孫洪穎，陳龍崇，鄭傳俊，黃勁龍，陳振國，鐘麗芬

（廣東技術(shù)師范大學 機電學院，廣東 廣州 510635）

農(nóng)業(yè)智能裝備是現(xiàn)代農(nóng)業(yè)重要的發(fā)展方向之一，各種智能農(nóng)業(yè)裝備層出不窮，但肌電信號還較少應(yīng)用于農(nóng)業(yè)智能裝備的交互。對信號的識別是人工智能的研究熱點之一，各國學者應(yīng)用了多種不同的方法對信號進行識別。2016年王星等[1]提出了基于深度置信網(wǎng)絡(luò)對信號雙譜對角切片結(jié)構(gòu)特征進行學習，實現(xiàn)低截獲概率雷達信號識別。2016年焦敬品等[2]提出了基于BP神經(jīng)網(wǎng)絡(luò)的管道泄漏聲信號識別，利用泄漏信號的時域、頻域及波形特點，提取出可用于泄漏信號表征的20種特征參數(shù)，可以很好地實現(xiàn)不同場景下泄漏信號的交叉識別，整體識別率達92.5%。2018年黃穎坤等[3]提出了基于深度學習和集成學習的輻射源信號識別，將雷達信號變換到時頻域，利用棧式降噪自編碼模型學習時頻圖像的特征，構(gòu)造一個集成不同支持向量機分類器的模型對雷達信號進行識別，證明機器學習的方法有助于提高輻射源信號的識別正確率。同年，郭立民等[4]針對低截獲概率（LPI）雷達信號識別率低且特征提取困難的問題，提出一種基于Choi-Williams分布（CWD）和棧式稀疏自編碼器（sSAE）的自動分類識別系統(tǒng)，在低信噪比條件下整體平均識別率達到96.4%，明顯優(yōu)于人工設(shè)計提取信號特征的識別方法。2019年姚宇晨等[5]應(yīng)用自編碼技術(shù)進行特征提取，獲得具有較好的抗干擾能力的特征集，然后使用BP神經(jīng)網(wǎng)絡(luò)對經(jīng)過篩選的特征進行分類識別，實現(xiàn)了MQAM通信信號調(diào)制模式自動識別，有效提高了數(shù)字調(diào)制信號自動識別的抗干擾能力。2021年Choi Min Soo[6]用表面肌電圖準確定量測量病人的腹肌活動，并利用多種評估方法，制定出正確的診斷和康復(fù)治療策略。2021年王鵬程等[7]建立一種以log-mel能量為聲信號特征的預(yù)提取方法，以深度殘差網(wǎng)絡(luò)作為特征自動提取及分類的聲信號分類識別模型，在DCASE2019數(shù)據(jù)集和UrbanSound8K數(shù)據(jù)集上能夠?qū)崿F(xiàn)80.2%和76.4%的識別精度，在聲源探測領(lǐng)域具有一定的應(yīng)用價值。

雖然人工智能技術(shù)在信號識別領(lǐng)域有了較好的實驗成果，但是目前涉及卷積神經(jīng)網(wǎng)絡(luò)的較少。卷積神經(jīng)網(wǎng)絡(luò)作為人工智能技術(shù)的主流算法之一，其卓越的性能十分有潛力并推動了信號識別領(lǐng)域的發(fā)展。因此，本文提出將表面肌電信號轉(zhuǎn)換成時頻譜圖，然后使卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于表面肌電信號識別的方法。實驗表明：基于卷積神經(jīng)網(wǎng)絡(luò)的表面肌電信號識別具有較高的準確率，有潛力成為一種新的肌電信號識別方法。

1 實驗介紹

本實驗采用Sichiray肌電傳感器采集表面肌電信號，將肌電信號進行預(yù)處理后，采用卷積神經(jīng)網(wǎng)絡(luò)對肌電信號進行識別。根據(jù)這一思路，首先搭建網(wǎng)絡(luò)模型，然后將預(yù)處理過的肌電信號作為樣本訓練優(yōu)化網(wǎng)絡(luò)模型以提高識別準確率，最后將訓練過的網(wǎng)絡(luò)作為識別算法對肌電信號進行模式識別。

1.1 數(shù)據(jù)采集方案

1.1.1 儀器佩戴位置的選擇

肌電采集器的佩戴位置影響肌電的信號分布，在人體運動狀態(tài)保持不變的前提下，肌電采集器佩戴位置的變化將帶來感知信號的改變，使基于特定位置訓練的神經(jīng)網(wǎng)絡(luò)模型準確率降低。通過對肌電信號采集技術(shù)進行調(diào)研，結(jié)合多次試驗結(jié)果，根據(jù)肌電信號穩(wěn)定性排序，本文選擇在如圖1所示位置佩戴電極貼。

圖1 電極貼貼片佩戴位置

1.1.2 原始肌電信號的采集

表面肌電信號是一種非平穩(wěn)的微電信號[7]，一般比人體動作超前30-150ms產(chǎn)生，幅值在0.01-10mV。本實驗采集了俯仰120°、俯仰90°、腕擺、食指伸展、食指和中指雙指同時伸展、五指同時伸展、握拳、靜止共8個動作的原始肌電信號（如圖2）。

圖2 八個動作的肌電信號

1.2 數(shù)據(jù)的預(yù)處理

預(yù)處理包括對原始肌電信號的放大、整流、陷波、濾波、活動段分割以及時頻譜圖轉(zhuǎn)換。本實驗采用短時能量的移動平均法進行肌電信號活動段分割，提取出肢體運動過程中的有效信息，方便后續(xù)進行離線數(shù)據(jù)分析。最后在對信號使用EMD得到時頻譜圖。以上步驟，如圖3所示。

圖3 對表面肌電信號的預(yù)處理

2 基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的肌電信號模式識別

肌電信號的模式識別就是對預(yù)處理后的肌電信號運用算法進行識別的任務(wù)?；跁r域的統(tǒng)計參量進行識別是傳統(tǒng)的肌電信號識別算法中比較流行的。傳統(tǒng)算法對于肌電信號的識別存在一些缺陷，其識別率不高、抗干擾能力不強，并且受人為手工提取特征參量的局限。結(jié)合深度學習算法自主學習特征的優(yōu)勢，為利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）的特征提取能力進行有效信息的提取，實驗采用GoogLeNet網(wǎng)絡(luò)模型結(jié)構(gòu)構(gòu)筑卷積神經(jīng)網(wǎng)絡(luò)，將遷移學習訓練后的網(wǎng)絡(luò)作為識別算法對肌電信號進行模式識別。實驗還采用LeNet7網(wǎng)絡(luò)模型結(jié)構(gòu)，將其作為GoogLeNet網(wǎng)絡(luò)模型結(jié)構(gòu)的對照組。

2.1 卷積神經(jīng)網(wǎng)絡(luò)

自從2012年ImageNet比賽卷積神經(jīng)網(wǎng)絡(luò)被評為第一后，它越來越受到人們的關(guān)注。目前，CNN是人工智能識別技術(shù)的主流算法之一。典型的CNN結(jié)構(gòu)圖如圖4所示，由卷積層、下采樣層、全連接層和分類器構(gòu)成。卷積層的運算為一層到下一層的映射，各個神經(jīng)元都與前一層的局部感受域相連，CNN神經(jīng)元自動提取圖像的局部特征。特征圖Xj與卷積層的形式如式（1）所示。下采樣層可以減小特征圖的空間大小并刪除冗余空間信息。通過下采樣可以增加更深卷積層中的過濾器數(shù)量，而不會增加每層所需的計算量，特征圖Xj與下采樣層的形式如式（2）所示。最后全連接層連接所有特征，將輸出值送給分類器。

圖4 典型的CNN結(jié)構(gòu)圖

圖5 LeNet7網(wǎng)絡(luò)結(jié)構(gòu)

其中，l代表層數(shù)，klij代表輸入的第i種特征圖和輸出的第j種特征圖之間連接所用的卷積核，Mj代表第（l-1）層輸入特征圖的一個選擇集合，blj為第j個特征圖對應(yīng)的偏置，f為激活函數(shù)。

其中，down（）為下采樣函數(shù)；W為乘性偏置；b為加性偏置；f為激活函數(shù)[8]。

2.2 基于卷積神經(jīng)網(wǎng)絡(luò)模型LeNet7識別

LeNet7神經(jīng)網(wǎng)絡(luò)由深度學習的權(quán)威Yan LeCun提出，利用卷積、參數(shù)共享、池化等操作提取特征，避免了大量的計算成本，最后再使用全連接神經(jīng)網(wǎng)絡(luò)進行分類識別，這個網(wǎng)絡(luò)也是最近大量神經(jīng)網(wǎng)絡(luò)架構(gòu)的起點。

實驗將LeNet7網(wǎng)絡(luò)模型作為GoogLeNet神經(jīng)網(wǎng)絡(luò)的對照組，用與GoogLeNet神經(jīng)網(wǎng)絡(luò)同樣的訓練樣本訓練LeNet7，訓練完成的LeNet7識別肌電信號的時頻譜圖準確率為58.3%。

2.3 基于卷積神經(jīng)網(wǎng)絡(luò)模型GoogLeNet的識別

GoogLeNet是google推出的基于Inception模塊的深度神經(jīng)網(wǎng)絡(luò)模型，在2014年的ImageNet競賽中奪得了冠軍。Inception結(jié)構(gòu)擴展了網(wǎng)絡(luò)的寬度，避免了由網(wǎng)絡(luò)深度加深引起的梯度爆炸問題。

實驗將肌電信號轉(zhuǎn)換為時頻譜圖，并將GoogLeNet遷移學習對時頻譜圖進行識別。實驗利用EMD將肌電信號轉(zhuǎn)換為時頻譜圖，再用肌電信號的時頻譜圖作為樣本訓練GoogLeNet，完成遷移學習的GoogLeNet識別肌電信號的時頻譜圖準確率為83%，識別肌電信號具有較高準確率，遠高于LeNet的識別準確率。

3 結(jié)果分析及結(jié)論

本文探索了將表面肌電信號應(yīng)用于現(xiàn)代農(nóng)業(yè)智能裝備的新方式，通過實驗采集了人體典型動作的肌電信號數(shù)據(jù)，對信號進行了放大、整流、陷波、濾波、活動段分割等處理，提取了肌電信號的時頻圖并輸入到神經(jīng)網(wǎng)絡(luò)模型中進行訓練。在GoogLeNet網(wǎng)絡(luò)模型中識別的準確率穩(wěn)定在80%以上，在LeNet7網(wǎng)絡(luò)模型中識別的準確率不足60%。通過實驗結(jié)果發(fā)現(xiàn)，GoogLeNet網(wǎng)絡(luò)模型結(jié)構(gòu)更適合用于肌電信號的識別。下一步研究將對GoogLeNet網(wǎng)絡(luò)模型進行優(yōu)化，以提高卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于肌電識別的效率，提高該算法的準確率，為農(nóng)業(yè)智能裝備提供有效的交互方式。

圖6 LeNet7遷移學習訓練結(jié)果

圖7 Inception V1結(jié)構(gòu)

圖8 GoogLeNet遷移學習訓練結(jié)果