，， ，， ，，

(浙江工業(yè)大學(xué) 機(jī)械工程學(xué)院，杭州 310014)

0 引言

表面肌電信號(hào)(surface electromyographic signals, sEMG)是肌肉收縮過(guò)程中，大量運(yùn)動(dòng)單位動(dòng)作電位(motor unit actionpotential，MUAP)經(jīng)肌肉、皮下組織和皮膚的傳導(dǎo)疊加，最終反映在皮膚表面的綜合電效應(yīng)[1]。sEMG具有易于拾取且無(wú)創(chuàng)傷性的特點(diǎn)，所以近年來(lái)被廣泛研究用以評(píng)估肌肉的運(yùn)動(dòng)狀態(tài)從而實(shí)現(xiàn)對(duì)人體主動(dòng)運(yùn)動(dòng)過(guò)程的解析[2]。相關(guān)研究應(yīng)用除了在醫(yī)療康復(fù)訓(xùn)練方面取得的一些顯著成果外[3-4]，已逐漸發(fā)展到更廣泛的手勢(shì)識(shí)別和人機(jī)交互領(lǐng)域[5-8]?；趕EMG的人手動(dòng)作模式識(shí)別的主要工作就是研究從表面肌電信號(hào)中辨識(shí)手的動(dòng)作模式，即sEMG的特征提取與動(dòng)作模式識(shí)別。Alan Smith等提取手臂4通道sEMG信號(hào)的AR特征，使用高斯分類器識(shí)別4種手部動(dòng)作，準(zhǔn)確率達(dá)到90%[9]。Pingao Mei等人將時(shí)頻特征與Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合分析肌電信號(hào)，對(duì)伸腕、屈腕、展拳、握拳4種動(dòng)作進(jìn)行分類，平均識(shí)別準(zhǔn)確率可達(dá)92.5%[10]。Al Omari等人以小波系數(shù)能量為特征采用泛化回歸神經(jīng)網(wǎng)絡(luò)(GRNN)進(jìn)行手部多模式識(shí)別，識(shí)別率達(dá)94%[11]。Futamat等人利用SVM法對(duì)4通道表面肌電信號(hào)進(jìn)行模式識(shí)別，識(shí)別率達(dá)到了95.59%[12]。Naik等使用4通道sEMG和孿生支持向量機(jī)方法成功對(duì)7種手勢(shì)及腕部彎曲動(dòng)作進(jìn)行了分析，得到了平均84.83%的分類敏感度[13]。

準(zhǔn)確性、多樣性和實(shí)時(shí)性是實(shí)現(xiàn)康復(fù)訓(xùn)練和人機(jī)交互等復(fù)雜應(yīng)用的必要條件?，F(xiàn)有研究表明，雖然目前基于sEMG的手部動(dòng)作模式分類器對(duì)簡(jiǎn)單動(dòng)作的識(shí)別率已經(jīng)達(dá)到了比較高的水平，但在識(shí)別多樣性和實(shí)時(shí)性方面仍需改善。本文提出了基于多通道sEMG小波包分解特征的BP神經(jīng)網(wǎng)絡(luò)手指動(dòng)作模式分類方法，對(duì)包括手指動(dòng)作、手勢(shì)變化和腕部動(dòng)作在內(nèi)的9種手部動(dòng)作sEMG進(jìn)行小波包分解并提取特征，通過(guò)實(shí)驗(yàn)方法對(duì)比不同隱含層BP神經(jīng)網(wǎng)絡(luò)分類器的性能，確定了最優(yōu)分類器結(jié)構(gòu)。設(shè)計(jì)的分類器平均識(shí)別率可達(dá)93.6%，輸出延時(shí)時(shí)間小于150 ms，能夠滿足手部運(yùn)動(dòng)康復(fù)、智能假肢等應(yīng)用的實(shí)時(shí)性要求。

1 前臂多通道sEMG信號(hào)采集

1.1 sEMG采樣系統(tǒng)

本文使用的sEMG信號(hào)采集儀具有10位A/D轉(zhuǎn)換精度，采樣頻率500 Hz，與上位機(jī)通過(guò)USB接口通訊，最大可以同時(shí)采集12路通道的sEMG信號(hào)。采樣電極為自主設(shè)計(jì)可重復(fù)使用的Cr17材質(zhì)無(wú)源表面干電極，每個(gè)采樣通道使用3電極式差分輸入，可以最大程度減少采樣環(huán)節(jié)引入的共模干擾，保證采樣信號(hào)的真實(shí)完整，采樣設(shè)備如圖1所示。

由于待識(shí)別動(dòng)作數(shù)量和電極位置組合形式多樣，僅憑經(jīng)驗(yàn)選擇電極位置和采樣通道數(shù)的常規(guī)方式并不嚴(yán)謹(jǐn)。為了降低主觀因素干擾，本文使用信噪比作為評(píng)判衡量采樣通道信號(hào)質(zhì)量的客觀標(biāo)準(zhǔn)。采樣方案篩選階段，逐一記錄下預(yù)設(shè)的47個(gè)采樣點(diǎn)在9種動(dòng)作下的sEMG信號(hào)，計(jì)算各采樣點(diǎn)原始sEMG的活動(dòng)段信號(hào)能量與非活動(dòng)段信號(hào)能量的比值作為該通道信噪比，選取信噪比綜合排位最高的5個(gè)采樣點(diǎn)構(gòu)成最終的電極布局方案。對(duì)照人體前臂肌群解剖圖，其中4個(gè)采樣電極環(huán)形布置在前臂中段指總伸肌、尺側(cè)腕伸肌、拇長(zhǎng)展肌、尺側(cè)腕屈肌、指深屈肌相關(guān)區(qū)域，另外1個(gè)采樣電極布置于前臂中前段拇長(zhǎng)屈肌位置。

1.2 sEMG數(shù)據(jù)采樣

為了保證手部動(dòng)作的規(guī)范一致，受試實(shí)驗(yàn)人員都經(jīng)過(guò)一定時(shí)間的練習(xí)。每種動(dòng)作都以“放松”-“動(dòng)作”-“放松”的形式循環(huán)進(jìn)行，動(dòng)作和放松時(shí)間都是1～2秒，每組測(cè)試持續(xù)1分鐘時(shí)間，組間休息時(shí)間不小于3分鐘。圖2所示為“握拳”動(dòng)作時(shí)的5通道sEMG原始信號(hào)。為了考察各采樣通道信號(hào)頻域細(xì)節(jié)，采用welch法估計(jì)各通道信號(hào)的功率譜密度?！拔杖眲?dòng)作5通道信號(hào)的功率譜密度如圖3所示，其中實(shí)線為活動(dòng)段sEMG信號(hào)功率譜，虛線為非活動(dòng)段sEMG信號(hào)的功率譜。由活動(dòng)段數(shù)據(jù)曲線可以看出sEMG信號(hào)的主要頻率集中在20～300 Hz之間。由非活動(dòng)段數(shù)據(jù)曲線可知，各類噪聲干擾的頻段分布比較均勻、能量較低。5個(gè)通道的曲線有明顯差異且排列有序，可以比較直觀的反映采樣通道的位置選擇與動(dòng)作的內(nèi)在關(guān)聯(lián)性。圖形數(shù)據(jù)表明所采集的sEMG信號(hào)的總體質(zhì)量良好，特異性比較明顯，有利于后續(xù)特征提取和模式識(shí)別的順利進(jìn)行，也表明以信噪比篩選采樣通道方案的設(shè)計(jì)合理性。

圖2 原始sEMG信號(hào)(握拳) 圖3sEMG功率譜密度(握拳)

2 小波包分解特征提取與動(dòng)作標(biāo)簽制作

2.1 小波包分解特征提取

sEMG本質(zhì)上是一種非平穩(wěn)生物電信號(hào)。小波包變換是在小波分析理論基礎(chǔ)上發(fā)展而來(lái)的信號(hào)分析方法，具有多尺度分析能力和良好的時(shí)頻局部化特性，能夠提供比小波變換更高的時(shí)頻分辨率，非常適合分析非平穩(wěn)信號(hào)的瞬態(tài)和時(shí)變特性。小波包變換包括小波包分解和小波包重構(gòu)兩個(gè)過(guò)程。

小波包分解算法為：

(1)

小波包重構(gòu)算法為：

(2)

M(x)=-∑jPjlgPj

(3)

圖4 2層小波包分解樹(shù)

在經(jīng)過(guò)2層小波包變換后，原始肌電信號(hào)f(t)被分解成為4個(gè)不同頻段分量，如圖5所示，分解效果不僅可以反映原始信號(hào)的頻域細(xì)節(jié)信息，而且通過(guò)分解系數(shù)重構(gòu)的信號(hào)疊加后和原始信號(hào)保持一致，充分體現(xiàn)了分解系數(shù)對(duì)原始信號(hào)信息的還原能力。因此提取不同動(dòng)作模式下肌電信號(hào)的小波包分解系數(shù)作為特征，可以為多樣性模式辨識(shí)提供良好的條件。

為了便于提取蘊(yùn)含在sEMG信號(hào)中的特征信息，本文對(duì)連續(xù)sEMG信號(hào)進(jìn)行了分割處理，采用滑動(dòng)窗口法將連續(xù)數(shù)據(jù)流分割成數(shù)據(jù)片段。對(duì)每個(gè)采樣通道的每段數(shù)據(jù)應(yīng)用2層小波包分解獲得4個(gè)系數(shù)，再將5個(gè)采樣通道的系數(shù)合并成為一條120的特征向量。為了保證特征向量的代表性和多樣性，對(duì)每個(gè)動(dòng)作截取連續(xù)的10 000條特征向量參與后續(xù)分類器的訓(xùn)練和驗(yàn)證實(shí)驗(yàn)。

圖5 2層小波包分解細(xì)節(jié)和信號(hào)的重構(gòu)

2.2 sEMG信號(hào)包絡(luò)線提取

為了能實(shí)現(xiàn)特征向量所屬動(dòng)作類型標(biāo)簽的自動(dòng)添加，需將對(duì)應(yīng)的原始信號(hào)劃分為“活動(dòng)段”和“放松段”。從圖2可以看出，由于各通道sEMG信號(hào)波形具有動(dòng)作同步性，本文提出了先將各通道信號(hào)進(jìn)行絕對(duì)值求和處理，再經(jīng)過(guò)低通濾波方式獲取sEMG信號(hào)包絡(luò)線的方法。該方法能夠最大程度融合各通道的采樣信息，保證對(duì)所有通道信號(hào)的包絡(luò)效果。濾波器采用3階切比雪夫?yàn)V波器。包絡(luò)線的計(jì)算解析式為：

(4)

其中:x(n)是原始信號(hào)，ak和bk是濾波器參數(shù)。圖6為經(jīng)過(guò)延時(shí)修正的“三指對(duì)捏”原始信號(hào)包絡(luò)曲線。可以看出該方法提取的包絡(luò)線可以很好地貼合原始信號(hào)的輪廓，為后續(xù)制作動(dòng)作標(biāo)簽提供了便利。

圖6 表面肌電信號(hào)包絡(luò)線(三指對(duì)捏)

2.3 動(dòng)作標(biāo)簽制作

從圖6可以看到，表面肌電信號(hào)包絡(luò)線的“峰”和“谷”對(duì)應(yīng)的正是每個(gè)動(dòng)作采樣過(guò)程中的“動(dòng)作”與“放松”。所以通過(guò)合理設(shè)置閾值即可將包絡(luò)曲線轉(zhuǎn)換成二值狀態(tài)信號(hào)。如圖7-a所示，傳統(tǒng)的單一閾值法對(duì)狀態(tài)轉(zhuǎn)化的劃分效果并不理想。由于信號(hào)在狀態(tài)轉(zhuǎn)換過(guò)渡區(qū)域必然存在較大波動(dòng)，極易引起輸出的反復(fù)越限，從而觸發(fā)狀態(tài)信號(hào)的錯(cuò)誤翻轉(zhuǎn)。為了解決這一問(wèn)題，借鑒滯回比較器工作原理，采用雙閾值法獲取狀態(tài)轉(zhuǎn)換信號(hào)S(t)：

(5)

閾值參數(shù)th_H>th_L，在程序算法里對(duì)y(t)的變化趨勢(shì)進(jìn)行跟蹤，僅當(dāng)數(shù)據(jù)上升過(guò)程穿越上限th_H或下降過(guò)程穿越下限th_L才會(huì)觸發(fā)狀態(tài)信號(hào)翻轉(zhuǎn)。如圖7-b所示，通過(guò)合理設(shè)置兩個(gè)閾值的數(shù)值，有效改善了狀態(tài)信號(hào)翻轉(zhuǎn)誤觸發(fā)情況的發(fā)生。

圖7 動(dòng)作狀態(tài)轉(zhuǎn)換信號(hào)S(t)

如表1所示，本文擬識(shí)別的9種手部動(dòng)作包括“多指復(fù)合動(dòng)作”、“手腕動(dòng)作”和“放松動(dòng)作”三類，其中多指復(fù)合動(dòng)作又細(xì)分成“抓握動(dòng)作”和“精準(zhǔn)手勢(shì)”兩部分。

表1 手部動(dòng)作類型表

如表2所示，為了便于計(jì)算機(jī)運(yùn)算和識(shí)別，9種動(dòng)作被定義為9位二進(jìn)制編碼形式的動(dòng)作標(biāo)簽。每種動(dòng)作對(duì)應(yīng)一個(gè)二進(jìn)制位，“1”代表有動(dòng)作，“0”代表無(wú)動(dòng)作。程序設(shè)計(jì)利用狀態(tài)轉(zhuǎn)換信號(hào)S(t)對(duì)每種動(dòng)作下的10000條特征向量自動(dòng)添加所屬動(dòng)作類型的標(biāo)簽，從而完成所有參與分類器訓(xùn)練及測(cè)試數(shù)據(jù)的準(zhǔn)備工作。

表2 手部動(dòng)作標(biāo)簽編碼表

3 實(shí)驗(yàn)與結(jié)果分析

3.1 BP神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)、訓(xùn)練

人工神經(jīng)網(wǎng)絡(luò)作為一種對(duì)數(shù)據(jù)分布無(wú)特殊要求的非線性技術(shù)，能夠有效解決非正態(tài)分布、非線性的評(píng)價(jià)問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)作為人工神經(jīng)網(wǎng)絡(luò)中比較成熟一種網(wǎng)絡(luò)模型，能夠通過(guò)調(diào)整權(quán)重和閾值來(lái)“學(xué)習(xí)”或發(fā)現(xiàn)變量間的關(guān)系，實(shí)現(xiàn)對(duì)事物的分類，所以在模式識(shí)別、圖像分析與處理、控制等領(lǐng)域都有著廣泛的應(yīng)用。

表3 17個(gè)隱含節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)分類器輸出混淆矩陣

本文采用3層BP神經(jīng)網(wǎng)絡(luò)的分類器設(shè)計(jì)方案。每種動(dòng)作使用10 000條特征向量參與分類器的訓(xùn)練與驗(yàn)證，訓(xùn)練與驗(yàn)證的樣本不重疊，比例為6:4。輸入節(jié)點(diǎn)20個(gè)，輸出節(jié)點(diǎn)9個(gè)。由于參與訓(xùn)練的樣本數(shù)量較大且特征向量維數(shù)較高，為了加快收斂速度，提高訓(xùn)練效率，在對(duì)比不同算法的實(shí)際效果之后，確定采用量化共軛梯度算法進(jìn)行分類器訓(xùn)練。訓(xùn)練結(jié)果的分類效果可以通過(guò)如表3所示的混淆矩陣定量顯示出來(lái)。表3所示的是17個(gè)隱含節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)分類器的分類結(jié)果?；煜仃嚨拿恳恍写矸诸惼鲗?duì)某一動(dòng)作實(shí)際分類的正確與錯(cuò)誤的樣本分布，每一列代表原始標(biāo)簽樣本被正確或錯(cuò)誤分類的分布情況。例如，表3的第一行表示分類器將1 793個(gè)樣本正確分入“三指對(duì)捏”模式，將52個(gè)“握拳”樣本、13個(gè)“松弛”樣本錯(cuò)誤分入“三指對(duì)捏”模式，分類器輸出的準(zhǔn)確率為96.5%。第一列表示標(biāo)準(zhǔn)的“三指對(duì)捏”樣本中有1 793個(gè)樣本被成功分類，另有106個(gè)樣本被分類器錯(cuò)分入“翻腕”模式，42個(gè)樣本被錯(cuò)分入“松弛”模式，標(biāo)準(zhǔn)“三指對(duì)捏”樣本的分類準(zhǔn)確率為92.4%。

為了找到最佳的隱含層節(jié)點(diǎn)數(shù)的配置方案，實(shí)驗(yàn)共建立了27個(gè)分類器模型，分別針對(duì)4-30個(gè)隱含層節(jié)點(diǎn)的分類器進(jìn)行訓(xùn)練。統(tǒng)計(jì)結(jié)果顯示：1)隱含層節(jié)點(diǎn)數(shù)的變化對(duì)分類器分類識(shí)別率的影響并不明顯，也沒(méi)有體現(xiàn)某種趨勢(shì)或規(guī)律。2)除了個(gè)別隱含層節(jié)點(diǎn)數(shù)太小訓(xùn)練失敗以外，多數(shù)超過(guò)10個(gè)隱含節(jié)點(diǎn)的分類器的平均識(shí)別正確率維持在90%以上。當(dāng)隱含節(jié)點(diǎn)為17時(shí)平均識(shí)別率達(dá)到了最高值93.6%。3、9種手部動(dòng)作的單項(xiàng)識(shí)別率存在較明顯差異。如表3所示，三指“OK”模式的識(shí)別率是98.5%，單指“指示”模式的識(shí)別率僅有83.3%。分析原因在于手部動(dòng)作的可分性與動(dòng)作的細(xì)節(jié)差異程度有關(guān)。在選擇采樣方案時(shí)更多考慮的是各通道對(duì)多種動(dòng)作模式的綜合信噪比，均衡評(píng)價(jià)的結(jié)果容易導(dǎo)致僅對(duì)個(gè)別動(dòng)作貢獻(xiàn)度較大的采樣通道落選。因此對(duì)識(shí)別率明顯過(guò)低的動(dòng)作識(shí)別，可以考慮增加采樣點(diǎn)補(bǔ)充信息或是提高對(duì)既有數(shù)據(jù)的特征提取細(xì)分程度。

本文采用的肌電信號(hào)采集儀信號(hào)轉(zhuǎn)換及傳輸延時(shí)小于2 ms；特征提取過(guò)程采用的是64個(gè)采樣點(diǎn)的短窗，延時(shí)時(shí)間小于ms，其中為采樣周期。特征的提取算法簡(jiǎn)潔快速，單條特征向量提取耗時(shí)小于20 ms,基于BP神經(jīng)網(wǎng)絡(luò)的分類器分類時(shí)間小于5 μs/次，所以從表面肌電信號(hào)采集到模式識(shí)別輸出的總延時(shí)小于150 ms。因此本文提出的方法可以滿足主動(dòng)康復(fù)訓(xùn)練和普通人機(jī)交互控制領(lǐng)域的實(shí)時(shí)性要求。

4 結(jié)論

1)提出一種以采樣通道信噪比為評(píng)價(jià)標(biāo)準(zhǔn)的采樣方案優(yōu)選方法。依據(jù)多種動(dòng)作模式下候選采樣點(diǎn)sEMG信號(hào)的綜合信噪比排序確定采樣電極的位置和采樣通道數(shù)，最終確定的5通道采樣電極的布局方式在簡(jiǎn)化通道數(shù)的同時(shí)保證了高質(zhì)量sEMG信號(hào)的拾取。

2)提出一種檢測(cè)多通道sEMG信號(hào)狀態(tài)轉(zhuǎn)換的快捷方法，不但能有效降低活動(dòng)段檢測(cè)錯(cuò)分率，而且能夠自動(dòng)依據(jù)狀態(tài)轉(zhuǎn)換信號(hào)完成對(duì)特征向量動(dòng)作標(biāo)簽的添加，降低數(shù)據(jù)樣本制作的時(shí)間和成本。

3)設(shè)計(jì)了以sEMG信號(hào)小波包分解系數(shù)為特征，基于BP神經(jīng)網(wǎng)絡(luò)的手部動(dòng)作多模式分類器。實(shí)驗(yàn)對(duì)比了多種訓(xùn)練算法和不同分類器結(jié)構(gòu)對(duì)分類效果的影響，最終完成了對(duì)9種手部動(dòng)作識(shí)別的分類器設(shè)計(jì)，平均識(shí)別率達(dá)93.9%，延時(shí)小于150 ms。

參考文獻(xiàn)：

[1] DE Luca C J, Adam A, Wotiz R, et al. Decomposition of surface EMG signals[J]. Journal of neurophysiology, 2006, 96(3):1646-1657.

[2] Frigo C, Crenna P. Multichannel SEMG in clinical gait analysis: a review and state-of-the-art[J]. Clinical Biomechanics, 2009, 24(3): 236-245.

[3] Sugar T G, Ping H J, Kleneman E J, et al. Design and control of RUPERT: a device for robotic upper extremity repetitive therapy[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2007, 15(3):336-346.

[4] Perry J C, Powell J M, Rosen J. Isotropy of an upper limb Exoskeleton and the kinematics and dynamics of the human arm[J]. Applied Bionics and Biomechanics, 2009, 6(2):175-191.

[5] Hargrove L J, Scheme E J, Englehart K B, et al. Multiple binary classifications via linear discriminant analysis for improved controllability of a powered prosthesis[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2010, 18(1):49-57.

[6] Ong SCW, Ranganath S. Automatic sign language analysis: A survey and the future beyond lexical meaning[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 2005, 27(6):873-891.

[7] Matsubara T, Morinoto J. Bilinear modelling of EMG signals to extract user independent features for multi-user myoelectric interface[J]. IEEE Transactions on Biomedical Engineering, 2013, 60(8):2206-2213.

[8] 李 云. 基于肌電模式的中國(guó)手語(yǔ)識(shí)別研究及康復(fù)應(yīng)用探索[D]. 合肥:中國(guó)科學(xué)技術(shù)大學(xué), 2013.

[9] Smith A, Brown E E. Myoelectric control techniques for a rehabilitation robot[J]. Applied Bionics and Biomechanics, 2011, 8(1):21-37.

[10] 梅品高, 羅志增. 基于小波包分析和Elman網(wǎng)絡(luò)的肌電信號(hào)處理[J]. 機(jī)電工程, 2008, 25:7-10.

[11] Al Omari F, Hui J, Mei C, et al. Pattern Recognition of eight hand motions using feature extraction of forearm EMG signal[J]. Proceedings of the National Academy of Sciences, India Section A: Physical Sciences, 2014, 84(3): 473-480.

[12] Futamata M, Nagata K, Magatani K. The evaluation of the discriminant ability of multiclass SVM in a study of hand motion recognition by using sEMG[A]. Engineering in Medicine and Biology Society (EMBC), 2012 Annual International Conference of the IEEE[C]. 2012:5246-5249.

[13] Naik G R, Kumar D K, Jayadeve. Twin SVM for gesture classification using the surface electromyogram[J]. IEEE Transactions on Information Technology in Biomedicine, 2010, 14(2): 301-308.