文/雷華勤

近年來，殘疾人這一特殊的群體越來越受到關(guān)注，智能仿生假肢是一種主要的康復(fù)設(shè)備。目前，在眾多相關(guān)研究領(lǐng)域中，對控制智能仿生假肢的信號源——肌電信號一直是人們研究關(guān)注的重點(diǎn)。早在17世紀(jì)，人們就已經(jīng)開始對肌電信號進(jìn)行研究，對肌電信號研究具有重要的社會意義。

肌電信號控制系統(tǒng)的組成包括人體肌電信號產(chǎn)生、肌電信號的采集、預(yù)處理、特征提取，特征分類等。其中特征提取與特征分類是肌電假肢控制系統(tǒng)的重要內(nèi)容。根據(jù)肌電信號的特性選擇最優(yōu)的特征提取和分類方法，將采集到肌電信號進(jìn)行特征提取并正確識別肌電信號所代表的人手抓取動(dòng)作，不僅能為肌電的控制模塊提供更多的動(dòng)作細(xì)節(jié)信息，幫助殘疾人士更好的完成日常生活動(dòng)作，還能提高設(shè)備的擬人化程度具有重要的研究意義。

1 肌電信號的采集

1.1 肌電信號特征

肌電信號是人體肌肉收縮時(shí)產(chǎn)生的微弱的信號，信號不穩(wěn)定且容易受到干擾，但能在一定程度上反映神經(jīng)肌肉的活動(dòng)。通過人體不同的動(dòng)作能夠產(chǎn)生不同的肌電信號，研究人員通過提取信號進(jìn)行分類。采集肌電信號有針式和表面肌電拾取兩種采集方式，由于表面肌電信號有著無創(chuàng)傷、方便自由等優(yōu)點(diǎn)，因此被廣泛應(yīng)用在人手動(dòng)作模式識別研究中。

1.2 肌電信號采集過程

實(shí)驗(yàn)數(shù)據(jù)采集使用了CyberGlove 和傾角儀獲得的手部和腕部運(yùn)動(dòng)數(shù)據(jù)，以及使用Otto Bock sEMG 電極獲得的肌肉活動(dòng)數(shù)據(jù)。利用十個(gè)活躍的雙微分OttoBock My-oBock 13E200 sEMG electrodes1 采集肌電活動(dòng)，對原始肌電信號進(jìn)行放大、帶通濾波和均方根校正。電極的放大倍數(shù)設(shè)定為14000 倍。在每組實(shí)驗(yàn)中，27 個(gè)受試者需要重復(fù)52 種不同動(dòng)作：12 種手指的基本動(dòng)作；8 種等距的等張的手型；9 種基本的手腕運(yùn)動(dòng)；23 種抓取與功能動(dòng)作。

實(shí)驗(yàn)前，要求27位受試者填寫年齡、性別、身高、體重、健康狀況、側(cè)性和自我報(bào)告的健康狀況。然后將肌電圖電極、數(shù)據(jù)采集儀和傾斜儀戴在右臂上，截肢者將sEMG 電極戴在殘肢上，而dataglove 和傾斜儀則戴在完整的肢體上。受試者按照雙側(cè)模仿程序完成屏幕上顯示的動(dòng)作。

表1

2 肌電信號預(yù)處理

隔直（濾波），放大，加窗等是肌電信號的預(yù)處理的一些方法。在肌電信號的模式識別中，主要運(yùn)用數(shù)字濾波器進(jìn)行濾波，濾波范圍則選擇肌電信號信息最集中的范圍（20-500Hz），采樣頻率一般大于1000，窗口長度在100-400ms 之間。根據(jù)Englehart 和Hudgins的分類策略，將濾波后的信號分割為窗口，Atzori 等人考慮增加10ms(即和窗口長度分別為100ms、200ms 和400ms），窗口長度在400ms 時(shí)分類效果較好。

3 肌電信號特征提取

肌電信號的特征提取是整個(gè)系統(tǒng)能夠正確識別動(dòng)作模式的關(guān)鍵之一，首先對時(shí)域特征、頻域特征以及時(shí)頻域特征等常用信號特征識別進(jìn)行分析：時(shí)域特征，在肌電信號提取中較為簡單；頻域特征，因?yàn)榧‰娦盘柺欠瞧椒€(wěn)時(shí)變信號并不能進(jìn)行平穩(wěn)處理；時(shí)頻域的特征，會增加信號維度及計(jì)算負(fù)擔(dān)，不能滿足實(shí)時(shí)在線控制的要求。

在時(shí)域上，由于時(shí)域分析簡單，因此被廣泛的應(yīng)用在肌電控制模式識別中。Sardis 和Gootee 確定了特征空間方差和零交叉(ZC)的預(yù)先指定的運(yùn)動(dòng)模式；Lee 和Sardis21 使用積分絕對值MAV，連同方差和ZC 用于手臂的肌電控制；Hudgins 等人用MAV；Liu 等研究了AR 模型小于5 時(shí)分類精度增長較快。Oskoei 等人的研究中表明利用MAV 特征提取，成功率達(dá)95%，MAV（絕對均值）這樣的簡單特性并不比AR、WPT 等性能差。

在頻域上，將快速傅里葉變換(FFT)確定了EMG 信號的頻譜。Farry 等將FFT 應(yīng)用于假肢手的遙操作。Sueaseenak 等人利用FFT 從不同手部和腕部運(yùn)動(dòng)的肌電信號中提取特征。

在時(shí)頻上，由于采用多通道方法采集信號，提取的特征向量維數(shù)較大。需要利用FS或特征投影(FP)等降維技術(shù)來降低分類器的負(fù)擔(dān)。在特征提取上，分析表面肌電信號的不同特征提取方法并比較識別成功率。

4 肌電信號模式識別（特征分類）

在分類器上，目前的肌電信號模式分類方法主要有人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN），線性判別分析（Linear Discriminant Analysis，LDA），支持向量機(jī)（Support Vector Machine，SVM）等。如表1所示。

在給定適當(dāng)?shù)奶卣鞅硎镜那闆r下，非線性SVM分類器在大部分情況下獲得了較大性能，分類識別率達(dá)95%以上。由于SVM 具有理論完善，通用性強(qiáng)，計(jì)算簡單，魯棒性好，廣泛應(yīng)用于肌電假手的模式識別中。

SVM 是一種二分類的模型，分為線性和非線性兩大類。其主要目標(biāo)是構(gòu)建一個(gè)最優(yōu)分類面對所有數(shù)據(jù)進(jìn)行劃分，使得樣本數(shù)據(jù)到超平面的距離最短。SVM 算法原理假設(shè)目標(biāo)函數(shù)：

等價(jià)于求解上述問題的對偶問題：

通過轉(zhuǎn)化將求w,b 的問題轉(zhuǎn)化為求α 的對偶問題，即找出所有支持向量，通過計(jì)算數(shù)據(jù)點(diǎn)到最優(yōu)分類面的距離從而判斷出該數(shù)據(jù)點(diǎn)的類別。

5 結(jié)語

（1）在特征提取中，時(shí)域中的MAV 提取方法由于計(jì)算簡單被廣泛使用，但近年來組合特征的方法也越來越被研究者使用，因此尋找一種組合并比對時(shí)域特征提取以達(dá)到識別率的提高。

（2）在比對大量的分類器的分類效果中，SVM 支持向量機(jī)通用性強(qiáng)、計(jì)算簡單，并在大部分情況下獲得了較大性能得到高的識別率，且研究表明，相比于分類器，特征優(yōu)選對識別成功率提升較大，采用泛化能力較強(qiáng)的SVM 通過參數(shù)優(yōu)化用于人手抓取動(dòng)作分類以期達(dá)到進(jìn)一步動(dòng)作識別的效果。