于亞萍，孫立寧，張峰峰，張建法

（蘇州大學(xué)機(jī)電工程學(xué)院機(jī)器人與微系統(tǒng)研究中心，江蘇蘇州215021）

基于小波變換的多特征融合sEMG模式識(shí)別*

于亞萍，孫立寧，張峰峰*，張建法

（蘇州大學(xué)機(jī)電工程學(xué)院機(jī)器人與微系統(tǒng)研究中心，江蘇蘇州215021）

針對(duì)單一特征值表征能力差的情況，根據(jù)小波變換的多分辨分析思想，采用基于多種母小波的多特征融合的特征提取方法對(duì)表面肌電信號(hào)進(jìn)行特征提取。本實(shí)驗(yàn)對(duì)十名測(cè)試人員進(jìn)行肌電信號(hào)的采集，對(duì)日常生活中的四個(gè)基本下肢動(dòng)作進(jìn)行測(cè)試。首先，分別基于DB、Dmey和Bior三種不同的母小波，采用離散小波變換通過不同的分析方法對(duì)表面肌電信號(hào)進(jìn)行多尺度分解。然后，通過分析發(fā)現(xiàn)，不同肌肉在不同特征提取方式下表征效果存在差異，為了結(jié)合不同特征方式的特點(diǎn)對(duì)基于不同小波基的特征值進(jìn)行融合分析并比較。最后，將特征值分別輸入到Elman神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別并比較分析。實(shí)驗(yàn)結(jié)果表明:通過對(duì)不同特征值進(jìn)行識(shí)別比較，融合處理的特征值可以達(dá)到98.7%的識(shí)別率，并且，BP神經(jīng)網(wǎng)絡(luò)相較于Elman神經(jīng)網(wǎng)絡(luò)識(shí)別效果更好。

表面肌電；信號(hào)處理；模式識(shí)別；多特征融合；小波變換

EEACC:7510Ddoi:10.3969/j.issn.1004-1699.2016.04.009

表面肌電信號(hào)是指從肌肉表面通過電極引導(dǎo)而記錄下來的神經(jīng)肌肉系統(tǒng)活動(dòng)時(shí)的生物電信號(hào)［1］，它與肌肉的活動(dòng)狀態(tài)和功能狀態(tài)之間存在著不同程度的關(guān)聯(lián)性，不同的肢體動(dòng)作由不同的肌肉收縮模式產(chǎn)生，肌電信號(hào)特征也存在差異，通過對(duì)表面肌電信號(hào)特征進(jìn)行分析就可以區(qū)分出不同的動(dòng)作模式。因此，表面肌電信號(hào)已經(jīng)廣泛應(yīng)用到臨床醫(yī)學(xué)、運(yùn)動(dòng)醫(yī)學(xué)、生物醫(yī)學(xué)與工程等諸多領(lǐng)域，特別是在智能假肢方面的應(yīng)用深受使用者和康復(fù)工程研究人員的青睞，已經(jīng)成為功能性電刺激的理想控制信號(hào)［2］。

目前，表面肌電信號(hào)特征提取及模式識(shí)別的分析方法越來越多，例如鄒曉陽等［3］將模糊熵（FuzzyEn）和多尺度分析方法相結(jié)合，以MSFuzzuEn為特征對(duì)人體前臂的內(nèi)翻、外翻、握拳、展拳、上切和下切6類動(dòng)作的動(dòng)作sEMG信號(hào)進(jìn)行分類，相較模糊熵識(shí)別率有所提高；張啟忠等［4］提出以肌電信號(hào)的李雅普諾夫指數(shù)及關(guān)聯(lián)維作為模式分類的特征值，并由支持向量機(jī)構(gòu)成的二叉樹結(jié)構(gòu)分類器實(shí)現(xiàn)手臂握拳、展拳、腕內(nèi)旋、腕外旋4類動(dòng)作模式的分類識(shí)別，這種方法比Rosenstein算法有更強(qiáng)的抗干擾能力，適用于信噪低的信號(hào)；王玲［5］采用小波包變換的方法對(duì)sEMG進(jìn)行了多尺度分解，采用最小二乘支持向量機(jī)（LS-SVM）分類器進(jìn)行模式識(shí)別，得出LS-SVM分類準(zhǔn)確率明顯優(yōu)于傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)分類器。劉亞偉［6］分別以RMS、時(shí)變AR模型系數(shù)、非線性小波空間強(qiáng)度作為BP神經(jīng)網(wǎng)絡(luò)的輸入，以足跟觸發(fā)同步信號(hào)電路輸出作為目標(biāo)輸出完成了BP網(wǎng)絡(luò)的有監(jiān)督訓(xùn)練，對(duì)行走周期中的四種模態(tài)進(jìn)行識(shí)別等等。

傳統(tǒng)的表面肌電信號(hào)模式識(shí)別方法是提取時(shí)域特征用作模式識(shí)別，這些方法僅僅在時(shí)域中分析數(shù)據(jù)，并且將肌電信號(hào)視為平穩(wěn)信號(hào)或分段平穩(wěn)信號(hào)，而肌電信號(hào)在本質(zhì)上是一種具有非平穩(wěn)特性的生理信號(hào)，因此在對(duì)多類肌電信號(hào)動(dòng)作進(jìn)行識(shí)別時(shí)很難得到理想的分類結(jié)果；而小波分析是一種有效的多分辨率時(shí)頻分析方法，是分析非平穩(wěn)信號(hào)的有力工具［7］。它在時(shí)域和頻域都具有良好的局部化特性，能自動(dòng)適應(yīng)時(shí)頻信號(hào)分析的要求，自動(dòng)調(diào)節(jié)時(shí)頻窗的特點(diǎn)，從而可聚焦到信號(hào)的任意細(xì)節(jié)［8］，所以小波分析有“數(shù)學(xué)顯微鏡”之稱。此外，模式識(shí)別對(duì)于多自由度肌電假肢的控制至關(guān)重要，人工神經(jīng)網(wǎng)絡(luò)模仿生物神經(jīng)元結(jié)構(gòu)和神經(jīng)信息傳遞機(jī)理，有許多具有非線性映射能力的神經(jīng)元組成，神經(jīng)元之間通過權(quán)系數(shù)相連接構(gòu)成自適應(yīng)非線性動(dòng)態(tài)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)的自組織、自適應(yīng)學(xué)習(xí)以及優(yōu)秀的容錯(cuò)性能使得它在某些系統(tǒng)辨識(shí)和模式識(shí)別問題上顯示出極大的優(yōu)越性。目前國內(nèi)研究表面肌電信號(hào)特征提取及模式識(shí)別的對(duì)象大多集中在上肢，而對(duì)于下肢肌電信號(hào)的相關(guān)性研究相對(duì)較少。

本文主要研究人體下肢運(yùn)動(dòng)情況，通過對(duì)腿部肌肉的肌電信號(hào)進(jìn)行分析，從而識(shí)別出相應(yīng)的運(yùn)動(dòng)動(dòng)作模式。由于單一肌肉的肌電信號(hào)不能很好地表征動(dòng)作模式，實(shí)驗(yàn)設(shè)計(jì)采集了人體腿部的股直肌、股內(nèi)側(cè)肌、股外側(cè)肌、股二頭肌、半腱肌、脛骨前肌、內(nèi)側(cè)腓腸肌、外側(cè)腓腸肌、比目魚肌九塊肌肉在上下臺(tái)階和上下斜坡時(shí)的表面肌電信號(hào)，并針對(duì)肌電信號(hào)非常微弱、易受干擾的非平穩(wěn)隨機(jī)特性［9］，根據(jù)小波變換的多分辨分析思想，利用離散小波變換對(duì)原始肌電信號(hào)進(jìn)行多尺度分解，分別提取一定尺度上db4小波變換肌電信號(hào)的最大值、dmey小波分解系數(shù)的特征值、bior3.1小波變換肌電信號(hào)的奇異值作為原始肌電信號(hào)的特征，通過對(duì)特征值進(jìn)行分析融合，再分別由BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)對(duì)各特征值進(jìn)行模式識(shí)別，通過分析比較得出優(yōu)的模式識(shí)別結(jié)果。

1　基于小波變換的特征參數(shù)提取

小波變換是時(shí)頻分析方法的一種，既能在整體上提供信號(hào)的全部信息，又能提供在任一局部時(shí)段內(nèi)信號(hào)變化劇烈程度的信息，并且它的時(shí)頻定位特性可以實(shí)現(xiàn)信號(hào)的時(shí)變譜分析，進(jìn)行任意細(xì)節(jié)上的信號(hào)分析［10］。小波變換在時(shí)域及頻域中同時(shí)具有良好的局部化性質(zhì)，并具有對(duì)高頻成分進(jìn)行“變焦距顯微的功能”，其作用類似于一組帶寬相等，中心頻率可變的帶通濾波器。這一特性特別適用于處理肌電信號(hào)一類的突變信號(hào)。

小波變換的原理:設(shè) f（t）是平方可積函數(shù)，ψa，b（t）被稱為基本小波或母小波，定義如下:

則信號(hào)f（t）的連續(xù)小波變換定義為:

式中，a＞0，b∈R，a是尺度因子，b是伸縮因子，“＜＞”表示內(nèi)積，“*”表示共軛。

信號(hào)f（t）的離散小波變換定義為:

其逆變換（恢復(fù)信號(hào)或重構(gòu)信號(hào)）為:

為了更加全面、系統(tǒng)地從肌電信號(hào)的非平穩(wěn)隨機(jī)特性中獲取有價(jià)值的信息，針對(duì)肌電信號(hào)非常微弱、易受干擾的非平穩(wěn)隨機(jī)特性，根據(jù)小波變換的多分辨分析思想，利用離散小波變換對(duì)原始肌電信號(hào)進(jìn)行多尺度分解。常用的母小波有dB、sym、bior等，不同的小波基函數(shù)在正交性、緊支性、平滑性和對(duì)稱性有很大的不同，對(duì)同一信號(hào)的分析效果也大不相同，具有對(duì)稱性的小波不產(chǎn)生相位畸變；具有好的正則性的小波易于獲得光滑的重構(gòu)曲線和圖像，從而減小誤差。如Db小波具有緊支撐的正交性和雙正交性，且具有隨階數(shù)遞增的消失矩?cái)?shù)目和絕對(duì)的規(guī)則性，可實(shí)現(xiàn)快速算法和完全重構(gòu)［11］。選擇合適的小波基進(jìn)行小波變換也是特征提取中需要注意的一點(diǎn)。

2　神經(jīng)網(wǎng)絡(luò)模式識(shí)別

模式識(shí)別屬于人工智能范疇，其目的就是用機(jī)器去完成人類智能中通過視覺、聽覺、觸覺等感官去識(shí)別外界環(huán)境的那些工作。近年來神經(jīng)網(wǎng)絡(luò)、聚類分析、模糊理論等方法也被大規(guī)模的應(yīng)用到模式識(shí)別中來，其中人工神經(jīng)網(wǎng)絡(luò)使用最為廣泛效果也最好。人工神經(jīng)網(wǎng)絡(luò)可以模仿生物神經(jīng)元結(jié)構(gòu)和神經(jīng)信息傳遞機(jī)理，有許多具有非線性映射能力的神經(jīng)元組成，神經(jīng)元之間通過權(quán)系數(shù)相連接構(gòu)成自適應(yīng)非線性動(dòng)態(tài)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)的自組織、自適應(yīng)學(xué)習(xí)以及優(yōu)秀的容錯(cuò)性能使得它在某些系統(tǒng)辨識(shí)和模式識(shí)別問題上顯示出極大的優(yōu)越性。本文選取了Elman神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對(duì)人體下肢運(yùn)動(dòng)動(dòng)作模式進(jìn)行模式識(shí)別。

2.1Elman神經(jīng)網(wǎng)絡(luò)

Elman網(wǎng)絡(luò)可以看作是一個(gè)具有局部記憶單元和局部反饋連接的前向神經(jīng)網(wǎng)絡(luò)［12］。該網(wǎng)絡(luò)除了具有輸入層、隱層、輸出層單元外，還有一個(gè)特殊的聯(lián)系單元，如圖1所示。

圖1　Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

該層從隱含層接收反饋信號(hào)，每一個(gè)隱含層節(jié)點(diǎn)都有一個(gè)與之對(duì)應(yīng)的關(guān)聯(lián)層節(jié)點(diǎn)連接。關(guān)聯(lián)層的作用是通過聯(lián)接記憶將上一個(gè)時(shí)刻的隱層狀態(tài)連同當(dāng)前時(shí)刻的網(wǎng)絡(luò)輸入一起作為隱層的輸入，相當(dāng)于狀態(tài)反饋。Elman神經(jīng)網(wǎng)絡(luò)是一種動(dòng)態(tài)的反饋網(wǎng)絡(luò)，可以認(rèn)為是一時(shí)延算子，它使該網(wǎng)絡(luò)具有動(dòng)態(tài)記憶功能。

2.2BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一［13］。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層，如圖2所示。

圖2　BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

BP算法由數(shù)據(jù)流的前向計(jì)算（正向傳播）和誤差信號(hào)的反向傳播兩個(gè)過程構(gòu)成。正向傳播時(shí)，傳播方向?yàn)檩斎雽印㈦[層、輸出層，每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元。若在輸出層得不到期望的輸出，則轉(zhuǎn)向誤差信號(hào)的反向傳播流程。通過這兩個(gè)過程的交替進(jìn)行，在權(quán)向量空間執(zhí)行誤差函數(shù)梯度下降策略，動(dòng)態(tài)迭代搜索一組權(quán)向量，使網(wǎng)絡(luò)誤差函數(shù)達(dá)到最小值，從而完成信息提取和記憶過程。

3　實(shí)驗(yàn)研究

3.1表面肌電信號(hào)采集

實(shí)驗(yàn)采用美國 NORAXON公司生產(chǎn)的MyoResearch XP 16通道表面肌電儀分析及訓(xùn)練系統(tǒng)，如圖3所示。其產(chǎn)品帶寬為10 Hz～1 000 Hz，采樣率最高可達(dá)2 048 Hz。由于單一肌肉信號(hào)不能完整表征腿部動(dòng)作特征，本文設(shè)計(jì)采集人體腿部的股直肌、股內(nèi)側(cè)肌、股外側(cè)肌、股二頭肌、半腱肌、脛骨前肌、內(nèi)側(cè)腓腸肌、外側(cè)腓腸肌、比目魚肌九塊肌肉（如圖3）在上下臺(tái)階和上下斜坡時(shí)的表面肌電信號(hào)。

圖3　肌電信號(hào)實(shí)驗(yàn)采集位置圖

實(shí)驗(yàn)對(duì)10名試驗(yàn)者進(jìn)行數(shù)據(jù)采集，實(shí)驗(yàn)前先用酒精分別在受試者的測(cè)試肌肉處擦涂去污，以增強(qiáng)信號(hào)的拾取能力，然后將一次性電極片貼于腿部用于采集表面肌電信號(hào)。把肌電信號(hào)采集儀（采集頻率1 000 Hz）的輸出通過USB連接到計(jì)算機(jī)上，采集上臺(tái)階、下臺(tái)階、上斜坡、下斜坡4個(gè)動(dòng)作的表面肌電信號(hào)各30組。

3.2信號(hào)預(yù)處理

表面肌電信號(hào)本身是一種較微弱的電信號(hào)［14］，由于皮膚和組織對(duì)肌電均有衰減作用，測(cè)量誤差及其他一些不穩(wěn)定因素的存在，肌電信號(hào)采集的樣本數(shù)據(jù)中肯定存在一定噪聲的影響，提高肌電信號(hào)的信噪比，是增強(qiáng)后續(xù)動(dòng)作識(shí)別效果的必要措施［15］。目前，小波在信號(hào)去噪領(lǐng)域已得到越來越廣泛的應(yīng)用，本文采用了閾值去噪，其主要思想就是對(duì)小波分解后的各層系數(shù)中模大于和小于某閾值的系數(shù)分別處理，然后對(duì)處理完的小波系數(shù)再進(jìn)行反變換，重構(gòu)出經(jīng)過去噪后的信號(hào)。

3.3肌電信號(hào)特征提取及分析

小波分析中所用到的小波函數(shù)具有不惟一性，即小波函數(shù)具有多樣性。小波分析一個(gè)十分重要的問題就是最優(yōu)小波基的選擇問題，因?yàn)橛貌煌男〔ɑ治鐾环鈫栴}會(huì)產(chǎn)生不同的結(jié)果［16］。小波基函數(shù)的主要性質(zhì)有:正則性、緊支撐、對(duì)稱性和消失矩階數(shù)。具有對(duì)稱性的小波不產(chǎn)生相位畸變；具有好的正則性的小波易于獲得光滑的重構(gòu)曲線和圖像，從而減小誤差。

本文采用dB4、dmey和bior3.1三種小波變換核，根據(jù)小波變換的多分辨分析思想，利用離散小波變換對(duì)原始肌電信號(hào)進(jìn)行多尺度分解。

①基于dB4小波最大值肌電信號(hào)特征提取。小波變換能夠把信號(hào)分解成不同尺度基小波的加權(quán)和，由于其具有平移不變性，因此可以把小波變換系數(shù)直接作為信號(hào)模式分類的特征向量。針對(duì)采集的人體下肢規(guī)定動(dòng)作的原始表面肌電信號(hào)，采用dB4小波分別對(duì)每組九通道數(shù)據(jù)作四級(jí)尺度分解，并從每級(jí)小波分解系數(shù)中提取絕對(duì)值最大的小波系數(shù)作為信號(hào)特征，構(gòu)成多維特征矢量。圖4（a）是內(nèi)側(cè)腓腸肌在不同動(dòng)作模式下的特征集，可以明顯觀察到，在不同的動(dòng)作模式下，特征值的分布存在差異，并且上臺(tái)階和下坡特征區(qū)間具有明顯的差異，圖4（b）是內(nèi)側(cè)腓腸肌和比目魚肌的特征集顯示圖，不同的肌肉在運(yùn)動(dòng)時(shí)的活躍狀態(tài)不同，因此特征集也會(huì)存在差異，結(jié)合利用不同肌肉的狀態(tài)可以更好的區(qū)分運(yùn)動(dòng)狀態(tài)。

圖4?。╝）內(nèi)側(cè)腓腸肌特征集顯示圖；（b）內(nèi)側(cè)腓腸肌和比目魚肌特征顯示圖

②基于dmey小波多尺度分解肌電信號(hào)特征提取。針對(duì)采集的人體下肢規(guī)定動(dòng)作的原始表面肌電信號(hào)，采用dmey小波分別對(duì)九通道數(shù)據(jù)作6級(jí)尺度分解，從每級(jí)分解系數(shù)中保留絕對(duì)值較大的系數(shù)構(gòu)成方矩陣，6級(jí)分解系數(shù)則可構(gòu)成6個(gè)方陣，再對(duì)每通道尺度分解系數(shù)進(jìn)行降維得到所需要的特征值。圖5（a）是內(nèi)側(cè)腓腸肌在多尺度系數(shù)下特征集，它的不同動(dòng)作模式區(qū)間具有層次性，區(qū)域劃分相對(duì)明顯，上坡與上臺(tái)階存在些許重疊部分，可能會(huì)造成識(shí)別混淆，圖5（b）是內(nèi)側(cè)腓腸肌和股內(nèi)側(cè)肌的特征集顯示圖，通過結(jié)合不同肌肉的肌電信號(hào)信息，不同模式的特征值表征能力加強(qiáng)，有助于模式識(shí)別。

圖5?。╝）內(nèi)側(cè)腓腸肌在多尺度系數(shù)下的特征集；（b）內(nèi)側(cè)腓腸肌和股內(nèi)側(cè)肌特征集顯示圖

③基于bior3.1小波奇異值肌電信號(hào)特征提取。針對(duì)采集的人體下肢規(guī)定動(dòng)作的原始表面肌電信號(hào)，在具體提取肌電信號(hào)的特征參數(shù)時(shí)，選用bior3.1小波分別對(duì)九通道表面肌電信號(hào)作4級(jí)尺度分解，提取由小波分解系數(shù)構(gòu)成矩陣的奇異值作為信號(hào)特征。圖6（a）是外側(cè)腓腸肌在系數(shù)奇異值下的特征集，單獨(dú)針對(duì)上下臺(tái)階和上下坡都有明顯的區(qū)分，在具體識(shí)別是會(huì)造成上臺(tái)階與上坡、下臺(tái)階與下坡的混淆，圖6（b）是外側(cè)腓腸肌和脛骨前肌的特征集顯示圖，圖中可以看出上臺(tái)階與上坡間存在嚴(yán)重的區(qū)域重疊。

圖6?。╝）外側(cè)腓腸肌在系數(shù)奇異值下的特征集；（b）外側(cè)腓腸肌和脛骨前肌特征集顯示圖

圖4～圖6為單特征值時(shí)的圖像，由圖可以看出，單特征值圖像中多尺度系數(shù)具有較好的分離性，系數(shù)奇異值的分離性比較差。但圖中上臺(tái)階與下臺(tái)階都能較好的分辨出來，上斜坡與下斜坡也能較清晰的觀察出來，但下臺(tái)階和下斜坡有少量的重疊，上臺(tái)階與上斜坡重疊較多。因此，對(duì)于單一特征值來說，上下兩類動(dòng)作能簡單的分離開來，但是將上臺(tái)階和上斜坡或是下臺(tái)階和下斜坡分離開來還是存在一些問題。

由于單一特征表征情況較片面，本文基于上述三種特征提取的方法，提出將三種特征值進(jìn)行融合，為了突出不同特征值在表征能力上的優(yōu)點(diǎn)，將三種特征值通過比例加權(quán)的方法將特征向量根據(jù)表征效果的優(yōu)劣進(jìn)行不同比例系數(shù)的加權(quán)分配，從而提高特征值的表征能力。

在不同的動(dòng)作模式下，不同肌肉活躍狀態(tài)不同，因此表征能力也不同，通過不同的特征提取方法，肌肉的表征情況也有所變化。圖7為股外側(cè)肌、內(nèi)側(cè)腓腸肌和比目魚肌分別在最大小波系數(shù)和多尺度系數(shù)下的特征圖，可以看出圖7（a）模式區(qū)分還是較為明顯，但上臺(tái)階和上坡還是存在少量重疊問題，圖7（b）基本可以將不同模式劃分開，也并不存在重疊部分。圖8為內(nèi)側(cè)腓腸肌、外側(cè)腓腸肌和比目魚肌分別在最大小波系數(shù)和系數(shù)奇異值下的特征圖，圖中上臺(tái)階和上坡重疊較大。

圖7?。╝）內(nèi)側(cè)腓腸肌在多尺度系數(shù)下特征集與股外側(cè)肌在最大小波系數(shù)下特征集二維顯示圖；（b）內(nèi)側(cè)腓腸肌在多尺度系數(shù)下特征集與比目魚肌在最大小波系數(shù)下特征集二維顯示圖

圖8　（a）外側(cè)腓腸肌在系數(shù)奇異值下特征集與內(nèi)側(cè)腓腸肌在最大小波系數(shù)下特征集二維顯示圖；（b）內(nèi)側(cè)腓腸肌在系數(shù)奇異值下特征集與比目魚肌在最大小波系數(shù)下特征集二維顯示圖

圖9為內(nèi)側(cè)腓腸肌、外側(cè)腓腸肌和比目魚肌分別在多尺度系數(shù)和系數(shù)奇異值下的特征圖。在上述特征結(jié)合圖中，可以觀察到，在特征圖中上臺(tái)階和上坡區(qū)域劃分不明顯，圖7（b）特征圖散點(diǎn)排列比較緊湊，區(qū)域劃分較為明顯，相較于其他圖有比較好的分離性，圖10為比目魚肌、股外側(cè)肌和內(nèi)側(cè)腓腸肌分別在最大小波系數(shù)、多尺度系數(shù)和系數(shù)奇異值下的特征圖，從圖中可以看出各模式之間互不干涉，三特征融合使得不同特征之間互補(bǔ)，提高了特征值的表征能力。

圖9?。╝）外側(cè)腓腸肌在系數(shù)奇異值下特征集與內(nèi)側(cè)腓腸肌在多尺度系數(shù)下特征集二維顯示圖；（b）比目魚肌在系數(shù)奇異值下特征集與內(nèi)側(cè)腓腸肌在多尺度系數(shù)下特征集二維顯示圖

圖10　內(nèi)側(cè)腓腸肌在系數(shù)奇異值下特征集、股外側(cè)肌在多尺度系數(shù)下特征集與比目魚肌在最大小波系數(shù)下特征集三維顯示圖

從上面的分析可以得出，db4小波最大系數(shù)對(duì)于上臺(tái)階和下坡兩種模式區(qū)分比較明顯，dmey小波分解系數(shù)的特征值對(duì)于上下臺(tái)階和上下坡區(qū)分叫明顯，但是上臺(tái)階和上坡會(huì)存在混淆，bior3.1小波變換的奇異值對(duì)于上下臺(tái)階和上下坡區(qū)分叫明顯，但是上臺(tái)階上坡和下臺(tái)階下坡會(huì)有混淆，因此不同特征向量的針對(duì)不同動(dòng)作模式的區(qū)分能力是有差別的，單一特征從一定程度上能反映信號(hào)的某些特征，但模式識(shí)別時(shí)存在嚴(yán)重的模式重疊，單用這些特征來準(zhǔn)確地區(qū)分出不同的信號(hào)還存在一定的困難。將幾個(gè)單一特征進(jìn)行融合，構(gòu)成特征向量，能使各單一特征的優(yōu)點(diǎn)互補(bǔ)，增強(qiáng)了特征值的表征能力，從而有效提高了模式分類的正確率。

3.4模式識(shí)別

通過對(duì)特征圖像的分析，將最大小波系數(shù)、多尺度系數(shù)和系數(shù)奇異值進(jìn)行兩兩結(jié)合以及三者融合，得到了7種特征值，對(duì)4種動(dòng)作模式進(jìn)行特征提取各得到30組特征向量，從中任取21組特征向量作為訓(xùn)練集輸入神經(jīng)網(wǎng)絡(luò)，其余9組作為測(cè)試組。表1為各特征值分別輸入Elman神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)結(jié)果。

表1　各特征值-模式識(shí)別統(tǒng)計(jì)結(jié)果

通過表1可以發(fā)現(xiàn)，模式識(shí)別的好壞與特征值密切相關(guān)，但Elman神經(jīng)網(wǎng)絡(luò)的識(shí)別效果普遍低于BP神經(jīng)網(wǎng)絡(luò)，單一特征值中系數(shù)奇異值表征肌電信號(hào)特征的能力較差，因此，在由單一特征值兩兩結(jié)合形成的特征模式識(shí)別中，最大小波系數(shù)-多尺度系數(shù)奇異值的表征能力較其他兩者的效果好，而與系數(shù)奇異值相結(jié)合的兩種特征值效果相對(duì)較差。三特征結(jié)合的效果優(yōu)于最大小波系數(shù)-多尺度系數(shù)奇異值的識(shí)別能力。

通過將最大小波系數(shù)、多尺度系數(shù)及系數(shù)奇異值融合后進(jìn)行模式識(shí)別得到混淆矩陣，表2為特征向量輸入BP神經(jīng)網(wǎng)絡(luò)得到的識(shí)別結(jié)果。

表2　模式識(shí)別混淆矩陣圖

從表2可以看出，上下臺(tái)階和上下坡區(qū)分相對(duì)較好，但是上臺(tái)階和上坡存在明顯的區(qū)域重疊，導(dǎo)致識(shí)別重疊。由于上臺(tái)階和上斜坡皆為抬腿動(dòng)作，從某種程度上講動(dòng)作具有相似性，因此造成模式識(shí)別困難，這也是動(dòng)作模式識(shí)別需要解決的一個(gè)問題。

4　結(jié)論

本文針對(duì)國內(nèi)在下肢表面肌電信號(hào)方面研究較少的情況，對(duì)腿部運(yùn)動(dòng)模式進(jìn)行了研究。通過對(duì)多肌肉多特征值的分析，不同肌肉在不同動(dòng)作模式下表征能力不同，并且對(duì)于不同的特征提取方式所展現(xiàn)出的區(qū)分效果也存在較大差異。通過不同肌肉在同一特征之下的表征差異，可以得到多尺度系數(shù)表征效果較好，而系數(shù)奇異值的表征效果較差，重疊部分較多。為了能夠結(jié)合不同特征值得特點(diǎn)，解決單一特征值表征能力較差的問題，本文提出了基于小波變換的三種特征值融合的方法，采用了比例加權(quán)的方法，將特征向量根據(jù)表征效果的優(yōu)劣進(jìn)行不同比例系數(shù)的加權(quán)分配，通過對(duì)特征值分析并進(jìn)行融合，再分別通過BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)模式識(shí)別，從而達(dá)到提高識(shí)別率的目的。實(shí)驗(yàn)結(jié)果分析表明，分別以db4、dmey和bior3.1為小波基得到的最大小波系數(shù)、多尺度系數(shù)和系數(shù)奇異值三者融合作為信號(hào)特征值輸入BP神經(jīng)網(wǎng)絡(luò)的識(shí)別效果優(yōu)于其他方法的結(jié)合，而Elman識(shí)別效果相對(duì)較低。在以后的研究中可以考慮將時(shí)域、頻域特征進(jìn)行融合，考慮采用支持向量機(jī)、模糊分類、神經(jīng)網(wǎng)絡(luò)等多種識(shí)別方式進(jìn)行結(jié)合，從而達(dá)到更理想的識(shí)別效果。

［1］ 張啟忠，席旭剛，羅志增.多重分形分析在肌電信號(hào)模式識(shí)別中的應(yīng)用［J］.傳感技術(shù)學(xué)報(bào)，2013，26（2）:282-288.

［2］ Oskoei M A，Hu H0.Support Vector Machine-Based Classification Scheme for Myoelectric Control Applied to Upper Limb［J］. Biomedical Engineering，IEEE Transactions on，2008，55（8）: 1956-1965.

［3］ 鄒曉陽，雷敏.基于多尺度模糊熵的動(dòng)作表面肌電信號(hào)模式識(shí)別［J］.生物醫(yī)學(xué)工程學(xué)雜志，2012，29（6）:1184-1188.

［4］ 張啟忠，席旭剛，羅志增.基于非線性特征的表面肌電信號(hào)模式識(shí)別方法［J］.電子與信息學(xué)報(bào)，2013，35（9）:2054-2058.

［5］ 王玲.基于小波包變換的表面肌電信號(hào)模式識(shí)別［J］.現(xiàn)代電子技術(shù)，2011，34（17）:122-124.

［6］ 劉亞偉.基于表面肌電多特征的下肢行走關(guān)鍵模態(tài)識(shí)別研究［D］.天津大學(xué)，2009.

［7］ Lucas M F，Gaufriau A，Pascual S，et al.Multi-Channel Surface EMG Classification Using Support Vector Machines and Signal-Based Wavelet Optimization［J］.Biomedical Signal Processing and Control，2008，3（2）:169-174.

［8］ 李云紅，伊欣.基于脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的小波自適應(yīng)斑點(diǎn)噪聲濾除算法［J］.光學(xué)精密工程，2012，20（9）:2060-2067.

［9］ 吳冬梅，孫欣，張志成，等.表面肌電信號(hào)的分析和特征提?。跩］.中國組織工程研究與臨床康，2010，14（43）:8073-8076.

［10］王昕.含噪聲圖像的多聚焦融合算法［J］.光學(xué)精密工程，2012，19（12）:2977-2984.

［11］蘆吉云，王幫峰，梁大開.基于小波包特征提取及支持向量回歸機(jī)的光纖布拉格光柵沖擊定位系統(tǒng)［J］.光學(xué)精密工程，2012，20（4）:712-718.

［12］孫保峰.基于神經(jīng)網(wǎng)絡(luò)的表面肌電信號(hào)分類方法研究［D］.吉林大學(xué)，2013.

［13］楊新亮，羅志增.基于表面肌電信號(hào)的時(shí)頻組合特征融合識(shí)別［J］.華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，39（2）:153-156.

［14］雷培源，楊基海，陳香.基于三級(jí)濾波器的表面肌電信號(hào)降噪處理［J］.北京生物醫(yī)學(xué)工程，2011，30（1）:62-66.

［15］席旭剛，左靜，張啟忠，等.多通道表面肌電信號(hào)降噪與去混迭研究［J］.傳感技術(shù)學(xué)報(bào)，2014，27（3）:293-298.

［16］鄭鈞，侯銳鋒.小波去噪中小波基的選擇［J］.沈陽大學(xué)學(xué)報(bào)，2009，21（2）:108-110.

于亞萍（1991-），女，江蘇江陰人，碩士，2013年畢業(yè)于蘇州大學(xué)獲得學(xué)士學(xué)位，現(xiàn)于蘇州大學(xué)攻讀碩士學(xué)位，主要進(jìn)行醫(yī)療機(jī)器人方面的研究，yuyaping_yyp@ 163.com；

孫立寧（1964-），遼寧覆縣人，教授，博士生導(dǎo)師，主要從進(jìn)行微納機(jī)器人，醫(yī)療機(jī)器人，工業(yè)機(jī)器人等領(lǐng)域的研究，lnsun@suda.edu.cn；

張峰峰（1979-），男，山東日照人，博士，副教授，主要進(jìn)行醫(yī)療機(jī)器人、虛擬手術(shù)仿真方向的研究，zhangfengfeng@suda.edu.cn。

sEMG Pattern Recognition Based on Multi Feature Fusion of Wavelet Transform*

YU Yaping，SUN Lining，ZHANG Fengfeng*，ZHANG Jianfa
（Robotics and Microsystems Center，College of Mechanical and Electrical Engineering，Soochow University，Suzhou Jiangsu 215021，China）

In view of the poor characterization of single feature value，multi feature fusion based on different wavelet basis was adopted to extract the surface EMG signal according to multi resolution analysis of wavelet transform.The experiment was conducted on ten testers and collected signals for four basic lower limb movements in daily life. First of all，discrete wavelet transform was used to decompose the surface EMG signals in multi-scale with DB，Dmey and Bior wavelet basis respectively.After that，it was founded that the characterization effects of different muscle vary by different extraction way.In order to combine the characteristics of different features，features were fused to analyze and compare.At last，the feature values were input to the Elman neural network and BP neural network for pattern recognition and comparison analysis.Experimental results showed that the recognition rate obtained by fusing the eigenvalues is higher than single feature with the accuracy up to 98.7%，and the BP neural network is better than the Elman neural network.

surface sEMG；signal processing；pattern recognition；multi feature fusion；wavelet transform

TP24

A

1004-1699（2016）04-0512-07

項(xiàng)目來源:國家863計(jì)劃項(xiàng)目（2015AA040101）

2015-11-04修改日期:2016-01-13