黃重宇

重慶交通大學(xué)機(jī)電與車輛工程學(xué)院,重慶 400074

0 引言

由于人口老齡化和工作強(qiáng)度的增加,造成人體運動能力不足、肌肉萎縮乃至截肢等現(xiàn)象增加,而相關(guān)人群無法擁有正常的生活動作能力。伴隨近年來可穿戴設(shè)備如外骨骼穿戴式機(jī)器人的發(fā)展,其通過感知人體的生物信號進(jìn)行模式識別,最終提供相應(yīng)輔助的能力,為人群恢復(fù)正常動作能力提供了重要的幫助[1]。

表面肌電信號(surface electromyography,sEMG)是一種良好的能反應(yīng)人體肌肉活躍水平的生物電信號,由于其蘊(yùn)含信息豐富和測量無侵入性的優(yōu)點受到模式識別領(lǐng)域廣大技術(shù)人員的關(guān)注。基于sEMG信號的模式識別最終目的在于為機(jī)器人提供控制源,使機(jī)器人感知人體運動趨勢,為人體運動提供助力,精確的模式識別不僅可有效提高設(shè)備的助力能力,對實現(xiàn)柔順助力、促進(jìn)身體運動水平恢復(fù)也至關(guān)重要[2]。

雖然目前基于sEMG信號的模式識別方法有了不錯的進(jìn)展,但現(xiàn)有的下肢動作模式識別方法仍然存在動作類別少、肌電信號數(shù)據(jù)量不足、特征融合冗余及分類器識別率低等問題[3]。本文針對以上問題,采集爬坡、上樓、下樓及平地行走4種動作的下肢sEMG信號,通過綜合考慮特征相關(guān)性和任務(wù)貢獻(xiàn)度,構(gòu)建了一組優(yōu)異的特征組合作為分類器的輸入,旨在有效提高動作模式分類識別的精度與效率。

1 肌電信號采集與特征提取

1.1 信號采集

針對基于sEMG信號的下肢動作模式識別研究中動作類別不足的問題,本文采集了人體下肢4種動作(爬坡、平地行走、上樓、下樓)的sEMG信號以進(jìn)行后續(xù)動作模式識別特征融合方法研究。采用OT Bioelettronica表面肌電記錄設(shè)備采集受試者在運動過程中的股直肌(RF)、股外側(cè)肌(VL)、股內(nèi)側(cè)肌(VM)、股二頭肌(BF)、內(nèi)腓腸肌(MG)、外腓腸肌(LG)、脛骨前肌(TA)7塊肌肉[4]的肌電信號,采樣頻率設(shè)置為2 048 Hz。受試者包括10名年輕受試者,年齡23～25周歲,身高156～185 cm,體質(zhì)量45～80 kg,均無過往病史。且每種動作每人采集5～10組,每次組間休息3 min,以避免肌肉疲勞的影響,同時為了排除汗液的影響,在采集開始前使用酒精擦拭并待其自然風(fēng)干,以降低靜電干擾[5]。

1.2 信號預(yù)處理

sEMG信號是一種由神經(jīng)肌肉系統(tǒng)產(chǎn)生的微弱的生物電信號,其幅值范圍在0～5 mV,頻率在0～500 Hz,主要能量集中在20～150 Hz[6],同時由于sEMG信號是一種具有隨機(jī)性且不平穩(wěn)的信號,在采集過程中極易受到外界噪聲干擾,因此須對其進(jìn)行去噪處理。

對原始信號(見圖1)及其頻譜圖(見圖2)進(jìn)行分析,發(fā)現(xiàn)采集的sEMG信號能量主要集中在20～400 Hz且存在明顯基線漂移,所以對信號進(jìn)行20～400 Hz的巴特沃斯帶通濾波去噪處理,濾波效果如圖3所示,可以明顯觀察到原始sEMG信號的基線漂移問題得到了解決,且毛刺相對原始sEMG信號明顯減少,證明20～400 Hz的帶通濾波具有一定有效性。

圖1 原始sEMG信號

圖2 頻譜圖

圖3 濾波前后對比圖

1.3 特征提取

目前常見的特征包括時域特征、頻域特征和時頻域特征等,而為了保證分類識別的實時性,應(yīng)該選擇計算耗時少的特征[7],因此本文僅對時域特征進(jìn)行分析,并采用重疊窗口[8]提取特征,窗口長度選擇500,步長選擇250,重疊部分為50%。現(xiàn)提取以下時域特征進(jìn)行特征分析,其中定義xi表示sEMG信號中第i個樣本點的幅值,Ni為該時間窗內(nèi)的采樣點個數(shù),sgn(x)表示符號函數(shù)。

1.3.1 絕對平均值

sEMG信號的絕對平均值(MAV)反應(yīng)了肌肉的作用力大小,即:

(1)

1.3.2 均方根值

均方根值(RMS)能夠代表sEMG信號的有效值,反應(yīng)其高斯分布特性,即:

(2)

1.3.3 方差

sEMG信號的方差(VAR)反應(yīng)了sEMG信號幅值的變化程度,即:

(3)

1.3.4 過零點數(shù)

sEMG信號經(jīng)過零點的次數(shù)(ZC)反應(yīng)信號波動的劇烈程度,即:

(4)

1.3.5 積分肌電值

積分肌電值(IEMG)大小反應(yīng)了肌肉的活動程度。

(5)

1.3.6 波長

波長(WL)屬于信號的波形特征,反應(yīng)sEMG信號的振幅信息和波動頻率信息,即:

(6)

1.3.7 斜率符號變化次數(shù)

sEMG信號的斜率變化次數(shù)(SSC)直接反應(yīng)sEMG信號的變化程度,即:

(7)

2 特征分析與特征融合

特征融合是將多種特征結(jié)合在一起,以實現(xiàn)從數(shù)據(jù)不同層面進(jìn)行綜合信息提取,形成一個更全面的特征表示方法。然而現(xiàn)有特征融合方法鮮有考慮特征之間的相關(guān)性以及特征對于任務(wù)的貢獻(xiàn)度,多是簡單將不同特征直接拼接在一起,此種方法極易造成特征數(shù)據(jù)冗余、模型過擬合或計算資源浪費。因此在本文中首先對已提取特征數(shù)據(jù)(各類別樣本數(shù)均為4 096)進(jìn)行斯皮爾曼相關(guān)系數(shù)計算來衡量相關(guān)性大小,計算公式如下所示。

(8)

式中:rs表示相關(guān)系數(shù),di表示每對特征數(shù)據(jù)的秩差,n表示樣本大小。其中相關(guān)系數(shù)大于0為正相關(guān);小于0為負(fù)相關(guān);越接近±1,代表量2組變量之間相關(guān)性越強(qiáng);越接近0代表2組變量相關(guān)性越弱。

由圖4特征相關(guān)性熱力圖可以看出,特征IEMG、MAV、RMS、VAR、WL之間相關(guān)性較高,而SSC、ZC與其相關(guān)性較低,因此只保留IEMG、MAV、RMS、VAR、WL中的1個特征,而對SSC和ZC暫時均保留。

圖4 特征相關(guān)性熱力圖

為了評估各特征在下肢動作模式識別任務(wù)中的貢獻(xiàn)度,本文使用MATLAB搭建4種常見機(jī)器學(xué)習(xí)模型,包括決策樹、線性判別器、支持向量機(jī)及K近鄰,以4種模型的平均分類精度作為衡量特征任務(wù)貢獻(xiàn)度的指標(biāo),并在后續(xù)對比實驗中使用該4種模型。

首先本文將各特征數(shù)據(jù)集及其標(biāo)簽進(jìn)行隨機(jī)打亂處理,按照8：2的比例劃分為訓(xùn)練集和測試集,訓(xùn)練集用于模型的訓(xùn)練和優(yōu)化,測試集用于評估模型的性能和泛化能力。為減少隨機(jī)誤差采用交叉驗證的方法進(jìn)行多次實驗,以提高模型的分類穩(wěn)定性。平均分類精度如圖5所示。

圖5 特征精度圖

由圖5可知,特征貢獻(xiàn)度從大到小為:ZC>WL>MAV>IEMG>RMS>VAR>SSC。結(jié)合前述相關(guān)性結(jié)果最終選擇特征“ZC+WL”作為特征融合的結(jié)果。

為了說明特征有針對性融合的優(yōu)勢以及相比原始信號直接輸入模型的優(yōu)勢,本文添加2個對照試驗,分別為使用原始信號(各類別樣本數(shù)為317 440)作為輸入以及將所有特征直接拼接融合作為輸入的試驗,其分類精度以及平均耗時如表1所示。

表1 分類精度及耗時

結(jié)果顯示:與單一特征輸入相比,A、B這2種特征融合均顯現(xiàn)了特征融合的優(yōu)勢,不僅提高了分類精度,同時也增加了訓(xùn)練效率,確保了實時性。相較于直接將原始數(shù)據(jù)輸入模型,采用特征組合作為輸入不僅減少了數(shù)據(jù)量,降低了運算時間,還提供了更有效的信息,顯著提高了分類精度。而相對于將所有特征直接拼接融合,通過從特征的相關(guān)性和任務(wù)貢獻(xiàn)度出發(fā),進(jìn)行特征篩選得到的最終特征組合集在分類精度上變化微小,同時大幅度減少了耗時,既保證了精確性又保持了實時性。

3 結(jié)束語

本文提出了一種基于特征相關(guān)性和任務(wù)貢獻(xiàn)度的特征篩選方法,并在此基礎(chǔ)上實現(xiàn)了多特征融合的下肢動作模式識別。首先采集爬坡、平地行走、上樓以及下樓4種動作的下肢肌電信號作為實驗數(shù)據(jù),并對數(shù)據(jù)進(jìn)行含噪分析和去噪處理,然后提取了實時性較高的時域特征。通過斯皮爾曼相關(guān)系數(shù)計算特征之間的相關(guān)性,刪除冗余特征以避免特征集合維度爆炸和模型過擬合,接著結(jié)合機(jī)器學(xué)習(xí)模型檢測特征對于任務(wù)的貢獻(xiàn)度,通過單一特征貢獻(xiàn)度進(jìn)一步篩選獲得最終的特征組合。試驗結(jié)果表明,相較于傳統(tǒng)的單一特征和原始信號,以及直接將所有特征拼接的方法,本文中的方法在分類精度和實時性方面均表現(xiàn)更優(yōu),可為特征篩選和多特征融合模式識別領(lǐng)域提供一定參考價值。