譚智峰，張 磊，苗 娟，劉劍偉，陳永源

（1.山東信息職業(yè)技術(shù)學(xué)院，山東 濰坊 261000；2.山東澤普醫(yī)療科技有限公司，山東 濰坊 261000）

由于生活方式的改變和人口老齡化的加劇，我國(guó)越來(lái)越多的人患有下肢疾病。由于康復(fù)醫(yī)師的短缺，超過(guò)50%的患者在治療過(guò)程中無(wú)法得到有效的康復(fù)治療，這嚴(yán)重影響到患者的康復(fù)。長(zhǎng)期而言，這種情況給患者及其家庭帶來(lái)了沉重的負(fù)擔(dān)[1]。在康復(fù)治療過(guò)程中，交互式康復(fù)訓(xùn)練的作用十分重要，因其能夠調(diào)動(dòng)患者的積極性和增加患者依從性，同時(shí)也減輕了醫(yī)護(hù)人員的負(fù)擔(dān)。對(duì)于交互式康復(fù)訓(xùn)練而言，康復(fù)訓(xùn)練動(dòng)作識(shí)別至關(guān)重要。有效提取動(dòng)作特征、提高康復(fù)訓(xùn)練動(dòng)作識(shí)別準(zhǔn)確率是當(dāng)前需要解決的問(wèn)題。

表面肌電信號(hào)（surface electromyography，sEMG）是一種記錄肌肉收縮狀態(tài)的神經(jīng)電信號(hào)，其具有無(wú)創(chuàng)傷、易于操作和實(shí)時(shí)性等優(yōu)點(diǎn)，在臨床診療和醫(yī)療康復(fù)輔助機(jī)器人等領(lǐng)域得到廣泛應(yīng)用[2]。因此，基于sEMG 信號(hào)的分類(lèi)器在康復(fù)訓(xùn)練動(dòng)作識(shí)別中有著重要的研究意義和應(yīng)用價(jià)值。本文運(yùn)用機(jī)器學(xué)習(xí)方法對(duì)表面肌電信號(hào)進(jìn)行分析，研究下肢多種不同被動(dòng)訓(xùn)練動(dòng)作的識(shí)別。

1 肌電信號(hào)數(shù)據(jù)采集

利用國(guó)產(chǎn)的ELONI 肌電儀采集肌電數(shù)據(jù)，采樣頻率為1 000 Hz，選取27 個(gè)受試者參與數(shù)據(jù)的采集，分別執(zhí)行5 種不同訓(xùn)練動(dòng)作。包括站立動(dòng)作（類(lèi)別1）、站立單抬腿動(dòng)作（類(lèi)別2）、坐立動(dòng)作（類(lèi)別3）、坐立單抬腿動(dòng)作（類(lèi)別4）和邁步動(dòng)作（類(lèi)別5），每名受試者每種不同的動(dòng)作重復(fù)采集10 次。

人體下肢在運(yùn)動(dòng)時(shí)，主要運(yùn)動(dòng)肌肉群包括股直肌（Rectus Femoris，RF）、脛骨前?。═ibialis Anterior，TA）、股外側(cè)?。╒astus Lateralis，VL）、股內(nèi)側(cè)?。╒astus Medialis，VM）、半腱?。⊿emitendinosus，ST）、股二頭?。˙iceps Femoris，BF）、腓骨長(zhǎng)肌（Peroneus Longus，PL）[3]、內(nèi)側(cè)腓腸?。∕edial Gastrocnemius，MG）、外側(cè)腓腸?。↙ateral Gastrocnemius，LG）及比目魚(yú)肌（Soleus Muscle，SM），其位置如圖1 所示[4]。

圖1 下肢肌肉示意圖

由于肌肉通道數(shù)增加導(dǎo)致冗余信號(hào)過(guò)多，為了更好地分析和處理數(shù)據(jù)。本研究選擇了8 塊重要的肌肉作為研究對(duì)象，包括RF、VL、VM、BF、ST、PL、MG 和LG，采集這些肌肉表面肌電信號(hào)。

在采集sEMG 數(shù)據(jù)的過(guò)程中，容易受到周?chē)h(huán)境多種噪聲的干擾，如50 Hz 的交流電路工頻干擾、人體內(nèi)生物電信號(hào)（例如心電和眼電等）以及采集設(shè)備自身的固有噪音等。這些因素可能會(huì)降低sEMG 信號(hào)的質(zhì)量。鑒于工頻干擾與肌電信號(hào)的有效頻率區(qū)間存在重疊，需要保護(hù)鄰近頻率的信號(hào)和避免失去原始sEMG信號(hào)中的信息，為此，在進(jìn)行sEMG 信號(hào)采集時(shí)，需要盡可能遠(yuǎn)離手機(jī)等潛在的干擾設(shè)備。采用電池組對(duì)采集系統(tǒng)進(jìn)行供電，從而減少交流電所產(chǎn)生的工頻干擾，提高信號(hào)的精度。

2 康復(fù)動(dòng)作識(shí)別

當(dāng)患者使用康復(fù)機(jī)器人進(jìn)行康復(fù)訓(xùn)練時(shí)，需要對(duì)患者進(jìn)行康復(fù)訓(xùn)練動(dòng)作的識(shí)別。這樣才能控制康復(fù)輔助機(jī)器人，幫助患者更好地完成康復(fù)訓(xùn)練。這里利用肌電信號(hào)訓(xùn)練機(jī)器學(xué)習(xí)分類(lèi)模型對(duì)康復(fù)動(dòng)作進(jìn)行識(shí)別?；跈C(jī)器學(xué)習(xí)分類(lèi)算法的識(shí)別流程圖，主要包含數(shù)據(jù)預(yù)處理、特征提取、分類(lèi)算法識(shí)別流程（圖2）。

圖2 康復(fù)動(dòng)作識(shí)別流程圖

2.1 數(shù)據(jù)預(yù)處理

采集肌電信號(hào)時(shí)，往往會(huì)受到環(huán)境影響和其他不可控因素的干擾，導(dǎo)致出現(xiàn)多種噪聲。為了進(jìn)一步進(jìn)行信號(hào)分析研究，需要對(duì)原始數(shù)據(jù)進(jìn)行適當(dāng)?shù)念A(yù)處理。

根據(jù)研究結(jié)果顯示，sEMG 信號(hào)的大部分信息主要存在于0～500 Hz 的頻率范圍內(nèi)。高頻區(qū)域（500～1 000 Hz）的sEMG 信號(hào)可能會(huì)受到混疊干擾[5]；低頻區(qū)域（1～10 Hz）則主要會(huì)受到電纜運(yùn)動(dòng)和測(cè)量電極與皮膚相對(duì)運(yùn)動(dòng)等影響而產(chǎn)生噪聲。因此，這里使用的是一個(gè)截止點(diǎn)為20 Hz（低）和450 Hz（高）的有限脈沖響應(yīng)帶通濾波器[6]。

2.2 特征提取

肌電信號(hào)是一種隨時(shí)間變化的瞬態(tài)、非平穩(wěn)信號(hào)。由于單個(gè)樣本數(shù)據(jù)無(wú)法準(zhǔn)確反映肌肉活動(dòng)狀態(tài)，因此需要對(duì)肌電數(shù)據(jù)進(jìn)行加窗處理。在本研究中，使用了長(zhǎng)度為100 ms、步長(zhǎng)為50 ms 的滑動(dòng)窗口對(duì)數(shù)據(jù)進(jìn)行處理。

數(shù)據(jù)經(jīng)過(guò)加窗處理之后，對(duì)于每個(gè)窗口內(nèi)的序列數(shù)據(jù)，需要提取出該段數(shù)據(jù)的特征。時(shí)域特征和頻域特征是目前應(yīng)用最廣泛的特征提取方法。sEMG 信號(hào)的時(shí)域特征是指基于統(tǒng)計(jì)方法計(jì)算的特征指標(biāo)，將肌電信號(hào)視為隨時(shí)間變化的函數(shù)。常用的時(shí)域特征包括均方根、方差、平均絕對(duì)值、過(guò)零次數(shù)、平均絕對(duì)值斜率、波形長(zhǎng)度、斜率符號(hào)變化和最大值等。而sEMG 信號(hào)的頻域特征，則是通過(guò)傅里葉變換將表面肌電信號(hào)的時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，以便更好地分析其頻譜或功率譜特征。與時(shí)域特征相比，頻域特征能夠克服時(shí)域信號(hào)受噪聲影響較大、相對(duì)較弱的局限性，并且更容易提取穩(wěn)定的特征指標(biāo)。常見(jiàn)的頻域特征包括平均頻率、平均峰值頻率、中值頻率、平均功率、功率譜比、頻率比和中心頻率方差等。

為從所有窗口的信號(hào)中提取有用信息，同時(shí)避免信息冗余過(guò)多，需要選擇合適的特征。在本研究中，采用了8 個(gè)常見(jiàn)肌電信號(hào)特征進(jìn)行研究，包括均方根、絕對(duì)平均值、波形長(zhǎng)度、過(guò)零次數(shù)、斜率符號(hào)變化、平均頻率、中值頻率和平均峰值頻率。這些特征可以更精確地反映出肌肉活動(dòng)的狀態(tài)。特征提取過(guò)程示意圖，如圖3所示。

圖3 特征提取示意圖

2.3 分類(lèi)算法識(shí)別

在確定特征向量后，可以使用分類(lèi)算法對(duì)這些特征向量進(jìn)行分類(lèi)以識(shí)別康復(fù)動(dòng)作。目前比較流行的機(jī)器學(xué)習(xí)分類(lèi)方法包括線(xiàn)性判別分析、支持向量機(jī)、最近鄰算法、樸素貝葉斯分析和隨機(jī)森林，此外，還有卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法。

DenseNet 網(wǎng)絡(luò)模型是Huang 等[7]于2017 年提出的密集連接卷積神經(jīng)網(wǎng)絡(luò)模型，DenseNet 采用Dense－Block 和Transition Block 2 種結(jié)構(gòu)。DenseBlock 主要用來(lái)保持訓(xùn)練中的特征圖像大小尺寸一致，實(shí)現(xiàn)特征的重復(fù)利用，主要結(jié)構(gòu)BN+ReLU+Conv，如圖4 所示。Transition Block 主要用于2 個(gè)DenseBlock 層之間，降低特征圖像大小，保持特征圖大小一致。由1 個(gè)卷積層和1 個(gè)平均池化層構(gòu)建組成：BN-ReLU-1×1 Conv-2×2Pooling。如圖5 所示，起到壓縮模型的作用。

圖4 DenseBlock 結(jié)構(gòu)

圖5 Transition Block 結(jié)構(gòu)

本研究使用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)sEMG 進(jìn)行識(shí)別，在數(shù)據(jù)采集過(guò)程中，采集了8 塊肌肉的肌電信號(hào)。在特征提取部分，提取了肌電信號(hào)的8 個(gè)特征。因此卷積神經(jīng)網(wǎng)絡(luò)的輸入為8×8 的大小，輸出為5 種不同訓(xùn)練動(dòng)作的概率，取概率最大值所對(duì)應(yīng)的動(dòng)作作為識(shí)別出的結(jié)果輸出。卷積神經(jīng)網(wǎng)絡(luò)整體結(jié)構(gòu)如圖6 所示。

圖6 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

3 結(jié)果

本研究除了使用設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)康復(fù)動(dòng)作識(shí)別以外，還分別使用支持向量機(jī)、k 最近鄰、隨機(jī)森林對(duì)提取到的特征向量進(jìn)行分類(lèi)。分類(lèi)結(jié)果見(jiàn)表1。

表1 康復(fù)動(dòng)作識(shí)別評(píng)價(jià)%

4 結(jié)束語(yǔ)

本研究提出了一種基于深度學(xué)習(xí)模型的sEMG 信號(hào)下肢康復(fù)動(dòng)作識(shí)別算法，實(shí)驗(yàn)結(jié)果表明本研究提出的方法較比傳統(tǒng)機(jī)器學(xué)習(xí)方法在sEMG 信號(hào)下的下肢康復(fù)動(dòng)作識(shí)別率上有較好效果，準(zhǔn)確率、精確率、召回率、F1 值分別為83.73%、82.56%、86.94%、84.69%。但是由于實(shí)驗(yàn)人數(shù)較少的原因，導(dǎo)致數(shù)據(jù)量不夠充裕。下一步擬采集大量的表面肌電信號(hào)數(shù)據(jù)，并且對(duì)超參數(shù)進(jìn)行精調(diào)優(yōu)化，以便取得更好的識(shí)別精度。