基于線性判別分析的表面肌電信號動作模式識別

鐔建軍

(山西省原平市垃圾處理中心，山西 原平 034100)

摘要：表面肌電信號(SEMG)屬于非平穩(wěn)的生物電信號，特點是信號微弱、易受干擾.為了有效提取表面肌電信號(SEMG)特征、更好地識別人體上肢運動的模式，針對表面肌電信號的特點提出了一種線性判別分析人體前臂運動特征的識別方法.通過虛擬儀器同時采集橈側(cè)腕屈肌和肱橈肌兩路的表面肌電信號，取平均絕對值(MAV)和均方根(RMS)為特征參數(shù)，應(yīng)用線性判別分析(LDA)方法對樣本特征矩陣進行模式識別.與其他特征識別方式的對比實驗表明，此方法的動作識別率更高，能夠成功地從表面肌電信號中識別握拳、展拳、手腕內(nèi)翻和手腕外翻4種動作，動作的平均識別率達到了99.5%.

關(guān)鍵詞：表面肌電信號；線性判別分析；模式識別；特征提取

中圖分類號：TP391.4文獻標志碼：A

收稿日期：2015-03-29

作者簡介：鐔建軍(1973-)，男，山西原平人，助理工程師，主要從事數(shù)據(jù)采集與處理方面的研究.

表面肌電信號(SEMG)是通過電極從人體骨骼肌表面記錄下來的神經(jīng)肌活動發(fā)放的生物電信號[1]，應(yīng)用已經(jīng)深入到臨床醫(yī)學(xué)、運動控制、生物醫(yī)學(xué)與康復(fù)工程等諸多領(lǐng)域[2].在肌電控制中，最關(guān)鍵的是如何有效地提取SEMG特征進而有效識別肢體動作[3].Mahdi等[4]采用一種自適應(yīng)神經(jīng)模糊推理系統(tǒng)識別手部動作命令，動作識別率達到92%；羅志增等[5]采用小波包變換和學(xué)習(xí)向量量化對手部握拳、展拳、伸腕和屈腕這4種動作進行識別，識別正確率為96%；宋愛國等[6]采用四通道采集SEMG信號，利用小波變換和BP神經(jīng)網(wǎng)絡(luò)來識別SEMG信號8種動作，動作平均識別率為96.25%.但是，在SEMG信號的特征提取和動作模式識別中仍然存在特征向量維數(shù)過高、數(shù)據(jù)冗余度大、分類器復(fù)雜、魯棒性差和識別率低等問題.為此，提出了一種線性判別分析法(Linear Discriminant Analysis，LDA)對表面肌電信號進行運動特征識別.在肌電信號模式識別中，LDA分類器的準確率不輸于前面提到的那些復(fù)雜的判別方法，而且還具有易于實現(xiàn)、訓(xùn)練更迅速等優(yōu)點[7].

1SEMG樣本采集和特征表示

1.1　SEMG樣本采集

SEMG信號采集系統(tǒng)主要由SEMG檢測電極、SEMG信號調(diào)理電路、DAQ板卡和LabVIEW框架下的計算機系統(tǒng)組成[8-10].

在實驗室條件下，用儀表放大器AD8222和運算放大器OPA4347設(shè)計了一套高輸入阻抗、高共模抑制比的差分輸入SEMG信號采集與調(diào)理電路，調(diào)理電路的放大倍數(shù)為250倍，通頻帶為10~1 000 Hz.用Ag/AgCl貼片電極作為SEMG傳感器，將差分式電極分布于橈側(cè)腕屈肌和肱橈肌上，參考電極貼到橈腕關(guān)節(jié)處.受試者做握拳、展拳、手腕內(nèi)翻和手腕外翻4種動作.采樣頻率為2 000 Hz，采樣時間5 s，采集到的SEMG信號如圖1所示.

圖1　采集到的兩路SEMG波形 Fig.1　Collected two channel SEMG waveforms

1.2SEMG信號的特征提取

對于連續(xù)的SEMG信號分類，與頻域特征和時-頻特征相比，時域特征能夠獲得相對較好的分類特性，具有計算簡單、獲取迅速等優(yōu)點.對時域信號數(shù)據(jù)進行數(shù)學(xué)運算和統(tǒng)計可以得到SEMG特征，主要有平均絕對值和均方根.

平均絕對值(Mean Absolute Value，MAV)是SEMG信號時域分析中的典型特征參數(shù)，可以通過SEMG信號的平均絕對值來設(shè)定閾值，進而判斷肌肉是否動作.平均絕對值定義式如下：

(1)

式中，I為樣本數(shù)據(jù)段數(shù)，xkj為第j段第k個樣本數(shù)據(jù)，Nj為該段的樣本數(shù)，這里選取Nj=100.

均方根(Root Mean Square，RMS)可以用來衡量SEMG信號的大小，定義式如下：

(2)

式中，I為樣本數(shù)據(jù)段數(shù)，xkj為第j段第k個樣本數(shù)據(jù)，Nj為該段的樣本數(shù)，這里選取Nj=100.

2SEMG動作模式識別算法

線性判別分析(LDA)也被稱為Fisher線性判別(Fisher Linear Discriminant，F(xiàn)LD)，是模式識別中的經(jīng)典算法[11].線性判別分析的基本思想是將高維的模式樣本投影到最佳鑒別矢量空間，以達到抽取分類信息和壓縮特征空間維數(shù)的效果.SEMG運動模式特征樣本集合Φ為{Y1，Y2，…，YI}, Yj==[Y1,j, Y2,j, …, YM,j]T,j=1,2,…,I，其中I為樣本數(shù)據(jù)分段數(shù)，M為樣本特征個數(shù).定義動作類別w1和w2，集合Φ中w1類有I1個特征采樣點數(shù)，w2類有I2個特征采樣點數(shù)Φ1，屬于w2類的樣本記為子集Φ2，SEMG信號數(shù)據(jù)中兩種動作類別的具體方法如下：

(1)計算SEMG信號動作模式特征樣本中各動作類別的樣本均值向量mi(Ii是wi類的樣品個數(shù)，i=1,2)：

(3)

(2)計算SEMG信號中各個動作類別的樣本類內(nèi)離散度矩陣Si和總類內(nèi)離散度矩陣Sw:

(4)

Sw=S1+S2.

(5)

(3)計算SEMG信號運動模式特征矩陣中各個動作類別的樣本類間離散度矩陣Sb：

Sb=(m1-m2)(m1-m2)T.

(6)

(4)求最佳解向量W*.

定義Fisher準則函數(shù)

(7)

使得JF(W)取得最大值的W*為

(8)

(5)將SEMG信號數(shù)據(jù)中訓(xùn)練樣本集合內(nèi)所有樣本數(shù)據(jù)進行投影.按下式得到投影后標量en：

en=(W*)TYn,n=1,2,…,Ii，

(9)

從而得到一維樣本集合，設(shè)對應(yīng)集合Φ1和Φ2的兩個像子集分別為Θ1和Θ1.

(6)計算在投影空間上的分割閾值e0.

在一維空間R，各類樣本均值

(10)

在投影空間上的分割閾值

(11)

(7)對于給定的SEMG信號數(shù)據(jù)測試樣本Y，計算出樣本在W*上的投影點

e=(W*)TY.

(12)

(8)根據(jù)決策規(guī)則分類，有

(13)

用LDA方法來解決SEMG信號中含有多種動作類別的運動特征矩陣的分類問題時，首先實現(xiàn)兩種動作的識別與分類，然后根據(jù)返回的動作類別再與新的動作類別進行分類，直到所有的動作類別分完為止.

3結(jié)果與分析

實驗中每種動作模式采集5s的SEMG信號數(shù)據(jù)，采樣頻率為2 000Hz，得到4種動作的原始數(shù)據(jù)共40 000個，每種動作原始數(shù)據(jù)為10 000個.按照公式(1)和(2)得到兩路SEMG信號樣本的MAV和RMS特征采樣數(shù)據(jù),如圖2所示.

圖2　兩路SEMG信號的特征數(shù)據(jù) Fig.2　Two SEMG signals characteristic data

在圖2中，肱橈肌的MAV和RMS數(shù)據(jù)及橈側(cè)腕曲肌的MAV和RMS數(shù)據(jù)分別都是400個，其中1~100為握拳數(shù)據(jù)，101~200為展拳數(shù)據(jù)，201~300為內(nèi)翻數(shù)據(jù)，301~400為外翻數(shù)據(jù).將這4個特征向量數(shù)據(jù)構(gòu)成4行400列的運動模式矩陣Y=[Y1, Y2, Y3, Y4]TYc=[Yc,1, Yc,2, …, Yc,400]，其中c=1,2,3,4.將握拳、展拳、內(nèi)翻和外翻數(shù)據(jù)分別劃分為前50組訓(xùn)練數(shù)據(jù)和后50組測試數(shù)據(jù)，從而得到4行200列的訓(xùn)練特征矩陣和4行200列的測試特征矩陣.將運動模式矩陣的訓(xùn)練特征矩陣和測試特征矩陣輸入LDA分類器，得到各個動作類別的分類閾值,如表1所示.

表1　應(yīng)用LDA法的各動作分類閾值 Tab.1　Actions classification thresholds by LDA

根據(jù)表1的分類閾值,得到各個動作的分類結(jié)果和正確率,如表2所示.

表2　應(yīng)用LDA法的動作識別結(jié)果 Tab.2　Actions classification results by LDA method

由表2可得，LDA分類器的分類結(jié)果中外翻、內(nèi)翻和展拳的正確識別率均為100%，握拳的正確識別率為98%，總體平均識別率為99.5%.應(yīng)用LDA法、K近鄰法、BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)分別對特征樣本矩陣進行識別分類，識別結(jié)果如表3所示.

表3　4種分類方法的分類結(jié)果 Tab.3　Four classification results　%

從表3可以看出,使用LDA分類器的動作平均識別率達到99.5%，而使用K近鄰分類器的動作平均識別率為88%，使用BP神經(jīng)網(wǎng)絡(luò)的動作平均識別率為92%，使用RBF神經(jīng)網(wǎng)絡(luò)的動作平均識別率為95%.從這4種方法的分類結(jié)果可以看出，應(yīng)用線性判別分析法對特征矩陣進行分類，動作識別率最高.

4結(jié)束語

針對SEMG信號的非平穩(wěn)性和微弱性，應(yīng)用虛擬儀器采集SEMG信號并計算其平均絕對值和均方根兩個特征參數(shù)，采用LDA方法對實驗采集的兩通道SEMG信號進行了握拳、展拳、手腕內(nèi)翻和手腕外翻4個動作模式的識別.由實驗結(jié)果可得，LDA方法的動作平均識別率為99.5%，與K近鄰分類算法、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)相比具有識別率高、運算速度快和魯棒性能好等特點.

參考文獻：

[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，Zhan G X，et a1．Study on online gesture SEMG recognition[C]∥Lecture Notes in Computer Science，Kolkata:[s.n.]，2007：1257-1265．

[3]Shinichi A，Akinori S，Hiroshi H，et a1．Driving electric car by using EMG interface[C]∥IEEE International Conferences on Cybernetics Intelligent Systems，Bangkok：[s.n.]，2006：1-5．

[4]Mahdi K,Mehran J．A Neuro-Fuzzy inference system for SEMG-based identification of hand motion commands[J]．IEEE Transactions on Industrial Electronics,2011，58(5)：1952-1960．

[5]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．

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

[7]Hargrove L J,Englehart K，Hudgins B．A comparison of surface and intramuseular myoelectric signal classification [J]．IEEE Transactions on Biomedical Engineering，2007，54(5)：847-853．

[8]姚良標，樓蔚松，羅志增．肌電信號處理和肌電控制的研究[J]．杭州電子工業(yè)學(xué)院學(xué)報，2004(6)：82-84．

[9]胡巍，趙章琰，路知遠,等．無線多通道表面肌電信號采集系統(tǒng)設(shè)計[J]．電子測量與儀器學(xué)報，2009，23(11)：30-35．

[10]萬莎，侯文生，楊丹丹,等．基于LabVIEW的多通道SEMG信號檢測系統(tǒng)設(shè)計[J]．測控技術(shù)與儀器儀表，2012，38(3)：78-81．

[11]莊哲民，張阿妞，李芬蘭．基于優(yōu)化的LDA算法人臉識別研究[J]．電子與信息學(xué)報，2007，29(9)：2047-2049．

SEMG feature recognition based on linear discriminant analysis

CHAN Jianjun

(TheCenterforGarbageDisposal,Yuanping034100,China)

Abstract:Surface electromyogram (SEMG)signal belongs to non-stationary biological signal，which is so weak and susceptible to interference. Through the acquisition of two channels of SEMG on flexor carpi radialis and brachioradialis with virtual instrument, the mean absolute value (MAV) and root mean square (RMS) can be taken as feature parameters, and the linear discriminant analysis (LDA)method is appled to pattern recognition of the collected samples. The experiments comparing with other identification methods show that, the proposed recognition method in this paper can successfully identify four kinds of motions such as hand grasping, hand opening, radial flexion and ulnar flexion, and the recognition accuracy is much higher.

Key words:surface electromyogram(SEMG); linear discriminant analysis(LDA); pattern identification; feature extraction