何小耀+韋宇煒++何漢武+王俊華+曾科學

摘 要：針對肌電控制對信號通道數和數據量的要求，該文以膝關節(jié)屈運動的角度識別為研究對象，旨在找出最能表征膝關節(jié)屈運動的肌肉，從而為實現最小肌肉塊數表征人體關節(jié)運動提供依據。通過對肌電信號進行濾波，陷波，去噪處理，以均方根值，功率譜密度等信號特征來區(qū)分不同肌肉對膝關節(jié)屈運動產生的影響。

關鍵詞：膝關節(jié) 表面肌電型號 屈運動

中圖分類號：TP241 文獻標識碼：A 文章編號：1672-3791（2016）12（a）-0212-03

我國人口眾多，其中殘疾人達到6千萬之多，這其中，肢體殘疾約占45%，而肢體殘疾中，又以下肢殘疾居多。傳統(tǒng)的下肢康復訓練方法是依靠專業(yè)的理療醫(yī)師對患者進行手把手的訓練。對于這種病患，醫(yī)師的輔助訓練雖有一定的幫助，但是不會太理想，主要問題在于訓練效率不高，操作過程帶有醫(yī)師的主觀態(tài)度，康復評定標準無理論依據。利用人體表面肌電信號控制外骨骼機器人，使用機器人的“體力”來帶動患者的康復運動。這種方式不僅可以繼承目前的康復模式和方法，還有可能徹底解決這些康復訓練方法中存在的問題。

表面肌電信號控制外骨骼用康復訓練，為了防止對患者造成二次傷害，對關節(jié)運動角度識別有較高的要求。為此，該文選取膝關節(jié)屈運動的角度識別為研究對象。膝關節(jié)的屈運動涉及到多組肌肉：股四頭肌、股直肌、股中間肌、股二頭肌、和腘肌，利用多塊肌肉的肌電信號表征膝關節(jié)運動，必將提高識別率。但是，這將使數據過于龐大，信號處理實時性降低。為此，期望能夠找到某一肌肉最能表征膝關節(jié)屈運動。

1 表征膝關節(jié)屈運動數學模型

1.1 模型參數選取

表面肌電信號是肌肉收縮時伴隨的電信號。關節(jié)的運動由肌肉的收縮帶動，為了建立表征膝關節(jié)屈運動的數學模型，我們需要選取影響膝關節(jié)運動的參數，這些參數應是最能影響我們對角度的識別，以便找出最能表征膝關節(jié)屈運動。

（1）在時域，我們選取信號的均方根值為參數，均方根值越大，意味著信號強度大，信噪比大，能夠提高識別準確率。

（2）在頻域，我們以信號的功率譜直方圖為參數，信號功率越大，同樣意味著肌肉越活躍，也即更能表征關節(jié)的運動。

（3）在測量人體的sEMG信號，通過電極傳入檢測電路。因此需要將電極片貼附于特定的肌肉上。有的肌肉狹長，有的肌肉位于皮膚深層，因此，想要電極貼片準確的貼服在這些肌肉表面，并不容易。因此，測量的難易程度也作為模型中的參數。

1.2 數學模型

為了找到最能表征膝關節(jié)屈運動的肌肉，我們提出表征膝關節(jié)屈運動的數學模型，主要從以下3個方面作為指標：幅值、能量和測試的方便程度。

數學模型為：·w

其中k代表不同的與膝關節(jié)屈運動相關的肌肉，依次為：股四頭肌，股直肌，股中間肌，股二頭肌和腘肌。t（k）為時域指標，f（k）為頻域指標，m（k）為測量測量簡易指標。w為權重向量。以下分別建立各個部分指標。

（1）均方根值指標。

在時域，以信號的均方根值作為評價指標，為了排除不同肌肉在松弛狀態(tài)下的影響，我們對均方根值進行量化處理，則：

其中x（i）為采集的數值，為肌肉平伸狀態(tài)sEMG的最大值，為最小值。

（2）功率指標。

對濾波后的sEMG信號進行功率譜分析，畫出sEMG信號的功率譜直方圖，對sEM號功率分布進行分析。以股直肌為例，其功率直方圖如圖1，我們統(tǒng)計功率大于0.5E-7所占的百分比，并作為f（k）的值。統(tǒng)計過程有l(wèi)abview軟件完成。

（3）測量簡易指標。

對于不同的肌肉，安放貼片電極的難易程度不同，因此而到的干擾也不同，將測量的難易程度劃分為0～1，并將測量的難易值賦給m（k）。

2 肌電信號采集與去噪

2.1 肌電信號的采集

表面肌電信號極其微弱，其電壓值在50～2000 uv之間，其能量主要集中在10～500 Hz之間。采集電路需對信號進行放大、濾波以及工頻陷波（如圖2）。

采集到的原始肌電信號（軟件濾波后）如圖3，該肌電信號進過了硬件電路的低通，高通以及工頻濾波，但從圖中可以看出，仍含有大量的噪聲。

2.2 小波去噪

小波變換是一種時間窗和頻率窗都可以改變的視頻分析方法，不僅能反應信號在全部頻率上的整體時域特征，而且能提供頻率段所對應的時間信息。此外，小波變換在高頻段具有高的時間分辨率，低的頻率分辨率；低頻段具有高的頻率分辨率，低的頻率分辨率，其在時頻域都有很強的局部特征表征力。因此，小波變換在非平穩(wěn)信號的去噪以及特征提取領域有著十分廣泛的應用。

表面肌電信號可以表示為：

。其中是s（i）是為含有噪聲的sEMG信號，x（i）為有用信號，e（i）為噪聲信號，通過對s（i）進行小波分解，有與噪聲常包含在具有較高頻率的細節(jié)中，因此通過選取一定的閾值對分解的得到的小波系數進行處理，然后再重構信號，即可達到消噪的目的。

利用Labview結合Matlab進行去噪處理，處理流程圖（如圖4）。

得到sEMG信號去噪后的波形圖（如圖5）。

3 實驗與模型的驗證

3.1 實驗說明

在明確實驗內容后開始實驗。該實驗招募9名志愿者，年齡在18～35歲之間，沒有運動神經類疾?。辉谧罱?個月里，前臂沒有出現扭傷、運動損傷、斷裂等影響運動功能的傷??；最近兩天沒有進行過劇烈的運動；沒有肌肉酸痛及不適；非敏感性皮膚。

該次實驗使用的器材有：單道生理參數記錄儀、Agcl電極等；該實驗旨在采集膝關節(jié)屈運動相關肌肉的sEMG信號，從而找出最能表征膝關節(jié)屈運動的肌肉。

3.2 實驗數據

各肌肉去噪后的波形圖以及功率譜直方圖（如圖5）。

求得各肌肉運動時sEMG信號的均方根值，平伸時的最大值及最小值。

3.3 模型求解

。取權重向量w=（0.3，0.5，0.2）。

（1）k=1，對應的為股四頭?。?/p>

，，由于股四頭肌位于皮膚淺層，取其測量系數為0.9，則。因此

（2）k=2，對應的為股直肌：

，。由于股四頭肌位于皮膚深層，取其測量系數為0.3，則。因此。

（3）對于k=3，4，5。取m（3）=0.8，m（4）=0.6，m（5）=0.5。

最后求得：

從數據中看出，在該權重下，u（4）最大，即股二頭肌最能表征膝關節(jié)屈運動。

4 結語

該文通過建立表征膝關節(jié)屈運動動的數學模型，從而找出最能表征膝關節(jié)運動的肌肉，并驗證了該模型的正確性，模型通過3項指標在一定的權重下來表示，該模型還有待完善之處，權重的選著也應根據具體實驗對象選取。此外用于模型驗證的角度識別器目前只用于求解膝關節(jié)連續(xù)上屈時的角度識別，但并沒有驗證對于膝關節(jié)懸停、倒回等動作角度的識別，并且識別目前還沒有做到實時性。這些都是有待繼續(xù)研究的方面。

該文可以為肌電控制肌肉的選擇提供理論依據，從而減少控制所需的肌肉數量，減少數據，提高運算速度。