張夏豐, 闞 秀, 曹 樂(lè)

(上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院,上海 201620)

0 引 言

智能假肢手可以幫助肢體殘疾者恢復(fù)部分手部功能，同時(shí)較大地改善了截肢者的生活質(zhì)量[1,2]。同時(shí)隨著科技的進(jìn)步,智能假肢手的功能也在不斷完善。但人手是一個(gè)復(fù)雜的結(jié)構(gòu),如何將智能假肢手完善成像人手這樣一個(gè)復(fù)雜的系統(tǒng)，且滿(mǎn)足殘疾者的日常使用需要是目前該領(lǐng)域的一個(gè)重要的研究方向[3]。

表面肌電(sEMG)信號(hào)是一種由于肌肉收縮在皮膚表面產(chǎn)生的微弱電信號(hào),其中包含有豐富的肢體運(yùn)動(dòng)信息,且該信號(hào)可以方便通過(guò)無(wú)創(chuàng)的方式采集,是智能假肢手控制的理想信號(hào)源。文獻(xiàn)[4]通過(guò)采集單臂肌電信號(hào)將表面肌電信號(hào)的定量分析方法應(yīng)用于手臂運(yùn)動(dòng)的估計(jì);文獻(xiàn)[5]通過(guò)將肌電信號(hào)與近紅外信號(hào)結(jié)合的方式對(duì)單手運(yùn)動(dòng)進(jìn)行識(shí)別;文獻(xiàn)[6]采用前臂表面肌電信號(hào)實(shí)現(xiàn)針對(duì)伸食指、握拳、伸腕、曲腕四種手勢(shì)的識(shí)別;文獻(xiàn)[7]通過(guò)單通道表面肌電信號(hào)實(shí)現(xiàn)了對(duì)手部關(guān)節(jié)信號(hào)的識(shí)別。當(dāng)前針對(duì)肌電控制假肢手的研究中大多集中于單手肌電信號(hào)的研究,對(duì)雙手協(xié)同過(guò)程中肌電信號(hào)關(guān)系研究較少。

本文針對(duì)智能假手控制領(lǐng)域?qū)﹄p臂協(xié)同方面的需求,以5種雙手平衡狀態(tài)為研究對(duì)象,采用自主設(shè)計(jì)肌電采集系統(tǒng),選擇性放置采集電極以獲取雙臂表面肌電信號(hào),并對(duì)所采集信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理,分別提取肌電信號(hào)中的時(shí)域特征與頻域特征并進(jìn)行特征分析,最后分別采用3種識(shí)別模型對(duì)5種雙手平衡狀態(tài)進(jìn)行識(shí)別,獲得了較好的識(shí)別效果。

1 系統(tǒng)設(shè)計(jì)

本文采用自主設(shè)計(jì)采集系統(tǒng)，系統(tǒng)包括8通道肌電采集裝置及姿態(tài)采集裝置,肌電采集裝置主要由模擬前端、主控模塊以及信號(hào)傳輸塊組成。其中模擬前端電路由TI公司推出的用于生物電信號(hào)采集的醫(yī)療級(jí)集成模擬前端芯片ADS1298及其外圍電路組成,該芯片內(nèi)置可編程增益放大器(PGA),及8個(gè)24位高分辨率模數(shù)轉(zhuǎn)換器(ADC),最大采樣率可達(dá)到32 ksps[8],為滿(mǎn)足肌電信號(hào)采集需求,本文采樣率設(shè)置為1 kHz。主控模塊及無(wú)線(xiàn)傳輸模塊分別由STM32F103及ESP8266組成。系統(tǒng)中姿態(tài)采集裝置主要由HI219模塊及藍(lán)牙組成,其中HI219模塊為超核電子推出的一種低成本、高性能9軸IMU模塊,該模塊內(nèi)部集成低功耗微處理器,可直接輸出3維方位數(shù)據(jù)。圖1所示為采集系統(tǒng),其中8通道肌電采集模塊分別采集雙手肌電信號(hào),姿態(tài)采集模塊置于實(shí)驗(yàn)裝置內(nèi)部,用于采集實(shí)驗(yàn)裝置的平衡狀態(tài)。

圖1 采集系統(tǒng)硬件

2 實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)處理

2.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)選取6名受試者,均為男性,年齡在22～25周歲,無(wú)神經(jīng)系統(tǒng)疾病或其他肌肉相關(guān)疾病史。在實(shí)驗(yàn)開(kāi)始前,受試者保持肌肉放松,使用酒精清潔肌電采集點(diǎn)。實(shí)驗(yàn)分別選取雙臂橈側(cè)腕長(zhǎng)伸肌、橈側(cè)腕屈肌、尺側(cè)腕伸肌以及肱二頭肌作為采集肌肉組,實(shí)驗(yàn)開(kāi)始前將Ag/AgCl電極貼于上述肌肉組。開(kāi)始實(shí)驗(yàn)時(shí)受試者分別以平衡、前傾、后仰、左傾、右傾5種平衡狀態(tài)托舉實(shí)驗(yàn)箱體,在每次托舉結(jié)束后手臂恢復(fù)放松狀態(tài)。為避免肌肉疲勞對(duì)實(shí)驗(yàn)產(chǎn)生影響,受試者每進(jìn)行一輪實(shí)驗(yàn)后休息3 min以放松肌肉。圖2所示為受試者分別執(zhí)行5種平衡狀態(tài)。

圖2 平衡狀態(tài)

2.2 數(shù)據(jù)預(yù)處理

采集裝置設(shè)計(jì)時(shí),前端電路已設(shè)計(jì)有RC濾波電路,用于濾除高頻信號(hào)。由于環(huán)境噪聲等影響,在采集過(guò)程中仍會(huì)有一定的噪聲信號(hào)[9]。若直接對(duì)帶噪信號(hào)進(jìn)行分析對(duì)結(jié)果會(huì)產(chǎn)生一定的影響,在進(jìn)行數(shù)據(jù)分析前,需消除信號(hào)中噪聲以提高信噪比。

原始信號(hào)中,由人體的運(yùn)動(dòng)等情況容易致使原始信號(hào)產(chǎn)生基線(xiàn)漂移,影響信號(hào)質(zhì)量?；€(xiàn)漂移一般為低頻信號(hào),本文采用零相移濾波器提取出3 Hz以下低頻信號(hào),將原始肌電信號(hào)減去所提取的低頻信號(hào)。如圖3所示為去除基線(xiàn)漂移前后肌電波形圖,經(jīng)處理后基線(xiàn)漂移情況得以改善,且同時(shí)消除了信號(hào)中存在的原始電位,使靜息電位恢復(fù)為0 mV。

圖3 去基線(xiàn)漂移

去除基線(xiàn)漂移后,本文通過(guò)采用小波閾值降噪的方法去除仍存在噪聲[10～12]。在小波降噪中小波基的選擇對(duì)降噪效果有較大影響,針對(duì)本文所采集的信號(hào)特點(diǎn),選用了sym8小波基作為母小波,并根據(jù)降噪效果將分解層數(shù)確定為4層。圖4為小波降噪前后信號(hào)對(duì)比,其中，小波去噪閾值分別選用Heursure閾值與Rigrsure閾值做對(duì)比,信號(hào)經(jīng)過(guò)小波降噪之后信號(hào)中噪聲進(jìn)一步降低,通過(guò)對(duì)結(jié)果觀察其中Heursure閾值降噪效果優(yōu)于Rigrsure閾值。本文選用降噪效果較好的Heursure閾值降噪后的數(shù)據(jù)作為預(yù)處理結(jié)果進(jìn)行后續(xù)分析。

圖4 小波降噪

2.3 活動(dòng)段劃分

準(zhǔn)確判斷肌電信號(hào)起止點(diǎn)是保證分析結(jié)果正確性的關(guān)鍵前提[13],本文采用倒譜距離測(cè)量法進(jìn)行肌電活動(dòng)段劃分，根據(jù)每個(gè)信號(hào)幀與噪聲幀的倒譜距離的軌跡進(jìn)行檢測(cè)和判斷[14,15]。若原始肌電信號(hào)為xi(m)且其頻譜為Xi(ω),則信號(hào)xi(m)的倒譜ci(n)可看成是Xi(ω)的傅里葉級(jí)數(shù)展開(kāi),即

(1)

式中ci(n)為倒譜系數(shù),ci(n)=ci(-n)為實(shí)數(shù),且存在

(2)

dcep=4.342 9×

(3)

式中p為所取倒譜系數(shù)的階數(shù)。

圖5 活動(dòng)段劃分

2.4 特征提取

為有效區(qū)分不同平衡狀態(tài),針對(duì)本文所采集肌電信號(hào)特點(diǎn),分別提取肌電信號(hào)波形長(zhǎng)度(WL)、均方根(RMS)值時(shí)域特征與平均功率頻率(MPF)、中位頻率(MF)頻域特征。其中,WL為窗口范圍內(nèi)相鄰各個(gè)數(shù)值絕對(duì)差值之和,計(jì)算方法如下

(4)

RMS值為窗口內(nèi)各個(gè)數(shù)值的平方和取均值后取其平方根得到,RMS值反映了窗口范圍內(nèi)表面肌電信號(hào)的有效值,計(jì)算公式如下

(5)

MPF為經(jīng)過(guò)功率譜曲線(xiàn)重心的頻率,其計(jì)算公式如下

(6)

MF為將功率譜分為兩個(gè)面積相等區(qū)域的頻率,在肌電信號(hào)頻域分析中起重要指標(biāo),計(jì)算公式如下

(7)

式中P(f)為肌電功率譜。

2.5 特征分析

本文針對(duì)每種平衡狀態(tài)選取100組特征數(shù)據(jù)并求取其均值,表1～表4分別為8通道肌電數(shù)據(jù)中WL、RMS、MPF、MF共4個(gè)特征在5種平衡狀態(tài)下的特征均值,4個(gè)特征中RMS特征數(shù)值較小,為方便觀察與分析,將表中數(shù)據(jù)均擴(kuò)大100倍。4個(gè)特征表中左手1～4通道與右手1～4通道所處肌肉位置相對(duì)應(yīng)。

表1 WL特征

表2 RMS特征

表3 MPF特征

表4 MF特征

通過(guò)特征表可得,左傾狀態(tài)時(shí)與右傾狀態(tài)相比,WL特征除雙手通道2中變化趨勢(shì)相同,其余各通道均呈相反變化趨勢(shì)；在RMS特征中除通道1中變化趨勢(shì)相反,雙手其余各通道均呈相同變化趨勢(shì)；頻域MPF特征中通道3幅值變化明顯,且雙手呈相反變化趨勢(shì)；MF特征中雙手通道2與通道3特征幅值變化明顯，且通道2中變化趨勢(shì)相同,通道3中變化趨勢(shì)相反。前傾狀態(tài)時(shí)與后仰相比WL特征中通道1與通道3呈相同變化趨勢(shì),其余兩通道特征幅值變化趨勢(shì)相反；在RMS特征中左手通道1與通道2特征幅值變化明顯,但右手對(duì)應(yīng)通道特征幅值基本相同,無(wú)明顯變化,雙手通道4中特征幅值變化趨勢(shì)相反；頻域MPF與MF特征中雙手通道3變化趨勢(shì)相反,且左手特征幅值變化較大。前傾、后仰、左傾、右傾4種狀態(tài)下各特征幅值與水平狀態(tài)相比均有不同變化趨勢(shì)。

3 實(shí)驗(yàn)結(jié)果分析

本文選取部分樣本,采用SVM、KNN、BP神經(jīng)網(wǎng)絡(luò)3種流行識(shí)別模型對(duì)5種平衡狀態(tài)進(jìn)行識(shí)別,識(shí)別結(jié)果如圖5所示。

圖6為SVM算法的識(shí)別結(jié)果,其中類(lèi)別標(biāo)簽1～5分別對(duì)應(yīng)水平、前傾、后仰、左傾、右傾5種平衡狀態(tài)。通過(guò)表5可得SVM的平均識(shí)別正確率為93.4 %，BP神經(jīng)網(wǎng)絡(luò)的平均識(shí)別正確率為91 %，KNN的識(shí)別正確率為86.5 %,3種識(shí)別模型中SVM的平均識(shí)別率最高。5種平衡狀態(tài)中,水平狀態(tài)下的識(shí)別正確率較低,其中SVM在水平狀態(tài)下識(shí)別正確率為83 %,高于其他兩種模型。通過(guò)對(duì)圖6觀察可得,平衡狀態(tài)下被錯(cuò)分的樣本中除少量被錯(cuò)分為左傾狀態(tài)外,其余均被錯(cuò)分為右傾狀態(tài)。SVM對(duì)5種平衡狀態(tài)的識(shí)別中,其中左傾狀態(tài)識(shí)別率為94.5 %,低于BP的99 %。其余平衡狀態(tài)下其識(shí)別正確率均高于其他兩種模型,其中后仰狀態(tài)的識(shí)別率最高,達(dá)到了99.5 %。通過(guò)圖6中SVM識(shí)別結(jié)果可得,前傾、后仰、左傾、右傾4種非水平狀態(tài)被錯(cuò)分的樣本中,前傾狀態(tài)下被錯(cuò)分的樣本均被錯(cuò)分成右傾狀態(tài),而右傾狀態(tài)被錯(cuò)分的樣本中均被錯(cuò)分成了水平狀態(tài)。左傾狀態(tài)被錯(cuò)分的樣本中除少量被錯(cuò)分成后仰狀態(tài)，其余均被錯(cuò)分為右傾狀態(tài)或平衡狀態(tài)。后仰狀態(tài)僅有一個(gè)樣本被錯(cuò)分為水平狀態(tài)。

表5 不同算法分類(lèi)正確率結(jié)果 %

圖6 SVM分類(lèi)結(jié)果

4 結(jié) 論

本文提出了一種基于表面肌電信號(hào)的雙手平衡狀態(tài)識(shí)別方法,通過(guò)自主設(shè)計(jì)的肌電信號(hào)檢測(cè)系統(tǒng)對(duì)表面肌電信號(hào)采集,根據(jù)數(shù)據(jù)特點(diǎn)進(jìn)行數(shù)據(jù)預(yù)處理并提取有效活動(dòng)段。在對(duì)提取的肌電數(shù)據(jù)進(jìn)行時(shí)域與頻域特征分析的基礎(chǔ)上,將所提取特征組成特征矩陣并輸入3種識(shí)別模型,最高識(shí)別精度達(dá)到93.4 %,能夠滿(mǎn)足基本測(cè)試需求。實(shí)驗(yàn)結(jié)果表明：所提出的基于表面肌電信號(hào)的雙手識(shí)別模型對(duì)雙手平衡狀態(tài)識(shí)別具有較好的效果,為假手的智能控制提供重要的技術(shù)支撐。