時(shí)，肱橈肌SEMG信號(hào)的3層小波包分解圖，經(jīng)小波包3層分解后得到8維小波系數(shù)矩陣。

圖4 SEMG信號(hào)小波包分解圖

由圖4可知，兩路SEMG信號(hào)經(jīng)小波包分解后構(gòu)成16維的小波系數(shù)矩陣。采用KPCA分別對(duì)兩路SEMG信號(hào)的小波系數(shù)矩陣進(jìn)行降維，去除數(shù)據(jù)間的冗余。圖5所示為肱橈肌和橈側(cè)腕屈肌的8維小波系數(shù)矩陣經(jīng)KPCA后的各主成分解釋方差貢獻(xiàn)率。

圖5 肱橈肌和橈側(cè)腕屈肌SEMG信號(hào)各小波系數(shù)貢獻(xiàn)率

從圖5可以看出，經(jīng)WPKPCA的橈側(cè)腕屈肌和肱橈肌的SEMG小波系數(shù)矩陣中，主元1與主元2的累積貢獻(xiàn)率分別為98.42%和99.26%，其他6個(gè)主元的累積貢獻(xiàn)率不到2%，因此將后6個(gè)主元忽略，從而將16維的小波系數(shù)矩陣降至4維，得到運(yùn)動(dòng)模式矩陣。將運(yùn)動(dòng)模式矩陣輸入到SVM分類器中，其分類結(jié)果如表1所示。

表1 應(yīng)用SVM分類器對(duì)四種動(dòng)作類別的分類結(jié)果

從表1可以看出，LDA分類器分類結(jié)果中內(nèi)翻和展拳的正確識(shí)別率可達(dá)100%，外翻和握拳的正確識(shí)別率分別為94%和98%，總體平均識(shí)別率98%。表2所示為WPKPCA、WPT、時(shí)域參數(shù)平均絕對(duì)值(MAV)和 AR系數(shù)4種特征提取方法在LDA分類器中的分類結(jié)果。

表2 4種特征提取法用LDA分類器分類結(jié)果

從表2可以看出,SVM作為分類器時(shí)，選取WPKPCA對(duì)SEMG信號(hào)進(jìn)行特征提取，動(dòng)作識(shí)別率最高。WPKPCA能夠更加有效地提取SEMG信號(hào)中的細(xì)節(jié)信息，與SVM分類器結(jié)合有更好的識(shí)別效果。采用SVM、K近鄰、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)對(duì)WPPCA獲取的運(yùn)動(dòng)模式特征矩陣進(jìn)行動(dòng)作識(shí)別，其分類結(jié)果如表3所示。

表3 4種分類方法的分類結(jié)果

從表3可得，在應(yīng)用WPKPCA來(lái)提取SEMG信號(hào)特征的情況下，采用SVM分類器動(dòng)作率最高，效果最好。因此，WPKPCA與SVM相結(jié)合的方法更能準(zhǔn)確地識(shí)別手部不同的運(yùn)動(dòng)狀態(tài)。

通過(guò)采集橈側(cè)腕曲肌和肱橈肌兩路SEMG信號(hào)來(lái)識(shí)別前臂 4種動(dòng)作(握拳、展拳、手掌內(nèi)翻和手掌外翻)，采用小波包變換對(duì)SEMG信號(hào)進(jìn)行分析，將各頻段的子帶均方根作為每個(gè)動(dòng)作模式的特征向量并建立KPCA模型。在不同的SEMG信號(hào)特征提取方法下，WPKPCA具有良好的特征表達(dá)能力。運(yùn)用SVM分類器對(duì)所取特征進(jìn)行訓(xùn)練和分類時(shí)，取得優(yōu)良的分類效果。小波包核主元分析的特征提取方法與SVM分類器的組合是非常適合SEMG信號(hào)處理。實(shí)驗(yàn)表明，運(yùn)用此方法能夠較好地識(shí)別手部4種動(dòng)作，動(dòng)作平均識(shí)別率達(dá)到98%。

[1]FUKUDA O，TSUJI T.A human-assisting manipulator teleoperated by EMG signal and arm motion[J].IEEE Transactions on Robotics and Automation,2003,19(2):210-222.

[2]ZHAO Z Y,CHEN X,ZHANG X,et a1.Study on online gesture SEMG recognition[C].Intelligent Computing(ICIC 2007),Lecture Note in Computer Science,2007,4681:1257-1265.

[3]KHEZRI M,JAHED M.A neuro-fuzzy inference system for sEMG-Based identification of hand motion commands[J].IEEE Transactions on Industrial Electronics,2011,58(5):1952-1960.

[4]RYAIT H S.ARORA R A S,AGARWAL R.Interpretations of wrist/grip operations from SEMG signals at different locations on arm[J].IEEE Transactions on Industrial Electronics,2010,4(2):101-111.

[5]張毅,連奧奇,羅元.基于小波變換及AR模型的EMG模式識(shí)別研究[J].電子測(cè)量與儀器學(xué)報(bào),2011,25(9):770-774.

[6]侯秀麗,宋愛(ài)國(guó).基于小波變換與BP網(wǎng)絡(luò)的四通道表面肌電信號(hào)模式識(shí)別[J].儀器儀表學(xué)報(bào),2007,28(4):528-531.

[7]李天博,陳玲,陳坤華,等.基于 MSP430的肌電假手系統(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng),2012,31(4):75-78.

[8]張兢,盧鳳蘭,余成波.基于 DAQ數(shù)據(jù)采集卡的虛擬儀器通用硬件平臺(tái)設(shè)計(jì)[J].重慶工學(xué)院學(xué)報(bào),2001,15(2):42-44.

[9]陳珍萍.基于自適應(yīng)提升小波變換的電能質(zhì)量檢測(cè)節(jié)點(diǎn)[J].電子技術(shù)應(yīng)用,2011,37(7):86-88.

[10]左來(lái).基于小波包分析和LS-SVM的柴油機(jī)故障診斷方法[J].計(jì)算機(jī)測(cè)量與控制,2009,17(11):2150-2152.

[11]周欣,吳瑛.基于KPCA和LDA的信號(hào)調(diào)制識(shí)別[J].系統(tǒng)工程與電子技術(shù),2011,33(7):1611-1616.

[12]崔建國(guó),王旭,李忠海,等.支持向量機(jī)在表面肌電信號(hào)模式分類中的應(yīng)用[J].東北大學(xué)學(xué)報(bào)(自然科學(xué)版),2006,27(3):280-283.

[13]席旭剛,李仲寧,羅志增.基于相關(guān)性分析和支持向量機(jī)的手部肌電信號(hào)動(dòng)作識(shí)別[J].電子與信息學(xué)報(bào),2008,30(10):2315-2319.