肘關節屈運動相關肌肉表面肌電信號研究*

何小耀，韋宇煒，何漢武，王俊華，曾科學

（1.廣東工業大學，廣東 廣州 510000；2.廣東省第二中醫院，廣東 廣州 510000）

肘關節屈運動相關肌肉表面肌電信號研究*

何小耀1，韋宇煒1，何漢武1，王俊華2，曾科學2

（1.廣東工業大學，廣東 廣州 510000；2.廣東省第二中醫院，廣東 廣州 510000）

針對表面肌電控制對信號通道數和數據量的要求，文章以肘關節屈運動的角度識別為研究目標，通過對相關肌肉表面肌電信號進行去噪，提取特征值，建立表面肌電信號與關節運動角度的映射關系，旨在找出最能表征肘關節屈運動的肌肉。通過實驗數據發現肱二頭肌和肱橈肌用于肘關節屈運動角度識別的準確率更高。

表面肌電；肘關節屈；運動；角度；識別

我國人口眾多，其中殘疾人達到6千萬之多，這其中，肢體殘疾約占45%，而肢體殘疾中，又以上肢殘疾居多。傳統的上肢康復訓練方法是依靠專業的理療醫師對患者進行手把手的訓練。對于這種病患，醫師的輔助訓練雖有一定的幫助，但是不會太理想，主要問題在于訓練效率不高，操作過程帶有醫師的主觀態度，康復評定標準無理論依據[1]。利用人體表面肌電信號（以下簡稱sEMG）控制外骨骼機器人，使用機器人的“體力”來帶動患者做康復運動。這種方式不僅可以繼承目前的康復模式和方法，還有可能徹底解決這些康復訓練方法中存在的問題[2]。

用sEMG控制外骨骼康復訓練，為了防止對患者造成二次傷害，對關節運動角度識別有較高的要求。為此，文章選取肘關節屈運動的角度識別為研究對象。肘關節的屈運動涉及到多組肌肉：肱二頭肌、肱肌、肱橈肌、橈側腕屈肌、和尺側腕屈肌，利用多塊肌肉的肌電信號表征肘關節運動，必將提高識別率。但這將使數據過于龐大，信號處理實時性降低。最重要的是，對于截肢患者，有時無法獲得多塊肌肉的sEMG，為此，期望能夠找到最能表征肘關節屈運動的肌肉，僅利最少的肌肉信號實現角度識別。

文章通過采集肘關節屈運動相關肌肉的sEMG，對sEMG去噪，提取特征，利用BP神經網路建立sEMG與關節運動角度的關系，從而利用sEMG識別關節運動角度。通過分析不同肌肉sRMG對角度的識別率，來找出更能表征肘關節屈運動角度的肌肉，為識別肘關節屈運動肌肉的選擇提供依據。

1 肌電信號的采集、去噪與特征提取

1.1 肌電信號的采集

肌電信號采集時，因表面肌電信號極其微弱， 其電壓值在50μV～2000μV之間，其能量主要集中在10Hz-500Hz之間。采集電路需對信號進行放大、濾波，采集過程如圖1所示。

圖1 sEMG信號流向圖

1.2 小波去噪

采集到的sEMG仍舊含有大量噪聲，需要做進一步去噪處理。小波變換是一種時間窗和頻率窗都可以改變的視頻分析方法，不僅能反應信號在全部頻率上的整體時域特征，而且能提供頻率段所對應的時間信息。此外，小波變換在高頻段具有高的時間分辨率，低的頻率分辨率；低頻段具有高的頻率分辨率，低的時間分辨率，其在時頻域都有很強的局部特征表征力。因此，小波變換在非平穩信號的去噪以及特征提取領域有著十分廣泛的應用[3-5]。表面肌電信號可以表示為：

其中s(i)為含有噪聲的sEMG信號，x(i)為有用信號，e(i)為噪聲信號。

通過對s(i)進行小波分解，由于噪聲常包含在具有較高頻率的細節中，因此通過選取一定的閾值對分解的得到的小波系數進行處理，然后再重構信號，即可達到消噪的目的。利用Matlab進行去噪處理，使用閾值去噪函數wden，采用sym8小波進行5層分解。肘關節5次伸屈運動、肱橈肌sEMG信號去噪前后的波形如圖2所示。

圖2 去噪前后的肱橈肌信號

1.3 特征提取

sEMG是肌肉收縮時產生的電信號，為了建立sEMG與肘關節屈運動的映射關系，需從sEMG信號波形中選取影響肘關節運動的參數。相關文獻[6-8]中介紹了肌電信號的相關特征值：為了提高抗噪能力，提取sEMG細節特征采用了基于自排序熵的特征值提取方法；為了獲得分離度大的信號特征值，可以采用基于小波變換的方法。綜合考慮，文章選取三個特征值：通過閾值的sEMG數據點數的百分比，sEMG均方根值，sEMG能量值。

（1）通過閾值的sEMG數據點數百分比。以平伸狀態下的肌肉sEMG值為參考，選取其最大值，最小值為閾值，對屈運動狀態下的sEMG進行閾值濾波，計算通過閾值的數據點數占數據的百分比。通過的數據點數越多，說明肌肉發力時間越長，能夠在一定程度上反應肘關節的運動角度。

其中Xi為屈運動sEMG值，Xmax、Xmin為平伸狀態下sEMG最大、最小值，yi表示是否通過閾值濾波，N表示采樣點數，XNumOver表示通過閾值濾波占采樣數的百分比。

（2）sEMG均方根值。EMG均方根值的大小同樣是反應肌肉的活動變化，選取均方根值作為特征值之一。

XRMS表示sEMG的均方根值

（3）sEMG能量值。sENG的求取方法為通過對sEMG進行小波包分解，取相應的小波包系數的平方和即為能量值：

其中Ci為小波包分解的高維系數矩陣

如圖3所示，采集到的肱橈肌sEMG的三個特征值與角度，其中數據來自10次肘關節屈運動。

圖3 肱橈肌sEMG的三個特征值與肘關節屈運動角度

2 肘關節屈運動角度定量辨識

2.1 BP神經網絡設計

文章采用BP神經網絡對樣本數據進行訓練建立sEMG與運動角度之間的關系[9-11],結構如圖4所示。

圖4 BP網絡結構

該BP網絡共三層，輸入成含有3個節點，輸出層含有一個節點，對于隱含層節點數的確定，文章采用的確定方法為：

其中n為隱含層神經元數，nin為輸入神經元數，nout為輸出神經元數，a為1～10之間的常數。

經過不斷的嘗試，將n定位10得到的訓練結果較好。

2.2 實驗及結果

本實驗招募6名志愿者，年齡在18～35歲之間，沒有運動神經類疾病；在最近的6個月里，前臂沒有出現扭傷、運動損傷、斷裂等影響運動功能的傷病；最近兩天沒有進行過劇烈的運動；沒有肌肉酸痛及不適；非敏感性皮膚。本次實驗使用的器材有：sEMG、Agcl電極、角度采集儀等。

數據采集方法：Agcl電極貼于相關肌肉表面，測試者在無負重情況下，平緩的做肘關節屈運動，采集儀記錄sEMG信號；角度采集儀放置與受試這段手臂處采集角度信息。每位受試者分別采集肱二頭肌、肱橈肌、尺側腕屈肌、橈側腕屈肌，考慮到肱肌為深層肌，且大部分人該塊肌肉不明顯，因此文章暫不研究。每塊肌肉采集25組數據，其中20組用于BP網絡訓練，5組用于測試預測結果。

為了保證采集過程的一致性，在采集每一塊肌肉的sEMG信號時，應做相同的處理：用酒精擦拭相應皮膚，檢測電極相隔距離一致，參考電極位置不變等。利用上文中方法求取肌肉各組sEMG的特征值與對應的角度信息，并定義后好BP神經網絡，分別對采集的20組數據進行訓練。用5組測試數據測試預測結果，其中一位受試者的預測結果如圖5所示。

圖5 某一位受試者肘關節屈運動角度預測情況

為了分析預測結果，求取預測值與實際值誤差的均方根值，各受測者的各肌肉預測值與實際值誤差的均方根RMS值如表1。

2.3 結果分析

從表1中可以看出，肱二頭肌和肱橈肌的sEMG預測的角度誤差更小，表明肱二頭肌與肱橈肌與肘關節屈運動的關系更加緊密，這與醫學觀點：參與肘關節屈運動的

主要肌肉為肱二頭肌與肱橈肌，相符合[12]。后續在識別肘關節屈運動時，只需采集肱二頭肌和肱橈肌，甚至只采集肱橈肌的sEMG信號。這樣可以大大減少數據采集量，在患者某些肌肉無法采集到數據的情況下，利用其較少的甚至是一塊肌肉的信號進行識別，就顯得尤為重要。

表1 肘關節屈運動角度預測誤差

3 結束語

文章通過研究肘關節屈運動相關肌肉：肱二頭肌、肱橈肌、尺側腕屈肌、橈側腕屈肌的sEMG信號，分別采集其sEMG信號，濾波去噪，提取特征值，利用BP神經網絡建立sEMG與肘關節屈運動角度的映射關系。通過對不同肌肉的預測網絡測試，發現肱二頭肌和肱橈肌的預測結果要明顯好于尺側腕屈肌和橈側腕屈肌，說明參與肘關節屈運動的肌肉有多快，但有主次之分，并且每塊肌肉所能代表肘關節屈運動的程度也不一樣，肱二頭肌與肱橈肌最能表征肘關節屈運動。因此，在進行肘關節角度預測時，只需采集最具價值的肌肉sEMG信號，而無需采集所有相關肌肉的sEMG信號。從而減少識別所需的肌肉數量，減少數據，提高運算速度。

[1]耿松松.中國殘疾人康復現狀與問題研究[D].蘭州大學,2013.

[2]常微微.上肢外骨骼康復機器人控制系統研究[D].河北工業大學,2013.

[3]張啟忠,席旭剛,羅志增.基于表面肌電信號形態特征的多模式識別研究[J].傳感技術學報,2012,(12):1636-1642.

[4]朱艷芹.基于LabVIEW的小波去噪技術的研究及應用[D].武漢工程大學,2008.

[5]周偉.MATLAB小波分析高級技術[M].西安:西安電子科技大學出版社,2006.5-9.

[6]謝平,魏秀利,杜義浩,等.基于自排序熵的表面肌電信號特征提取方法[J].模式識別與人工智能,2014,27(6):496-501.

[7]羅志增,王人成.基于表面肌電信號的前臂手部多運動模式識別[J].模式識別與人工智能,2006,27(9):996-999.

[8] Reddy NP ,Gupat V.Toward direct biocontrol using surface EMG signals:Control of finger and wirst joint models [J]. Medical Engineering & Physics, 2007:398-403.

[9]孫保峰.基于神經網絡的表面肌電信號分類方法研究[D].吉林大學,2013.

[10]柳松青.MATLAB神經網絡BP網絡研究與應用[J].計算機工程與設計,2003,27(11):81-84.

[11]雷俊.基于ARM的表面肌電信號采集與模擬仿真系統的設計[D].吉林大學,2014.

[12]余慧杰.具有生理學特性的高精度人體肌肉疲勞建模及其在手臂屈伸運動中的應用研究[D].復旦大學,2008.

Q983+.4

A

2096-2789（2016）11-0011-03

廣東省科技計劃“基于功能電刺激的癱瘓患者步態康復訓練機器人的設計及研發”項目（2013B010102010）。