基于肌電信號人手動作模式分類方法的研究

文/雷華勤

近年來，殘疾人這一特殊的群體越來越受到關注，智能仿生假肢是一種主要的康復設備。目前，在眾多相關研究領域中，對控制智能仿生假肢的信號源——肌電信號一直是人們研究關注的重點。早在17世紀，人們就已經開始對肌電信號進行研究，對肌電信號研究具有重要的社會意義。

肌電信號控制系統的組成包括人體肌電信號產生、肌電信號的采集、預處理、特征提取，特征分類等。其中特征提取與特征分類是肌電假肢控制系統的重要內容。根據肌電信號的特性選擇最優的特征提取和分類方法，將采集到肌電信號進行特征提取并正確識別肌電信號所代表的人手抓取動作，不僅能為肌電的控制模塊提供更多的動作細節信息，幫助殘疾人士更好的完成日常生活動作，還能提高設備的擬人化程度具有重要的研究意義。

1 肌電信號的采集

1.1 肌電信號特征

肌電信號是人體肌肉收縮時產生的微弱的信號，信號不穩定且容易受到干擾，但能在一定程度上反映神經肌肉的活動。通過人體不同的動作能夠產生不同的肌電信號，研究人員通過提取信號進行分類。采集肌電信號有針式和表面肌電拾取兩種采集方式，由于表面肌電信號有著無創傷、方便自由等優點，因此被廣泛應用在人手動作模式識別研究中。

1.2 肌電信號采集過程

實驗數據采集使用了CyberGlove 和傾角儀獲得的手部和腕部運動數據，以及使用Otto Bock sEMG 電極獲得的肌肉活動數據。利用十個活躍的雙微分OttoBock My-oBock 13E200 sEMG electrodes1 采集肌電活動，對原始肌電信號進行放大、帶通濾波和均方根校正。電極的放大倍數設定為14000 倍。在每組實驗中，27 個受試者需要重復52 種不同動作：12 種手指的基本動作；8 種等距的等張的手型；9 種基本的手腕運動；23 種抓取與功能動作。

實驗前，要求27位受試者填寫年齡、性別、身高、體重、健康狀況、側性和自我報告的健康狀況。然后將肌電圖電極、數據采集儀和傾斜儀戴在右臂上，截肢者將sEMG 電極戴在殘肢上，而dataglove 和傾斜儀則戴在完整的肢體上。受試者按照雙側模仿程序完成屏幕上顯示的動作。

表1

2 肌電信號預處理

隔直（濾波），放大，加窗等是肌電信號的預處理的一些方法。在肌電信號的模式識別中，主要運用數字濾波器進行濾波，濾波范圍則選擇肌電信號信息最集中的范圍（20-500Hz），采樣頻率一般大于1000，窗口長度在100-400ms 之間。根據Englehart 和Hudgins的分類策略，將濾波后的信號分割為窗口，Atzori 等人考慮增加10ms(即和窗口長度分別為100ms、200ms 和400ms），窗口長度在400ms 時分類效果較好。

3 肌電信號特征提取

肌電信號的特征提取是整個系統能夠正確識別動作模式的關鍵之一，首先對時域特征、頻域特征以及時頻域特征等常用信號特征識別進行分析：時域特征，在肌電信號提取中較為簡單；頻域特征，因為肌電信號是非平穩時變信號并不能進行平穩處理；時頻域的特征，會增加信號維度及計算負擔，不能滿足實時在線控制的要求。

在時域上，由于時域分析簡單，因此被廣泛的應用在肌電控制模式識別中。Sardis 和Gootee 確定了特征空間方差和零交叉(ZC)的預先指定的運動模式；Lee 和Sardis21 使用積分絕對值MAV，連同方差和ZC 用于手臂的肌電控制；Hudgins 等人用MAV；Liu 等研究了AR 模型小于5 時分類精度增長較快。Oskoei 等人的研究中表明利用MAV 特征提取，成功率達95%，MAV（絕對均值）這樣的簡單特性并不比AR、WPT 等性能差。

在頻域上，將快速傅里葉變換(FFT)確定了EMG 信號的頻譜。Farry 等將FFT 應用于假肢手的遙操作。Sueaseenak 等人利用FFT 從不同手部和腕部運動的肌電信號中提取特征。

在時頻上，由于采用多通道方法采集信號，提取的特征向量維數較大。需要利用FS或特征投影(FP)等降維技術來降低分類器的負擔。在特征提取上，分析表面肌電信號的不同特征提取方法并比較識別成功率。

4 肌電信號模式識別（特征分類）

在分類器上，目前的肌電信號模式分類方法主要有人工神經網絡（Artificial Neural Network，ANN），線性判別分析（Linear Discriminant Analysis，LDA），支持向量機（Support Vector Machine，SVM）等。如表1所示。

在給定適當的特征表示的情況下，非線性SVM分類器在大部分情況下獲得了較大性能，分類識別率達95%以上。由于SVM 具有理論完善，通用性強，計算簡單，魯棒性好，廣泛應用于肌電假手的模式識別中。

SVM 是一種二分類的模型，分為線性和非線性兩大類。其主要目標是構建一個最優分類面對所有數據進行劃分，使得樣本數據到超平面的距離最短。SVM 算法原理假設目標函數：

等價于求解上述問題的對偶問題：

通過轉化將求w,b 的問題轉化為求α 的對偶問題，即找出所有支持向量，通過計算數據點到最優分類面的距離從而判斷出該數據點的類別。

5 結語

（1）在特征提取中，時域中的MAV 提取方法由于計算簡單被廣泛使用，但近年來組合特征的方法也越來越被研究者使用，因此尋找一種組合并比對時域特征提取以達到識別率的提高。

（2）在比對大量的分類器的分類效果中，SVM 支持向量機通用性強、計算簡單，并在大部分情況下獲得了較大性能得到高的識別率，且研究表明，相比于分類器，特征優選對識別成功率提升較大，采用泛化能力較強的SVM 通過參數優化用于人手抓取動作分類以期達到進一步動作識別的效果。