基于表面肌電的下肢肌肉功能網絡構建及其應用研究

陳玲玲 李珊珊 劉作軍 張 燕

基于表面肌電的下肢肌肉功能網絡構建及其應用研究

陳玲玲1,2李珊珊1劉作軍1,2張 燕1,2

在肌電控制下肢康復輔具研究中,合適的肌電采集位置是運動模式識別的前提與基礎.針對目前肌電采集位置缺乏成熟理論依據和統一標準的問題,選取90個下肢肌電采集點作為節點,通過計算節點間的肌電相關性,構建下肢肌肉功能網絡,證明其具有小世界特性.實驗結果表明:不同運動模式的網絡具有明顯的拓撲結構差異,通過網絡特性分析可以確定與模式關聯度大的肌電采集位置,取得較好的運動模式識別結果.通過構建及分析下肢肌肉功能網絡,深入了解下肢運動模式更替過程中的肌肉協同工作機制,為下肢康復輔具控制中肌電采集位置的確定提供了理論支持.

復雜網絡,下肢肌肉功能網絡,肌電信號,節點重要度,拓撲特性

肌電信號(Electromyography,EMG)在激發肌肉活動時產生,是一種重要的運動生物力學信息,與人體的期望動作直接相關,尤其是表面肌電信號以其無創傷測量、易提取的優點,成為感知人體運動意圖的理想信息源,廣泛地應用于外骨骼助行機器人、假肢等下肢康復輔具控制[1?3].

通過EMG可以在未做出動作前獲取主動運動意圖,相對于僅僅采集姿態、速度等運動力學信息的傳統方法具有明顯優勢[4?5].在肌電控制下肢康復輔具過程中,為了得到更好的模式識別結果,確定能更好地區分各模式的肌電信號采集位置非常重要.

雖然下肢表面EMG蘊含足夠的信息以表達患者應對運動模式更替的意愿,但是目前肌電電極放置位置并沒有成熟的理論依據和統一標準,缺乏對不同運動模式過程中全面動態EMG的變化與聯系的理論層次解讀.

通常是基于解剖學的已有知識,通過對下肢各主要肌群進行統計學分析或實驗[6?9],分析比較各肌群的EMG關聯關系.例如,佟麗娜等[6]利用健康個體單側8塊主要肌群的表面EMG識別下肢踏車、行走和橢圓運動模式,通過分析8路信號的平均相似度及標準差,將8塊肌肉減少到3塊,最終準確率高達91.67%.又如佘青山等[7]通過大量反復實驗,選用4塊大腿肌肉作為下肢EMG的來源,將一個步態周期細分為支撐前期、支撐中期等5種運動模式.He等[8]則通過分析坐下、蹲、上下樓及行走過程中的單側13塊肌肉,確定各種運動過程中的主要作用肌群.雖然以上肌肉采集位置的確定方法已經涵蓋了下肢的大部分肌群,取得了較好的研究成果,但是仍未覆蓋整個下肢表面.隨著肌群個數的增加,統計學分析或實驗的工作量將急劇增加,因此對整個下肢表面的EMG進行綜合分析與比較是不現實的,這就使得當前的運動模式識別結果有可能不是最理想的,有可能通過肌電位置優化進一步提高識別效果.

另一方面,為了全面、深入了解不同運動模式中的電生理過程,對運動模式做出準確的識別,需要采集多個通道的EMG[10?11],獲取全面的動態肌電信息.但是肌肉之間又存在著嚴重的相似性,需要通過分析各通道間的耦合關系最大限度地減少電極數目.

常用主元分析法(Principal component analysis,PCA)根據各特征參數的貢獻率降低特征參數維數[12].雖然對于特定信號效果很好,但是對各肌肉貢獻率描述中無法體現時間信息.由于各肌肉在每個運動階段的作用不同,貢獻率也不同,可能兩塊肌電特性相似的肌肉貢獻率都很大,也可能貢獻率低的肌肉在某階段運動描述中必不可少.所以,簡單的PCA分析并不能完全揭示下肢肌肉的神經動力學關系.

復雜網絡理論作為一種研究復雜系統動力學的有效方法,首先由Watts等[13]和Barab′asi等[14]提出,復雜網絡的局部和全局特性能夠清晰地刻畫組成復雜系統的不同元素之間的相互關系和信息流動過程,在大腦功能認識[15?16]、蛋白質互相作用網絡[17]、網絡搜索、傳染病控制及突發事件預報等方面提供了很好的科學理解和定量分析.尤其是腦功能網絡,是復雜網絡理論在神經科學中的重要應用,已經得到很多重要成果,并為揭示腦疾病的病理機制提供了新思路[15?16].

本文將復雜網絡理論應用于下肢EMG分析,在下肢肌肉表面選取90個EMG采集點作為節點,構建下肢肌肉功能網絡;通過網絡拓撲屬性分析[18?19],證明下肢肌肉功能網絡的小世界屬性,總結其統計學特點;在網絡層面分析不同運動模式過程中的拓撲結構差異和肌肉功能共異性,深入分析不同運動模式狀態下肌肉功能結構的共異性,確定與運動模式更替關聯度大的肌群和電極位置.下肢肌肉功能網絡構建與分析將揭示下肢EMG與運動模式更替之間的關系,為運動模式識別與調控提供可靠的理論支持.

1 下肢肌肉功能網絡構建

依次記錄兩側下肢的整個肌肉系統在3種運動模式(平地行走、上樓梯和下樓梯)過程中的表面EMG,構建下肢肌肉功能網絡,深入討論各采集點與模式切換間的關系.

定義1.一個無向無權網絡G=(V,E)具有n個節點和m條邊,其頂點集為V={V1,···,Vn},邊集合為

定義2.構造網絡G的鄰接矩陣A=(Aij)n×n

其中,Cij為節點i和節點j間的Pearson系數,TH為閾值.如果Aij=1,表示節點i與j之間有連邊,否則Aij=0,表示節點i與j之間無連邊.

1.1 定義網絡節點

將人體下肢與運動模式變化相關的肌肉系統分為10個區域,左腿和右腿的EMG采集點分布情況相同,以左側下肢為例,如圖1所示,左側下肢分為5個區域.在兩側下肢肌肉表面均勻選取n=90個EMG采集點作為節點,記作V 1～V 90,如表1所示.

圖1 左腿肌電電極放置位置Fig.1 EMG electrodes placement of left leg

1.2 基于移動窗的EMG分段

相對于上肢而言,下肢的運動更具有周期性特點,一個步態周期定義為從腳跟著地開始到同側腳跟再次著地結束(圖2(a)),可以分為支撐相和擺動相兩個部分.采集不同步速下(Fast:1.75m/s; Normal:1.25m/s;Slow:0.75m/s)股直肌的表面EMG,計算其均方根,如圖2(b)所示,在整個運動周期內,EMG呈周期性變化,股直肌在支撐相末期至擺動相中期、擺動相末期至支撐相中期兩階段起作用,肌電信號比較活躍,并隨步速增加而增加.而股二頭肌EMG的均方根(圖2(c))在擺動相中末期、首次觸地至承重反應結束過程中起作用.

由于數據采集點來自雙側下肢,所以僅記錄并分析支撐相(從腳跟著地開始到同側腳腳尖離地結束)過程的EMG.

選取采集點支撐相的i的EMG樣本數據,采用移動時間窗進行處理,將其分為w段信號,進行去除零點漂移、濾波等預處理后,通過提取時間窗內的特征向量,用于下肢肌肉功能網絡構建.為了便于兼顧過程的時變性和信息的完整性,選擇移動窗的窗口長度h=150ms,步長S=50ms,采樣頻率2000Hz.

表1 肌電電極分區與分布情況Table 1 The partition and distribution of EMG electrodes

1.3 特征提取

選擇EMG采集點i(i=1,2,···,n)的第t(t =1,2,···,w)時間窗,設時間窗內的h個EMG數據為xit={xit(1),xit(2),···,xit(h)},計算xit的8個時域和頻域特征向量,包括最大值(Mait)、絕對值平均(Mavit)、標準差(Stdit)、均方根(RMSit)、能量 (Vit)、平均功率頻率 (MPFit)、中值頻率(MFPit)、峰值頻率(Fit).

圖2 一個步態周期膝關節角度與EMGFig.2 The knee angle and EMG of a gait stride

其中,sit(f)為功率譜密度函數.

比較發現,增加時域或頻域特征向量的個數對于復雜網絡的連邊影響很小.經過多次試驗與對比,選取絕對值平均(Mavit)、均方根(RMSit)、能量(Vit)、中值頻率(MFPit)四個特征值構建復雜網絡.

提取EMG采集點i的第t時間窗的特征值,構建矩陣Tit:

其中,i表示EMG采集點的標號.

EMG采集點i的特征值構建w×4的矩陣Ti:

對矩陣Ti進行歸一化處理,得到

所有EMG采集點的每個特征向量構成一個w ×n的特征矩陣Mp(p=1,2,3,4),M1=mav, M2=rms,M3=v,M4=mfp.

1.4 連邊的生成

計算特征矩陣Mp的任意兩列向量間的Pearson系數

其中,Cpij為肌電采集點i和肌電采集點j間的第p個特征值的Pearson系數,Mpi和Mpj分別為第p個特征值的矩陣Mp的第i列和第j列(i=1,2, ···,n,j=1,2,···,n),Mpi(t)和Mpj(t)分別為向量Mpi和Mpj的第t行元素,〈Mpi〉和〈Mpj〉分別為向量Mpi和Mpj的w個元素的平均值.

肌電采集點i和肌電采集點j間的Pearson系數

計算n個EMG采集點間的Pearson系數構成一個對稱矩陣C=(Cij)n×n,評價各肌電采集點間的相關程度.

構建下肢EMG網絡,把每個采集位置看作一個節點,分析任意兩點間的相關性,如果兩點間的相關系數大于給定閾值TH,則認為兩點間有功能性連接,各采集點間的連接關系代表網絡連邊.

如果閾值取得過小,那么可能建立起一個完全連通的下肢肌肉功能網絡圖,對于肌電電極采集點分析沒有任何意義;如果閾值取得過大,則可能建立一個過于稀疏的網絡,致使大量有用信息喪失,所以閾值選擇對于網絡構建至關重要.

2 網絡拓撲屬性分析

2.1 閾值確定與稀疏度

選取合適的閾值并在連接強度大于閾值的節點間建立連接邊.閾值的選擇直接影響鄰接矩陣邊的生成和下肢肌肉功能網絡的拓撲結構,不同的閾值會導致網絡規模和網絡結構發生明顯變化,以下樓梯為例,如圖3所示,構建不同閾值TH的下肢肌肉功能網絡,分析得到閾值TH 與稀疏度Sp間的函數關系.

即閾值與網絡稀疏度成反比關系,閾值越大,網絡越稀疏,相應的節點之間的連邊越少,各節點之間的聯系較分散;反之,閾值越小,網絡越密集,相應節點之間的連邊越多,各節點之間聯系越緊密.

式(16)中,在閾值TH=0.75時,網絡稀疏度為0.2,如圖3(b)所示,網絡可以分為兩個社團結構;而當閾值過大時,稀疏度過小,如圖3(a)所示,雖然也可看大體的社團分布情況,但是會出現9個孤立點,致使有些連接被忽視;當閾值過小時,稀疏度較大,如圖3(c)和圖3(d)所示,過于密集的網絡結構致使社團結構不明顯,結構趨向于隨機.

圖3 網絡稀疏度與閾值關系Fig.3 The relationship of network sparsity and threshold

利用圖論方法,計算節點度(Node degree)、平均度(Average degree)、聚類系數(Clustering coeffi cient)、平均路徑長度(Average path length)、介數(Betweenness)等特征參數[13?19],進一步分析網絡的連接規律.

2.3.1 節點度

節點度ki表示與節點i相關聯的邊的條數,反映這個節點在網絡中的活躍度,和節點對其相鄰節點的影響力.節點度越大,節點對其相鄰節點的重要度貢獻越大,在網絡中起著更重要的作用.

2.3.2 平均度

網絡的平均度〈k〉表示整個網絡中所有節點度的平均值.

2.3.3 聚類系數

聚類系數CCi表示節點i聚集程度的系數,是描述網絡集團化的重要指標.

圖4 三種運動模式的鄰接矩陣Fig.4 Adjacency matrix under three motions

其中,ei為節點i與相連的ki個節點間實際存在的邊數.

2.3.4 平均路徑長度

平均路徑長度L表示任意兩個節點之間距離的平均值.

其中,f(·)為普適標度函數,K 為平均節點度,p為重連概率.

2.3.5 介數

介數Bi表示網絡中所有的最短路徑中,經過該節點的數量,反映了節點的影響能力,因此介數大的點在網絡信息傳輸中起關鍵作用.

其中,σj,m表示節點j和節點m 間最短路徑總數, σj,m(i)則表示經過節點i且連接節點j和節點m的最短路徑總數.

網絡介數分析了網絡中節點對間沿著最短路徑傳輸信息的控制能力,如果兩個節點之間沒有路徑,或者一個節點沒有位于另外兩個節點之間的任何一條最短路徑上,則說明該節點對另外兩個節點之間的信息傳輸沒有直接控制能力.

3 實驗結果及分析

3.1 數據采集

利用Delsys公司的Trigno Wireless System無線采集系統,記錄3種行走模式(平地、上樓和下樓,其中樓梯臺階高度為15cm)在支撐相的下肢表面EMG,如圖5所示.受試者具體情況如表2所示,均無下神經肌肉或肌肉骨骼方面疾病.

圖5 右側大腿肌電電極放置位置Fig.5 EMG electrodes placement on the rightside of thigh

表2 受試者信息Table 2 The information of subjects

3.2 下肢肌肉功能網絡構建

對每個節點采集的EMG進行預處理,提取4個時頻域特征向量(絕對值平均、均方根、能量、中值頻率).利用每個節點的特征向量計算皮爾森系數,選取適當的閾值,得到鄰接矩陣,其中0代表兩個節點之間沒有連邊,1代表兩個節點之間有連邊.利用netdraw軟件畫出各運動模式的功能網絡,如圖6所示.

圖6 三種模式的肌肉功能網絡Fig.6 The functional muscle network of three patterns

由圖6可知,不同運動模式下的復雜網絡及作用節點均具有明顯差異.其中,平地模式連邊數最多,說明各節點間的相似程度較高,在平地運動時,存在相似電運動的電極位置較多.上樓和下樓模式的功能網絡連邊數相對少一些,社團結構比較明顯,說明在兩種模式過程中,存在一些節點位置的EMG時域特性比較特殊,與其他節點的相似程度比較低,分析并確定這些特殊的、具有顯著差異的節點,有助于識別運動模式間的更替.

3.3 小世界特性

經過大量的實驗證明[13?19],絕大部分復雜網絡都具有小世界特性,規則網絡和隨機網絡都無法再現許多實際網絡具有的小世界特征.小世界網絡既不像隨機網絡具有較短的平均路徑和較低的聚類系數,也不像規則網絡具有較長的平均路徑和較高的聚類系數,而是介于兩者之間.

為了證明下肢肌肉功能網絡的小世界特性,根據式(18)～(20)計算三種運動模式的復雜網絡特性,包括網絡節點數n,網絡節點的平均度〈k〉,總連邊數edges,聚類系數CC,平均路徑長度L,對應的規則網絡的聚類系數Cnc和平均路徑長度Lnc,對應的隨機網絡的聚類系數CER和平均路徑長度LER.

計算小世界特性的指標如下:

只有當γ＞1,λ≈1,σ＞1同時滿足時,該網絡才符合小世界網絡特性.計算三種運動模式下復雜網絡的主要特性參數,如表3所示.三種運動模式的復雜網絡均符合γ＞1,λ≈1,σ＞1的小世界特性指標,因此,說明構建的下肢肌肉功能網絡具有小世界的網絡特性,即任意兩個節點間的距離都維持在一個相對較小的固定值,可以通過分析網絡的節點度、聚類系數等統計特征研究網絡性質,為分析下肢肌肉的協調工作機制提供新的方法.

3.4 閾值對網絡統計特性的影響

閾值的選取對于復雜網絡的構建尤為重要,為了確定合適的閾值,利用不同閾值構建下肢肌肉功能網絡.由于復雜網絡的稀疏度不能超過0.5[20],所以閾值設定從0.5開始,每次增加0.05,直至0.95.以下樓梯模式為例,計算各網絡的稀疏度Sp、平均度〈k〉及聚類系數CC,如表4所示.

由表4可以看出,下肢肌肉功能網絡的平均度和稀疏度均與閾值成反比,聚類系數則隨著閾值增加呈現拋物線變化,即會出現一個極大值點.聚類系數是描述一個復雜網絡任意兩節點之間互相關聯的概率,其值越大,表示節點之間聯系越緊密.所以選取聚類系數達到最大值(0.8318)時的閾值TH= 0.75,此時稀疏度為0.1941,比較合適.

表3 三種模式復雜網絡的小世界特性參量統計Table 3 Three models of complex networks of small world characteristic parameter statistics

表4 不同閾值下的網絡統計特性Table 4 Network statistical characteristics under di ff erent threshold

3.5 顯著性差異

從控制信息傳輸的角度而言,介數越高的節點其重要性也越大.分析三種運動模式(平地、上樓和下樓)的下肢肌肉功能網絡,計算節點的介數,如表5所示.

由表5可知,不同運動模式下介數最大的節點完全不同,說明在各種運動模式中的重要節點不同.另外,各運動模式的介數最大值也不同,平地為280.1,上樓梯為557.2,下樓梯更是高達1644.4,這是因為各種功能網絡的節點間連接不同,連邊數量也有差異.同時,節點對之間的傳輸頻率不完全相同,也并非所有的傳輸都是基于最短路徑的.因此,介數最大值存在明顯差異,下樓數據遠高于上樓及平地(P＜0.001),上樓數據平均也高于平地數據(P=0.009).

綜合考慮所有肌電采集點的3個主要特性參數(節點度ki、聚類系數CCi、介數Bi),對上樓梯、下樓梯與平地進行組間差異分析,并采用投票的方式選取出整個網絡差異值最大的幾個節點,發現整個數據采集區域中共有8個采集點具有顯著差異(P＜0.05),如表6所示.

表5 不同模式下節點介數特性統計Table 5 Node betweenness under di ff erent model

表6 不同模式下節點介數特性統計___Table 6 Node betweenness under di ff erent model

在三種運動模式的下肢功能網絡中(閾值均為0.75)標出8個具有顯著差異的節點,如圖7所示,用連線圖形象直觀地展示了不同模式的重要節點連接關系.發現各點分布很均勻,左右腿各4個,其中大腿3個,小腿1個.另外,由于平地與上/下樓梯運動過程中,主要是后側肌肉工作方式有區別,因此重要節點有4個位于人體后側,前側和兩側分別2個,分析結果與實際運動情況相吻合.

圖7 三種模式間具有顯著差異的節點Fig.7 The nodes with signi fi cant di ff erence among three patterns

表7 不同特征提取方法的模式識別比較Table 7 Comparison of pattern recognition based on di ff erent methods of feature extraction

3.6 結果驗證

利用表7中列出的8個肌電采集位置(單側腿4個)的表面EMG進行運動模式識別,與常用各下肢肌肉肌腹中心位置[6?7]的表面EMG相比較.其中常用肌肉如下:

1)大腿肌肉:股直肌(RF)、股外側肌(VL)、股二頭肌(BF)、股內側肌(VM)、半腱肌(ST)、半膜肌(SM)、長收肌(AL)、闊筋膜張肌(KTF);

2)小腿肌肉:脛骨前肌(TA)、腓骨長肌(PL)、內側腓腸肌(GM)、比目魚肌(SM).

分別利用常用的線性判別分析(Linear discriminant analysis,LDA)、支持向量機(Support vector machine,SVM)和神經網絡(Neural networks, NN),對各種肌肉組合形式的采集點進行三種運動模式識別(平地、上/下樓梯),如表7所示.

由表7可知,基于下肢肌肉功能網絡選出的采集節點S6,在模式識別中各種識別算法均可得到較好的識別結果,能夠滿足下肢運動識別的需求.肌群的個數并非越多越好,例如S1,選擇過多的與模式更替無關的肌群,不僅無法提高識別效果,還會大大降低識別精度.

雖然S3選擇6組肌肉的情況也可以取得理想的識別效果,但是所需電極數量將會增加,人體兩側共需增加2×2=4個肌電電極,將為信號的采集與處理帶來不必要的麻煩.由于6組肌肉可以與網絡選擇的4組肌肉得到相近的識別效果,說明6組肌肉中存在2組是冗余信息,可以通過復雜網絡分析有效地降低肌電采集個數.

另一方面,S4所選肌群雖然在下肢踏車、行走和橢圓運動模式取得了較好的識別結果[6],但是并不適用于平地與上/下樓梯運動識別,需要針對不同的識別目的,進行大量的統計學分析進行篩選.由于S5只選擇了大腿肌肉,因此識別效果也欠佳,重新的選擇仍需大量的實驗與分析.

綜上所述,基于下肢肌肉功能網絡可以對運動相關肌肉的全面動態EMG進行綜合分析,確定與不同模式關聯度大的肌群和電極放置位置,為運動模式識別提供可靠的基礎支持.

4 結論

選取下肢主要肌肉表面的90個肌電采集位置作為節點,通過分析各節點的表面EMG間的相關性,構建下肢肌肉功能網絡.在網絡層面分析不同運動模式狀態下的拓撲結構差異,深入分析平地、上下樓梯三種模式中下肢肌肉功能網絡的共異性,最終確定了與運動模式更替關聯度大的肌群和電極位置,為下肢康復輔具中的肌電采集位置的確定提供了理論依據.

此方法可以推廣到其他肌電控制康復輔具,尤其是肌電假肢膝關節[21],由于大腿截肢,部分肌肉被切除,原有的機能受到了很大的破壞,殘肢肌肉無法像健康人一樣有力的收縮,不能完全參考健肢肌肉放置電極.可以構建殘肢肌肉功能網絡,確定與運動模式更替關聯度更大的肌電采集位置.

下肢肌肉功能網絡的研究中,還有很多亟待解決的問題,包括社團探尋、加權網絡及動態網絡的構建及分析等.隨著研究的深入,基于復雜網絡的下肢肌電分析方法必將為下肢康復輔具控制提供更多的理論支持.

1 Fan Y J,Yin Y H.Active and progressive exoskeleton rehabilitation using multisource information fusion from EMG and force-position EPP.IEEE Transactions on Biomedical Engineering,2013,60(12):3314?3321

2 Tsai A C,Luh J J,Lin T T.A novel STFT-ranking feature of multi-channel EMG for motion pattern recognition. Expert Systems with Applications,2015,42(7):3327?3341

3 Hoover C D,Fulk G D,Fite K B.Stair ascent with a powered transfemoral prosthesis under direct myoelectric control.IEEE/ASME Transactions on Mechatronics,2013, 18(3):1191?1200

4 Ding Qi-Chuan,Xiong An-Bin,Zhao Xin-Gang,Han Jian-Da.A review on researches and applications of sEMG-based motion intent recognition methods.Acta Automatica Sinica, 2016,42(1):13?25 (丁其川,熊安斌,趙新剛,韓建達.基于表面肌電的運動意圖識別方法研究及應用綜述.自動化學報,2016,42(1):13?25)

5 Hu Jin,Hou Zeng-Guang,Chen Yi-Xiong,Zhang Feng, Wang Wei-Qun.Lower limb rehabilitation robots and interactive control methods.Acta Automatica Sinica,2014, 40(11):2377?2390 (胡進,侯增廣,陳翼雄,張峰,王衛群.下肢康復機器人及其交互控制方法.自動化學報,2014,40(11):2377?2390)

6 Tong Li-Na,Hou Zeng-Guang,Peng Liang,Wang Wei-Qun, Chen Yi-Xiong,Tan Min.Multi-channel sEMG time series analysis based human motion recognition method.Acta Automatica Sinica,2014,40(5):810?821 (佟麗娜,侯增廣,彭亮,王衛群,陳翼雄,譚民.基于多路sEMG時序分析的人體運動模式識別方法.自動化學報,2014,40(5):810?821)

7 She Qing-Shan,Gao Yun-Yuan,Meng Ming,Luo Zhi-Zeng. Multiclass recognition of lower limb EMG using wavelet SVM.Journal of Huazhong University of Science and Technology(Natural Science Edition),2010,38(10):75?79 (佘青山,高云園,孟明,羅志增.下肢EMG的小波支持向量機多類識別方法.華中科技大學學報(自然科學版),2010,38(10):75?79)

8 He H,Kiguchi K,Horikawa E.A study on lower-limb muscle activities during daily lower-limb motions.International Journal of Bioelectromagnetism,2007,9(2):79?84

9 Chen B J,Zheng E H,Wang Q N,Wang L.A new strategy for parameter optimization to improve phase-dependent locomotion mode recognition.Neurocomputing,2015,149: 585?593

10 Ambrozic L,Gorsic M,Geeroms J,Flynn L,Lova R M, Kamnik R,Munih M,Vitiello N.CYBERLEGs:a useroriented robotic transfemoral prosthesis with whole-body awareness control.IEEE Robotics and Automation Magazine,2014,21(4):82?93

11 Spanias J A,Perreault E J,Hargrove L J.Detection of and compensation for EMG disturbances for powered lower limb prosthesis control.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2016,24(2):226?234

12 Zhang D H,Zhao X G,Han J D,Zhao Y W.A comparative study on PCA and LDA based EMG pattern recognition for anthropomorphic robotic hand.In:Proceedings of the 2014 IEEE International Conference on Robotics and Automation.Hong Kong,China,IEEE,2014.4850?4855

13 Watts D J,Strogatz S H.Collective dynamics of“smallworld”networks.Nature,1998,393(6684):440?442

14 Barab′asi A L,Albert R.Emergence of scaling in random networks.Science,1999,286(5439):509?512

15 Hao Chong-Qing,Wang Jiang,Deng Bin,Wei Xi-Le.Electroencephalograph analysis based on complex networks.Application Research of Computers,2012,29(10):3870?3872 (郝崇清,王江,鄧斌,魏熙樂.基于復雜網絡的腦電信號分析.計算機應用研究,2012,29(10):3870?3872)

16 Caciagli L,Bernhardt B C,Hong S J,Bernasconi A, Bernasconi N.Functional network alterations and their structural substrate in drug-resistant epilepsy.Frontiers in Neuroscience,2014,8:411

17 Hu Sai,Xiong Hui-Jun,Li Xue-Yong,Zhao Bi-Hai,Ni Wen-Yin,Yang Pin-Hong,Liu Zhen.Construction of multirelation protein networks and its application.Acta Automatica Sinica,2015,41(12):2155?2163(胡賽,熊慧軍,李學勇,趙碧海,倪問尹,楊品紅,劉臻.多關系蛋白質網絡構建及其應用研究.自動化學報,2015,41(12):2155?2163)

18 Karbasi A,Ioannidis S,Massouli′e L.From small-world networks to comparison-based search.IEEE Transactions on Information Theory,2015,61(6):3056?3074

19 Saniee I.Scalable algorithms for large and dynamic networks:reducing big data for small computations.Bell Labs Technical Journal,2015,20:23?33

20 Chen Jun-Jie,Li Hai-Fang,Xiang Jie,Guo Hao.Human connectome research:construction,analysis and application.Journal of Taiyuan University of Technology,2012, 43(3):329?333,343 (陳俊杰,李海芳,相潔,郭浩.腦網絡組學構建分析及應用研究.太原理工大學學報,2012,43(3):329?333,343)

21 Zheng E H,Wang L,Wei K L,Wang Q N.A noncontact capacitive sensing system for recognizing locomotion modes of transtibial amputees.IEEE Transactions on Biomedical Engineering,2014,61(12):2911?2920

Construction of Lower Limb＇s Functional Muscle Network and Its Application Based on Surface EMG

CHEN Ling-Ling1,2LI Shan-Shan1LIU Zuo-Jun1,2ZHANG Yan1,2

For myoelectric control study on lower limb rehabilitation aids,suitable electrode placements are the premise and foundation of movement pattern recognition.In response to the lack of mature theoretical basis and uniform standards for electrode placement,90 acquisition points of lower limb are chosen as nodes,and a functional muscle network of lower limb is established by calculating correlations among those nodes.The characteristic of small work is also proved.The results show that there are obvious topology structure di ff erences among di ff erent movement patterns.The collection locations which have close relationship with movement patterns can be selected through analysis of network features, and they may provide considerable precision for identi fi cation of movement patterns.Constructing and analyzing the functional muscle network may help to explore the collaborative work mechanism of muscles in transformation process, and provide theoretical support for selection of electromyography acquisition location.

Complex networks,lower limb′s functional muscle network,electromyography(EMG),node importance, topologic properties

陳玲玲 博士,河北工業大學控制科學與工程學院副教授.主要研究方向為康復輔具控制,模式識別.E-mail:chenling@hebut.edu.cn(CHENLing-Ling Ph.D.,associate professor at the School of Control Science and Engineering,Hebei University of Technology.Her research interest covers rehabilitation technical aids control and pattern recognition.)

李珊珊 河北工業大學控制科學與工程學院碩士研究生.主要研究方向為復雜網絡,外骨骼機器人.本文通信作者.E-mail:18222706765@163.com(LI Shan-Shan Master student at the School of Control Science and Engineering,Hebei University of Technology.Her research interest covers complex networks and exoskeleton robot.Corresponding author of this paper.)

劉作軍 博士,河北工業大學控制科學與工程學院教授.主要研究方向為智能機器人,下肢假肢,智能建筑.E-mail:nankailzj@eyou.com(LIU Zuo-Jun Ph.D.,professor at the School of Control Science and Engineering,Hebei University of Technology.His research interest covers intelligent robot,lower limb prostheses,and intelligent building.)

張 燕 博士,河北工業大學控制科學與工程學院教授.主要研究方向為智能假肢,預測控制,多模型控制.E-mail:yzhangz@163.com(ZHANG Yan Ph.D.,professor at the School of Control Science and Engineering,Hebei University of Technology.Her research interest covers intelligent prostheses,predictive control,and multiple model control.)

陳玲玲,李珊珊,劉作軍,張燕.基于表面肌電的下肢肌肉功能網絡構建及其應用研究.自動化學報,2017,43(3): 407?417

Chen Ling-Ling,Li Shan-Shan,Liu Zuo-Jun,Zhang Yan.Construction of lower limb′s functional muscle network and its application based on surface EMG.Acta Automatica Sinica,2017,43(3):407?417

2016-03-01 錄用日期2016-08-15

Manuscript received March 1,2016;accepted August 15,2016國家自然科學基金(61174009,61203323),天津市應用基礎與前沿技術研究計劃(13JCQNJC03400),河北省高等學校科學技術研究項目(Q2012079)資助

Supported by National Natural Science Foundation of China (61174009,61203323),Tianjin Research Program of Application Foundation and Advanced Technology(13JCQNJC03400),and Colleges and Universities in Hebei Province Science and Technology Research Project(Q2012079)

本文責任編委趙新剛

Recommended by Associate Editor ZHAO Xin-Gang

1.河北工業大學控制科學與工程學院天津 300130 2.智能康復裝置與檢測技術教育部工程研究中心天津300130

1.School of Control Science and Engineering,Hebei University of Technology,Tianjin 300130 2.Engineering Research Center of Intelligent Rehabilitation,Ministry of Education,Tianjin 300130

DOI10.16383/j.aas.2017.c160230