侯秀麗

(安徽商貿(mào)職業(yè)技術(shù)學(xué)院信息與人工智能學(xué)院 安徽蕪湖 241002)

表面肌電信號(hào)動(dòng)作模式識(shí)別是肌電假肢控制的基礎(chǔ)。通過提取殘肢者的殘端表面肌電信號(hào)，利用其蘊(yùn)含的動(dòng)作模式信息，可對肌電假肢進(jìn)行自主控制，提高殘障人士生活質(zhì)量。要想使用肌電信號(hào)更有效控制假肢自主動(dòng)作，必須要進(jìn)行可靠的動(dòng)作模式識(shí)別。目前已有不少學(xué)者對肌電信號(hào)特征提取與模式識(shí)別進(jìn)行了研究。針對肌電信號(hào)的非線性與非平穩(wěn)性，張啟忠等選取近似熵和分維數(shù)對伸腕、曲腕、左旋、右旋四種手腕動(dòng)作進(jìn)行了識(shí)別，正確率達(dá)到92.5%。顧明亮等使用改進(jìn)的粒子群算法優(yōu)化支持向量機(jī)對握拳、展拳、內(nèi)旋、外旋、屈腕、伸腕六種動(dòng)作進(jìn)行識(shí)別，平均準(zhǔn)確率達(dá)到 93.75%。劉曉光等使用支持向量機(jī)對表面肌電信號(hào)和加速度信息進(jìn)行融合，實(shí)現(xiàn)跌倒動(dòng)作識(shí)別，準(zhǔn)確率為93.23%[1-3]。SVM(支持向量機(jī))在肌電信號(hào)模式識(shí)別中得到了越來越廣泛的應(yīng)用。在此背景下，文章使用SVM分類器對手部六個(gè)動(dòng)作(握拳、伸掌、內(nèi)旋、外旋、屈腕、伸腕)進(jìn)行低成本、快捷、較準(zhǔn)確的動(dòng)作模式識(shí)別。

1 SVM分類器原理

支持向量機(jī)SVM(support vectormachine)是由著名學(xué)者VAPNIK于20世紀(jì)90年代提出的一種新的機(jī)器學(xué)習(xí)方法，基于統(tǒng)計(jì)學(xué)習(xí)VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原則，其核心思想是將非線性數(shù)據(jù)映射到高維線性空間中，滿足分類間距最大，使分類線能正確把兩類樣本分開，得到所需要的最優(yōu)分類超平面。

1.1支持向量(SM)

SVM(見圖1)核心是最優(yōu)分類超平面的構(gòu)造，對于二分類問題，給定輸入數(shù)據(jù)和學(xué)習(xí)目標(biāo)：X={X1),...,XN},y={y1),...,yN}，輸入數(shù)據(jù)每個(gè)樣本都包含多個(gè)特征并由此構(gòu)成特征空間：Xi=[x1,)... ,xn]∈χ，學(xué)習(xí)目標(biāo)為二元變量y∈{-1,1})表示負(fù)類和正類。若輸入數(shù)據(jù)所在特征空間存在作為決策邊界的超平面，能夠?qū)W(xué)習(xí)目標(biāo)按正類和負(fù)類分開，即wTX+b=0，并使任意樣本的點(diǎn)到平面距離大于等于1，即yi(wTXi+b)≤1，則稱該分類問題具有線性可分性，參數(shù)w,b分別為超平面的法向量和截距。

圖1 支持向量機(jī)分類原理圖

1.2 SVM分類算法

SVM算法采用內(nèi)核函數(shù)映射方法，其屬性通過核函數(shù)的種類進(jìn)行測量。SVM引入松弛變量ξi≥0和懲罰系數(shù)C(C>0)，則超平面的求解公式為：

(1)

式(1)中，αi是二次優(yōu)化問題所求解的拉格朗日因子。則得到的最優(yōu)分類超平面為：

(2)

(3)

(4)

上述最優(yōu)分類面判別函數(shù)類似于一個(gè)神經(jīng)網(wǎng)絡(luò)，輸出是n個(gè)節(jié)點(diǎn)的線性組合，每個(gè)節(jié)點(diǎn)對應(yīng)一個(gè)支持向量，可用圖2來表示。SVM拓展到多分類時(shí)，主要有直接法、一對一、一對多等方法。其中“一對一”是將k類樣本兩兩組合，構(gòu)造k(k-1)/2個(gè)二分類問題，該方法求解速度快，且具有較高精度和較強(qiáng)泛化能力，在實(shí)際中應(yīng)用較多。在決策時(shí)，通常采用投票法，即當(dāng)對一個(gè)未知樣本進(jìn)行分類時(shí)，每個(gè)分類器都對其進(jìn)行類別判斷，并為相應(yīng)的類別“投票”，最后統(tǒng)計(jì)各類別的得票數(shù)，得票最多的類別即為該樣本所屬的類。

圖2 SVM分類示意圖

2肌電信號(hào)采集與預(yù)處理

2.1表面肌電信號(hào)采集

表面肌電信號(hào)可以反應(yīng)神經(jīng)肌肉組織的特征，不同肌群的肌電信號(hào)具有不同的特征。使用課題組自行研制的多通道表面肌電信號(hào)采集儀實(shí)現(xiàn)對人體前臂肱橈肌、尺側(cè)腕屈肌、橈側(cè)腕屈肌等處的表面肌電信號(hào)采集，使用一次性貼片電極，電極粘貼位置如圖3所示。實(shí)驗(yàn)時(shí)，通過操作者示范使測試者熟悉要做的六個(gè)動(dòng)作標(biāo)準(zhǔn)，每名測試者按照一定的頻率自由練習(xí)若干次。測試者為實(shí)驗(yàn)研究招募的年齡在18～30歲之間的身體健康的志愿者，男女各占一半。練習(xí)結(jié)束對10位測試者隨機(jī)編號(hào)，從第一個(gè)動(dòng)作(握拳)開始，按照編號(hào)先后順序，每位受試者各做20次，每次間隔1s，采樣頻率為1KHz，接著再做第二個(gè)動(dòng)作(伸掌)20次，依次往復(fù)直至六個(gè)動(dòng)作(握拳、伸掌、曲腕、伸腕、內(nèi)旋、外旋)被10位受試者全部完成，共采集到6×200組原始肌電數(shù)據(jù)，經(jīng)濾波放大處理后用作分類器訓(xùn)練樣本和測試樣本集。

圖3 表面肌電信號(hào)采集電極位置

2.2表面肌電信號(hào)預(yù)處理

由于表面肌電信號(hào)非常微弱，采集過程中不可避免混有噪聲干擾，有用信號(hào)幾乎淹沒在噪聲中，因此必須進(jìn)行預(yù)處理。課題組在研制肌電信號(hào)采集儀時(shí)設(shè)計(jì)了50Hz模擬陷波器濾除工頻干擾。由于肌電信號(hào)能量集中在低頻段，主要在20～500Hz，因此設(shè)計(jì)了帶通濾波器，采用一個(gè)高通濾波器和一個(gè)低通濾波器串聯(lián)方式實(shí)現(xiàn)20～500Hz肌電信號(hào)的帶通處理，并使用高精密儀用放大器設(shè)計(jì)了放大電路，將微弱的肌電信號(hào)幅值進(jìn)行放大[4]。信號(hào)調(diào)理過程如圖4所示。

圖4 表面肌電信號(hào)預(yù)處理流程

3表面肌電信號(hào)特征提取

雖然表面肌電信號(hào)中蘊(yùn)含豐富的人體運(yùn)動(dòng)信息，但并不能直接用于人體肢體動(dòng)作模式識(shí)別，必須進(jìn)行特征提取[5]。特征參數(shù)選取的好壞直接影響到分類器的設(shè)計(jì)與性能表現(xiàn)。對表面肌電信號(hào)特征參數(shù)的合理選取，直接決定著肢體動(dòng)作模式識(shí)別的結(jié)果，其貢獻(xiàn)程度甚至超過模式識(shí)別方法本身對識(shí)別結(jié)果的影響。文章分別從時(shí)域、頻域、時(shí)頻域?qū)‰娦盘?hào)進(jìn)行特征提取。

3.1時(shí)域特征提取

時(shí)域特征比較直觀，計(jì)算簡單，由于肌電信號(hào)幅值參數(shù)與肌肉收縮程度成正相關(guān)，因此時(shí)域分析中，通常提取肌電信號(hào)的幅值有關(guān)的參數(shù)，比如積分肌電值、絕對平均值、方差、均方根值、標(biāo)準(zhǔn)差等[6]。此外，信號(hào)的過零點(diǎn)數(shù)也可以反映神經(jīng)肌肉動(dòng)作力度變化情況，文章選取肌電信號(hào)的幅值絕對平均值A(chǔ)、方差S和過零點(diǎn)數(shù)ZC三個(gè)指標(biāo)作為時(shí)域特征。

3.2頻域特征提取

在進(jìn)行表面肌電信號(hào)采集實(shí)驗(yàn)時(shí)，盡管做了各種抗干擾措施，但是要想完全做到?jīng)]有干擾是不可能的，空間中的電磁干擾不可避免對肌電信號(hào)幅值產(chǎn)生影響。因此單純提取時(shí)域的幅值特征參數(shù)還不夠。通過對肌電信號(hào)進(jìn)行頻譜分析，發(fā)現(xiàn)肌肉收縮時(shí)信號(hào)頻譜與靜息狀態(tài)時(shí)明顯不同，肌電信號(hào)頻率特征表現(xiàn)出一定的規(guī)律性，能夠反映信號(hào)的整體特征。其中，平均頻率MPF和中值頻率MF是頻域特征中比較有代表性的參數(shù)，所以文章提取這兩個(gè)特征作為肌電信號(hào)頻域特征。

3.3小波變換提取時(shí)頻域特征

時(shí)頻分析是研究非平穩(wěn)信號(hào)的一種有效方法。通過在時(shí)頻平面上描述信號(hào)的時(shí)變特征，能夠更清晰地反映信號(hào)的頻率特性隨時(shí)間的變化情況。小波變換作為時(shí)頻分析的常用工具，可將時(shí)域的一維信號(hào)變換至?xí)r間-尺度的二維空間，高頻時(shí)使用短窗口保證足夠高的時(shí)間分辨率，低頻時(shí)使用寬窗口實(shí)現(xiàn)較高的頻率分辨率。通過調(diào)節(jié)時(shí)頻窗口實(shí)現(xiàn)變分辨率分析，選取合適的小波基函數(shù)，將信號(hào)做多尺度分解，可獲取各尺度高頻和低頻系數(shù)。通常提取多層小波變換系數(shù)作為特征。文章使用Sym5小波，對采集的表面肌電信號(hào)進(jìn)行3尺度分解，提取四個(gè)頻段內(nèi)小波系數(shù)絕對值的最大值作為特征，與前面提取的時(shí)域幅值特征參數(shù)和頻域的兩個(gè)頻率特征參數(shù)一起構(gòu)成特征向量。

4手部動(dòng)作模式識(shí)別

手部動(dòng)作識(shí)別包括分類器設(shè)計(jì)、模型訓(xùn)練獲得參數(shù)以及測試動(dòng)作識(shí)別三步。由于SVM算法在解決小樣本、非線性及高維模式識(shí)別中的諸多優(yōu)勢，文章設(shè)計(jì)手部動(dòng)作模式識(shí)別SVM分類器，應(yīng)用一對一方法構(gòu)造多個(gè)SVM分類器，采用投票原則，最終將樣本歸為得票最多的那一類[5]。

從前面采集到的6×200組原始肌電信號(hào)中取6×120組作為訓(xùn)練集，在MATLAB環(huán)境中應(yīng)用臺(tái)灣大學(xué)林智仁開發(fā)的LIBSVM軟件包，使用徑向基核函數(shù)對SVM分類器進(jìn)行訓(xùn)練，通過交叉驗(yàn)證后求得核函數(shù)參數(shù)以及最優(yōu)懲罰參數(shù)，使用剩余的6×80組數(shù)據(jù)作為測試集對SVM模型泛化能力進(jìn)行檢驗(yàn)，最后得到的動(dòng)作分類結(jié)果如表1所示。

表1 六種手部動(dòng)作模式識(shí)別結(jié)果

由表1可知，握拳動(dòng)作的識(shí)別率最高，達(dá)到100%，內(nèi)旋動(dòng)作正確識(shí)別率最低，為95%，其他動(dòng)作的識(shí)別率在96.25～98.75%之間，六種手部動(dòng)作的平均識(shí)別率為97.5%。

5結(jié)語

文章綜合提取表面肌電信號(hào)小波變換系數(shù)絕對值的最大值以及時(shí)域信號(hào)幅值和頻域的頻率特征值一起構(gòu)成特征向量，設(shè)計(jì)了適用于小樣本的SVM分類器，對六種手部動(dòng)作(握拳、伸掌、內(nèi)旋、外旋、屈腕、伸腕)進(jìn)行了分類，平均識(shí)別率達(dá)到97.5%，正確率明顯高于筆者早期采用BP神經(jīng)網(wǎng)絡(luò)分類器識(shí)別結(jié)果[7]。驗(yàn)證了SVM分類器對表面肌電信號(hào)動(dòng)作模式識(shí)別的有效性，為肌電信號(hào)應(yīng)用于智能假肢控制、康復(fù)訓(xùn)練等提供了依據(jù)。