基于表面肌电信号的手腕动作模式识别

基于表面肌电信号的手腕动作模式识别摘要：基于表面肌电信号的肢体动作模式识别是假手仿生控制的基础。为提高动作模式识别率，论文从肌电信号的产生向量：同时提出了一种具有增量学习能力的K最近邻(KNN)模型增量学习算法作为模式识别的分类器，在对10位受试者手腕的四个精细动作腕伸、腕屈、腕内旋、腕外旋的识别实验中取得了92.5%以上的正确识别率。论文同时对增量学习能力对分类器动作模式识别率的影响做了对比实验，当假肢使用者生理变化时，以KNN模型增量学习算法作为分类器比采用不具增量学习能力的KNN模型算法的识别率高4.5%。上述实验表明，论文所提肌电信号动作模式识别方法方案合理，具有应用价值。cognitionoflimbsusingsEMGisthebasisforbioniccontrolofaprostheticfthegenerationmechanismofsEMG,theapproximateentropyandthefnctaldimcharaetenstiesineludingcomplexityandoverallself-similarnty.waschosenasthefeaturevectactionmoderecognitionrate.Inthemeantime,aKNearestNeighbor(KNN)modelincrementallearningmethodwithincorrectmoderecognitionrateisabove92.5%.Inacontrastexperimentthalearningabilitytotheactionmoderecognitionrate,thecorrectrecognitionrateis4.5pwithoutincrementallearningabilitywhentheprosKeywords:eleetromyography;myoelectrieprosthesis:KNNmodelinerementallea肌电信号(Electromyography,EMG)是一种伴随肌肉活动的生物电信号，是众多肌纤维中运动单元动作电位的叠加，蕴含了肌肉活动的各种信息。通过提取截肢者自身残端的EMG信号，利用其蕴含目前肌电假手智能控制的研究主要集中在相关的基础领域，如肌电信号采样频率的确定和采样窗口型的特征，选用合适的分类器以实现精细动作模式的区分，从而控制智能假手的动作[451,然而从特征及分类器选取角度研究以提高动作模式识别率的并不多。往往只是采用在相关肌肉组上尽可能多地布置采样电极，从信号的时域或频域中提取简单特征，如信号的平均幅值(MAV)、过零点数(NZC)、波形长度(WL)、斜率符号变化数(SSC)等，最后用线性判别分类器等方法实现动作模式的识别[68]。这种方法，理论上能提高动作模式识别的实时性，然而，在实际使用中，特征信号的波动范围很大，识别率并不理想。而且，过多的采样电极，规模偏大的调理电路，让使用者穿戴不方便。因而，寻找理想的肌电信号动作模式特征，然后，设计分类能力强且具有增强学习能力的模式识别方法是值得重视的方向。本研究是从肌电信号的产生机理出发，选取能从整体及细节两方面表征出肌电信号序列形态特征的非线性信息，设计具有增量学习能力的动作模式分类器。实现对手腕的4种精细动作模式腕右旋、腕左旋及腕伸、腕屈的识别，用于肌电假手的控制。1表面肌电信号特征的选取特征选取是模式识别的核心问题。如果能从待识别对象中选取出所需的有效特征并且不同对象其特征差别较大，分类器就能比较容易地实现对不同模式的分类。论文从肌电信号的产生机理出发，寻找用于模式识别的特征信息。动作单元(motorunit,MU)是肌肉最小的收缩单位，由α运动神经元、终板及多条肌纤维组成，如图1所示。α运动神经元发放固定频率值40Hz以下的δ脉冲序列M10],脉冲序列经轴突、终板传导到与之联结的肌纤维形成动作电位序列(MUAPT)。并引起肌纤维收缩而产生肌张力并带动各关节运动。此时，如果在对应组织处放置测试电极，则在检测电极与参考点(如，肘部)之间表现出电位差。检测电极所募集的各动作单元综合形成的动作电位即为表面肌电信号(sEMG)。从数学上描述，若令第k个动作单元所产生的动作电位序列MUAPT为h,(t)。则表面肌电信号是由于单个α运动神经元释放的电信号为具有周期性的脉冲序列u,(1),多个运动神经单元的组合仍为周期性信号，因而，从形态上分析肌电信号具有明显的整体自相似性。同时，不同动作模式参与的运动神经单元、神经纤维、肌纤维的数目等都是有区别的，信号在细节上又有其自身的复杂性。复杂性和整体自相似性是肌电信号的两个重要特征。近似熵是表征信号复杂度常用的指标。由于近似熵算法具有下述特点[11]:1)只要比较短的数据就2特征计算及模式识别方法2.1近似熵 ApEn(m,r,N)=φ"(r)-φ**(r)相同的动作模式，肌电信号的波形具有较强的相似性，而细节却与手的动作速度、用力大小等因素有关，如用原始信号直接求取信号的复杂度，同一动作模式复杂度的值变动范围会较大。达不到理想的1)求肌电信号的局部极大、极小值。通过插值函数获得信号的上下包络线。并对上下包络线求平均，肌电信号动作模式起跳时间的确定采用滑动窗的方法，窗内能量大于某阈值时，认为动作开始，取后继1024个采样点信号作为信号处理对象数据。预处理后计算信号的标准差STD,并取m=2,信号序列分维数的计算用改变粗视化程度的方法。针对已做时间与幅值归一化的时间序列信号1)选定步长k,把时间序列信号分成m等分。,其中j=1,.,m-j=m分析可知，Ink和InL(k)是斜率为-a的直线关系，若能求得Ink和InL(k),则用最小二乘法拟合这些点，即可得到α。进而得到分维数D。由于在近似熵计算时已对信号进行了幅值归一化，只须对信号进行时间坐标的归一化。设幅值归一的目的。2.3KNN模型增量学习算法K最近邻(KNN)法[121是一种基于实例的分类算法，基本思想是，使用一种距离度量计算待分类样本与所有训练样本之间的距离，找到距离待分类样本最近的k个近邻；然后根据这k个近邻所属的类别进行多数投票来确定待分类样本的类别。KNN法具有性能稳定、准确率高的优势。然而，KNN是·种懒散型的学习方法，也不是·种增量学习算法I13-41。为解决KNN算法存在的缺陷，作者改进提出了一种具有增量学习能力的KNN模型增量学习算法，由样本点数据整理及KNN法分类两部分构成。算法的第·部分：构造一系列模型簇，以模型簇的中心点作为代表点用于新样本的KNN法分类。据串。样本点数据整理，首先对每个类别中的样本点使用C-均值聚类算法进行自动聚类，分成m个簇。然后建立模型的五元组。为使分类器具有增量学习能力。对于后续使用中经模式识别得到验证准确识别的样本点，按距离度量最近的原则加到已有簇中。而识别结果不正确的样本点，则在模型簇中另建五元组。从而进一步改善学习样本集的分布状态使其更接近总体分布。当新增的样本点数达到一定量的累积时，可按实际需求踢除部分最早批次的样本点或保留所有样本点，然后用C-均值聚类算法重新聚类，重建模型簇。算法的第二部分：用K最近邻(KNN)法计算待分类样本与各类代表点之间的距离。在投票决定待识别样本的类别时，对每个代表点乘一权重系数1由加权后的数据投票确定待识别样本的类别。若在数据整理阶段，使用过程中不对模型簇的样本点进行调整，则为不具增量学习能力的KNN模型3特征提取及模式识别结果3.1动作表面肌电信号的采集人体的前臂肌肉群包括尺侧腕伸肌、尺侧腕屈肌、掌长肌等数十块肌肉。其主要功能是实现屈肘、屈腕、屈指和前臂旋转等，是人体中十分重要的部位，也是肌电假手的控制信息源。本文针对动作模式腕屈、腕伸、腕左旋及腕右旋的识别展开研究，结果用于自制肌电实验对象均为右手低位截肢志愿者，男性6名，年龄(40±5)岁，体重(65.0±5.0)kg,身高(170.0±5.0)cm。女性4名，年龄(35±5)岁，体重(52.0±6.0)kg,身高(162.0±5.0)cm。取6位男性中的4位编号为#01～#04,女性中的2位编号为#04～#05,余下的2男2女编号为#07～#10。实验前要求受试者24h内未作剧烈运动，以排除非实验要求的肌肉疲劳影响。每次试验需记录受试者编号、开始时间、所采集肌电信号的时刻、受试者状态等信息，将所采集的表面肌电信号建立数据库。由于动作模式腕屈、腕伸、腕左旋及腕右旋主要与前臂肌肉群的尺侧腕伸肌与尺侧腕屈肌有关，因而，选取实验者右手上肢这2组肌肉表面作为sEMG的拾取位置，每组肌肉表面贴附一次性双极表面电极，选用由美国Noraxon公司研制的新型便携式MyoTrace400肌电信号采集仪来获取信号，采样频率为2500Hz,仪器内置截止频率500Hz的低通滤波器和截止频率为10Hz的高通滤波器。图2为肌电信号测试实验，图3为腕右旋动作的肌电信号图。Fig.3Thesurfaceelectromyography(sEMG)ofwristsupination.(a理想的肌电假手应具有可推广性，也即产品参数的设置是基于部分受试者的，但结果对另一部分人群也适用。因此，论文对肌电信号特征的统计与分析及初始分类器的构建是基于前6位受试者的，而动作模式的识别则对所有10位受试者进行。表1为从前6位低位截肢者数据库中随机取得非疲劳状态下的4类动作模式各200组肌电信号近似熵的统计结果。图4为各取50组肌电信号近似熵的二维分布图。表1数据显示，在尺侧腕伸肌与尺侧腕屈肌上采集的腕屈与腕伸两个动作的肌电信号的近似熵值较大，右旋及左旋动作肌电信号的近似熵相对较小。而且每类动作在尺侧腕伸肌与尺侧腕屈肌上近似熵的取值大小情况正相反。反映在图中4个动作相应复杂度值的聚类特性较为明显，利于动作模式的分肌肉组别腕屈腕伸右旋左旋Fig.4DistributionofsEMG's表2为从前6位低位截肢者数据库中随机取得非疲劳状态下的4类动作模式各200组肌电信号分维数的统计结果。图5为各取50组肌电信号分维数的二维分布图。表2中，右旋和腕伸动作，尺侧腕伸肌上的分维数较尺侧腕屈肌上的值大。左旋与腕屈在肌肉组上的表现与上面情况正好相反，尺侧腕腕伸肌上的分维数较尺侧腕屈肌上的值小。图5中，4类动作分维数点对的分布聚类特性明显。表2表面肌电信号分维数统计数据(n=6,均值±标准差)腕屈腕伸右旋左旋图5肌电信号分维数分布图3.2模式识别结果针对肌电信号动作模式的识别问题。初始分类器的构建，是从前6位受试者非疲劳状态下所建立的肌电信号数据库中随机地取4×100组信号，每类动作模式各100次。计算其复杂度和分维数，其中的80中能完全识别，表明所设计的分类器合理。再以此方式建立的模式分类器用于受试者后续动作模式的识为验证论文所提出的模式识别方案的效果，设计了如下的实验方法。受试者从休息放松状态进入动半阶段的实验中明显处于疲劳状态。表3为10位受试者对100组动作模式的实验结果。模式分类器采用的是具有增量学习能力的KNN模型增量学习算法。每行数据代表了对某类动作100次识别得到的结果及识别参数。识别效果的评价采用了灵敏度、特异度及识别率3个参数，计算灵敏度、特度度的真阳性和真阴性定义为：属于某一动作模式且被准确判别则为真阳性，不属于某一动作模式且被准确识别为不是该2222受试者动作模式腕届腕伸内旋外旋胞屈腕伸内旋外旋脑尼晚神内旋外旋惋相晚忡内就外旋购中内旋外故顺肩胸忡内旋外旋晌屈腕伸内旋外能胸屈腕忡内旋外旋胞屈胞伸内旋外旋胞屈胞伸内旋2221221212222322222222222222233222II222123222232225323342233332322332432324324223223223223224323324233数据表明，受试者动作模式的识别率(灵敏度)均达到了92.5%以上，且前6位受试者与后4位受试者动作模式识别无明显差别。说明，所设计的模式识别方案具有应用推广能力。学习能力分类器对模式识别率的影响做了对比实验。表4为#01号受试者10次实验不同阶段的识别率数据，实验中的前50组定义为阶段1,后50组定义为阶段Ⅱ,50组的选定是使受试者感觉开始进入肌肉疲劳状能力的KNN模型增量学习算法，单元中的值代表对4类各50组动作的平均识别率。表4各阶段模式识别率(%)统计表序号分类器1阶段1分类器1阶段Ⅱ分类器2阶段I分类器2阶段Ⅱ数据显示，相同的肌电信号，在不采用增量学习算法时识别率随着假肢使用者生理状态的变化而下降。而采用增量学习型算法时，识别率稳定。两种分类器对应阶段1,Ⅱ平均识别率之差为2.0%、4.5%。为判断差异是由于偶然因素引起的或两者确实本身存在着差异，论文利用SPSS软件对实验结果进行了配对样本t检验，显著性检验标准为P<0.05。检验结果为，阶段1肌电信号用不同分类器分类其正确识别率数据的差异由抽样误差引起的概率为P=0.001,阶段Ⅱ则接近为0。表明，两个阶段的数据用不同分类器识别其差别在统计学上都有显著性意义。论文选用近似熵作为表征肌电信号的复杂度特征，而不同动作的复杂度数据有较明显的差异。从表1及图4中可以看出，由于腕屈与腕伸两个动作主要由尺侧腕伸肌与尺侧腕屈肌参与完成，而右旋及左旋动作的完成相对前两个动作更为复杂、参与的肌肉组较多。实验结果为：在尺侧腕伸肌与尺侧腕屈肌上采集的腕屈与腕伸两个动作的肌电信号的近似熵值较大，右旋及左旋动作肌电信号的近似熵相对较小。说明：用近似熵指标表达肌电信号的复杂度特征研究方向是正确，能很好地用于动作的分类。分析肌肉组在各种动作下的活动状态。以右旋和腕伸为例，肌肉组尺侧腕伸肌都处于较强的收缩状态，尺侧腕屈肌处于相对放松状态，表2中反映肌电信号整体自相似性的分形维数的数值情况相似，尺侧腕伸肌上的分维数较尺侧腕屈肌上的值大。左旋与腕屈在肌肉组上的表现与上面情况正好相反，尺侧腕尺侧腕伸肌上的分维数较尺侧腕屈肌上的值小。数据说明，反映肌电信号整体自相似性的分维数指标与肌肉的活动强度相关，分维数的大小随肌肉活动强度增大而增因而，论文选用近似熵指标与分维数指标完整地表达出了不同动作模式肌电信号的形态特征，再与差(VAR)及波形长度(WL)构成简单特征组合，另一种以FukudaO明方法提取肌电信号的分维数及最大分形长度(maximumfractallength,MFL)构成分形特征组合。然后，用BP网络进行分类识别，实验数据采用#01号受试者阶段1的肌电信号，结果简单特征组合的识别率为81.0%,分形特征组合为86.0%,与论文所提方法有较大差距。原因在于简单特征组合仅选取信号的常用时域特征，特征主要反映肌肉的活动强度。而分形特征组合只反映了信号的自相似性及信号强度，没能全面表征信号的形态特征。论文对基于表面肌电信号形态特征的手腕动作模式识别进行了研究，实现了手腕的四种精细动作模式腕屈、腕伸、腕右旋、腕左旋的识别，结果用于肌电假手的动作命令的产生。模式识别的输入特征采用了复杂度理论中的近似熵及分形特征上的细节复杂度及整体自相似性。动作模式识别分类器采用了改进的KNN模型增量学习算法，所设计的分类器不但继承了KNN算法性能稳定、识别率高的优点，而且具备了增量学习的能力。对受试者右手腕部的四个精细动作腕屈、腕伸、腕右旋、腕左旋的识别实验中，达到了92.5%以上准确识别率，[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