陳玲玲 李珊珊 劉作軍 張 燕

基于表面肌電的下肢肌肉功能網(wǎng)絡(luò)構(gòu)建及其應(yīng)用研究

陳玲玲1,2李珊珊1劉作軍1,2張 燕1,2

在肌電控制下肢康復(fù)輔具研究中,合適的肌電采集位置是運(yùn)動(dòng)模式識(shí)別的前提與基礎(chǔ).針對(duì)目前肌電采集位置缺乏成熟理論依據(jù)和統(tǒng)一標(biāo)準(zhǔn)的問題,選取90個(gè)下肢肌電采集點(diǎn)作為節(jié)點(diǎn),通過計(jì)算節(jié)點(diǎn)間的肌電相關(guān)性,構(gòu)建下肢肌肉功能網(wǎng)絡(luò),證明其具有小世界特性.實(shí)驗(yàn)結(jié)果表明:不同運(yùn)動(dòng)模式的網(wǎng)絡(luò)具有明顯的拓?fù)浣Y(jié)構(gòu)差異,通過網(wǎng)絡(luò)特性分析可以確定與模式關(guān)聯(lián)度大的肌電采集位置,取得較好的運(yùn)動(dòng)模式識(shí)別結(jié)果.通過構(gòu)建及分析下肢肌肉功能網(wǎng)絡(luò),深入了解下肢運(yùn)動(dòng)模式更替過程中的肌肉協(xié)同工作機(jī)制,為下肢康復(fù)輔具控制中肌電采集位置的確定提供了理論支持.

復(fù)雜網(wǎng)絡(luò),下肢肌肉功能網(wǎng)絡(luò),肌電信號(hào),節(jié)點(diǎn)重要度,拓?fù)涮匦?/p>

肌電信號(hào)(Electromyography,EMG)在激發(fā)肌肉活動(dòng)時(shí)產(chǎn)生,是一種重要的運(yùn)動(dòng)生物力學(xué)信息,與人體的期望動(dòng)作直接相關(guān),尤其是表面肌電信號(hào)以其無(wú)創(chuàng)傷測(cè)量、易提取的優(yōu)點(diǎn),成為感知人體運(yùn)動(dòng)意圖的理想信息源,廣泛地應(yīng)用于外骨骼助行機(jī)器人、假肢等下肢康復(fù)輔具控制[1?3].

通過EMG可以在未做出動(dòng)作前獲取主動(dòng)運(yùn)動(dòng)意圖,相對(duì)于僅僅采集姿態(tài)、速度等運(yùn)動(dòng)力學(xué)信息的傳統(tǒng)方法具有明顯優(yōu)勢(shì)[4?5].在肌電控制下肢康復(fù)輔具過程中,為了得到更好的模式識(shí)別結(jié)果,確定能更好地區(qū)分各模式的肌電信號(hào)采集位置非常重要.

雖然下肢表面EMG蘊(yùn)含足夠的信息以表達(dá)患者應(yīng)對(duì)運(yùn)動(dòng)模式更替的意愿,但是目前肌電電極放置位置并沒有成熟的理論依據(jù)和統(tǒng)一標(biāo)準(zhǔn),缺乏對(duì)不同運(yùn)動(dòng)模式過程中全面動(dòng)態(tài)EMG的變化與聯(lián)系的理論層次解讀.

通常是基于解剖學(xué)的已有知識(shí),通過對(duì)下肢各主要肌群進(jìn)行統(tǒng)計(jì)學(xué)分析或?qū)嶒?yàn)[6?9],分析比較各肌群的EMG關(guān)聯(lián)關(guān)系.例如,佟麗娜等[6]利用健康個(gè)體單側(cè)8塊主要肌群的表面EMG識(shí)別下肢踏車、行走和橢圓運(yùn)動(dòng)模式,通過分析8路信號(hào)的平均相似度及標(biāo)準(zhǔn)差,將8塊肌肉減少到3塊,最終準(zhǔn)確率高達(dá)91.67%.又如佘青山等[7]通過大量反復(fù)實(shí)驗(yàn),選用4塊大腿肌肉作為下肢EMG的來(lái)源,將一個(gè)步態(tài)周期細(xì)分為支撐前期、支撐中期等5種運(yùn)動(dòng)模式.He等[8]則通過分析坐下、蹲、上下樓及行走過程中的單側(cè)13塊肌肉,確定各種運(yùn)動(dòng)過程中的主要作用肌群.雖然以上肌肉采集位置的確定方法已經(jīng)涵蓋了下肢的大部分肌群,取得了較好的研究成果,但是仍未覆蓋整個(gè)下肢表面.隨著肌群個(gè)數(shù)的增加,統(tǒng)計(jì)學(xué)分析或?qū)嶒?yàn)的工作量將急劇增加,因此對(duì)整個(gè)下肢表面的EMG進(jìn)行綜合分析與比較是不現(xiàn)實(shí)的,這就使得當(dāng)前的運(yùn)動(dòng)模式識(shí)別結(jié)果有可能不是最理想的,有可能通過肌電位置優(yōu)化進(jìn)一步提高識(shí)別效果.

另一方面,為了全面、深入了解不同運(yùn)動(dòng)模式中的電生理過程,對(duì)運(yùn)動(dòng)模式做出準(zhǔn)確的識(shí)別,需要采集多個(gè)通道的EMG[10?11],獲取全面的動(dòng)態(tài)肌電信息.但是肌肉之間又存在著嚴(yán)重的相似性,需要通過分析各通道間的耦合關(guān)系最大限度地減少電極數(shù)目.

常用主元分析法(Principal component analysis,PCA)根據(jù)各特征參數(shù)的貢獻(xiàn)率降低特征參數(shù)維數(shù)[12].雖然對(duì)于特定信號(hào)效果很好,但是對(duì)各肌肉貢獻(xiàn)率描述中無(wú)法體現(xiàn)時(shí)間信息.由于各肌肉在每個(gè)運(yùn)動(dòng)階段的作用不同,貢獻(xiàn)率也不同,可能兩塊肌電特性相似的肌肉貢獻(xiàn)率都很大,也可能貢獻(xiàn)率低的肌肉在某階段運(yùn)動(dòng)描述中必不可少.所以,簡(jiǎn)單的PCA分析并不能完全揭示下肢肌肉的神經(jīng)動(dòng)力學(xué)關(guān)系.

復(fù)雜網(wǎng)絡(luò)理論作為一種研究復(fù)雜系統(tǒng)動(dòng)力學(xué)的有效方法,首先由Watts等[13]和Barab′asi等[14]提出,復(fù)雜網(wǎng)絡(luò)的局部和全局特性能夠清晰地刻畫組成復(fù)雜系統(tǒng)的不同元素之間的相互關(guān)系和信息流動(dòng)過程,在大腦功能認(rèn)識(shí)[15?16]、蛋白質(zhì)互相作用網(wǎng)絡(luò)[17]、網(wǎng)絡(luò)搜索、傳染病控制及突發(fā)事件預(yù)報(bào)等方面提供了很好的科學(xué)理解和定量分析.尤其是腦功能網(wǎng)絡(luò),是復(fù)雜網(wǎng)絡(luò)理論在神經(jīng)科學(xué)中的重要應(yīng)用,已經(jīng)得到很多重要成果,并為揭示腦疾病的病理機(jī)制提供了新思路[15?16].

本文將復(fù)雜網(wǎng)絡(luò)理論應(yīng)用于下肢EMG分析,在下肢肌肉表面選取90個(gè)EMG采集點(diǎn)作為節(jié)點(diǎn),構(gòu)建下肢肌肉功能網(wǎng)絡(luò);通過網(wǎng)絡(luò)拓?fù)鋵傩苑治鯷18?19],證明下肢肌肉功能網(wǎng)絡(luò)的小世界屬性,總結(jié)其統(tǒng)計(jì)學(xué)特點(diǎn);在網(wǎng)絡(luò)層面分析不同運(yùn)動(dòng)模式過程中的拓?fù)浣Y(jié)構(gòu)差異和肌肉功能共異性,深入分析不同運(yùn)動(dòng)模式狀態(tài)下肌肉功能結(jié)構(gòu)的共異性,確定與運(yùn)動(dòng)模式更替關(guān)聯(lián)度大的肌群和電極位置.下肢肌肉功能網(wǎng)絡(luò)構(gòu)建與分析將揭示下肢EMG與運(yùn)動(dòng)模式更替之間的關(guān)系,為運(yùn)動(dòng)模式識(shí)別與調(diào)控提供可靠的理論支持.

1 下肢肌肉功能網(wǎng)絡(luò)構(gòu)建

依次記錄兩側(cè)下肢的整個(gè)肌肉系統(tǒng)在3種運(yùn)動(dòng)模式(平地行走、上樓梯和下樓梯)過程中的表面EMG,構(gòu)建下肢肌肉功能網(wǎng)絡(luò),深入討論各采集點(diǎn)與模式切換間的關(guān)系.

定義1.一個(gè)無(wú)向無(wú)權(quán)網(wǎng)絡(luò)G=(V,E)具有n個(gè)節(jié)點(diǎn)和m條邊,其頂點(diǎn)集為V={V1,···,Vn},邊集合為

定義2.構(gòu)造網(wǎng)絡(luò)G的鄰接矩陣A=(Aij)n×n

其中,Cij為節(jié)點(diǎn)i和節(jié)點(diǎn)j間的Pearson系數(shù),TH為閾值.如果Aij=1,表示節(jié)點(diǎn)i與j之間有連邊,否則Aij=0,表示節(jié)點(diǎn)i與j之間無(wú)連邊.

1.1 定義網(wǎng)絡(luò)節(jié)點(diǎn)

將人體下肢與運(yùn)動(dòng)模式變化相關(guān)的肌肉系統(tǒng)分為10個(gè)區(qū)域,左腿和右腿的EMG采集點(diǎn)分布情況相同,以左側(cè)下肢為例,如圖1所示,左側(cè)下肢分為5個(gè)區(qū)域.在兩側(cè)下肢肌肉表面均勻選取n=90個(gè)EMG采集點(diǎn)作為節(jié)點(diǎn),記作V 1～V 90,如表1所示.

圖1 左腿肌電電極放置位置Fig.1 EMG electrodes placement of left leg

1.2 基于移動(dòng)窗的EMG分段

相對(duì)于上肢而言,下肢的運(yùn)動(dòng)更具有周期性特點(diǎn),一個(gè)步態(tài)周期定義為從腳跟著地開始到同側(cè)腳跟再次著地結(jié)束(圖2(a)),可以分為支撐相和擺動(dòng)相兩個(gè)部分.采集不同步速下(Fast:1.75m/s; Normal:1.25m/s;Slow:0.75m/s)股直肌的表面EMG,計(jì)算其均方根,如圖2(b)所示,在整個(gè)運(yùn)動(dòng)周期內(nèi),EMG呈周期性變化,股直肌在支撐相末期至擺動(dòng)相中期、擺動(dòng)相末期至支撐相中期兩階段起作用,肌電信號(hào)比較活躍,并隨步速增加而增加.而股二頭肌EMG的均方根(圖2(c))在擺動(dòng)相中末期、首次觸地至承重反應(yīng)結(jié)束過程中起作用.

由于數(shù)據(jù)采集點(diǎn)來(lái)自雙側(cè)下肢,所以僅記錄并分析支撐相(從腳跟著地開始到同側(cè)腳腳尖離地結(jié)束)過程的EMG.

選取采集點(diǎn)支撐相的i的EMG樣本數(shù)據(jù),采用移動(dòng)時(shí)間窗進(jìn)行處理,將其分為w段信號(hào),進(jìn)行去除零點(diǎn)漂移、濾波等預(yù)處理后,通過提取時(shí)間窗內(nèi)的特征向量,用于下肢肌肉功能網(wǎng)絡(luò)構(gòu)建.為了便于兼顧過程的時(shí)變性和信息的完整性,選擇移動(dòng)窗的窗口長(zhǎng)度h=150ms,步長(zhǎng)S=50ms,采樣頻率2000Hz.

表1 肌電電極分區(qū)與分布情況Table 1 The partition and distribution of EMG electrodes

1.3 特征提取

選擇EMG采集點(diǎn)i(i=1,2,···,n)的第t(t =1,2,···,w)時(shí)間窗,設(shè)時(shí)間窗內(nèi)的h個(gè)EMG數(shù)據(jù)為xit={xit(1),xit(2),···,xit(h)},計(jì)算xit的8個(gè)時(shí)域和頻域特征向量,包括最大值(Mait)、絕對(duì)值平均(Mavit)、標(biāo)準(zhǔn)差(Stdit)、均方根(RMSit)、能量 (Vit)、平均功率頻率 (MPFit)、中值頻率(MFPit)、峰值頻率(Fit).

圖2 一個(gè)步態(tài)周期膝關(guān)節(jié)角度與EMGFig.2 The knee angle and EMG of a gait stride

其中,sit(f)為功率譜密度函數(shù).

比較發(fā)現(xiàn),增加時(shí)域或頻域特征向量的個(gè)數(shù)對(duì)于復(fù)雜網(wǎng)絡(luò)的連邊影響很小.經(jīng)過多次試驗(yàn)與對(duì)比,選取絕對(duì)值平均(Mavit)、均方根(RMSit)、能量(Vit)、中值頻率(MFPit)四個(gè)特征值構(gòu)建復(fù)雜網(wǎng)絡(luò).

提取EMG采集點(diǎn)i的第t時(shí)間窗的特征值,構(gòu)建矩陣Tit:

其中,i表示EMG采集點(diǎn)的標(biāo)號(hào).

EMG采集點(diǎn)i的特征值構(gòu)建w×4的矩陣Ti:

對(duì)矩陣Ti進(jìn)行歸一化處理,得到

所有EMG采集點(diǎn)的每個(gè)特征向量構(gòu)成一個(gè)w ×n的特征矩陣Mp(p=1,2,3,4),M1=mav, M2=rms,M3=v,M4=mfp.

1.4 連邊的生成

計(jì)算特征矩陣Mp的任意兩列向量間的Pearson系數(shù)

其中,Cpij為肌電采集點(diǎn)i和肌電采集點(diǎn)j間的第p個(gè)特征值的Pearson系數(shù),Mpi和Mpj分別為第p個(gè)特征值的矩陣Mp的第i列和第j列(i=1,2, ···,n,j=1,2,···,n),Mpi(t)和Mpj(t)分別為向量Mpi和Mpj的第t行元素,〈Mpi〉和〈Mpj〉分別為向量Mpi和Mpj的w個(gè)元素的平均值.

肌電采集點(diǎn)i和肌電采集點(diǎn)j間的Pearson系數(shù)

計(jì)算n個(gè)EMG采集點(diǎn)間的Pearson系數(shù)構(gòu)成一個(gè)對(duì)稱矩陣C=(Cij)n×n,評(píng)價(jià)各肌電采集點(diǎn)間的相關(guān)程度.

構(gòu)建下肢EMG網(wǎng)絡(luò),把每個(gè)采集位置看作一個(gè)節(jié)點(diǎn),分析任意兩點(diǎn)間的相關(guān)性,如果兩點(diǎn)間的相關(guān)系數(shù)大于給定閾值TH,則認(rèn)為兩點(diǎn)間有功能性連接,各采集點(diǎn)間的連接關(guān)系代表網(wǎng)絡(luò)連邊.

如果閾值取得過小,那么可能建立起一個(gè)完全連通的下肢肌肉功能網(wǎng)絡(luò)圖,對(duì)于肌電電極采集點(diǎn)分析沒有任何意義;如果閾值取得過大,則可能建立一個(gè)過于稀疏的網(wǎng)絡(luò),致使大量有用信息喪失,所以閾值選擇對(duì)于網(wǎng)絡(luò)構(gòu)建至關(guān)重要.

2 網(wǎng)絡(luò)拓?fù)鋵傩苑治?/h2>

2.1 閾值確定與稀疏度

選取合適的閾值并在連接強(qiáng)度大于閾值的節(jié)點(diǎn)間建立連接邊.閾值的選擇直接影響鄰接矩陣邊的生成和下肢肌肉功能網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),不同的閾值會(huì)導(dǎo)致網(wǎng)絡(luò)規(guī)模和網(wǎng)絡(luò)結(jié)構(gòu)發(fā)生明顯變化,以下樓梯為例,如圖3所示,構(gòu)建不同閾值TH的下肢肌肉功能網(wǎng)絡(luò),分析得到閾值TH 與稀疏度Sp間的函數(shù)關(guān)系.

即閾值與網(wǎng)絡(luò)稀疏度成反比關(guān)系,閾值越大,網(wǎng)絡(luò)越稀疏,相應(yīng)的節(jié)點(diǎn)之間的連邊越少,各節(jié)點(diǎn)之間的聯(lián)系較分散;反之,閾值越小,網(wǎng)絡(luò)越密集,相應(yīng)節(jié)點(diǎn)之間的連邊越多,各節(jié)點(diǎn)之間聯(lián)系越緊密.

式(16)中,在閾值TH=0.75時(shí),網(wǎng)絡(luò)稀疏度為0.2,如圖3(b)所示,網(wǎng)絡(luò)可以分為兩個(gè)社團(tuán)結(jié)構(gòu);而當(dāng)閾值過大時(shí),稀疏度過小,如圖3(a)所示,雖然也可看大體的社團(tuán)分布情況,但是會(huì)出現(xiàn)9個(gè)孤立點(diǎn),致使有些連接被忽視;當(dāng)閾值過小時(shí),稀疏度較大,如圖3(c)和圖3(d)所示,過于密集的網(wǎng)絡(luò)結(jié)構(gòu)致使社團(tuán)結(jié)構(gòu)不明顯,結(jié)構(gòu)趨向于隨機(jī).

圖3 網(wǎng)絡(luò)稀疏度與閾值關(guān)系Fig.3 The relationship of network sparsity and threshold

利用圖論方法,計(jì)算節(jié)點(diǎn)度(Node degree)、平均度(Average degree)、聚類系數(shù)(Clustering coeffi cient)、平均路徑長(zhǎng)度(Average path length)、介數(shù)(Betweenness)等特征參數(shù)[13?19],進(jìn)一步分析網(wǎng)絡(luò)的連接規(guī)律.

2.3.1 節(jié)點(diǎn)度

節(jié)點(diǎn)度ki表示與節(jié)點(diǎn)i相關(guān)聯(lián)的邊的條數(shù),反映這個(gè)節(jié)點(diǎn)在網(wǎng)絡(luò)中的活躍度,和節(jié)點(diǎn)對(duì)其相鄰節(jié)點(diǎn)的影響力.節(jié)點(diǎn)度越大,節(jié)點(diǎn)對(duì)其相鄰節(jié)點(diǎn)的重要度貢獻(xiàn)越大,在網(wǎng)絡(luò)中起著更重要的作用.

2.3.2 平均度

網(wǎng)絡(luò)的平均度〈k〉表示整個(gè)網(wǎng)絡(luò)中所有節(jié)點(diǎn)度的平均值.

2.3.3 聚類系數(shù)

聚類系數(shù)CCi表示節(jié)點(diǎn)i聚集程度的系數(shù),是描述網(wǎng)絡(luò)集團(tuán)化的重要指標(biāo).

圖4 三種運(yùn)動(dòng)模式的鄰接矩陣Fig.4 Adjacency matrix under three motions

其中,ei為節(jié)點(diǎn)i與相連的ki個(gè)節(jié)點(diǎn)間實(shí)際存在的邊數(shù).

2.3.4 平均路徑長(zhǎng)度

平均路徑長(zhǎng)度L表示任意兩個(gè)節(jié)點(diǎn)之間距離的平均值.

其中,f(·)為普適標(biāo)度函數(shù),K 為平均節(jié)點(diǎn)度,p為重連概率.

2.3.5 介數(shù)

介數(shù)Bi表示網(wǎng)絡(luò)中所有的最短路徑中,經(jīng)過該節(jié)點(diǎn)的數(shù)量,反映了節(jié)點(diǎn)的影響能力,因此介數(shù)大的點(diǎn)在網(wǎng)絡(luò)信息傳輸中起關(guān)鍵作用.

其中,σj,m表示節(jié)點(diǎn)j和節(jié)點(diǎn)m 間最短路徑總數(shù), σj,m(i)則表示經(jīng)過節(jié)點(diǎn)i且連接節(jié)點(diǎn)j和節(jié)點(diǎn)m的最短路徑總數(shù).

網(wǎng)絡(luò)介數(shù)分析了網(wǎng)絡(luò)中節(jié)點(diǎn)對(duì)間沿著最短路徑傳輸信息的控制能力,如果兩個(gè)節(jié)點(diǎn)之間沒有路徑,或者一個(gè)節(jié)點(diǎn)沒有位于另外兩個(gè)節(jié)點(diǎn)之間的任何一條最短路徑上,則說明該節(jié)點(diǎn)對(duì)另外兩個(gè)節(jié)點(diǎn)之間的信息傳輸沒有直接控制能力.

3 實(shí)驗(yàn)結(jié)果及分析

3.1 數(shù)據(jù)采集

利用Delsys公司的Trigno Wireless System無(wú)線采集系統(tǒng),記錄3種行走模式(平地、上樓和下樓,其中樓梯臺(tái)階高度為15cm)在支撐相的下肢表面EMG,如圖5所示.受試者具體情況如表2所示,均無(wú)下神經(jīng)肌肉或肌肉骨骼方面疾病.

圖5 右側(cè)大腿肌電電極放置位置Fig.5 EMG electrodes placement on the rightside of thigh

表2 受試者信息Table 2 The information of subjects

3.2 下肢肌肉功能網(wǎng)絡(luò)構(gòu)建

對(duì)每個(gè)節(jié)點(diǎn)采集的EMG進(jìn)行預(yù)處理,提取4個(gè)時(shí)頻域特征向量(絕對(duì)值平均、均方根、能量、中值頻率).利用每個(gè)節(jié)點(diǎn)的特征向量計(jì)算皮爾森系數(shù),選取適當(dāng)?shù)拈撝?得到鄰接矩陣,其中0代表兩個(gè)節(jié)點(diǎn)之間沒有連邊,1代表兩個(gè)節(jié)點(diǎn)之間有連邊.利用netdraw軟件畫出各運(yùn)動(dòng)模式的功能網(wǎng)絡(luò),如圖6所示.

圖6 三種模式的肌肉功能網(wǎng)絡(luò)Fig.6 The functional muscle network of three patterns

由圖6可知,不同運(yùn)動(dòng)模式下的復(fù)雜網(wǎng)絡(luò)及作用節(jié)點(diǎn)均具有明顯差異.其中,平地模式連邊數(shù)最多,說明各節(jié)點(diǎn)間的相似程度較高,在平地運(yùn)動(dòng)時(shí),存在相似電運(yùn)動(dòng)的電極位置較多.上樓和下樓模式的功能網(wǎng)絡(luò)連邊數(shù)相對(duì)少一些,社團(tuán)結(jié)構(gòu)比較明顯,說明在兩種模式過程中,存在一些節(jié)點(diǎn)位置的EMG時(shí)域特性比較特殊,與其他節(jié)點(diǎn)的相似程度比較低,分析并確定這些特殊的、具有顯著差異的節(jié)點(diǎn),有助于識(shí)別運(yùn)動(dòng)模式間的更替.

3.3 小世界特性

經(jīng)過大量的實(shí)驗(yàn)證明[13?19],絕大部分復(fù)雜網(wǎng)絡(luò)都具有小世界特性,規(guī)則網(wǎng)絡(luò)和隨機(jī)網(wǎng)絡(luò)都無(wú)法再現(xiàn)許多實(shí)際網(wǎng)絡(luò)具有的小世界特征.小世界網(wǎng)絡(luò)既不像隨機(jī)網(wǎng)絡(luò)具有較短的平均路徑和較低的聚類系數(shù),也不像規(guī)則網(wǎng)絡(luò)具有較長(zhǎng)的平均路徑和較高的聚類系數(shù),而是介于兩者之間.

為了證明下肢肌肉功能網(wǎng)絡(luò)的小世界特性,根據(jù)式(18)～(20)計(jì)算三種運(yùn)動(dòng)模式的復(fù)雜網(wǎng)絡(luò)特性,包括網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)n,網(wǎng)絡(luò)節(jié)點(diǎn)的平均度〈k〉,總連邊數(shù)edges,聚類系數(shù)CC,平均路徑長(zhǎng)度L,對(duì)應(yīng)的規(guī)則網(wǎng)絡(luò)的聚類系數(shù)Cnc和平均路徑長(zhǎng)度Lnc,對(duì)應(yīng)的隨機(jī)網(wǎng)絡(luò)的聚類系數(shù)CER和平均路徑長(zhǎng)度LER.

計(jì)算小世界特性的指標(biāo)如下:

只有當(dāng)γ＞1,λ≈1,σ＞1同時(shí)滿足時(shí),該網(wǎng)絡(luò)才符合小世界網(wǎng)絡(luò)特性.計(jì)算三種運(yùn)動(dòng)模式下復(fù)雜網(wǎng)絡(luò)的主要特性參數(shù),如表3所示.三種運(yùn)動(dòng)模式的復(fù)雜網(wǎng)絡(luò)均符合γ＞1,λ≈1,σ＞1的小世界特性指標(biāo),因此,說明構(gòu)建的下肢肌肉功能網(wǎng)絡(luò)具有小世界的網(wǎng)絡(luò)特性,即任意兩個(gè)節(jié)點(diǎn)間的距離都維持在一個(gè)相對(duì)較小的固定值,可以通過分析網(wǎng)絡(luò)的節(jié)點(diǎn)度、聚類系數(shù)等統(tǒng)計(jì)特征研究網(wǎng)絡(luò)性質(zhì),為分析下肢肌肉的協(xié)調(diào)工作機(jī)制提供新的方法.

3.4 閾值對(duì)網(wǎng)絡(luò)統(tǒng)計(jì)特性的影響

閾值的選取對(duì)于復(fù)雜網(wǎng)絡(luò)的構(gòu)建尤為重要,為了確定合適的閾值,利用不同閾值構(gòu)建下肢肌肉功能網(wǎng)絡(luò).由于復(fù)雜網(wǎng)絡(luò)的稀疏度不能超過0.5[20],所以閾值設(shè)定從0.5開始,每次增加0.05,直至0.95.以下樓梯模式為例,計(jì)算各網(wǎng)絡(luò)的稀疏度Sp、平均度〈k〉及聚類系數(shù)CC,如表4所示.

由表4可以看出,下肢肌肉功能網(wǎng)絡(luò)的平均度和稀疏度均與閾值成反比,聚類系數(shù)則隨著閾值增加呈現(xiàn)拋物線變化,即會(huì)出現(xiàn)一個(gè)極大值點(diǎn).聚類系數(shù)是描述一個(gè)復(fù)雜網(wǎng)絡(luò)任意兩節(jié)點(diǎn)之間互相關(guān)聯(lián)的概率,其值越大,表示節(jié)點(diǎn)之間聯(lián)系越緊密.所以選取聚類系數(shù)達(dá)到最大值(0.8318)時(shí)的閾值TH= 0.75,此時(shí)稀疏度為0.1941,比較合適.

表3 三種模式復(fù)雜網(wǎng)絡(luò)的小世界特性參量統(tǒng)計(jì)Table 3 Three models of complex networks of small world characteristic parameter statistics

表4 不同閾值下的網(wǎng)絡(luò)統(tǒng)計(jì)特性Table 4 Network statistical characteristics under di ff erent threshold

3.5 顯著性差異

從控制信息傳輸?shù)慕嵌榷?介數(shù)越高的節(jié)點(diǎn)其重要性也越大.分析三種運(yùn)動(dòng)模式(平地、上樓和下樓)的下肢肌肉功能網(wǎng)絡(luò),計(jì)算節(jié)點(diǎn)的介數(shù),如表5所示.

由表5可知,不同運(yùn)動(dòng)模式下介數(shù)最大的節(jié)點(diǎn)完全不同,說明在各種運(yùn)動(dòng)模式中的重要節(jié)點(diǎn)不同.另外,各運(yùn)動(dòng)模式的介數(shù)最大值也不同,平地為280.1,上樓梯為557.2,下樓梯更是高達(dá)1644.4,這是因?yàn)楦鞣N功能網(wǎng)絡(luò)的節(jié)點(diǎn)間連接不同,連邊數(shù)量也有差異.同時(shí),節(jié)點(diǎn)對(duì)之間的傳輸頻率不完全相同,也并非所有的傳輸都是基于最短路徑的.因此,介數(shù)最大值存在明顯差異,下樓數(shù)據(jù)遠(yuǎn)高于上樓及平地(P＜0.001),上樓數(shù)據(jù)平均也高于平地?cái)?shù)據(jù)(P=0.009).

綜合考慮所有肌電采集點(diǎn)的3個(gè)主要特性參數(shù)(節(jié)點(diǎn)度ki、聚類系數(shù)CCi、介數(shù)Bi),對(duì)上樓梯、下樓梯與平地進(jìn)行組間差異分析,并采用投票的方式選取出整個(gè)網(wǎng)絡(luò)差異值最大的幾個(gè)節(jié)點(diǎn),發(fā)現(xiàn)整個(gè)數(shù)據(jù)采集區(qū)域中共有8個(gè)采集點(diǎn)具有顯著差異(P＜0.05),如表6所示.

表5 不同模式下節(jié)點(diǎn)介數(shù)特性統(tǒng)計(jì)Table 5 Node betweenness under di ff erent model

表6 不同模式下節(jié)點(diǎn)介數(shù)特性統(tǒng)計(jì)___Table 6 Node betweenness under di ff erent model

在三種運(yùn)動(dòng)模式的下肢功能網(wǎng)絡(luò)中(閾值均為0.75)標(biāo)出8個(gè)具有顯著差異的節(jié)點(diǎn),如圖7所示,用連線圖形象直觀地展示了不同模式的重要節(jié)點(diǎn)連接關(guān)系.發(fā)現(xiàn)各點(diǎn)分布很均勻,左右腿各4個(gè),其中大腿3個(gè),小腿1個(gè).另外,由于平地與上/下樓梯運(yùn)動(dòng)過程中,主要是后側(cè)肌肉工作方式有區(qū)別,因此重要節(jié)點(diǎn)有4個(gè)位于人體后側(cè),前側(cè)和兩側(cè)分別2個(gè),分析結(jié)果與實(shí)際運(yùn)動(dòng)情況相吻合.

圖7 三種模式間具有顯著差異的節(jié)點(diǎn)Fig.7 The nodes with signi fi cant di ff erence among three patterns

表7 不同特征提取方法的模式識(shí)別比較Table 7 Comparison of pattern recognition based on di ff erent methods of feature extraction

3.6 結(jié)果驗(yàn)證

利用表7中列出的8個(gè)肌電采集位置(單側(cè)腿4個(gè))的表面EMG進(jìn)行運(yùn)動(dòng)模式識(shí)別,與常用各下肢肌肉肌腹中心位置[6?7]的表面EMG相比較.其中常用肌肉如下:

1)大腿肌肉:股直肌(RF)、股外側(cè)肌(VL)、股二頭肌(BF)、股內(nèi)側(cè)肌(VM)、半腱肌(ST)、半膜肌(SM)、長(zhǎng)收肌(AL)、闊筋膜張肌(KTF);

2)小腿肌肉:脛骨前肌(TA)、腓骨長(zhǎng)肌(PL)、內(nèi)側(cè)腓腸肌(GM)、比目魚肌(SM).

分別利用常用的線性判別分析(Linear discriminant analysis,LDA)、支持向量機(jī)(Support vector machine,SVM)和神經(jīng)網(wǎng)絡(luò)(Neural networks, NN),對(duì)各種肌肉組合形式的采集點(diǎn)進(jìn)行三種運(yùn)動(dòng)模式識(shí)別(平地、上/下樓梯),如表7所示.

由表7可知,基于下肢肌肉功能網(wǎng)絡(luò)選出的采集節(jié)點(diǎn)S6,在模式識(shí)別中各種識(shí)別算法均可得到較好的識(shí)別結(jié)果,能夠滿足下肢運(yùn)動(dòng)識(shí)別的需求.肌群的個(gè)數(shù)并非越多越好,例如S1,選擇過多的與模式更替無(wú)關(guān)的肌群,不僅無(wú)法提高識(shí)別效果,還會(huì)大大降低識(shí)別精度.

雖然S3選擇6組肌肉的情況也可以取得理想的識(shí)別效果,但是所需電極數(shù)量將會(huì)增加,人體兩側(cè)共需增加2×2=4個(gè)肌電電極,將為信號(hào)的采集與處理帶來(lái)不必要的麻煩.由于6組肌肉可以與網(wǎng)絡(luò)選擇的4組肌肉得到相近的識(shí)別效果,說明6組肌肉中存在2組是冗余信息,可以通過復(fù)雜網(wǎng)絡(luò)分析有效地降低肌電采集個(gè)數(shù).

另一方面,S4所選肌群雖然在下肢踏車、行走和橢圓運(yùn)動(dòng)模式取得了較好的識(shí)別結(jié)果[6],但是并不適用于平地與上/下樓梯運(yùn)動(dòng)識(shí)別,需要針對(duì)不同的識(shí)別目的,進(jìn)行大量的統(tǒng)計(jì)學(xué)分析進(jìn)行篩選.由于S5只選擇了大腿肌肉,因此識(shí)別效果也欠佳,重新的選擇仍需大量的實(shí)驗(yàn)與分析.

綜上所述,基于下肢肌肉功能網(wǎng)絡(luò)可以對(duì)運(yùn)動(dòng)相關(guān)肌肉的全面動(dòng)態(tài)EMG進(jìn)行綜合分析,確定與不同模式關(guān)聯(lián)度大的肌群和電極放置位置,為運(yùn)動(dòng)模式識(shí)別提供可靠的基礎(chǔ)支持.

4 結(jié)論

選取下肢主要肌肉表面的90個(gè)肌電采集位置作為節(jié)點(diǎn),通過分析各節(jié)點(diǎn)的表面EMG間的相關(guān)性,構(gòu)建下肢肌肉功能網(wǎng)絡(luò).在網(wǎng)絡(luò)層面分析不同運(yùn)動(dòng)模式狀態(tài)下的拓?fù)浣Y(jié)構(gòu)差異,深入分析平地、上下樓梯三種模式中下肢肌肉功能網(wǎng)絡(luò)的共異性,最終確定了與運(yùn)動(dòng)模式更替關(guān)聯(lián)度大的肌群和電極位置,為下肢康復(fù)輔具中的肌電采集位置的確定提供了理論依據(jù).

此方法可以推廣到其他肌電控制康復(fù)輔具,尤其是肌電假肢膝關(guān)節(jié)[21],由于大腿截肢,部分肌肉被切除,原有的機(jī)能受到了很大的破壞,殘肢肌肉無(wú)法像健康人一樣有力的收縮,不能完全參考健肢肌肉放置電極.可以構(gòu)建殘肢肌肉功能網(wǎng)絡(luò),確定與運(yùn)動(dòng)模式更替關(guān)聯(lián)度更大的肌電采集位置.

下肢肌肉功能網(wǎng)絡(luò)的研究中,還有很多亟待解決的問題,包括社團(tuán)探尋、加權(quán)網(wǎng)絡(luò)及動(dòng)態(tài)網(wǎng)絡(luò)的構(gòu)建及分析等.隨著研究的深入,基于復(fù)雜網(wǎng)絡(luò)的下肢肌電分析方法必將為下肢康復(fù)輔具控制提供更多的理論支持.

1 Fan Y J,Yin Y H.Active and progressive exoskeleton rehabilitation using multisource information fusion from EMG and force-position EPP.IEEE Transactions on Biomedical Engineering,2013,60(12):3314?3321

2 Tsai A C,Luh J J,Lin T T.A novel STFT-ranking feature of multi-channel EMG for motion pattern recognition. Expert Systems with Applications,2015,42(7):3327?3341

3 Hoover C D,Fulk G D,Fite K B.Stair ascent with a powered transfemoral prosthesis under direct myoelectric control.IEEE/ASME Transactions on Mechatronics,2013, 18(3):1191?1200

4 Ding Qi-Chuan,Xiong An-Bin,Zhao Xin-Gang,Han Jian-Da.A review on researches and applications of sEMG-based motion intent recognition methods.Acta Automatica Sinica, 2016,42(1):13?25 (丁其川,熊安斌,趙新剛,韓建達(dá).基于表面肌電的運(yùn)動(dòng)意圖識(shí)別方法研究及應(yīng)用綜述.自動(dòng)化學(xué)報(bào),2016,42(1):13?25)

5 Hu Jin,Hou Zeng-Guang,Chen Yi-Xiong,Zhang Feng, Wang Wei-Qun.Lower limb rehabilitation robots and interactive control methods.Acta Automatica Sinica,2014, 40(11):2377?2390 (胡進(jìn),侯增廣,陳翼雄,張峰,王衛(wèi)群.下肢康復(fù)機(jī)器人及其交互控制方法.自動(dòng)化學(xué)報(bào),2014,40(11):2377?2390)

6 Tong Li-Na,Hou Zeng-Guang,Peng Liang,Wang Wei-Qun, Chen Yi-Xiong,Tan Min.Multi-channel sEMG time series analysis based human motion recognition method.Acta Automatica Sinica,2014,40(5):810?821 (佟麗娜,侯增廣,彭亮,王衛(wèi)群,陳翼雄,譚民.基于多路sEMG時(shí)序分析的人體運(yùn)動(dòng)模式識(shí)別方法.自動(dòng)化學(xué)報(bào),2014,40(5):810?821)

7 She Qing-Shan,Gao Yun-Yuan,Meng Ming,Luo Zhi-Zeng. Multiclass recognition of lower limb EMG using wavelet SVM.Journal of Huazhong University of Science and Technology(Natural Science Edition),2010,38(10):75?79 (佘青山,高云園,孟明,羅志增.下肢EMG的小波支持向量機(jī)多類識(shí)別方法.華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,38(10):75?79)

8 He H,Kiguchi K,Horikawa E.A study on lower-limb muscle activities during daily lower-limb motions.International Journal of Bioelectromagnetism,2007,9(2):79?84

9 Chen B J,Zheng E H,Wang Q N,Wang L.A new strategy for parameter optimization to improve phase-dependent locomotion mode recognition.Neurocomputing,2015,149: 585?593

10 Ambrozic L,Gorsic M,Geeroms J,Flynn L,Lova R M, Kamnik R,Munih M,Vitiello N.CYBERLEGs:a useroriented robotic transfemoral prosthesis with whole-body awareness control.IEEE Robotics and Automation Magazine,2014,21(4):82?93

11 Spanias J A,Perreault E J,Hargrove L J.Detection of and compensation for EMG disturbances for powered lower limb prosthesis control.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2016,24(2):226?234

12 Zhang D H,Zhao X G,Han J D,Zhao Y W.A comparative study on PCA and LDA based EMG pattern recognition for anthropomorphic robotic hand.In:Proceedings of the 2014 IEEE International Conference on Robotics and Automation.Hong Kong,China,IEEE,2014.4850?4855

13 Watts D J,Strogatz S H.Collective dynamics of“smallworld”networks.Nature,1998,393(6684):440?442

14 Barab′asi A L,Albert R.Emergence of scaling in random networks.Science,1999,286(5439):509?512

15 Hao Chong-Qing,Wang Jiang,Deng Bin,Wei Xi-Le.Electroencephalograph analysis based on complex networks.Application Research of Computers,2012,29(10):3870?3872 (郝崇清,王江,鄧斌,魏熙樂.基于復(fù)雜網(wǎng)絡(luò)的腦電信號(hào)分析.計(jì)算機(jī)應(yīng)用研究,2012,29(10):3870?3872)

16 Caciagli L,Bernhardt B C,Hong S J,Bernasconi A, Bernasconi N.Functional network alterations and their structural substrate in drug-resistant epilepsy.Frontiers in Neuroscience,2014,8:411

17 Hu Sai,Xiong Hui-Jun,Li Xue-Yong,Zhao Bi-Hai,Ni Wen-Yin,Yang Pin-Hong,Liu Zhen.Construction of multirelation protein networks and its application.Acta Automatica Sinica,2015,41(12):2155?2163(胡賽,熊慧軍,李學(xué)勇,趙碧海,倪問尹,楊品紅,劉臻.多關(guān)系蛋白質(zhì)網(wǎng)絡(luò)構(gòu)建及其應(yīng)用研究.自動(dòng)化學(xué)報(bào),2015,41(12):2155?2163)

18 Karbasi A,Ioannidis S,Massouli′e L.From small-world networks to comparison-based search.IEEE Transactions on Information Theory,2015,61(6):3056?3074

19 Saniee I.Scalable algorithms for large and dynamic networks:reducing big data for small computations.Bell Labs Technical Journal,2015,20:23?33

20 Chen Jun-Jie,Li Hai-Fang,Xiang Jie,Guo Hao.Human connectome research:construction,analysis and application.Journal of Taiyuan University of Technology,2012, 43(3):329?333,343 (陳俊杰,李海芳,相潔,郭浩.腦網(wǎng)絡(luò)組學(xué)構(gòu)建分析及應(yīng)用研究.太原理工大學(xué)學(xué)報(bào),2012,43(3):329?333,343)

21 Zheng E H,Wang L,Wei K L,Wang Q N.A noncontact capacitive sensing system for recognizing locomotion modes of transtibial amputees.IEEE Transactions on Biomedical Engineering,2014,61(12):2911?2920

Construction of Lower Limb＇s Functional Muscle Network and Its Application Based on Surface EMG

CHEN Ling-Ling1,2LI Shan-Shan1LIU Zuo-Jun1,2ZHANG Yan1,2

For myoelectric control study on lower limb rehabilitation aids,suitable electrode placements are the premise and foundation of movement pattern recognition.In response to the lack of mature theoretical basis and uniform standards for electrode placement,90 acquisition points of lower limb are chosen as nodes,and a functional muscle network of lower limb is established by calculating correlations among those nodes.The characteristic of small work is also proved.The results show that there are obvious topology structure di ff erences among di ff erent movement patterns.The collection locations which have close relationship with movement patterns can be selected through analysis of network features, and they may provide considerable precision for identi fi cation of movement patterns.Constructing and analyzing the functional muscle network may help to explore the collaborative work mechanism of muscles in transformation process, and provide theoretical support for selection of electromyography acquisition location.

Complex networks,lower limb′s functional muscle network,electromyography(EMG),node importance, topologic properties

陳玲玲 博士,河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院副教授.主要研究方向?yàn)榭祻?fù)輔具控制,模式識(shí)別.E-mail:chenling@hebut.edu.cn(CHENLing-Ling Ph.D.,associate professor at the School of Control Science and Engineering,Hebei University of Technology.Her research interest covers rehabilitation technical aids control and pattern recognition.)

李珊珊 河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院碩士研究生.主要研究方向?yàn)閺?fù)雜網(wǎng)絡(luò),外骨骼機(jī)器人.本文通信作者.E-mail:18222706765@163.com(LI Shan-Shan Master student at the School of Control Science and Engineering,Hebei University of Technology.Her research interest covers complex networks and exoskeleton robot.Corresponding author of this paper.)

劉作軍 博士,河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院教授.主要研究方向?yàn)橹悄軝C(jī)器人,下肢假肢,智能建筑.E-mail:nankailzj@eyou.com(LIU Zuo-Jun Ph.D.,professor at the School of Control Science and Engineering,Hebei University of Technology.His research interest covers intelligent robot,lower limb prostheses,and intelligent building.)

張 燕 博士,河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院教授.主要研究方向?yàn)橹悄芗僦?預(yù)測(cè)控制,多模型控制.E-mail:yzhangz@163.com(ZHANG Yan Ph.D.,professor at the School of Control Science and Engineering,Hebei University of Technology.Her research interest covers intelligent prostheses,predictive control,and multiple model control.)

陳玲玲,李珊珊,劉作軍,張燕.基于表面肌電的下肢肌肉功能網(wǎng)絡(luò)構(gòu)建及其應(yīng)用研究.自動(dòng)化學(xué)報(bào),2017,43(3): 407?417

Chen Ling-Ling,Li Shan-Shan,Liu Zuo-Jun,Zhang Yan.Construction of lower limb′s functional muscle network and its application based on surface EMG.Acta Automatica Sinica,2017,43(3):407?417

2016-03-01 錄用日期2016-08-15

Manuscript received March 1,2016;accepted August 15,2016國(guó)家自然科學(xué)基金(61174009,61203323),天津市應(yīng)用基礎(chǔ)與前沿技術(shù)研究計(jì)劃(13JCQNJC03400),河北省高等學(xué)?？茖W(xué)技術(shù)研究項(xiàng)目(Q2012079)資助

Supported by National Natural Science Foundation of China (61174009,61203323),Tianjin Research Program of Application Foundation and Advanced Technology(13JCQNJC03400),and Colleges and Universities in Hebei Province Science and Technology Research Project(Q2012079)

本文責(zé)任編委趙新剛

Recommended by Associate Editor ZHAO Xin-Gang

1.河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院天津 300130 2.智能康復(fù)裝置與檢測(cè)技術(shù)教育部工程研究中心天津300130

1.School of Control Science and Engineering,Hebei University of Technology,Tianjin 300130 2.Engineering Research Center of Intelligent Rehabilitation,Ministry of Education,Tianjin 300130

DOI10.16383/j.aas.2017.c160230