基于sEMG的特征包絡線提取與動作識別研究

高 峰，楊 彬，鮑官軍，王志恒

(浙江工業大學 特種裝備制造與先進加工技術教育部省重點實驗室，杭州 310014)

基于sEMG的特征包絡線提取與動作識別研究

高 峰，楊 彬，鮑官軍，王志恒

(浙江工業大學 特種裝備制造與先進加工技術教育部省重點實驗室，杭州 310014)

針對表面肌電信號模式識別在康復器械以及智能假肢中的應用問題，通過平方調解法來提取多通道sEMG特征包絡線，以提高手指動作識別速率與正確率；首先將手指動作采集實驗獲取的表面肌電信號進行平方處理，再經低通濾波形成包絡線；利用幅值乘方法對不同的動作類型的包絡線進行處理并形成學習用的教師樣本標簽，最后通過BP神經網絡完成動作的識別分類；實驗結果顯示，屈拇指、屈食指、屈中指、屈無名指、屈小指和屈五指這6種動作的平均識別正確率為94.93%，每次動作識別的平均延時為50.7 ms。

表面肌電信號；特征包絡線；平方調解法；樣本標簽；BP神經網絡

0 引言

表面肌電信號(surface electromyographic signals, sEMG)是不同的運動單位動作電位(motor unit action potential，MUAP)在肌肉纖維和細胞組織中傳導疊加的綜合結果[1]。sEMG由于具有拾取方便并且無創傷性等特點，現被廣泛應用于肢體運動康復醫療領域當中[2-3]。例如，矯形器、機器人康復輔助設備以及肌電假肢等多類人機交互平臺[4]。為了能更好的將sEMG應用于康復器械的控制當中，主要的工作就是從表面肌電信號中解碼肢體的運動模式，即sEMG的特征提取與動作模式識別[5]。Englehart K.和Hudgins B.等利用小波包提取特征向量并應用MLP分類器，識別錯誤率在7%以下[6]。Abdulhamit Subasi等通過小波分析對表面肌電信號進行特征提取并利用神經網絡技術完成了分類實驗，正確識別率達到了90.7%[7]。Momen等使用模糊C-means聚類法對sEMG特征空間進行分割，對4類及5類手勢的平均識別準確率分別達到92.7±3.2 %和79.9±16.8 %[8]。以上的研究表明，雖說目前動作模式分類的正確率已經達到較高的水平，但同時也存在著諸多的問題[9]。例如，電極布置不當，缺失了部分的體征信息，個體差異性對實驗效果的影響較大[10]；頻域特征的提取在某種程度上提高了動作識別正確率，但較多特征參數相對時域特征來說耗時嚴重，影響了控制的實時性[11]。簡而言之，對動作類型識別的速率和正確率是實現良好康復訓練的必要條件[12]。

Chen Z, Fan S等人提出人手康復訓練最基本的成效就是讓患者能夠實現各個手指的彎曲動作，以此為手部功能進一步的康復奠定生理基礎[13]。而神經網絡具有較好的容錯性、自適應性和復雜特征空間劃分能力，在模式識別領域中有著廣泛的應用。

綜合以上問題與結論，本文利用12路肌電信號采集系統提取人手屈拇指、屈食指、屈中指、屈無名指、屈小指和屈五指這6種動作的9通道肌電活動信息，提出了一種平方調解法提取信號時域特征包絡線，根據添加的教師樣本動作標簽，最后通過BP神經網絡完成動作的識別分類。結果表明，神經網絡對于提取特征包絡線后的手指動作的識別正確率可達94.93%，每次動作識別平均延時為50.7 ms。

1 多通道sEMG信息采集

1.1 信息采集設備

在sEMG信號采集實驗中使用的是自主研發定制的肌電信號采集系統，采樣頻率為500Hz，具有10位AD轉換精度，與工作站通過USB接口進行通訊，可以同時采集12路通道的sEMG信號并實時顯示在工作站軟件界面上。采樣電極為3極差分輸入，在一定程度上保證了輸入信號的完整性和真實性。實驗設備具體如圖1所示。

圖1 12路sEMG信號采集設備

1.2 電極布置方案

準確地采集表面肌電信號并使其在最大程度上表示不同運動模式下所對應肌肉的活動狀態是sEMG信號處理和實際應用的前提[14]。醫學研究表明，各個手指彎曲時所牽動的肌肉群主要包括拇長屈(展)肌、指總屈肌(指深屈肌、指淺屈肌)。但由于指深屈肌位于眾多肌肉群里層，一定程度上會牽動其它肌肉的運動[15]，例如掌長肌和橈側腕屈肌。具體如表1所示。

表1 各指彎曲動作對應肌肉群

考慮到前臂手指驅動肌肉的分布形式以及肌肉之間不可避免的耦合牽動，共設置9組電極來采集sEMG信號。其中8路電極環繞手臂布置，用以檢測食指、中指、無名指、小指對應總指伸屈肌產生的sEMG信號，另外一路電極單獨布置，用以檢測拇長屈肌產生的sEMG信號。這種布置方式，可以很大程度地保證各路肌電信號的獨立性，以利于動作識別。

1.3 采集實驗

利用上述方法和設備，采集受試者在屈拇指、屈食指、屈中指、屈無名指、屈小指和屈五指這6種動作，指間關節彎曲角度為90°±5°，在每種動作當中兩次動作之間有1-2秒的間隔，共做100-200次，以保證有足夠的數據樣本供神經網絡的訓練和學習。實驗中，手指彎曲的力度與速度緩慢適中，并在整個采集實驗過程當中保持一致，以貼近患者受試的真實情況。圖2為屈拇指時其中四個通道的原始肌電信號。

圖2 原始肌電信號(屈拇指1-4通道)

2 特征包絡線提取與樣本標簽制定

文[7]中所述，肌電信號的形成，是經過大腦意識調制過的電脈沖作用于肌肉，在神經遞質的作用下在肌肉中產生肌電信號并引起肌肉收縮。而肌電信號的特征提取，從本質上講就是將大腦意識的調制信號提取出來。從肌電信號波形來看，能反映大腦意識的波形就是肌電信號的包絡線，而且包絡線幅值反映了各路肌電信號的信噪比。如圖3所示，將各電極采集到的肌電信號包絡線提取后，就可根據這些包絡線組成的特征信號識別手指動作。

圖3 肌電信號包絡線

2.1 提取sEMG特征包絡線

本文提出的提取包絡線的方法為平方解調法，具體來講就是將信號進行平方處理后，再經過低通濾波得到包絡線。平方調解法具有因果性，可用于實時提取肌電信號特征包絡線。

濾波調解過程當中，低通濾波器采用了3階巴特沃茲濾波器，其包絡線輸出可表示如下：

(1)

式中，x(n)為原始信號數據，bi和ai是濾波器參數，可以根據階數和3db截止頻率設計。

圖4為屈拇指時對應原始肌電信號包絡濾波的結果。

圖4 肌電信號的包絡濾波(屈拇指1-4通道)

2.2 制定教師樣本標簽

實驗中需要識別的手指動作包括：屈拇指、屈食指、屈中指、屈無名指、屈小指以及屈五指，除此之外還隱含了無動作這一狀態，所以實際需要識別七種狀態，這樣才能涵蓋所有采集到的特征數據。因此可以采用7位二進制的編碼方式來表示各種狀態，形成如表2所示的動作標簽。

在不同的手指動作中，各電極檢測到的sEMG信號雖然強度大小不一，但具有同步性，因此可以將9路sEMG信號的包絡信號疊加后取平均，從而構造出一個動作同步信號Y(t)：

Y(t)=[y1(t)+y2(t)+y3(t)+y4(t)+y5(t)

+y6(t)+y7(t)+y8(t)+y9(t)]/9

(2)

表2 屈指動作標簽

利用Y(t)可進一步構造動作標簽Sync(t)。具體做法是將Y(t)取n次方后再經過一個幅值乘方門限比較器[16]，從而構造出標簽數字信號Sync(t)如下：

Y(t)n-b>0

Y(t)n-b≤0

(3)

其中：n、b根據具體情況通過試驗確定。本次實驗取n=3，b=27 000形成的Sync(t)信號與sEMG的對應關系如圖5所示(為清楚起見在圖將Sync(t)信號幅值放大50倍)，可以看出兩者具有良好的同步性。

每采一次數據，則給數據加上相應的動作標簽。Sync(t)信號為1的區域表示有屈指動作，應加上七位二進制1000000的標簽；沒有同步信號的區域表示是無動作狀態，應加上0000001的動作標簽。這樣，每生成一次9×1的肌電包絡信號向量，都對應著一個二進制動作標簽，從而形成教師樣本數據。

圖5 添加動作標簽的效果(屈拇指1-4通道)

3 實驗與結果分析

3.1 BP神經網絡的構建、訓練與驗證

在手指動作識別中，BP神經網絡感知器不但具有良好的分類效果，而且速度快，非常適合于類似手指康復、機器人操作等需要很高實時性的場合。

根據上文所述，因為有9路包絡信號構成9×1向量輸入，同時有7路標簽信號輸出，因此可以構造9輸入、7輸出的三層神經網絡感知器。其中，隱含層選擇30個節點，每個神經單元采用Sigmoid激活函數。對神經網絡加以訓練后，具體的訓練結果和識別效果可以用帶有標簽的數據加以驗證。

詳細的結果可以用表3所示的混淆矩陣進行評價。在混淆矩陣中，每一行代表某一類實際輸出中包含的所有正確和錯誤的類輸出；每一列代表驗證樣本中每一類數據的標簽輸出分類狀況。在完全正確分類的情況下，除了主對角線元素外，其他元素都應該為0，但在實際中總是存在錯誤分類的情況，而錯誤的嚴重程度則可以在混淆矩陣中定量顯示出來。

例如，第1行代表在總的拇指動作輸出中，拇指動作數據中有1349個被正確識別輸出，食指動作數據中有39個被錯誤地識別為拇指動作輸出，中指動作數據中有1個被錯誤地識別為拇指動作輸出，其他行含義及錯誤依次類推。而第1列則表示，在所有的拇指樣本動作中，有1349個被正確識別，有7個被錯誤地識別為食指動作，有1個被錯誤地識別為中指動作，其他的列含義及錯誤識別依次類推。

表3 混淆矩陣

3.2 實時動作分類實驗與結果分析

按照屈拇指、屈食指、屈中指、屈無名指、屈小指、屈五指的動作順序進行數據記錄并加上標簽，每次動作周期維持在1～2 s，每種動作重復多次后轉入下一個動作，用訓練過的神經網絡進行實時識別。本次實驗共進行140次屈指動作對應有71980個數據采樣點，持續時間大約151 s得到的識別結果如圖6所示。

圖6 神經網絡實時識別結果

根據以上信息，本次實驗通過提取sEMG特征包絡線并利用BP神經網絡進行手指動作的識別分類結果如表4所示。

其中，每次動作識別平均延時

(4)

式中，T為總消耗時間；N為采樣點數；f為采集器頻率；n為動作次數。

表4 手指動作識別正確率及平均延時

在整個實驗過程中影響手指動作識別正確率的因素主要有：

(1)受試者的個體差異性，屈指力度波動范圍較大；

(2)手指肌肉之間存在不同程度上的相互牽動，無法做到嚴格的單指獨立彎曲動作。

對比表3與表4可知，預先采集新用戶(患者)動作數據并進行訓練之后，其對應屈指動作識別的正確率將提高3%左右。

本次實驗手指動作識別平均延時為50.7 ms，相對于文[6]中Englehart.K所指出的信號長度處理延時200～300 ms，完全在可接受范圍之內。因此，本文提出的方法滿足在康復機械控制領域的實時性要求。

4 結論

(1)根據人手前臂肌肉分布特點，設計了9路采集電極的布置方式。其中8路電極環繞手臂布置，用以檢測食指、中指、無名指、小指屈肌產生的sEMG信號，另外一路電極單獨布置，用以檢測拇屈肌產生的sEMG信號。這樣可以最大程度地保證各路肌電信號的獨立性，以利于動作識別。

(2)基于肌電信號產生的原理，提出了一種平方調解法提取肌電信號的特征包絡線，利用幅值乘方門限法將其轉變為方波信號并制作教師樣本標簽。

(3)構造9輸入、7輸出的BP神經網絡并利用樣本標簽進行訓練，最終通過實驗驗證得到屈拇指、屈食指、屈中指、屈無名指、屈小指和屈五指等6種手指動作平均識別正確率為94.93%，每次動作識別平均延時為50.7 ms。由此可知，本文提出的方法滿足在康復機械控制領域的實時性要求。

[1] Khokhar Z O, Xiao Z G, Menon C. Surface EMG pattern recognition for real-time control of a wrist exoskeleton[J]. Biomedical Engineering Online, 2010, 9(5):41.

[2] 吳 瓊,叢 芳,桑德春,等. 肌電觸發電刺激對偏癱上肢運動功能恢復的研究進展[J].中國康復理論與實踐, 2010, 16(2): 124-126.

[3] 張道輝. 仿生機械手肌電控制方法研究[D].沈陽:沈陽理工大學,2013.

[4] 王利波.康復仿生手研究[D].沈陽:沈陽理工大學,2013.

[5] 王 濤,侯文生,吳小鷹,等.用于肌電假肢手控制的表面肌電雙線性模型分析[J].儀器儀表學報, 2014, 35(8): 1907-1913.

[6] Englehart K, Hudgins B. A robust, real-time control scheme for multifunction my electric control [J]. IEEE Transactions on Biomedical Engineering, 2003, 50(7):848-854.

[7] Subasi A, Yilmaz M, Ozcalik HR. Classification of EMG signals using wavelet neural network [J]. Journal of Neuroscience Methods, 2006, 156(1-2):360-367.

[8] Momen K, Krishnan S, Chau T. Electromyographic signals corresponding touser-selected intentional movements formultifunction prosthesis control[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2007, 15(4):535-542.

[9] 吳冬梅, 孫欣, 張志成,等. 表面肌電信號的分析和特征提取[J]. 中國組織工程研究與臨床康復, 2010, 14(43):8073-8076.

[10] Tenore F, Ramos A, Fahmy A, et al. Towards the control of individual fingers of a prosthetic hand using surface EMG signals[A]. International Conference of the IEEE Engineering in Medicine & Biology Society[C]. 2007:6146-9.

[11] Kevin T. O’Toole, Mark M. McGrath. Mechanical Design and Theoretical Analysis of Four Fingered Prosthetic Hand Incorporating Embedded SMA Bundle Actuators[J]. Engineering and Technology, 2007,31(2):142-149.

[12] 萬 莎. sEMG信號實時檢測及假肢手指控制的初步研究[D].重慶:重慶大學, 2012.

[13] Chen Z, Fan S, Zhang D. An Exoskeleton System for Hand Rehabilitation Based on Master-Slave Control[J].Intelligent Robotics and Applications. Springer International Publishing, 2014:242-253.

[14] 黃鵬程.基于多點連續肌電控制的仿生康復手關鍵技術研究[D].杭州: 浙江工業大學, 2013.

[15] 陳士文, 周 曉, 王文艷,等. 前臂后群伸肌的神經分布及意義[J].中國臨床解剖學雜志, 2013, 31(1):22-24.

[16] 黃鵬程,楊慶華,鮑官軍,等.基于幅值立方和 BP 神經網絡的表面肌電信號特征提取算法[J].中國機械工程,2011,23(11):1332-1336.

Research on Feature Envelope Extraction and Motion Recognition Based on Surface Electromyographic Signals

Gao Feng, Yang Bin, Bao Guanjun, Wang Zhiheng

(Ministerial and Provincial Key Laboratory of E&M,Zhejiang University of Technology,Hangzhou 310014, China)

On study of surface electromyographic signals (sEMG) pattern recognition in rehabilitation equipment and intelligent prosthetic applications, a square-mediation method that extracts the envelope of multi-channel sEMG features is presented, with which the finger gesture recognition rate and accuracy rate is improved. In the process, the sEMG is squared by the finger movement acquisition experiment, and then the envelope was formed through the low-pass filtering. Using the amplitude-multiplication method, the envelope of different types of finger action is used to creat the teacher sample label. With these label, the BP neural network is used to accomplish the recognition and classification of the action. Experimental results show that the average correct rate of finger behavior recognition is 94.93% , including thumb, index finger, middle finger, ring finger, little finger and all finger flexion actions. The average time delay for each action recognition is 50.7 ms.

surface electromyographic signals (sEMG)；feature envelope；square-mediation method；sample label；BP neural network

2016-10-21；

2016-11-24。

國家自然科學基金(51405441)；浙江省重點科技創新團隊項目(2011R50011)；浙江省自然科學基金(Q15E050025)。

高 峰(1968-)，男，浙江杭州人，博士，副教授。主要從事康復機器人方向的研究。

楊 彬(1991-)，男，云南紅河人，碩士研究生，主要從事康復機器人方向的研究。

1671-4598(2017)03-0213-04

10.16526/j.cnki.11-4762/tp.2017.03.058

TN911.7；TP241

A