劉 磊， 陳增強， 楊 鵬， 劉作軍

(1. 鄭州輕工業(yè)大學建筑環(huán)境工程學院 鄭州，450002)

(2. 南開大學人工智能學院 天津，300350)

(3. 河北工業(yè)大學人工智能與數據科學學院 天津，300130)

引 言

隨著交通事故、工傷、自然災害等意外傷害的發(fā)生，假肢的研究越來越受到重視。中川昭夫等研究了氣動式擺動相控制膝關節(jié)[1]。英國的Blatchford公司和德國的 Otto Bock公司先后研制出了可以自動識別有限路況的智能仿生假肢[2]。冰島的Ossur公司推出新款智能仿生膝關節(jié) RHEO KNEE 3[3]。大阪大學采用磁流變阻尼器設計踝關節(jié)假肢[4-7]。近年來，國內也有越來越多的大學和研究相繼開發(fā)了智能假肢[8-11]。

要想對假肢進行靈活控制，必須準確識別殘疾人的步態(tài)。目前常用的步態(tài)識別信號源有角度、加速度、表面肌電信號(surface electromyography ，簡稱sEMG)等信息。由角度、加速度傳感器等組成的物理傳感器網絡不僅會使假肢穿戴者感覺累贅，還會由于人體運動與反映意圖的神經沖動之間存在自然的電-機延時現(xiàn)象，致使假肢步態(tài)的識別存在滯后。在步態(tài)識別研究中，視頻信號和sEMG都有著較為廣泛的應用，sEMG相比于視頻信號獲取方式更為直接，其采集方式更加適用于智能假肢裝置，因此筆者將sEMG作為控制信號源實現(xiàn)假肢步態(tài)識別?，F(xiàn)有的基于sEMG假肢步態(tài)識別方法，首先采集受試者sEMG信號，提取sEMG的絕對值積分、過零次數、中值頻率及小波(包)變換系數等時域、頻域、時頻域特征，然后采用支持向量機(support vector machine, 簡稱SVM) 、ELM和線性判別分析(linear discriminate analysis,簡稱LDA)等分類算法識別出不同的步態(tài)。文獻[9]研究結果表明，ELM方法識別率要優(yōu)于SVM和LDA等方法，但是ELM正則化參數在一定數值范圍內的微小變化會影響ELM分類精度。上面在sEMG數據處理過程中僅考慮了通道和時間2個維度的信息，張量分解方法能夠有效地分析時域、頻域及空域等多維信息。為了從空間、頻率、時間及任務等多維度描述肌電信號，筆者從sEMG信號的張量數據中提取特征，尋找投影矩陣，以獲取特征值。分類器的設計是步態(tài)識別關鍵環(huán)節(jié)之一，為了克服ELM方法中正則化參數在一定范圍內的變化會影響ELM識別準確率的缺點，筆者對特征值選取核函數進行空間映射，利用FA優(yōu)化ELM參數，最后利用FA-ELM識別步態(tài)并與粒子群算法(particle swarm optimization，簡稱PSO)優(yōu)化的ELM進行對比，實驗結果表明，張量投影矩陣能有效表征平地行走、上樓、下樓、上坡及下坡的特征，魚群算法優(yōu)化極限學習機方法對于假肢步態(tài)識別有良好的準確性,優(yōu)于SVM和ELM等方法。

1 實驗方法

1.1 基于張量投影特征的表面肌電信號特征表示

(1)

其中：×表示張量乘積；?表示克羅內克積；Yj∈RP1?RP2?…?RPN,j=1,2,…,M。

令Xj(n)表示第j個樣本的n模式矩陣，則

(2)

(3)

(4)

(5)

(6)

其中：J為中心頻率；K為帶寬參數。

筆者經過高斯小波變換建立了一個 4階張量。sEMG數據具有通道×時間×任務三維結構，經過高斯小波變換后構建的張量數據具有通道×頻率×時間×任務4維結構。

1.2 魚群算法進化極限學習機

極限學習機可以看作是單隱含層網絡，內部為全連接。其中輸入層、隱含層和輸出層的神經元數目分別為n，l和m，如圖1所示。ELM將神經網絡訓練過程簡化為矩陣求逆問題，學習速度明顯提高。

圖1 極限學習機網絡結構

筆者采用魚群算法優(yōu)化ELM參數。圖2 為魚群算法中人工魚的視野和移動步長示意圖，表示人工魚當前位置，其視點在某一時刻停留的位置為Xv，若該位置Xv的食物濃度高于當前位置X的濃度，則人工魚向食物方向前進一步到達Xn; 反之則搜索其他方向的食物。

圖2 人工魚的視野和移動步長

(7)

(8)

其中：r為[-1.1]之間的隨機數；S為移動步長；xi為人工魚初始位置；Xn為人工魚移動后的位置。

由于環(huán)境里的其他人工魚數目是有限的，因此人工魚改變自身位置的方法仍與式(8)相同。

2 下肢假肢步態(tài)識別實驗

2.1 實驗方案

實驗過程中，10位大腿截肢患者參與了本研究的步態(tài)識別實驗，其中男性大腿截肢患者6名，女性大腿截肢患者4名，基本資料如表1所示。樓梯有10級臺階，臺階高度為廣泛應用的 150mm；斜坡是無障礙通道的10°斜坡；平地實驗在寬闊的室外走廊中進行。使用美國Noraxon公司的MyoTrace400采集sEMG，該設備可以同時采集 8 塊肌肉的肌電信號。筆者參考文獻[12-14]選擇股直肌、縫匠肌、闊筋膜張肌、半膜肌、半腱肌和大收肌為表面肌電信號采集肌肉群。實驗前，受試者殘肢端的體毛剔除，不能做劇烈運動。每位受試者采集平地行走、上樓、下樓、上坡、下坡5種步態(tài)的表面肌電信號各100組，共采集了100×5×10組數據。2 500組作為訓練集，2 500組作為測試集。為了消除步速差異對步態(tài)識別的影響，每位受試者速度均勻地行走。筆者采用文獻[12]的方法確定每路肌電的起始點。在實時處理表面肌電信號的過程中，Abel等[15]已證明最合適的窗口大小為150～300ms。筆者采用300ms小段數據進行特征值提取和步態(tài)識別。

大腿截肢者穿戴被動式假肢在平地行走時健肢側與假肢側能夠實現(xiàn)交替運動，在上、下樓梯與上、下坡時不能實現(xiàn)健肢側與假肢側的交替運動。上樓梯與上斜坡均為健肢先運動然后假肢跟隨運動，健肢保證在殘肢前方；下樓梯與斜坡假肢保持在健肢前方，假肢先運動，健肢快步跟上。本實驗中平地行走、下樓、下坡先邁殘肢；上坡、上樓先邁健肢。肌電信號的幅值作為肌肉收縮力的間接反映，兩者并非一一映射關系，需要建立不同實驗對象和步態(tài)的參考標準。為了克服該問題，通常選擇參考值進行歸一化處理。常用的方法是選擇最大自主收縮值作為肌肉收縮的參考[16]，消除實驗條件的影響，將測試值由毫伏值轉化為所選參考值的百分數，如圖3所示。幅值歸一化處理并不是改變sEMG曲線的形狀，只是改變y軸的縮放比例。時間歸一是在單步周期內選取均布的300個離散點，將連續(xù)的肌電信號變成1個1維數組，進而利用同等動作條件下的多個有效單步周期進行平均，得到該步態(tài)的單步肌電模型。

圖3 歸一化分析后的sEMG

表1 受試者情況統(tǒng)計表

2.2 步態(tài)特征提取與降維

(9)

在 sEMG的張量表示中，中心頻率J和帶寬參數K是影響識別結果的重要參數，筆者采用10折交叉驗證方法來選取J和K。利用ELM分類器分類識別，將J和K分別取[-10,10]，對不同(2J,2K)組合分別訓練ELM，識別率最高的一個組合為最優(yōu)J和K。2J的取值為(2-10,2-9,…,29,210)，2K的取值為(2-10,2-9,…,29,210)。圖4中，當2J=2，2K=0.5時得到的識別準確率最高。

圖4 中心頻率J和帶寬參數K的選擇結果

sEMG原始數據為6×300×180(通道×時間×任務)，經過高斯小波變換后成4階張量，即6×12×50×180(通道×頻率×時間×任務)，3個投影矩陣分別為U6×3，U18×9和U100×16。數據投影和矩陣化后，每一個任務的特征維數為Z=3×9×16=432，原始數據對應的特征維數Z=6×300=1 800。與原始數據相比，張量特征的維數已經縮小很多。

張量特征的維數較高， 如果直接作為分類器的輸入向量，將導致訓練過于復雜，因此還需要對特征值進行降維。主成分分析(principal component analysis，簡稱PCA)是一種降維的有效方法，其基本思想是選取主成分累計貢獻率大于95%的前N列主成分。實驗表明,取前36主成分時，累計貢獻率可達96.27%。

2.3 不同特征值比較分析

sEMG的特征提取通常有時域法、頻域法、時頻域法等。常用的時域特征有均方根(A1)、肌電積分值(A2)、絕對均值(A3)、過零率(A4)、斜率符號變化數(A5)和波長(A6)。時域方法計算量小，運算復雜度不高。常用的頻域特征包括峰值頻率(A7)、平均功率頻率(A8)等。常用的時頻特征值有小波變換系數、小波系數絕對值最大值(A10)等。

為了說明本研究特征提取的有效性，采用SVM 作為模式分類器對提取的特征進行分類，采用徑向基核函數作為SVM的核函數。圖5給出了采用不同的單一特征時的平均識別準確率和方差對比，可見肌電信號的大部分時域特征和頻域特征識別準確率較低。由圖5可以看出，在所有的特征提取算法中，張量特征(A9)表現(xiàn)出最好的分類準確率，張量特征方法識別率最高，穩(wěn)定性最好，其代表性、分離度更好。這是因為張量特征能夠從時間、空間、頻率等多個模態(tài)上提取肌電信號的有效信息，因此，筆者選用張量特征作為步態(tài)模式識別的特征值。

圖5 采用不同單一特征時的平均識別準確率和方差對比

筆者采用戴維斯和唐納德指數(davies-bouldlin index，簡稱DBI)來評價sEMG特征的區(qū)分度。DBI 的值越小，特征的區(qū)分度越好。不同特征值的 DBI 值如圖 6所示。由圖 6看出，采用張量特征提取方法DBI最小，明顯優(yōu)于其他特征提取方法。

圖 6 采用不同特征時的 DBI 指標對比

2.4 不同ELM參數優(yōu)化方法比較

分類器的設計是步態(tài)識別最后一個環(huán)節(jié)。ELM參數確定的過程相對簡單，核函數參數Q和正則化參數C是影響識別結果的重要參數。多次實驗后，筆者選擇小波核函數的ELM分類器，因此采用小波核函數設計ELM分類器，利用魚群尋優(yōu)算法得到最優(yōu)C和Q。極限學習機的正則化參數C搜索范圍設置為(0,120)，小波核函數參數Q的搜索范圍設置為(0,80)。AF中的參數進行初始化設置：最大迭代次數為100，V=3.2，S=0.6。筆者將分類過程中的10折交叉驗證識別率作為網格搜索法、PSO 及FA的適應度函數。式(10)為適應度函數，K=10，xir與xiw為第i次測試集中正確和錯誤識別的樣本數目。用二進制計數方式對5種步態(tài)定義：平地行走為(1,0,0,0,0)；上樓為(0,1,0,0,0)；下樓為(0,0,1,0,0)；上坡為(0,0,0,1,0)；下坡為(0,0,0,0,1)。識別準確率是衡量識別效果的重要參數，定義如下

(10)

圖7為正則化參數C和ELM核函數參數Q的優(yōu)化過程，最終得到最優(yōu)解C=112.60，Q=75.48。筆者采用文獻[17]提出的PSO優(yōu)化方法確定PSO參數。由表2可以看出：網格搜索優(yōu)化方法5種步態(tài)的識別率在82.51%～89.17%之間，平均識別率為85.64%；而采用PSO優(yōu)化后，除了下樓，其余步態(tài)的識別率均在90%以上，平均識別率達到了92.8%，但仍低于FA參數優(yōu)化方法識別率；FA參數優(yōu)化方法比PSO參數優(yōu)化方法平均識別率提高了4.6%;網格法只對經驗范圍進行尋優(yōu)，是一種局部尋優(yōu)算法，所以識別率最低。FA參數優(yōu)化方法能夠更準確、更有效地找到正則化參數和ELM 核參數的優(yōu)化組合值，因此筆者采用FA優(yōu)化ELM的分類方法。

表2 不同ELM參數優(yōu)化方法識別準確率

Tab.2 Different ELM identification accuracy parameter optimization method%

ELM參數優(yōu)化方法網格搜索方法PSO優(yōu)化方法FA優(yōu)化方法平地行走84.29±1.2491.87±1.8594.28±1.68上樓 89.17±2.0992.63±3.1696.34±2.55下樓 83.68±1.7788.16±2.7797.07±3.07上坡 79.46±1.8394.29±2.8298.95±2.69下坡 82.51±2.4594.17±1.5395.09±2.42平均 83.45±1.9692.21±2.0998.14±2.36

圖7 最優(yōu)解的變化

2.5 不同方法比較分析

為了說明本算法的有效性，做了對比實驗，用筆者所述的特征提取方法提取的張量特征作為特征值輸入BP神經網絡、SVM和ELM分類器。對于訓練集和測試集數據都使用 10 折交叉驗證分類效果，如表3所示。魚群算法進化ELM作為分類器的假肢步態(tài)識別方法，對每種步態(tài)的識別率均達到 90.45%以上。由表3可以看出，筆者提出的魚群算法進化ELM算法明顯優(yōu)于傳統(tǒng)的 BP 神經網絡、SVM等方法，這主要是因為BP神經網絡易于陷入過學習，導致識別率不高。ELM方法5種步態(tài)的識別準確率與BP算法比較有不同程度的提升，其中平地行走識別率提升較少，提升了2.15%，下樓提升最多，提高將近6.73%。AF-ELM分類器的識別率高于沒有經過參數優(yōu)化的ELM分類器，說明優(yōu)化后的ELM得到全局最優(yōu)解，使步態(tài)整體識別率得到改善。

本研究使用的計算機平臺為32位 Windows操作系統(tǒng)，2.50 GHz Intel core Quad CPU 處理器，4G 內存，Matlab R2010b 軟件被用于分析與處理實驗數據。5種步態(tài)不同算法分類時間如表4所示：BP神經網絡學習速度較慢；而SVM由于采用一對一多分類模型，每次只能區(qū)分 2 種步態(tài)，SVM 分類器在步態(tài)平均識別時間方面高出ELM近 17.85%；由于ELM不需要調整網絡輸入權值，其分類時間小于SVM；而本研究采用的FA-ELM的識別時間長于ELM方法，但是其識別平均準確率為97.45%。因此最終選擇 FA-ELM分類器進行分類識別。

表3 不同分類器的步態(tài)識別準確率比較

表5給出了識別時間的比較，識別時間包括特征提取、特征值降維和分類識別的時間。張量投影方法能夠從時間、空間等多個模態(tài)上提取肌電信號的有效信息，然而高維度計算提高了算法的復雜度，帶來了運行時間較長的問題。張量投影通過PCA降維處理后，有效縮短了分類時間。張量投影特征結合PCA降維處理后能夠綜合反映步態(tài)特征的結構信息，縮短了分類時間。FA參數優(yōu)化方法能夠更準確、更有效地找到正則化參數和ELM 核參數的優(yōu)化組合值，因此FA-ELM分類方法時間長于ELM方法。本研究方法可用于對識別精度有較高要求的離線分析中，在系統(tǒng)實時應用方面還有待改進。

表4 不同算法分類時間比較

表5 不同算法識別時間比較

3 結束語

以表面肌電信號作為假肢步態(tài)識別信息源，提出了一種基于張量投影特征和FA-ELM的步態(tài)識別方法，可用于智能下肢假肢的步態(tài)識別。實驗結果表明，魚群算法進化ELM方法提高了下肢假肢的步態(tài)識別準確率，說明了將魚群算法進化ELM方法用于下肢假肢步態(tài)識別領域的可行性與正確性。