基于sEMG信號的實時控制系統

陳玉如 周鵬輝 張永福 李玉榕

摘 要：為了使偏癱或截肢患者能夠通過表面肌電信號進行更有效的康復訓練，使用MYO手環采集上肢肌電信號進行數據預處理、特征提取及分類器的訓練，識別出目標動作后，對上肢機械設備進行實時控制。文中主要采用Matlab編程，通過對多種類上肢動作肌電信號的采集與識別，設計出一套實時上肢動作模式識別系統。表面肌電信號作為假肢與機械臂的控制源，展現出很大的潛力和優勢，特別是在醫療康復領域，可幫助患者進行更有效的康復訓練，同時也極大地推動了人機互動向更人性化方向發展。

關鍵詞：MYO手環;上肢;表面肌電信號;模式識別系統

中圖分類號：TP277文獻標識碼：A文章編號：2095-1302（2019）02-00-04

0 引 言

肌電信號蘊含著豐富的人體運動信息，是患者自身意圖的重要體現[1]。若能夠通過肌電信號識別出運動意圖，進而指導患者進行有效的康復訓練，必然使得康復效果得到進一步提升。通過肌電信號識別出患者的肌肉運動意圖是人機交互應用的關鍵，被廣泛應用于醫療康復、假肢控制等領域[2-3]。

目前，國內外對于醫療康復機器人的研究比較成熟，其控制源主要分為兩大類。一類是運動傳感器，如Andreas等使用陀螺儀傳感器和機器學習的方法實現了對節拍手勢的識別[4]。國內胡馨月[5]等人使用加速度傳感器進行手勢識別，對三維空間交互模式進行深入研究。另一類是利用肌電傳感器，最早的報道即Reitert[6]在1948年首次將sEMG信號用于假肢控制。近年來，肌電控制的研究者開始探索為截肢或偏癱患者提供醫療康復效果更好的肌電假手，如Carrozza[7]采用有限狀態機實現了單自由度的肌電假手控制。相比于運動傳感器，肌電傳感器作為控制源具有以下優點[8]：

（1）sEMG超前于實際動作，具有提前預判的特點，該特點使得系統更類似于人腦控制肢體運動，交互方式更容易接受;

（2）sEMG實時性好，信號采集方便，采集范圍大，具有安全無創傷等特點，能夠順應偏癱患者生理狀態的特殊性，更適合醫學應用。

因此，在人機交互中，肌電信號被廣泛應用，特別是在醫療康復領域，其獨特的優勢更為突出。本文對健康人群的上肢進行表面肌電信號的采集與分析，對目標動作實施過程肌肉所激發的肌電信號進行處理，實現對機械臂的實時控制。

1 系統設計

本文選取的目標動作為握拳、張開、手腕內屈、手腕外伸。系統結構如圖1所示。通過肌電信號的采集、預處理、特征提取、目標動作識別，實現對機械臂的實時控制，進而實現一套上肢動作實時模式識別系統。

2 實現方法

2.1 實驗設計與信號采集

本文實驗采用由Thalmic Labs公司生產的MYO手環作為測量傳感器。MYO具有8通道表面肌電信號傳感器，采樣頻率為200 Hz，精度為8位。通過藍牙將手環與計算機連接，并與Matlab進行實時通信。該手環采樣頻率較低，但具有穿戴方便、使用簡單、成本較低等特點。其結構小巧，便于數據采集及與上肢機械設備配合使用。實驗采集前用酒精棉輕輕擦拭手環各電極表面和志愿者皮膚表面，待其自然干燥，對手環8個電極進行編號。將手環佩戴于下臂中，將編號為3的傳感器對準尺側腕伸肌內側，調整其余傳感器位置，使其均勻分布于手臂表面。志愿者應盡量保持相同的速度及力道，以肌肉放松狀態為初始狀態，每個目標動作作為一次動作的結束狀態。同時，保證兩次動作之間有足夠長的間隔，避免肌肉疲勞。參與實驗的共有7名成年健康男性，每位志愿者分別完成握拳、張開、手腕內屈、手腕外伸4個目標動作，每個動作重復10次，每次動作采集時間為4 s。

2.2 信號處理

sEMG信號實質為微弱的電信號，極易受到環境噪聲、工頻干擾和生理因素等帶來的噪聲影響，其信噪比較低，信號中出現的毛刺較多。為獲得較為平滑的信號，同時為更好地實現實時性，本文實驗采用簡單的預處理方式。由于目標動作肌肉產生的能量較小，為使活動段幅值更加明顯，對采集信號取絕對值。

肌電信號是連續信號，若以采集到的整段信號表征目標動作，則不利于實時性系統的實現及目標動作的分類。同時肌電信號又具有明顯的非平穩隨機性，因此，要將預處理后的信號用一組能夠表征其特征的數據描述，并且該數據能夠有效區分不同動作，便于分類。目前肌電信號特征主要分為時域特征、頻域特征及時頻域特征三大類。本文實驗采取計算簡便、實時性高的特征值表征信號特征。

本文將絕對平均值（Mean Absolute Value，MAV）、斜率變換次數（Slope Sign Change ，SSC）、肌電方差值（VAR）作為特征值。

對于任意一段表面肌電信號而言，信號的絕對平均值是檢測肌肉收縮水平的傳統方法。

SSC是一種頻域信息上的時域分析（主要根據時間軸進行計算）。

VAR體現了表面肌電信號在動作過程中的幅度以及范圍變化的劇烈程度。

人體生理延遲約為300 ms，為實現人機實時系統，系統延遲應小于300 ms，人體才不會感受到延遲[9-10]，因此窗口選取應保證系統處理數據與計算窗口特征值時間總和在300 ms以內。對于本文實驗中采用的MYO手環，其采樣頻率為200 Hz，窗口可選為40點，即200 ms。

2.3 動作識別

通過選取合適的閾值獲得活動段起點，并向后取200 ms作為一個特征值計算窗口，根據特征值公式得出在該窗口下的特征值，將訓練數據導入Matlab分類器中進行分類器訓練。支持向量機（SVM）[11-14]在處理非線性樣本、小樣本及高維模式識別中具有獨特優勢[15]。非線性映射是SVM方法的理論基礎，對特征空間劃分最優平面是SVM的目標。支持向量機具有風險小的特點，且在樣本數較少時，相對于其他分類器仍然具有較高的準確率。本文實驗考慮到設備采集頻率較低且沒有足夠大的樣本，采用該分類器。分別對每位志愿者的訓練數據進行分類器訓練，訓練過程均采用5折交叉方式。

肌電實時控制系統中，要求能夠迅速通過sEMG信號識別患者的意圖，設定控制命令并完成控制。即在300 ms人體生理延遲內，完成sEMG信號采集、肌肉激活檢測、特征提取、分類、控制命令通信、控制對象動作等環節，其中活動段時間占較大比例?？刂葡到y的實時性對活動段時間窗長的合理選擇提出了較高要求，本文針對活動段窗長，計算不同窗長下對應分類的正確率。

2.4 實時控制

本文采用6自由度機械臂和仿生手進行實時控制。通過串口函數，將機械設備與Matlab進行實時通信，通過數據預處理、特征提取、分類器識別目標動作，發送對應目標動作的指令，從而達到實時控制的目的。

3 實驗結果

3.1 sEMG采集結果

采用MYO手環，按照上文所述實驗設計方案與操作規范，進行表面肌電信號的采集，各動作的采集結果如圖2～圖5所示。

3.2 信號處理

對原始數據進行絕對值預處理的結果如圖6所示。

3.3 分類精度

分別對每位志愿者的訓練數據進行分類器訓練，其結果見表1所列。對象間分類的準確率為87.9%。不同窗長度下對應分類的準確率結果如圖7所示。從圖7可以看出，時間窗長度增加，包含的肌電信息更豐富，分類準確率隨之提高。當時間窗低于100 ms時，控制系統的分類準確率大幅度降低;當時間窗長度大于180 ms時，系統分類準確率隨時間窗長度增加而提高得較為緩慢。為了兼顧實時性及分類準確率，選擇200 ms作為時間窗長度較為合適。

3.4 控制效果

通過數據預處理、特征提取、分類器識別目標動作，發送對應目標動作的指令，其控制效果如圖8～圖11所示。

5 結 語

本文描述了通過肌電信號實現對機械設備實時控制的系統。通過簡單的時域特征，不僅克服了數據采集頻率低的問題，而且能夠保證在人體生理延遲300 ms內實現對上肢機械設備的實時控制。本文充分利用肌電信號能夠準確體現人的運動意圖這一特點，實現了對上肢機械設備的自然控制，特別是應用于康復過程中，患者能夠獲得一種更易接受的人機交互方式。本文目標動作的識別建立在經過分類器訓練的實驗者數據基礎上，對于未經過訓練的實驗者，若直接用于實驗，本文系統也具備一定的識別能力。本文系統的缺點在于，由于采集設備頻率較低，僅為200 Hz，在使用閾值方式尋找起點時準確率較低，需要后續做進一步改進。

參 考 文 獻

[1] SHI J，CAI Y，ZHU J，et al. SEMG-based hand motion recognition using cumulative residual entropy and extreme learning machine[J].Medical & biological engineering & computing，2013，51（4）：417-427.

[2] BAN A，AHMAD S A，MARHABAN M H，et al.Characterization of surface electromyography using time domain features for determining hand motion and stages of contraction[J]. Australasian physical & engineering sciences，2014，37（1）：133-137.

[3] YOUNG A J，SMITH L H，ROUSE E J，et al.Classification of simultaneous movements using surface EMG pattern recognition[J].IEEE trans biomed eng，2013，60（5）：1250-1258.

[4] ROSAPUJAZON A，BARBANCHO I，TARDON L J，et al. Conducting a virtual ensemble with a kinect device[Z].Kth royal institute of technology sound & music computing group，2013.

[5]胡馨月，梁秀波，樊儒昆，等.基于運動傳感的書空臨摹交互方式[J].計算機輔助設計與圖形學學報，2010，22（10）：1734-1740.

[6] SCOTT R N.Biomedical engineering in upper-extremity prosthetics[C]// Comprehensive Management of the Upper-Limb Amputee. Springer New York，1989：173-189.

[7] CAROZZA M C，CAPPIELLO G，STELLIN G，et al. On the development of a novel adaptive prosthetic hand with compliant joints： experimental platform and EMG control[C]// IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE，2005：1271-1276.

[8]丁其川，熊安斌，趙新剛，等.基于表面肌電的運動意圖識別方法研究及應用綜述[J].自動化學報，2016，42（1）：13-25.

[9] CHU J U，MOON I，LEE Y J，et al. A supervised feature-projection-based real-time EMG pattern recognition for multifunction myoelectric hand control[J].IEEE/ASME transactions on mechatronics，2007，12（3）：282-290.

[10] ENGLEHART K，HUDGIN B，PARKER P A.A wavelet-based continuous classification scheme for multifunction myoelectric control[J].IEEE transactions on bio-medical engineering，2001，48（3）：302.

[11] CHANG J，WANG Z J，MCKEOWN M J. A time-varying eigenspectrum/SVM method for semg classification of reaching movements in healthy and stroke subjects[C]// IEEE International Conference on Acoustics，Speech and Signal Processing，2006. ICASSP 2006 Proceedings. IEEE，2014：2.

[12] ELHARIRI E，EL-BENDARY N，HASSANIEN A E.A hybrid classification model for emg signals using grey wolf optimizer and SVMs[C]// The 1st International Conference on Advanced Intelligent System and Informatics，2015：28-30.

[13] ALKAN A.Identification of EMG signals using discriminant analysis and SVM classifier[J].Expert systems with applications，2012，39（1）：44-47.

[14] LI N，JIANG L，LIU H，et al.Combined use of FSR sensor array and SVM classifier for finger motion recognition based on pressure distribution map[J].Journal of bionic engineering，2012，9（1）：39-47.

[15]張學工.關于統計學習理論與支持向量機[J].自動化學報，2000，26（1）：32-42.