基于ar和xmlq网络的指力跟踪表面肌电信号同步

基于ar和xmlq网络的指力跟踪表面肌电信号同步

1segm信号的运用开展人类运动功能研究主要包括对手指自由度、手指弯曲角度、手指力量、手的形状、指示和握力的研究。这些信息对运动科学、人机、假肢控制、人体工效学和康复等研究具有重要的学术和实用意义。单个手指的力量和动作是反映手指协同运动,评价手部运动机能的一个重要参数,由于食指、中指的动作受前臂指浅屈肌(flexdigitorumsuperficials,FDS)和指伸肌(extensordigitorum,ED)肌腱控制,所以单指的力量和动作在表面肌电信号(surfaceElectromyography,sEMG)信号特征上会有所反映,可以用sEMG信号来研究手指的运动机能。目前国内外很多研究者都在利用sEMG信号进行上肢运动模式估计的研究,主要集中在以下几个方面:研究sEMG信号与上肢疲劳的关系;研究运动功能受损者神经肌肉系统功能评定;由操作鼠标时的前臂肌肉sEMG信号的特征对鼠标的设计进行人体工效学评价;由sEMG信号估计手的形态(如握拳,展拳,旋腕,伸指,屈指等);由sEMG信号控制机器手;由sEMG信号控制虚拟场景中的物体等。对于将力量与手指动作相结合的这一比较精细的动作的估计却很少涉及,研究这些动作对于用肌电信号研究手的协同动作有着重要的意义,因此本文将AR模型与LVQ神经网络相结合,对单指(食指、中指)在4N、6N、8N力量水平下做按压动作的肌电信号进行研究,对相同力量下食指、中指的动作进行了模式分类。2先测小道指力测试实验对象为13名大学生志愿者。测试指按要求完成按压指力计的动作。如图1所示,实验中要给受试者提供目标力量,并实时反馈出实际指力的大小,使其达到力量保持阶段应该达到的目标力量,并且保持用力平稳。先测食指再测中指,以完成一轮4N、6N、8N的指力测试为一组,重复5组,每组间隔1min。为避免实验中受试者产生适应性,测试中完成动作的顺序是随机的。本实验选择将两对电极分别贴于指浅屈肌(FDS)、指伸肌(ED),用RM6280C多道生理记录仪的1,2通道记录FDS、ED的肌电信号,记录仪信号采样率设为2000Hz。3资源提取和模式识别方法3.1ar模型的基本原理AR模型是一种基于参数模型的现代谱估计方法,常用于对随机生理信号进行谱估计,表面肌电信号满足短时平稳条件,因此可用AR模型对表面肌电信号进行特征分析。由于AR模型系数ak是由信号的频域特征所决定的,所以用ak来表征肌电信号所对应的不同动作是合理的,因此本文直接将参数ak作为判断手指动作的表面肌电信号的特征。首先,可以将sEMG信号x(n)看成是方差为σ2的零均值白噪声u(n)激励一线性系统的输出,如图2所示,然后由已知的x(n)或自相关函数rx(m)来估计H(z)的参数ak,ak由(1)式Yule-Walker方程解出:只要知道x(n)的前p+1个自相关函数rx(0),rx(1),…,rx(p),即可求出ak,σ2。AR模型阶数p的选择是一个重要问题,它与谱估计的质量密切相关,阶数取得太高,谱估计会出现谱分裂现象,阶数取得太低,又可能导致其分辨率不够。有实验表明,在肌电信号处理中AR模型阶数取为4～6时,对信号的分析和识别性能是最好的,更高阶数的模型不但不会改善分类结果,而且会加大运算量。因此本文采用4阶AR模型。使用MATLAB工具箱中的函数armcov函数计算2000点sEMG信号的AR模型系数。3.2改善存在的隐蔽神经元的分类学习向量量化(learningvectorquantization,LVQ)是一种用于训练竞争层的有监督学习(supervisedlearning)方法,由输入层、隐含层、输出层等三层神经元组成。该网络的隐含层和输出神经元之间的连接权值固定为1,输入层和隐含神经元间的连接权值建立参考矢量的分量。在网络训练过程中,当某个输入模式被送至网络时,参考矢量最接近输入模式的隐含神经元因获得激发而赢得竞争,因而允许它产生一个“1”,其他隐含神经元都被迫产生“0”。同时,与包含获胜神经元的隐含神经元组相连接的输出神经元也发出“1”,而其他输出神经元均发出“0”。对相同力量水平下食指和中指动作进行分类,分别采用AR系数作为特征值。同一力量水平下,每位受试者食指、中指均进行5次实验,随机选取所有受试者的AR系数值40组作为神经网络的训练样本,将所有实验得到的AR系数值作为测试样本,利用LVQ网络进行模式分类。以FDS,ED的AR系数为特征值LVQ网络的训练样本输入为P=[ARF1ARE1ARF2ARE2⋯⋯ARFnAREn](2)Ρ=[ARF1ARF2⋯ARFnARE1ARE2⋯AREn](2)其中n=1,2……40,是随机选取的所有受试者的40组AR系数值,ARF为FDS肌电信号的AR系数值,ARE为ED肌电信号的AR系数值,一个输入样本对应的目标值为T=[1;0]或者T=[0;1],其中T=[1;0]表示是食指动作,T=[0;1]表示是中指动作。设置网络的学习率为0.1,学习函数为learnlv1,步长为100,4N动作时的误差性能目标为0.175,6N、8N动作时的误差性能目标为0.1,为了比较不同隐层对网络的影响,对网络隐层数为100,80,60的情况均进行运算。4不同力量水平下的分类运用上述的AR模型功率谱的计算方法,计算了一名受试者食指、中指在8N力量水平下FDS1秒钟的肌电信号(2000点)的AR系数。图3分别显示的是食指、中指8N力量水平下由AR模型估计的FDS肌电信号的功率谱,横坐标为归一化角频率,纵坐标表示指浅屈肌肌电信号的功率。食指谱峰值对应的归一化角频率为ω=0.141,中指谱峰值对应的归一化角频率为ω=0.091。中指动作时谱峰对应的频率要低于食指动作时的频率。以AR系数作为LVQ网络的输入,对不同力量水平的动作进行分类,结果如表1所示。由表1可以看出,4N力量水平下,隐层数为100、80、60时正确率均为86.67%;6N力量水平下,隐层数为100、80、60时正确率分别为85.71%,86.67%,86.67%;8N力量水平下,隐层数为100、80、60时正确率分别为85.71%,85.71%,86.67%。5分类识别效果分析从图3所示的结果可以看出,食指和中指在输出相同力量水平时,基于AR模型的功率谱估计存在明显的差异,这说明食指和中指输出相同力量时FDS的活动模式存在差异。同时,这种功率谱差异应该表现在AR系数,由此推测前臂肌肉表明肌电信号的AR系数可用于表征肌肉活动水平。进一步以AR系数为特征值使用LVQ网络对食指、中指在4N、6N、8N时进行按压动作进行分类结果表明,AR系数在区分食指和中指活动模式时,正确率超过85%。由于不同手指的动作运动单位的募集和发放均有差异,虽然记录的表面肌电信号经过了时间及空间的叠加,但不同手指动作的肌电信号的特异性依然存在,本文以AR系数表征这些差异。同时,由于肌电信号具有非平稳性,所以更适用现代谱估计的方法,而AR参数模型把肌电信号的随机性和一定程度的可预测性结合起来,其中激励白噪声反映过程的随机性,确定性模型反映过程的可预测性。另外,本文的结果(表1)说明LVQ神经网络在通过AR系数识别手指活动模式时有较高的识别效率。事实上,LVQ网络具有很好的模式分类识别特性,它的网络结构简单,而且它只通过内部单元的相互作用就可以完成十分复杂的分类处理,也很容易将设计域中各种繁杂分散的设计条件收敛到结论上来。本文的研究表明,LVQ网络隐层数选择为60时分类效果最佳,继续增加隐层数时识别的正确率相差不大,这可能与AR系数的自身特征有关。6肌肉组成识别各个手指在不同力量水平下动作时,需要肌肉的协调控制,所以肌电信号会体现出一些特征,采用本文的实验方法