孫淑睿 黃品高 汪 鑫 陳世雄 李光林

1(中國科學(xué)院深圳先進技術(shù)研究院 深圳 518055)

2(重慶理工大學(xué)藥學(xué)與生物工程學(xué)院 重慶 400054)

3(中國科學(xué)院大學(xué)深圳先進技術(shù)學(xué)院 深圳 518055)

1 引 言

人類勤勞的雙手創(chuàng)造了文明的世界。手部活動在我們生活中扮演著舉足輕重的角色，衣食住行都離不開它。不幸的是，有的人因疾病原因致使手無法完成大腦發(fā)出的指令，失去自主控制能力，如中風(fēng)、多發(fā)性硬化癥等[1-3]，甚至有的人因嚴重的交通事故導(dǎo)致肢體殘疾。2017 年中國殘疾人事業(yè)發(fā)展統(tǒng)計公告顯示，得到康復(fù)服務(wù)的持證殘疾人中，視力殘疾人 88.3 萬、聽力殘疾人 40.7 萬、言語殘疾人 4.3 萬、肢體殘疾人 484.6 萬、智力殘疾人 71.3 萬、精神殘疾人 125.9 萬、多重殘疾人 35.5 萬，其中占殘疾人總數(shù)最多的是肢體殘疾。對于肢體殘疾的人來說，失去手或上肢不僅造成心理上的創(chuàng)傷，還嚴重影響他們的正常生活，降低生活質(zhì)量。針對這一現(xiàn)象，近年來研究者們在假肢控制方面進行了一系列研究。例如，利用開關(guān)控制、直接控制和模式識別等多肌電控制方法，使得仿生手及多個自由度假手更加智能化，為彌補截肢者喪失的部分上肢功能做出巨大的貢獻[4-6]。隨著科技快速發(fā)展，假肢控制的技術(shù)越來越成熟，這在一定程度上提高了截肢者的生活質(zhì)量。與此同時，研究者們也提出了一系列提高假肢控制魯棒性的方法，如改進算法和研究新型傳感器等。

為了更有效地解碼信號并獲得精確的手勢動作分類，研究者們提出了各種特征提取、模式識別等算法[7-9]。Samuel 等[10]提出了 Absolute Value of the Sum Square Root(ASS)、Mean Absolute Sum (ASM) per Analysis Window、Mean Value of the Square Root(MSR)三種新的時域特征，在 8 例截肢者的表面肌電信號(Surface Electromyography，sEMG)數(shù)據(jù)中進行訓(xùn)練測試，結(jié)果顯示平均分類準確率達到(92.0±3.1)%。Furuki 和 Takiyama[11]提出了一種簡單可行的機器學(xué)習(xí)框架評估運動的可變性。Atzori 等[12]證明結(jié)構(gòu)簡單的卷積神經(jīng)網(wǎng)絡(luò)和經(jīng)典機器學(xué)習(xí)方法可以得到相近的準確分類結(jié)果。雖然這些算法在動作分類方面取得了很大的進步，但信號容易受電磁環(huán)境干擾等問題影響，降低了信號的質(zhì)量，無法從信號這一根源解決問題。

目前，傳感器是獲取高質(zhì)量信號的常見研究工具。Jiang 等[13]提出了一種基于導(dǎo)電硅的 sEMG 傳感器，用于殘疾人在日常生活中對假肢的控制。但單一信號的假肢控制難以滿足截肢者的需求，而利用復(fù)合傳感器則可提供多方面的信號信息。Liu 等[14]研發(fā)了一種融合環(huán)境感知的運動模式識別系統(tǒng)，研究結(jié)果表明獲取環(huán)境信息對可穿戴機器人的設(shè)計和控制具有重要意義。Guo 等[15]提出一種多通道小型的無線 sEMG/近紅外光譜(NIRS)混合采集系統(tǒng)，可同時檢測肌肉的電生理學(xué)、血流動力學(xué)和氧化代謝信息。但這些傳感器都是非柔性的，不適合長期監(jiān)測。隨著科技的發(fā)展，柔性材料因其得天獨厚的優(yōu)勢，已經(jīng)應(yīng)用到各個研究領(lǐng)域，如生物醫(yī)學(xué)工程、電子產(chǎn)品行業(yè)等[16-17]。董中飛等[18]設(shè)計了一種陣列式的 sEMG 系統(tǒng)，其中電極的設(shè)計基于柔性印刷工藝，可用于身體表面具有彎曲度較大的肌肉上。

迄今為止，大多數(shù)假肢控制的研究主要是通過解碼肌電信號的方法實現(xiàn)。其中，sEMG 是運動和運動康復(fù)中常見的主導(dǎo)研究工具[19]。但人體生理信號較微弱，肌電信號也不例外，肌肉在疲勞和非疲勞情況下的肌電信號有所差異。另外，傳統(tǒng)的 sEMG 電極需要利用導(dǎo)電膏降低電極與皮膚之間的阻抗，而這有可能導(dǎo)致皮膚過敏和患者不適，因此不利于生理信號的長期監(jiān)測。

基于以上限制，本研究采用納米金柔性傳感器，利用肌肉收縮引起傳感器產(chǎn)生形變，從而導(dǎo)致傳感器阻抗發(fā)生變化。相對于肌電信號而言，所采用的傳感器的形變信號不易受肌肉疲勞的影響，且只需要很低的采樣率。因其具有可拉伸特性，能較好地與皮膚表面共形，故肌肉收縮可以有效地影響納米金柔性傳感器產(chǎn)生相應(yīng)的形變。此外，納米金柔性傳感器在拉伸產(chǎn)生形變過程中，可以保持導(dǎo)電性并有規(guī)律地改變導(dǎo)電性。綜上所述，本研究采用納米金柔性傳感器形變引起的阻抗變化對手勢動作進行分類。

在已有的研究中，無論是通過傳感器還是算法來提高手勢動作分類的準確率，研究者通常利用重復(fù)單個動作的數(shù)據(jù)進行集訓(xùn)練和測試[20]，且在針對納米金柔性傳感器形變信號的研究中，尚未有人考慮訓(xùn)練模式對動作分類性能的影響。本文從時域波形、分類準確率等方面對重復(fù)訓(xùn)練和隨機訓(xùn)練兩種模式進行分析比較。

2 實驗方法

2.1 受試者

本研究在中國科學(xué)院深圳先進技術(shù)研究院的學(xué)生中招募 4 名健全的受試者，均為男性(年齡為 22～41 歲)。本實驗方案經(jīng)中國科學(xué)院深圳先進技術(shù)研究院人體實驗倫理管理委員會批準(SIAT-IRB-160815-H0112)。所有的受試者閱讀并同意簽署了知情同意書，并允許為了科學(xué)和教育的目的發(fā)表相應(yīng)照片。

2.2 實驗原理

本研究采用的是本文作者團隊前期研究中已制備的納米金柔性傳感器和采集系統(tǒng)[21-22]。其中，納米金柔性傳感器采用最先進的納米材料微加工技術(shù)，以聚二甲基硅氧烷(Polydimethylsiloxane，PDMS)為基底，表面金膜伴有隨機裂紋以保證傳感器在拉伸的過程中金膜不會斷裂，同時具有良好的導(dǎo)電性。該采集系統(tǒng)結(jié)構(gòu)如圖 1 所示。實驗中采用 4 條該結(jié)構(gòu)的傳感器(每條長約 80 mm、寬約 10 mm)，通過導(dǎo)線與 8 通道肌電阻抗采集系統(tǒng)相連。該系統(tǒng)由 4 部分組成，包括傳感器、模擬前端、單片機(含 WIFI 收發(fā)器)和計算機。其中，計算機顯示的采集界面是利用 Matlab 設(shè)計的圖形用戶界面。本研究中阻抗變化信號的頻率為低頻信號，采用1 kHz 的采樣率，采樣率滿足奈奎斯特采樣定理。總體而言，該采集系統(tǒng)具有集成度高、抗干擾能力強的特點。

圖 1 采集系統(tǒng)示意圖Fig. 1 The schematic of acquisition system

根據(jù)前臂肌肉的解剖結(jié)構(gòu)，將 4 條納米金柔性傳感器用醫(yī)用膠帶等間距固定在前臂的指伸肌等收縮較明顯的肌肉上(圖 2)。實驗前，為獲得高質(zhì)量的實驗數(shù)據(jù)，對每位受試者進行實驗指導(dǎo)且提前練習(xí)手勢動作，從而使其了解實驗過程并掌握規(guī)范動作。實驗過程中，要求每位受試者完成 9 種手勢動作，包括手張開(HO)、握拳(HC)、手腕外旋(WS)、手腕內(nèi)旋(WP)、手腕外展(WE)、手腕內(nèi)勾(WF)、槍指(FG)、半握(HG)和靜息 (RS)。

本研究中，受試者需要完成兩種不同訓(xùn)練模式，具體如圖 2 所示。其中，隨機訓(xùn)練模式中每個動作均為 5 s，動作之間靜息 5 s，完成一組需 85 s，每組重復(fù)三次；重復(fù)訓(xùn)練模式則是同一個動作重復(fù)三次為一組，每組用時 35 s。靜息狀態(tài)的數(shù)據(jù)均來自兩種訓(xùn)練模式中每個動作中間的靜息，不再單獨采集，故除靜息狀態(tài)共 8 組。受試者在每組動作之間休息 2 min。

2.3 數(shù)據(jù)處理

本研究中的實驗數(shù)據(jù)為納米金柔性傳感器在肌肉收縮過程中因形變產(chǎn)生的阻抗變化。所有實驗數(shù)據(jù)來自 4 名健全的受試者且均利用 Matlab 編程離線處理。數(shù)據(jù)處理過程分為 3 個步驟。

(1)數(shù)據(jù)預(yù)處理。因每個手勢動作所產(chǎn)生的阻抗變化量不超過 1 000 Ω，故若大于 1 000 Ω 則認為這個數(shù)據(jù)為壞點，采用閾值法設(shè)置閾值將壞點移除。隨后利用巴特沃斯低通濾波器和 50 Hz 陷波濾波器對信號進行濾波，得到去除工頻干擾的低頻阻抗變化信號。本研究采用閾值法和標簽結(jié)合的方法將信號分為動作狀態(tài)和靜息狀態(tài)，將分割后的信號以窗口長度為 200 ms、100 ms 為增量進行分幀，以便進行后續(xù)處理。

圖 2 實驗范式及訓(xùn)練模式示意圖Fig. 2 Experimental paradigm and training mode diagram

(2)特征提取。選擇合適的特征對于有效的動作分類具有重要的作用。一般將特征分為時域特征(TD)、頻域特征(FD)和時頻域特征(TFD)。由于時域特征的計算復(fù)雜度相對較低，且有研究表明時域特征對力的變化比較敏感[23]，所以對 EMG 都提取時域特征[24]。在本研究中，因為信號結(jié)構(gòu)相對簡單，所以采用時域特征中的均方根值(RMS)來表征受試者相應(yīng)的手勢動作。

(3)手勢動作分類。采用具有統(tǒng)計意義的 5 倍交叉驗證法將特征向量分為訓(xùn)練集和測試集。常見的分類器有線性判別分析(Linear Discriminant Analysis，LDA)，支持向量機(Support Vector Machine，SVM)等。其中，LDA 是一種比較有效且應(yīng)用廣泛的分類器[25]。Nazmi 等[26]總結(jié)介紹提取不同的肌電信號的特征及采用不同分類器后的分類性能，其中 Phinyomark等[27]提取時域特征并選擇使用 LDA 分類器，準確率最高為 98.9%。此外，LDA 分類器更易于實現(xiàn)，且不影響動作分類的準確性。基于此，本研究采用 LDA 分類器對手勢動作進行分類，并以分類精度作為基本性能指標，通過測試集進一步驗證模型的性能。

3 實驗結(jié)果與討論

3.1 隨機訓(xùn)練模式的時域波形

被拉伸的程度不一致。同時，每個動作都有明顯的起始點，說明此傳感器具有較好的實時性?？傮w而言，阻抗變化是個簡單的信號，圖 3 中不同手勢動作的波形可直觀地表現(xiàn)出每個動作肌肉的不同收縮狀態(tài)。

圖 3 隨機訓(xùn)練模式的時域波形圖Fig. 3 Time domain waveform of random training mode

3.2 兩種不同訓(xùn)練模式的動作分類性能對比

圖 4 重復(fù)訓(xùn)練模式的混淆矩陣Fig. 4 Confusion matrix of sequential training mode

圖 5 隨機訓(xùn)練模式的混淆矩陣和特征向量散點圖Fig. 5 Confusion matrix and eigenvector scatter plot of random training mode

及其對應(yīng)色標的顏色代表不同程度的分類性能。

3.2.1 重復(fù)訓(xùn)練模式的分類性能

從圖 4 中可以看出，每個動作的分類準確率均超過 90%。其中，分類準確率最高的是握拳(HO)，達到 98.72%；最低的是靜息(RS)，為 93.20%。圖中藍色圓點的面積較小且數(shù)量少，說明動作之間的影響較小。

3.2.2 隨機訓(xùn)練模式的分類性能 從圖 5(a)中可以看出，每個動作的分類準確率均在 90% 以上。其中，分類準確率最高的是握拳(HO)，達到 98.39%；最低的是靜息(RS)，為 92.74%。圖中藍色圓點的面積較小且數(shù)量較少，說明動作分類誤差較小。圖 5(b)是采用其中 1 名受試者的特征向量，利用主成分分析(PCA)方法降維后的二維特征向量散點圖。從圖 5(b)可以看出，相同動作比較聚集，而不同動作之間則比較分散，這說明每個動作較容易區(qū)分。

3.2.3 兩種訓(xùn)練模式的平均準確率對比 圖 6 是 4 名受試者的平均分類準確率及其平均值。從圖中可以看出，兩種訓(xùn)練模式的平均分類準確率的平均值都在 94% 以上，且每名受試者的平均準確率都在 90% 以上。其中，重復(fù)訓(xùn)練模式的平均分類準確率略高于隨機訓(xùn)練模式，前者為 95.46%，后者為 94.18%。

圖 6 四名受試者的平均分類準確率Fig. 6 Average classification accuracy of four subjects

3.3 實驗結(jié)果討論

上述實驗結(jié)果表明，不同的手勢動作因肌肉收縮力的不同而產(chǎn)生明顯的阻抗幅值變化。從隨機訓(xùn)練模式時域波形中(圖 3)可以看出，每個動作都有明顯的起始點，且觀察更直觀，有利于進行實時性研究。從手勢動作分類性能來看，兩者的混淆矩陣中每個動作的分類準確率都超過 90%，動作的誤差大多與靜息有關(guān)。其中，本研究的靜息數(shù)據(jù)沒有單獨采集，而是選擇每個動作之間的所有靜息數(shù)據(jù)，這樣更符合實際應(yīng)用中動作之間靜息的分類。另外從特征向量的散點圖(圖 5(b))可以清晰地看到，代表靜息的圖標(“+”)占據(jù)較大的空間分布，故靜息是影響其他手勢動作誤差率的主要因素之一。柔性材料本身存在不可避免的共性問題——蠕變特性，且兩個動作之間的靜息時間僅為 5 s，這期間納米金柔性傳感器經(jīng)過拉伸后還未完全恢復(fù)到原始的狀態(tài)，故每組靜息的數(shù)據(jù)都包含部分前一動作的特征，導(dǎo)致兩者分類準確率最低的手勢動作均是靜息。但總體而言，每個手勢動作的分類準確率均在 90% 以上，且兩種不同的訓(xùn)練模式都可達到較好的分類效果。通過 t 檢驗可知，P＝0.227 5＞0.05，表明兩種訓(xùn)練模式間無顯著差異，與 Fu 等[28]肌電信號基于不同訓(xùn)練模式的分類結(jié)論一致。此外，對比同類重復(fù)訓(xùn)練模式，曹書豪和許成哲[29]采用公開數(shù)據(jù)庫的 52 種手勢分類準確率達到 92.7%，張龍嬌和曾曉勤[30]的手勢識別準確率為 91.6%，本文納米金柔性傳感器的隨機訓(xùn)練模式的手勢動作分類準確率與前述 3 個研究結(jié)果相當，表明了隨機訓(xùn)練模式的可行性。

4 結(jié) 論

本研究采用納米金柔性傳感器識別手勢動作，比較分析了重復(fù)訓(xùn)練模式和隨機訓(xùn)練模式兩種不同的訓(xùn)練模式對識別結(jié)果的影響。研究表明，每個手勢動作均具有較好的實時性且平均分類識別率在 90% 以上。特征分布散點圖中可以看出動作之間的離散性，每個手勢動作都有較好的區(qū)分度。同時，兩種訓(xùn)練模式的平均分類準確率間無顯著差異，故在以后的實驗中可以采用隨機訓(xùn)練模式，因為此模式更方便且更有利于實時性能研究。但值得注意的是，本研究僅招募了健康的受試者，并且所有的數(shù)據(jù)分析采用的是離線處理。在今后的工作中，將利用納米金柔性傳感器在假肢控制的運動意圖識別方面進行更深入的研究。