基于表面肌電信號的手腕動作模式識別

基于表面肌電信號的手腕動作模式識別摘要：基于表面肌電信號的肢體動作模式識別是假手仿生控制的基礎(chǔ)。為提高動作模式識別率，論文從肌電信號的產(chǎn)生向量：同時提出了一種具有增量學(xué)習(xí)能力的K最近鄰(KNN)模型增量學(xué)習(xí)算法作為模式識別的分類器，在對10位受試者手腕的四個精細(xì)動作腕伸、腕屈、腕內(nèi)旋、腕外旋的識別實(shí)驗(yàn)中取得了92.5%以上的正確識別率。論文同時對增量學(xué)習(xí)能力對分類器動作模式識別率的影響做了對比實(shí)驗(yàn)，當(dāng)假肢使用者生理變化時，以KNN模型增量學(xué)習(xí)算法作為分類器比采用不具增量學(xué)習(xí)能力的KNN模型算法的識別率高4.5%。上述實(shí)驗(yàn)表明，論文所提肌電信號動作模式識別方法方案合理，具有應(yīng)用價值。cognitionoflimbsusingsEMGisthebasisforbioniccontrolofaprostheticfthegenerationmechanismofsEMG,theapproximateentropyandthefnctaldimcharaetenstiesineludingcomplexityandoverallself-similarnty.waschosenasthefeaturevectactionmoderecognitionrate.Inthemeantime,aKNearestNeighbor(KNN)modelincrementallearningmethodwithincorrectmoderecognitionrateisabove92.5%.Inacontrastexperimentthalearningabilitytotheactionmoderecognitionrate,thecorrectrecognitionrateis4.5pwithoutincrementallearningabilitywhentheprosKeywords:eleetromyography;myoelectrieprosthesis:KNNmodelinerementallea肌電信號(Electromyography,EMG)是一種伴隨肌肉活動的生物電信號，是眾多肌纖維中運(yùn)動單元動作電位的疊加，蘊(yùn)含了肌肉活動的各種信息。通過提取截肢者自身殘端的EMG信號，利用其蘊(yùn)含目前肌電假手智能控制的研究主要集中在相關(guān)的基礎(chǔ)領(lǐng)域，如肌電信號采樣頻率的確定和采樣窗口型的特征，選用合適的分類器以實(shí)現(xiàn)精細(xì)動作模式的區(qū)分，從而控制智能假手的動作[451,然而從特征及分類器選取角度研究以提高動作模式識別率的并不多。往往只是采用在相關(guān)肌肉組上盡可能多地布置采樣電極，從信號的時域或頻域中提取簡單特征，如信號的平均幅值(MAV)、過零點(diǎn)數(shù)(NZC)、波形長度(WL)、斜率符號變化數(shù)(SSC)等，最后用線性判別分類器等方法實(shí)現(xiàn)動作模式的識別[68]。這種方法，理論上能提高動作模式識別的實(shí)時性，然而，在實(shí)際使用中，特征信號的波動范圍很大，識別率并不理想。而且，過多的采樣電極，規(guī)模偏大的調(diào)理電路，讓使用者穿戴不方便。因而，尋找理想的肌電信號動作模式特征，然后，設(shè)計(jì)分類能力強(qiáng)且具有增強(qiáng)學(xué)習(xí)能力的模式識別方法是值得重視的方向。本研究是從肌電信號的產(chǎn)生機(jī)理出發(fā)，選取能從整體及細(xì)節(jié)兩方面表征出肌電信號序列形態(tài)特征的非線性信息，設(shè)計(jì)具有增量學(xué)習(xí)能力的動作模式分類器。實(shí)現(xiàn)對手腕的4種精細(xì)動作模式腕右旋、腕左旋及腕伸、腕屈的識別，用于肌電假手的控制。1表面肌電信號特征的選取特征選取是模式識別的核心問題。如果能從待識別對象中選取出所需的有效特征并且不同對象其特征差別較大，分類器就能比較容易地實(shí)現(xiàn)對不同模式的分類。論文從肌電信號的產(chǎn)生機(jī)理出發(fā)，尋找用于模式識別的特征信息。動作單元(motorunit,MU)是肌肉最小的收縮單位，由α運(yùn)動神經(jīng)元、終板及多條肌纖維組成，如圖1所示。α運(yùn)動神經(jīng)元發(fā)放固定頻率值40Hz以下的δ脈沖序列M10],脈沖序列經(jīng)軸突、終板傳導(dǎo)到與之聯(lián)結(jié)的肌纖維形成動作電位序列(MUAPT)。并引起肌纖維收縮而產(chǎn)生肌張力并帶動各關(guān)節(jié)運(yùn)動。此時，如果在對應(yīng)組織處放置測試電極，則在檢測電極與參考點(diǎn)(如，肘部)之間表現(xiàn)出電位差。檢測電極所募集的各動作單元綜合形成的動作電位即為表面肌電信號(sEMG)。從數(shù)學(xué)上描述，若令第k個動作單元所產(chǎn)生的動作電位序列MUAPT為h,(t)。則表面肌電信號是由于單個α運(yùn)動神經(jīng)元釋放的電信號為具有周期性的脈沖序列u,(1),多個運(yùn)動神經(jīng)單元的組合仍為周期性信號，因而，從形態(tài)上分析肌電信號具有明顯的整體自相似性。同時，不同動作模式參與的運(yùn)動神經(jīng)單元、神經(jīng)纖維、肌纖維的數(shù)目等都是有區(qū)別的，信號在細(xì)節(jié)上又有其自身的復(fù)雜性。復(fù)雜性和整體自相似性是肌電信號的兩個重要特征。近似熵是表征信號復(fù)雜度常用的指標(biāo)。由于近似熵算法具有下述特點(diǎn)[11]:1)只要比較短的數(shù)據(jù)就2特征計(jì)算及模式識別方法2.1近似熵 ApEn(m,r,N)=φ"(r)-φ**(r)相同的動作模式，肌電信號的波形具有較強(qiáng)的相似性，而細(xì)節(jié)卻與手的動作速度、用力大小等因素有關(guān)，如用原始信號直接求取信號的復(fù)雜度，同一動作模式復(fù)雜度的值變動范圍會較大。達(dá)不到理想的1)求肌電信號的局部極大、極小值。通過插值函數(shù)獲得信號的上下包絡(luò)線。并對上下包絡(luò)線求平均，肌電信號動作模式起跳時間的確定采用滑動窗的方法，窗內(nèi)能量大于某閾值時，認(rèn)為動作開始，取后繼1024個采樣點(diǎn)信號作為信號處理對象數(shù)據(jù)。預(yù)處理后計(jì)算信號的標(biāo)準(zhǔn)差STD,并取m=2,信號序列分維數(shù)的計(jì)算用改變粗視化程度的方法。針對已做時間與幅值歸一化的時間序列信號1)選定步長k,把時間序列信號分成m等分。,其中j=1,.,m-j=m分析可知，Ink和InL(k)是斜率為-a的直線關(guān)系，若能求得Ink和InL(k),則用最小二乘法擬合這些點(diǎn)，即可得到α。進(jìn)而得到分維數(shù)D。由于在近似熵計(jì)算時已對信號進(jìn)行了幅值歸一化，只須對信號進(jìn)行時間坐標(biāo)的歸一化。設(shè)幅值歸一的目的。2.3KNN模型增量學(xué)習(xí)算法K最近鄰(KNN)法[121是一種基于實(shí)例的分類算法，基本思想是，使用一種距離度量計(jì)算待分類樣本與所有訓(xùn)練樣本之間的距離，找到距離待分類樣本最近的k個近鄰；然后根據(jù)這k個近鄰所屬的類別進(jìn)行多數(shù)投票來確定待分類樣本的類別。KNN法具有性能穩(wěn)定、準(zhǔn)確率高的優(yōu)勢。然而，KNN是·種懶散型的學(xué)習(xí)方法，也不是·種增量學(xué)習(xí)算法I13-41。為解決KNN算法存在的缺陷，作者改進(jìn)提出了一種具有增量學(xué)習(xí)能力的KNN模型增量學(xué)習(xí)算法，由樣本點(diǎn)數(shù)據(jù)整理及KNN法分類兩部分構(gòu)成。算法的第·部分：構(gòu)造一系列模型簇，以模型簇的中心點(diǎn)作為代表點(diǎn)用于新樣本的KNN法分類。據(jù)串。樣本點(diǎn)數(shù)據(jù)整理，首先對每個類別中的樣本點(diǎn)使用C-均值聚類算法進(jìn)行自動聚類，分成m個簇。然后建立模型的五元組。為使分類器具有增量學(xué)習(xí)能力。對于后續(xù)使用中經(jīng)模式識別得到驗(yàn)證準(zhǔn)確識別的樣本點(diǎn)，按距離度量最近的原則加到已有簇中。而識別結(jié)果不正確的樣本點(diǎn)，則在模型簇中另建五元組。從而進(jìn)一步改善學(xué)習(xí)樣本集的分布狀態(tài)使其更接近總體分布。當(dāng)新增的樣本點(diǎn)數(shù)達(dá)到一定量的累積時，可按實(shí)際需求踢除部分最早批次的樣本點(diǎn)或保留所有樣本點(diǎn)，然后用C-均值聚類算法重新聚類，重建模型簇。算法的第二部分：用K最近鄰(KNN)法計(jì)算待分類樣本與各類代表點(diǎn)之間的距離。在投票決定待識別樣本的類別時，對每個代表點(diǎn)乘一權(quán)重系數(shù)1由加權(quán)后的數(shù)據(jù)投票確定待識別樣本的類別。若在數(shù)據(jù)整理階段，使用過程中不對模型簇的樣本點(diǎn)進(jìn)行調(diào)整，則為不具增量學(xué)習(xí)能力的KNN模型3特征提取及模式識別結(jié)果3.1動作表面肌電信號的采集人體的前臂肌肉群包括尺側(cè)腕伸肌、尺側(cè)腕屈肌、掌長肌等數(shù)十塊肌肉。其主要功能是實(shí)現(xiàn)屈肘、屈腕、屈指和前臂旋轉(zhuǎn)等，是人體中十分重要的部位，也是肌電假手的控制信息源。本文針對動作模式腕屈、腕伸、腕左旋及腕右旋的識別展開研究，結(jié)果用于自制肌電實(shí)驗(yàn)對象均為右手低位截肢志愿者，男性6名，年齡(40±5)歲，體重(65.0±5.0)kg,身高(170.0±5.0)cm。女性4名，年齡(35±5)歲，體重(52.0±6.0)kg,身高(162.0±5.0)cm。取6位男性中的4位編號為#01～#04,女性中的2位編號為#04～#05,余下的2男2女編號為#07～#10。實(shí)驗(yàn)前要求受試者24h內(nèi)未作劇烈運(yùn)動，以排除非實(shí)驗(yàn)要求的肌肉疲勞影響。每次試驗(yàn)需記錄受試者編號、開始時間、所采集肌電信號的時刻、受試者狀態(tài)等信息，將所采集的表面肌電信號建立數(shù)據(jù)庫。由于動作模式腕屈、腕伸、腕左旋及腕右旋主要與前臂肌肉群的尺側(cè)腕伸肌與尺側(cè)腕屈肌有關(guān)，因而，選取實(shí)驗(yàn)者右手上肢這2組肌肉表面作為sEMG的拾取位置，每組肌肉表面貼附一次性雙極表面電極，選用由美國Noraxon公司研制的新型便攜式MyoTrace400肌電信號采集儀來獲取信號，采樣頻率為2500Hz,儀器內(nèi)置截止頻率500Hz的低通濾波器和截止頻率為10Hz的高通濾波器。圖2為肌電信號測試實(shí)驗(yàn)，圖3為腕右旋動作的肌電信號圖。Fig.3Thesurfaceelectromyography(sEMG)ofwristsupination.(a理想的肌電假手應(yīng)具有可推廣性，也即產(chǎn)品參數(shù)的設(shè)置是基于部分受試者的，但結(jié)果對另一部分人群也適用。因此，論文對肌電信號特征的統(tǒng)計(jì)與分析及初始分類器的構(gòu)建是基于前6位受試者的，而動作模式的識別則對所有10位受試者進(jìn)行。表1為從前6位低位截肢者數(shù)據(jù)庫中隨機(jī)取得非疲勞狀態(tài)下的4類動作模式各200組肌電信號近似熵的統(tǒng)計(jì)結(jié)果。圖4為各取50組肌電信號近似熵的二維分布圖。表1數(shù)據(jù)顯示，在尺側(cè)腕伸肌與尺側(cè)腕屈肌上采集的腕屈與腕伸兩個動作的肌電信號的近似熵值較大，右旋及左旋動作肌電信號的近似熵相對較小。而且每類動作在尺側(cè)腕伸肌與尺側(cè)腕屈肌上近似熵的取值大小情況正相反。反映在圖中4個動作相應(yīng)復(fù)雜度值的聚類特性較為明顯，利于動作模式的分肌肉組別腕屈腕伸右旋左旋Fig.4DistributionofsEMG's表2為從前6位低位截肢者數(shù)據(jù)庫中隨機(jī)取得非疲勞狀態(tài)下的4類動作模式各200組肌電信號分維數(shù)的統(tǒng)計(jì)結(jié)果。圖5為各取50組肌電信號分維數(shù)的二維分布圖。表2中，右旋和腕伸動作，尺側(cè)腕伸肌上的分維數(shù)較尺側(cè)腕屈肌上的值大。左旋與腕屈在肌肉組上的表現(xiàn)與上面情況正好相反，尺側(cè)腕腕伸肌上的分維數(shù)較尺側(cè)腕屈肌上的值小。圖5中，4類動作分維數(shù)點(diǎn)對的分布聚類特性明顯。表2表面肌電信號分維數(shù)統(tǒng)計(jì)數(shù)據(jù)(n=6,均值±標(biāo)準(zhǔn)差)腕屈腕伸右旋左旋圖5肌電信號分維數(shù)分布圖3.2模式識別結(jié)果針對肌電信號動作模式的識別問題。初始分類器的構(gòu)建，是從前6位受試者非疲勞狀態(tài)下所建立的肌電信號數(shù)據(jù)庫中隨機(jī)地取4×100組信號，每類動作模式各100次。計(jì)算其復(fù)雜度和分維數(shù)，其中的80中能完全識別，表明所設(shè)計(jì)的分類器合理。再以此方式建立的模式分類器用于受試者后續(xù)動作模式的識為驗(yàn)證論文所提出的模式識別方案的效果，設(shè)計(jì)了如下的實(shí)驗(yàn)方法。受試者從休息放松狀態(tài)進(jìn)入動半階段的實(shí)驗(yàn)中明顯處于疲勞狀態(tài)。表3為10位受試者對100組動作模式的實(shí)驗(yàn)結(jié)果。模式分類器采用的是具有增量學(xué)習(xí)能力的KNN模型增量學(xué)習(xí)算法。每行數(shù)據(jù)代表了對某類動作100次識別得到的結(jié)果及識別參數(shù)。識別效果的評價采用了靈敏度、特異度及識別率3個參數(shù)，計(jì)算靈敏度、特度度的真陽性和真陰性定義為：屬于某一動作模式且被準(zhǔn)確判別則為真陽性，不屬于某一動作模式且被準(zhǔn)確識別為不是該2222受試者動作模式腕屆腕伸內(nèi)旋外旋胞屈腕伸內(nèi)旋外旋腦尼晚神內(nèi)旋外旋惋相晚忡內(nèi)就外旋購中內(nèi)旋外故順肩胸忡內(nèi)旋外旋晌屈腕伸內(nèi)旋外能胸屈腕忡內(nèi)旋外旋胞屈胞伸內(nèi)旋外旋胞屈胞伸內(nèi)旋2221221212222322222222222222233222II222123222232225323342233332322332432324324223223223223224323324233數(shù)據(jù)表明，受試者動作模式的識別率(靈敏度)均達(dá)到了92.5%以上，且前6位受試者與后4位受試者動作模式識別無明顯差別。說明，所設(shè)計(jì)的模式識別方案具有應(yīng)用推廣能力。學(xué)習(xí)能力分類器對模式識別率的影響做了對比實(shí)驗(yàn)。表4為#01號受試者10次實(shí)驗(yàn)不同階段的識別率數(shù)據(jù)，實(shí)驗(yàn)中的前50組定義為階段1,后50組定義為階段Ⅱ,50組的選定是使受試者感覺開始進(jìn)入肌肉疲勞狀能力的KNN模型增量學(xué)習(xí)算法，單元中的值代表對4類各50組動作的平均識別率。表4各階段模式識別率(%)統(tǒng)計(jì)表序號分類器1階段1分類器1階段Ⅱ分類器2階段I分類器2階段Ⅱ數(shù)據(jù)顯示，相同的肌電信號，在不采用增量學(xué)習(xí)算法時識別率隨著假肢使用者生理狀態(tài)的變化而下降。而采用增量學(xué)習(xí)型算法時，識別率穩(wěn)定。兩種分類器對應(yīng)階段1,Ⅱ平均識別率之差為2.0%、4.5%。為判斷差異是由于偶然因素引起的或兩者確實(shí)本身存在著差異，論文利用SPSS軟件對實(shí)驗(yàn)結(jié)果進(jìn)行了配對樣本t檢驗(yàn)，顯著性檢驗(yàn)標(biāo)準(zhǔn)為P<0.05。檢驗(yàn)結(jié)果為，階段1肌電信號用不同分類器分類其正確識別率數(shù)據(jù)的差異由抽樣誤差引起的概率為P=0.001,階段Ⅱ則接近為0。表明，兩個階段的數(shù)據(jù)用不同分類器識別其差別在統(tǒng)計(jì)學(xué)上都有顯著性意義。論文選用近似熵作為表征肌電信號的復(fù)雜度特征，而不同動作的復(fù)雜度數(shù)據(jù)有較明顯的差異。從表1及圖4中可以看出，由于腕屈與腕伸兩個動作主要由尺側(cè)腕伸肌與尺側(cè)腕屈肌參與完成，而右旋及左旋動作的完成相對前兩個動作更為復(fù)雜、參與的肌肉組較多。實(shí)驗(yàn)結(jié)果為：在尺側(cè)腕伸肌與尺側(cè)腕屈肌上采集的腕屈與腕伸兩個動作的肌電信號的近似熵值較大，右旋及左旋動作肌電信號的近似熵相對較小。說明：用近似熵指標(biāo)表達(dá)肌電信號的復(fù)雜度特征研究方向是正確，能很好地用于動作的分類。分析肌肉組在各種動作下的活動狀態(tài)。以右旋和腕伸為例，肌肉組尺側(cè)腕伸肌都處于較強(qiáng)的收縮狀態(tài)，尺側(cè)腕屈肌處于相對放松狀態(tài)，表2中反映肌電信號整體自相似性的分形維數(shù)的數(shù)值情況相似，尺側(cè)腕伸肌上的分維數(shù)較尺側(cè)腕屈肌上的值大。左旋與腕屈在肌肉組上的表現(xiàn)與上面情況正好相反，尺側(cè)腕尺側(cè)腕伸肌上的分維數(shù)較尺側(cè)腕屈肌上的值小。數(shù)據(jù)說明，反映肌電信號整體自相似性的分維數(shù)指標(biāo)與肌肉的活動強(qiáng)度相關(guān)，分維數(shù)的大小隨肌肉活動強(qiáng)度增大而增因而，論文選用近似熵指標(biāo)與分維數(shù)指標(biāo)完整地表達(dá)出了不同動作模式肌電信號的形態(tài)特征，再與差(VAR)及波形長度(WL)構(gòu)成簡單特征組合，另一種以FukudaO明方法提取肌電信號的分維數(shù)及最大分形長度(maximumfractallength,MFL)構(gòu)成分形特征組合。然后，用BP網(wǎng)絡(luò)進(jìn)行分類識別，實(shí)驗(yàn)數(shù)據(jù)采用#01號受試者階段1的肌電信號，結(jié)果簡單特征組合的識別率為81.0%,分形特征組合為86.0%,與論文所提方法有較大差距。原因在于簡單特征組合僅選取信號的常用時域特征，特征主要反映肌肉的活動強(qiáng)度。而分形特征組合只反映了信號的自相似性及信號強(qiáng)度，沒能全面表征信號的形態(tài)特征。論文對基于表面肌電信號形態(tài)特征的手腕動作模式識別進(jìn)行了研究，實(shí)現(xiàn)了手腕的四種精細(xì)動作模式腕屈、腕伸、腕右旋、腕左旋的識別，結(jié)果用于肌電假手的動作命令的產(chǎn)生。模式識別的輸入特征采用了復(fù)雜度理論中的近似熵及分形特征上的細(xì)節(jié)復(fù)雜度及整體自相似性。動作模式識別分類器采用了改進(jìn)的KNN模型增量學(xué)習(xí)算法，所設(shè)計(jì)的分類器不但繼承了KNN算法性能穩(wěn)定、識別率高的優(yōu)點(diǎn)，而且具備了增量學(xué)習(xí)的能力。對受試者右手腕部的四個精細(xì)動作腕屈、腕伸、腕右旋、腕左旋的識別實(shí)驗(yàn)中，達(dá)到了92.5%以上準(zhǔn)確識別率，[1]LiGumlin,LiYaonan,YuLong,etal.ConditioningandsamplingissuesofEMGprostheses[J].AnnBiomedEng.2011,39(6):1779-1787.[2]SmithLH.Hargrovecompetingeffectsofelassificationerrorandcontrollerdelay[J].IEEETransNeuralSystRchabilEng.2011,19([3]HahneJM,GraimannB,MullerKR.SpatialFiteringforRobustMyoe[4]KhushabaRN.KodagodaS,TakruriM,etal.To15]CiriO.ArvettiM.SomlasI,etal.AcpuisitApplBionBiomechan.2012.9(2y;145.155.16]Ls(iuanlin.SchultzAE,KuikenTA.Quanbifyingpalterneeogrition—hased