石軍梅，王從慶，左超

(南京航空航天大學(xué)自動(dòng)化學(xué)院，南京 210016)

1 引 言

表面肌電(surface electromyography，sEMG)信號(hào)的產(chǎn)生超前于實(shí)際運(yùn)動(dòng)，能夠提供豐富的運(yùn)動(dòng)意圖信息[1]，用它作為交互媒介以識(shí)別手部運(yùn)動(dòng)意圖，構(gòu)建智能可穿戴康復(fù)手套系統(tǒng)具有很大的優(yōu)勢(shì)。然而sEMG信號(hào)分布較為廣泛[2]，導(dǎo)致采集到的sEMG信號(hào)混疊度較高[3]，且sEMG信號(hào)自身具有時(shí)變和非平穩(wěn)特性[4]，提取的特征不能充分描述sEMG信號(hào)等問題限制康復(fù)設(shè)備的研發(fā)。解決這些問題有兩個(gè)途徑，一是使用高密度陣列電極獲取肌電圖像或肌電地形圖[5]，采用深度卷積神經(jīng)網(wǎng)絡(luò)獲取泛化能力更強(qiáng)的特征[6];二是對(duì)sEMG信號(hào)分解，以解析手部運(yùn)動(dòng)過程中各肌肉肌腱單元的激活特性[7]，減小電極位置對(duì)識(shí)別精度的影響。但使用高密度陣列電極的造價(jià)過高，短時(shí)間內(nèi)不能推廣應(yīng)用。因此，分解sEMG信號(hào)提取運(yùn)動(dòng)單元?jiǎng)幼麟娢恍蛄谐蔀樘岣呤植窟\(yùn)動(dòng)意圖識(shí)別精度的主要方法。盲源分離方法是sEMG信號(hào)分解重要方法，羅志增教授團(tuán)隊(duì)采用快速獨(dú)立量分析(fast independent component analysis,FastICA)的方法實(shí)現(xiàn)了多通道sEMG信號(hào)的盲源分離[8]，提高了手部運(yùn)動(dòng)意圖的識(shí)別率；Roussel等人使用基于四階循環(huán)累積量的聯(lián)合近似對(duì)角化(joint approximative diago-nalization of eigenmatrix,JADE)算法來分解sEMG信號(hào)[10]；楊基海教授團(tuán)隊(duì)采用模糊K均值算法得到了sEMG信號(hào)發(fā)放時(shí)刻信息和動(dòng)作電位序列波形[11]，應(yīng)用于手部運(yùn)動(dòng)意圖識(shí)別。

2 基于改進(jìn)人工蜂群優(yōu)化算法的sEMG信號(hào)盲源有序分離

2.1 改進(jìn)人工蜂群算法的尋優(yōu)機(jī)理

人工蜂群(artificial bee colony，ABC)優(yōu)化算法全局最優(yōu)值附近，收斂速度變慢，算法效率不高[12]。因此,改進(jìn)ABC算法的優(yōu)化機(jī)理，讓一部分蜜蜂按照原來方式進(jìn)行尋優(yōu)，另一部分在目前得到的最優(yōu)值附近產(chǎn)生新解，繼續(xù)尋優(yōu)以加快收斂速度。見圖1。

圖1 ABC算法的尋優(yōu)機(jī)理 (a).ABC算法尋優(yōu)；(b).改進(jìn)ABC算法尋優(yōu)Fig 1 ABC algorithm optimization mechanism(a).ABC algorithm optimization mechanism；(b).Improved ABC algorithm optimization mechanism

改進(jìn)ABC優(yōu)化(improved artificial bee colony optimization,IABO)算法的數(shù)學(xué)描述如下：

蜂群規(guī)模NF、限定采蜜次數(shù)klimit、最大進(jìn)化次數(shù)kmax，待優(yōu)化參數(shù)V。工蜂按照式(1)進(jìn)行尋優(yōu)，比較其目標(biāo)函數(shù)值F，得到目前最優(yōu)解Vbest。

Vlj=xlj+φlj(xlj-xkj)

(1)

其中φlj為[-1 1]之間的隨機(jī)數(shù)；k為[1NF]之間隨機(jī)序數(shù),l為工蜂現(xiàn)在的蜜源位置，j為待優(yōu)化的參數(shù)的維數(shù)。

觀察蜂繼續(xù)尋優(yōu)，并通過式(2)計(jì)算每個(gè)蜜源處的適應(yīng)度值p(l)。

(2)

與設(shè)定的更改尋優(yōu)方式適應(yīng)度閾值P′比較，若小于閾值，則繼續(xù)按照式(1)進(jìn)行尋優(yōu)，否則按照式(3)尋優(yōu)。

Vlj=Vbest+φlj(xlj-xrj)

(3)

其中r為在[1NF]之間的隨機(jī)序數(shù)。

若偵察蜂連續(xù)klimit次未得到最優(yōu)解的蜜源,則在Vbest處隨機(jī)產(chǎn)生新的蜜源，繼續(xù)尋優(yōu)，直到尋找到最優(yōu)解。

2.2 sEMG信號(hào)的盲源有序分離原理

設(shè)手部動(dòng)作時(shí)指淺屈肌、肱橈肌產(chǎn)生動(dòng)作電位序列為s(t)=[s1(t)s2(t)]T，在皮膚表面檢測(cè)到兩路混疊信號(hào)為x(t)=[x1(t)x2(t)]T。定義如下：

(4)

其中A=[a1a2]反映了混合系統(tǒng)或信道的傳輸特性，n(t)為噪聲。

(5)

其中yi(t)(i=1、2)為抽取后的一個(gè)源信號(hào)s1(t)或s2(t)的估計(jì)，抽取權(quán)向量Woi為2維的列向量。算法的原理即通過調(diào)節(jié)Woi，使得每次分離出的信號(hào)與源信號(hào)保持一致，即保存的源信號(hào)的信息盡可能多。因此，目標(biāo)函數(shù)選擇能提供更多信息的信號(hào)規(guī)范四階累積量，信號(hào)yi(t)的四階累積量如下：

(6)

基于規(guī)范四階累積量的準(zhǔn)則函數(shù)為：

(7)

因此，獨(dú)立源信號(hào)的盲分離即等 價(jià)于最大化規(guī)范四階累積量的絕對(duì)值，盲分離矩陣行向量woi的約束條件為‖woi‖=1。

綜上，最優(yōu)權(quán)抽取列向量Woi的代價(jià)函數(shù)：

woi=argwoimax|f(woi)|，s.t.‖woi‖=1

(8)

2.3 基于IABO算法的sEMG信號(hào)盲源有序分離

使用IABO算法從兩通道sEMG信號(hào)中逐次分離出源信號(hào)，其算法步驟如下：

(1)確定恢復(fù)源信號(hào)的數(shù)目，對(duì)觀測(cè)信號(hào)x(t)進(jìn)行去均值和白化處理；

(2)初始化蜂群基本參數(shù)；

(3)按照式(1)、式(2)、式(3)更新蜜源位置以優(yōu)化式(8)，使得每次分離出來的信號(hào)與某一源信號(hào)的波形保持一致，得到最優(yōu)抽取向量，通過式(5)計(jì)算出一源信號(hào)的估計(jì)量yi(t)；

(4)對(duì)現(xiàn)有混合信號(hào)xnow(t)進(jìn)行消源處理[13]，即除去已分離出的源信號(hào)信息，得到新的混合信號(hào)xnew(t)；

(5)對(duì)xnew(t)進(jìn)行PCA降維處理，n-1→n′，n為原信號(hào)的個(gè)數(shù)，n′為降維后信號(hào)的個(gè)數(shù)。若n′>1，則跳至步驟(3),把信號(hào)分別分離出來，否則，分離結(jié)束。

(6)按照四階累積量的降序排列分離出的源信號(hào)，實(shí)現(xiàn)sEMG信號(hào)的盲源有序分離。

3 組合特征提取與手部動(dòng)作識(shí)別

3.1 基于小波包分解和樣本熵的特征提取

醫(yī)學(xué)研究表明，生物電的能量主要分布在10～250 Hz的低頻部分[14]。因此，選擇‘db5’小波基函數(shù)，對(duì)盲源分離后的兩通道sEMG信號(hào)進(jìn)行四層小波包分解并以第四層小波包分解的前八個(gè)子空間內(nèi)的信號(hào)作為樣本熵的提取對(duì)象，指淺屈肌和肱橈肌的樣本熵分別記為Samp11-8、Samp21-8[15]。

3.2 組合特征向量構(gòu)造

隨著小波分解層數(shù)的增加，空間分辨率降低，選擇能體現(xiàn)sEMG信號(hào)細(xì)節(jié)的時(shí)域特征偏度(η)、峰度(κ)，頻域特征肌電積分值(iEMG)作為特征。參數(shù)定義如下:

(9)

(10)

(11)

每一種手部動(dòng)作的組合特征向量如下：

Feature={Samp11-8η1k1iEMG1
Samp21-8η2k2iEMG2}

(12)

3.3 二叉樹支持向量機(jī)分類器

本研究采用“二叉樹”的方法構(gòu)造多類分類器[16]，先把所有類別劃分成兩個(gè)子類，依次類推，對(duì)于6類分類問題構(gòu)造5個(gè)兩類分類器。其基本思想是把輸入的22維特征向量作為樣本，通過非線性變換映射到高維特征空間，從而得到能把樣本分開的超平面，以預(yù)測(cè)六種手部運(yùn)動(dòng)意圖。

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)數(shù)據(jù)采集

采用實(shí)驗(yàn)室自主研發(fā)的便攜式兩通道肌電信號(hào)采集儀進(jìn)行sEMG信號(hào)采集。其采樣頻率為1 kHz，放大倍數(shù)可調(diào)。電極貼采用一次性直徑為10 cm的表面濕電極，實(shí)驗(yàn)平臺(tái)見圖2。

圖2 表面肌電信號(hào)采集平臺(tái)Fig 2 sEMG signal acquisition platform

在實(shí)驗(yàn)人員的聲音提示下做出ok、v、展拳、握拳、內(nèi)翻、外翻六種動(dòng)作，采集前臂指淺屈肌和肱橈肌的sEMG信號(hào)。每個(gè)動(dòng)作持續(xù)1 s,休息2 s，每個(gè)動(dòng)作采集40組數(shù)據(jù)，信號(hào)的放大倍數(shù)設(shè)為2 000倍。

4.2 實(shí)驗(yàn)結(jié)果分析

4.2.1肌電信號(hào)的預(yù)處理 選取一組采集的ok、v、展拳、握拳、外翻、內(nèi)翻六種手部動(dòng)作的兩通道sEMG信號(hào)，并進(jìn)行白化加窗處理，見圖3。

4.2.2盲源有序分離方法與經(jīng)典盲分離方法的sEMG信號(hào)分解效果比較 IABO算法的初始解采用Logstic混沌映射的方法產(chǎn)生，蜂群規(guī)模NF設(shè)為40，花蜜源設(shè)為20，同一蜜源被限定采蜜次數(shù)klimit設(shè)為5，迭代次數(shù)kmax設(shè)為150，適應(yīng)度閾值P′設(shè)為0.025。由于本研究采集兩通道sEMG信號(hào)，則待優(yōu)化的權(quán)值矩陣為wo1=[wo11wo12]。由約束條件‖woi‖=1對(duì)權(quán)值進(jìn)行霍夫變換[17]可得：wo11=cosα11，wo12=sinα12，待優(yōu)化參數(shù)為[α11α12]，產(chǎn)生初始解的上下限為[0 2π]。變換同樣以內(nèi)翻為例，抽取的第一個(gè)源信號(hào)和第二個(gè)源信號(hào)見圖4。

圖3 連續(xù)采集六種手部動(dòng)作的肌電信號(hào)Fig 3 Continuously collecting the sEMG signal of six kind ofhand movements

圖4 蜂群優(yōu)化抽取的兩通道源信號(hào)Fig 4 Two-channel source signals extracted by bee colony optimization

基于負(fù)熵的FastICA算法[17]和基于四階累積量的JADE算法[18]都是比較成熟的盲源分離方法，其分解結(jié)果見圖5、圖6，以動(dòng)作內(nèi)翻為例。

圖5 FastICA分解sEMG信號(hào)圖Fig 5 FastICA decomposition of surface EMG signals

計(jì)算分離出的獨(dú)立分量和觀測(cè)信號(hào)的相關(guān)性系數(shù)[14]以確定獨(dú)立分量的次序與多通道sEMG信號(hào)的對(duì)應(yīng)關(guān)系。基于FastICA和JADE盲源分離的第一個(gè)獨(dú)立分量與第一通道的觀測(cè)信號(hào)的相關(guān)性系數(shù)為0.8026、0.8574，因此確定其為指淺屈肌處的源信號(hào)。分別計(jì)算盲分離后的指淺屈肌處的40組源信號(hào)的峰度、偏度、肌電積分值，見圖7、圖8、圖9。

圖6 JADE分解sEMG信號(hào)圖Fig 6 JADE decomposition of surface EMG signals

圖7 基于改進(jìn)ABC優(yōu)化的特征值分布散點(diǎn)圖Fig 7 Scatter plot of eigenvalue distribution based on improvedartificial bee colony optimization

圖8 基于FastICA的特征值分布散點(diǎn)圖Fig 8 Scatter plot of eigenvalue distribution based on FastICA

由圖7、圖8、圖9可得，基于FastICA和JADE盲分離后的不同手部動(dòng)作sEMG信號(hào)的細(xì)節(jié)特征值區(qū)分度較??；而基于IABO算法的盲源有序分離由于只抽取包含信息較多的信號(hào)，保留了sEMG信號(hào)的特征使得各個(gè)手部動(dòng)作間的sEMG信號(hào)的細(xì)節(jié)特征值區(qū)分度變大，更利于分類。

圖9 基于JADE的特征值分布散點(diǎn)圖Fig 9 Scatter plot of eigenvalue distribution based on JADE

4.2.3組合特征提取 計(jì)算前八個(gè)低頻子空間的樣本熵以濾除高頻噪聲，樣本熵參數(shù)m取2，r為0.25Std(Std為肌電數(shù)據(jù)標(biāo)準(zhǔn)差)。由于個(gè)體的微小差異，圖10為每種動(dòng)作的40組樣本所求結(jié)果的均值。

圖10 八個(gè)小波分解子空間的樣本熵均值Fig 10 Sample entropy means of eight waveletdecomposition subspaces

基于IABO算法盲分離后的sEMG信號(hào)細(xì)節(jié)特征值分布散點(diǎn)圖見圖6(以指淺屈肌信號(hào)為例)。

4.2.4基于BT-SVM的手部動(dòng)作分類 內(nèi)翻、外翻、展拳、握拳、ok、v每個(gè)動(dòng)作對(duì)應(yīng)40組22維向量，從中任取15組特征向量作為訓(xùn)練集送入多分類支持向量機(jī)中訓(xùn)練，其余25組用來檢測(cè)手部運(yùn)動(dòng)意圖的識(shí)別精度。

本研究采用徑向基核函數(shù)設(shè)計(jì)SVM分類器，其中核函數(shù)中的待定參數(shù)σ取1，懲罰因子C取100。為了進(jìn)一步驗(yàn)證對(duì)sEMG信號(hào)進(jìn)行盲源有序分離和組合特征提取的重要性，將經(jīng)過IABO算法、FastICA及JADE的盲源分離后的識(shí)別結(jié)果以及經(jīng)過組合特征提取和未經(jīng)組合特征提取的手部動(dòng)作識(shí)別結(jié)果作對(duì)比，見表1。

由表1可知，基于IABO的盲源分離算法結(jié)合組合特征提取得到的平均識(shí)別率比選擇其他盲源分離方法或特征的識(shí)別率高。原因在于為了使FastICA、JADE分解有確定解，通常假設(shè)獨(dú)立分量間是統(tǒng)計(jì)絕對(duì)獨(dú)立的，最多有一個(gè)獨(dú)立分量滿足高斯分布[19],而表面肌電信號(hào)有些是高斯分布，有些則是亞高斯分布，導(dǎo)致重復(fù)分離；且基于FastICA、JADE盲分離后的獨(dú)立量次序具有不確定性，計(jì)算其相關(guān)性系數(shù)太耗時(shí)，實(shí)用性差。因此，不妨嘗試把群智能算法、盲源抽取算法應(yīng)用在sEMG信號(hào)的分解上，例如基于粒子群算法的盲信號(hào)分離就得到很好的結(jié)果[20]；特征提取也是動(dòng)作分類中的重要問題，可以考慮肌肉的協(xié)同作用，利用深度學(xué)習(xí)提取肌電圖像的空間特征和能量分布特征等泛化性能更好的特征[21-22]。

表1 不同方法選擇得到的識(shí)別結(jié)果

5 結(jié)論

本研究提出了一種基于IABO算法的sEMG信號(hào)盲源分離方法，實(shí)現(xiàn)了對(duì)兩通道混疊信號(hào)的盲源分離，消除了通道間肌電信號(hào)的串?dāng)_；并充分考慮了肌電信號(hào)的特性，提取非線性、時(shí)域、頻域特征構(gòu)造組合特征向量；最后利用二叉樹支持向量機(jī)對(duì)手部動(dòng)作進(jìn)行識(shí)別，識(shí)別準(zhǔn)確率達(dá)到93.33%，有利于提高肌機(jī)接口系統(tǒng)的實(shí)用性。