魏鵬娜，李創(chuàng)，唐榮年

（海南大學 機電工程學院，?？?70228）

1 引 言

腦癱是由于非進行性腦損傷所致的以各運動功能障礙為主的綜合征，步態(tài)障礙會給他們的日常生活帶來極大的不便。盡管現(xiàn)有大多數(shù)的腦癱治療方法還是傳統(tǒng)的人工輔助康復訓練［1－3］，但是利用表面肌電信號（sEMG）設計自動控制的康復裝置已經(jīng)成為趨勢［4－5］。最新的研究表明，結合一定的實驗策略（如，施加受控的阻力）［6］，利用跑步機對腦癱兒進行步態(tài)訓練，可以有效改善其邁步行走功能［7－9］。例如文獻［9］中對一個脊髓損傷患者在跑步機上進行訓練，經(jīng)過四周后再次對該患者進行訓練，結果顯示其邁步行走能力提高了，這為腦癱兒童康復裝置的設計提供了一定的研究基礎。

本研究的目的就是分析現(xiàn)有特征中對腦癱兒肌肉活性比較敏感的特征，為腦癱兒腿部康復裝置肌電控制系統(tǒng)的開發(fā)提供研究基礎。因子分析作為一個統(tǒng)計分析工具，被廣泛的用于數(shù)據(jù)降維和分類［10－11］，用來評價本研究中所提出的特征組。

2 實驗與方法

2.1 實驗對象及實驗裝置

實驗對象為一名11歲的女性腦癱兒童（體重29.7 kg，身高1.4 m），實驗對象符合以下條件：（1）臨床診斷結果為雙側偏癱；（2）在外界的幫助下能正常行走；（3）不能患有嚴重的下肢骨科疾?。唬?）下肢皮膚不能患有非愈合性皮膚病。實驗對象必須有健康證明，且對測試內容知情并同意參加實驗。實驗獲得了美國西北大學制度審查委員會的審定，所有實驗步驟都遵守赫爾辛基宣言（1975）。實驗裝置見圖1，包括：跑步機、身體支承裝置、驅動裝置和電視機。研究表明，將阻力加載在步態(tài)周期（Gait phase）的支撐期向擺動期轉換的過程中能夠改變實驗對象的行走能力［12］，所以，本實驗就將阻力加在支撐期向擺動期轉換的時候，擺動期結束后釋放力。

圖1 實驗裝置Fig 1 Experimental device

2.2 數(shù)據(jù)獲取

實驗采集的是右腿6塊和左腿2塊肌肉上的sEMG信號，采用的電極是直徑為2.5 cm的Ag／AgCl電極（ConMed，UTICA，NY）。所選的肌肉分別是：右腿的脛骨前肌、內側腓腸肌、比目魚肌、股內側肌、股直肌、內側腘繩肌和左腿的脛骨前肌、內側腓腸肌。參考電極位于膝蓋上。所采用的肌電信號采集單元是Octopus AMT－8 EMG單元（Bortec Biomedical Ltd，Calgary，Alberta，Canada），采樣頻率 1000 Hz。力的最大值是取實驗對象體重的5%左右（17 N）。跑步機的速度取實驗對象最舒適的速度。實驗過程分為三部分，首先是起始階段，實驗對象在不加任何力的情況下在跑步機上行走1 min；第二部分為加力階段，給實驗對象的右腿加一個17 N的阻力，在跑步機上行走8 min；最后一部分是去掉所加的阻力，在跑步機上走3 min。我們取起始階段的后30步作為第一部分數(shù)據(jù)，定義為A，加力階段的前30步作為第二部分數(shù)據(jù)，定義為B，加力階段的后30步作為第三部分數(shù)據(jù)，定義為C，去力訓練的前30步作為第四部分數(shù)據(jù)，定義為D。由于sEMG是一種十分微弱的電信號，而且容易受到外界的干擾，所以在提取特征之前先對其進行小波去噪、10～350 Hz的帶通濾波和60 Hz的陷波處理。

2.3 特征提取

特征提取是從經(jīng)過預處理的信號中提取出具有代表性的信息。特征提取方法通常包括：時域、頻域、時頻域和熵特征［13］。

2.3.1 時域特征 本研究所選擇的時域特征分別是：均方根（RMS）、斜率變化（SSC）、方差（D）、波形長（WL）、過零點數(shù)（ZC）、絕對平均值（MAV）和積分肌電值（iEMG）［14－15］。

2.3.2 頻域特征［15］中值頻率（MF）

平均功率頻率（MPF）

其中S（f）為sEMG的功率譜密度估計函數(shù)。

2.3.3 基于小波包變換的特征提取 本研究選取小波包系數(shù)的能量（E）、最大值（Max）、方差（Var）和自回歸系數(shù)（Ar）來進行特征提?。?6－17］。

小波包分解公式如下：

式中h，g分別為小波包變換中所用到的低通及高通濾波器，K代表是濾波器的長度，k，m∈Z，P代表小波包變換的級數(shù)；1代表小波包變換的系數(shù)。所以利用小波包分解可以得到的小波包系數(shù)（wavelet packet coefficient，WPT）如下：

2.3.4 熵 本研究采用近似熵（App）、樣本熵（Sam）和排列組合熵（Pe）來進行特征提?。?8］。近似熵和樣本熵的參數(shù)m＝2，r＝0.2×σ。由于在運動過程中，不止是一塊肌肉在發(fā)揮作用，靠的是腿部多塊肌肉的協(xié)同作用，所以我們將8個通道肌肉組合起來進行處理。首先，四個階段每個階段都提取了30步的肌電信號數(shù)據(jù)，每一步提取一個特征值，這樣每個通道都有30個特征值；其次，將8個通道依次組成列向量，就組合成了一個［240x1］的列向量。有關研究表明，當特征數(shù)取2的時候是最合適的［19］，所以，本研究的特征向量就是由兩個特征所組成的。

2.4 數(shù)據(jù)分析

本次實驗所采用的數(shù)據(jù)分析方法是因子分析，它和判別分析一樣都是一種多變量分析技術，被廣泛的用在心理學研究和生態(tài)學方面［10］。因子分析的結果由總方差解釋和旋轉分量來表示。由于本研究所定義的A、B、C和D四個階段的肌肉活性是不同的，所以定義，能正確區(qū)分出這四個階段的特征組為所要找的特征組，即因子分析所得到的四個因子應該代表所定義的這四個階段。在所提取特征的后面加上a、b、c和d以區(qū)分四個不同階段所提取的特征，比如Da代表A階段的方差。1到8分別表示小波包的八個系數(shù)。

3 實驗結果與討論

3.1 時域特征

時域的21個特征組，分別是由 RMS、SSC、D、WL、ZC、MAV和iEMG兩兩組合而成，其中有7個可以成功區(qū)分A、B、C和D這四個的階段。在可以區(qū)分的7個特征組中總方差解釋最大的特征組見圖2（a），在不能區(qū)分的14個特征組中總方差解釋最小的特征組見圖2（b）。其他特征提取方法中結果的表示規(guī)則同時域。

圖2 時域中具有代表性的兩個特征組的因子分析結果：（a）D＆RMS，（b）D＆iEMG。X軸為四個因子，Y軸為特征和因子的相關系數(shù)。其中（a）代表區(qū)分性較好的特征組，（b）代表區(qū)分性較差的特征組。Fig 2 Representative factor analysis results in time domain：（a）D＆RMS，（b）D＆iEMG.The X－axis is the four factors.Y－axis is the correlation coefficient of featuresand factors.（a）iswhich can separate the four differentmuscle activity level periods successfully，（b）iswhich cannot separate the four periods successfully.

3.2 頻域特征

頻域因子分析的結果比較差，這和之前的研究是一致的［19］。結果見圖3。

有研究表明，將時域和頻域特征結合起來分析將提高分類的準確性，所以將時域中區(qū)分性較好的特征：MAV、RMS、SSC、D和頻域特征結合起來進行因子分析。一共有8個特征組要進行因子分析，其中有4個特征組區(qū)分能力較好。分析結果見圖4。

3.3 時頻域特征

時頻域一共分析了48個特征組，分別是由小波包系數(shù)的Max、Var、E和Ar組合而成，其中有24個特征組區(qū)分效果較好，剩下的24個區(qū)分效果相對較差，分析結果見圖5。

圖3 頻域特征組的因子分析結果：MPF＆MF。X軸為四個因子，Y軸為特征和因子的相關系數(shù)。Fig 3 Factor analysis results in frequency domain：MPF＆M F.The X－axis is the four factors.Y－axis is the correlation coefficient of features and factors.

圖4 時域和頻域組合特征組具有代表性的特征組的因子分析結果：（a）MF＆D，（b）MPF＆D。X軸為四個因子，Y軸為特征和因子的相關系數(shù)。其中（a）代表區(qū)分性較好的特征組，（b）代表區(qū)分性較差的特征組。Fig 4 Representative factor analysis results in time domain＆frequency domain：（a）MF＆D，（b）MPF＆D.The X－axis is the four factors.Y－axis is the correlation coefficient of features and factors.（a）iswhich can separate the four differentmuscle activity level periods successfully，（b）iswhich cannot separate the four periods successfully.

圖5 時頻域中具有代表性的特征組的因子分析結果：（a）E1＆Var1，（b）E4＆Ar4。X軸為四個因子，Y軸為特征和因子的相關系數(shù)。其中（a）代表區(qū)分性較好的特征組，（b）代表區(qū)分性較差的特征組。Fig 5 Representative factor analysis results in time－frequency domain：（a）E2＆Var2，（b）M ax2＆Ar2.The X－axis is the four factors.Y－axis is the correlation coefficient of features and factors.（a）is which can separate the four differentmuscle activity levels periods successfully，（b）is which cannot separate the four periods successfully.

3.4 熵

有3個熵特征組在本研究中進行了分析，其中只有一個組的區(qū)分性較好，結果見圖6。

圖6 熵中具有代表性的特征組的因子分析結果：（a）App＆Sam，（b）Pe＆Sam。X軸為四個因子，Y軸為特征和因子的相關系數(shù)。其中（a）代表區(qū)分性較好的特征組，（b）代表區(qū)分性較差的特征組。Fig 6 Representative factor analysis results in entropy：（a）App＆Sam，（b）Pe＆Sam.The X－axis is the four factors.Y－axis is the correlation coefficient of features and factors.（a）iswhich can separate the four differentmuscle activity levels periods successfully，（b）is which cannot separate the four periods successfully.

4 結論

為了提高腦癱兒下肢康復訓練的效率，并為腦癱兒腿部康復裝置肌電控制系統(tǒng)的開發(fā)提供研究基礎，本研究提出八十四（時域二十四個、頻域一個、時域頻域組合八個、時頻域四十八個和熵三個）個特征組，分析其對腦癱兒肌肉活性的敏感程度，通過因子分析得出其中時域有七個特征組的區(qū)分性較好，其分別是由MAV、D、RMS、SSC兩兩組合成的特征組，還有WL＆iEMG。時域和頻域結合的特征組中由MAV、D、RMS、SSC分別和MF所組成的特征組區(qū)分性都比較好。時頻域中由三層分解所得到的八個小波包系數(shù)的E、Var和Max所組成的特征組的識別效果都比較好。熵特征組中App＆Sam區(qū)分性較好。目前雖然有很多關于時域、頻域、時頻域和熵的特征提取的研究，有關腦癱兒肌電信號的特征提取的研究還是很少見。雖然本次研究的實驗只有一個樣本，但是文獻［9］中也是通過對比一個實驗樣本在兩次實驗中的肌肉動力功能的變化來分析的；其次，本次實驗對象是腦癱兒童，實驗設計也比較新穎，對腦癱患者的康復研究有一定的參考價值；最后，本研究初步驗證現(xiàn)有特征提取方法是否適用于腦癱兒這一特殊人群的肌電信號，為下一步腦癱兒康復研究打下基礎。

致謝

本文的實驗數(shù)據(jù)是由本文通訊作者在美國訪學期間實驗所得。在此對美國西北大學、芝加哥康復研究中心武明研究員在研究過程中提供的支持和幫助表示感謝。