基于表面肌電信號的腰背動作識別新方法

劉二寧 鄒任玲 姜亞斌 胡秀枋 盧旭華 王海濱 范虓杰 張安林

摘 要：為提高基于表面肌電信號的人體腰背動作識別率，提出一種基于小波包能量與改進NARX神經網絡的分類識別新方法。利用小波包變換對動作部位進行表面肌電信號特征提取，并采用改進NARX神經網絡進行分類識別。選取8名實驗者分別在扭腰、彎腰、側彎腰3種動作下進行表面肌電信號數據采集，選擇db4小波包函數對信號進行6層分解，得到第6層64個頻帶的小波包分解系數，代表各個動作信息的特征向量，作為改進NARX神經網絡的輸入進行分類識別。對照實驗組中，改進NARX神經網絡的識別率較高，總體識別率達到96.7%。實驗結果表明，利用該識別方法對腰部動作進行分類識別，分類準確，且識別率更高。

關鍵詞：表面肌電信號;動作識別;小波包變換;改進NARX神經網絡

DOI：10. 11907/rjdk. 201327????????????????????????????????????????????????????????????????? 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP301 ? 文獻標識碼：A ??????????????? 文章編號：1672-7800（2020）011-0071-04

A New Method for Recognition of Lumbar and Back Movements

Based on Surface EMG Signals

LIU Er-ning1， ZOU Ren-ling1，JIANG Ya-bin1，HU Xiu-fang1，LU Xu-hua2，WANG Hai-bin2，FAN Xiao-jie1，ZHANG An-lin1

（1. School of Medical Instrument and Food，University of Shanghai for Science and Technology，Shanghai 200093，China;

2. Shanghai Changzheng Hospital， Shanghai 200003， China）

Abstract： In order to improve the recognition rate of human low back motion pattern based on surface EMG， this paper proposes a new classification and recognition method based on wavelet packet energy and improved NARX neural network.The wavelet transform is used to extract the surface EMG signal features of the action part， and the improved NARX neural network is used for classification and identification. Eight experimental subjects were selected to perform surface EMG signal data acquisition under the lumbar motion of twisting， bending and side bending. The db4 wavelet packet function was used to decompose the signal in 6 layers to obtain the decomposition coefficient of the 64 wavelet band in the 6th layer. The coefficients represent the feature vector of each action information are used as an input to the improved NARX neural network for classification and recognition. In the control group， the improved NARX neural network has a higher recognition rate， and the overall recognition rate reaches 96.7%. The experimental results show that the waist movement is classified and recognized by this recognition method with accurate classification and higher recognition rate.

Key Words： surface EMG signal;motion recognition;wavelet packet transform;improved NARX neural network

0 引言

表面肌電信號是指通過表面肌電拾取方式采集肌肉活動產生的電信號，可在一定程度上反映神經肌肉的活動。其借助于無創傷、使用方便等優勢，在康復訓練中常被用來對患者動作進行分類與識別，從而實現智能控制，以進一步提高康復效果[1-3]。

利用表面肌電信號對人體動作進行分類識別，關鍵在于如何提高表面肌電信號的分類識別率。目前，國內外學者利用人工神經網絡、模糊熵判別法、神經模糊熵判別法等算法，一定程度上提高了識別率[4-8]。其中具有代表性的有楊偉健等[9]提出的基于空域相關濾波的小波熵和近似熵特征提取與分類方法，實現了肩頸部肌電信號識別，可對輪椅進行智能控制;魏偉等[10]提出一種小波變換與粒子群優化支持向量機（Particle Swarm Optimization-Support Vector Machine，PSO-SVM）相結合的模式分類方法，能夠成功識別表面肌內翻、外翻，以及握拳、展拳動作;王紅旗等[11-12]提出一種將播報主元分析與線性判別分析相結合的表面肌電信號動作特征識別新方法，其將小波包系數矩陣由16維降到4維，對前臂4種動作模式（握拳、展拳、手腕內翻和手腕外翻）的正確識別率平均可達98%，與傳統小波包變換相比識別率更高;Yogendra等[13]利用原始表面肌電圖（sEMG）信號特征的一階微分得到4個新的時域特征，與其它分類器相比具有更好的分類精度;Mane等[14]提出一種新的基于單通道的表面肌電信號識別算法識別表面肌電信號，利用小波變換與人工神經網絡相結合的方法能更好地對表面肌電信號進行識別與分類。

傳統方法利用小波變換提取表面肌電信號特征向量，無法很好地分解與表示包含大量細節信息的表面肌電信號，而小波包變換是一種信號的時間—尺度分析方法，具有多分辨率分析的特點，在時、頻域具有較強的表征信號局部特征的能力。因此，為提高分類與識別的準確性，本文提出采用小波包變換法對動作部位的表面肌電信號進行特征提取，之后輸送到改進NARX神經網絡進行分類與識別，并將該方法應用于腰部腰方肌、豎脊肌的動作（扭腰、彎腰、側彎腰）識別。實驗結果表明，該方法可以顯著提高對腰背部動作的分類識別準確性，在康復訓練中可起到指導訓練、提高康復效果的作用。

1 小波包能量特征向量提取

小波變換原理：設ft是平方可積函數，φa，bt被稱為基本小波或母小波，定義如下：

φa，bt=1aφt-ba ?? （1）

則信號ft連續小波變換定義為：

Wφfa，b≤ft，φa，bt≥1a-∞+∞ftφ*t-badt???? （2）

式中，a>0，b∈R，a是尺度因子，b是伸縮因子，“<>”表示內積，“*”表示共軛。信號ft的離散小波變換定義為：

Wf2j，2jk=2-j2-∞+∞ftφ2-jt-kdt ??? （3）

其逆變換為：

ft=f=-∞+∞k=-∞+∞wf2j，2jk？2j，2jkx ??? （4）

由式（2）可知，小波變換是先選定一個基小波函數φt，然后將信號ft在φt下展開。對于一個已知信號st進行小波變換，如式（5）所示。

st=AIt+I=1UDt=waIaIt+I=1UwdIt （5）

式中，AIt為第I級的低頻分量，DIt為第I級的高頻分量，waI為第I級的低頻小波系數，wdI為第I級的高頻小波系數，aIt與dIt是小波基。

由Parse-val定理得知，頻域計算信號與時域計算信號的能量相等，由此可知，分解后各個頻帶的能量為EI，以EI為元素可構造特征向量：R=E1，E2，E3，？，EI，其中I=2i。再令E=sqrt（i=0I|EI|2），歸一化處理后的能量為R'=E1/E，E2/E，E3/E，？，EI/E，最后以R'作為神經網絡的輸入進行動作識別。

設φ（x）、ψ（x）分別是尺度函數和小波函數，令：

ψ0（x）=φ（x）ψ1（x）=ψ（x） （6）

φ2l（x）=k=-∞+∞hkφl（2x-k）ψ2l+1（x）=k=-∞+∞gkφl（2x-k） ???????? （7）

則定義的函數ψn稱為關于尺度函數φ（x）的小波包。

利用小波包算法提取運動的表面肌電信號特征能量時，只要選擇合適的小波包函數和分解層數[15-16]，即可將進行不同運動時肌電信號中的各個頻段信息分解出來，最后得到一組代表各個動作信息的特征向量[17-19]。

2 NARX神經網絡改進算法

NARX神經網絡算法在通信隨機信號獲取特征值方面已取得較大進展，同樣也適用于處理肌電信號的隨機性，可用來識別不同的肌肉運動[20-21]。改進NARX神經網絡在輸入延時環節上作了改進，隱層神經元使用動態的激勵函數，優化后的神經網絡更加簡單，能更好地滿足康復訓練對高精度控制的動態要求。因此，在小波包處理表面肌電信號基礎上采用改進NARX神經網絡提高識別率。

NARX神經網絡（見圖1）由輸入層、延時層、隱含層和輸出層、反饋環節構成，是一種被廣泛應用于動態非線性研究的反饋神經網絡，也稱為實時遞歸網絡。

NARX 神經網絡權值更新算法為：

ΔWkη？eTk？yk？w+dxykT ??? （8）

其中：

dxyk=dykdyk-1，dykdyk-2，...dykdyk-mT ? （9）

隱層神經元激勵函數參數學習方法如下：

（1）參數α的學習算法。

Jk=12e2k;ek=dk-yk （10）

αi，k+1=αi，k-Δαi，k;Δαi，k=ηαdJkdαj，k （11）

dJkdαi，k=-ekdykdαi，k （12）

dykdαi，k=w1idzidαi，k=ziαi，kw1i （13）

zi=fivi，αi，βi=αi？eβivi-e-βivieβivi+e-βivi （14）

αi，k+1=αi，k+ηα？ek？ziαi，k？w1i （15）

其中，αi，k+1是第i個隱層神經元激勵函數參數αi在k+1時刻的值，ηα是學習速率，w1i是第i層隱層神經元到輸出層的連接權，zi是第i個隱層神經元的輸出，vi是第i個隱層神經元的輸入。

（2）參數β的學習算法。

βi，k+1=βi，k-Δβi，k;Δβi，k=ηβ？dJkdβi，k （16）

dJkdβi，k=-ek？dykdβi，k ??????? （17）

dykdβi，k=w1idzidβi，k=w1i？vi？αi，k？1-z2i （18）

βi，k+1=βi，k+ηβ？ek？w1i？αi，k？v？1-z2i ? （19）

其中， βi，k+1是第i個隱層神經元激勵函數參數βi在k+1時刻的值，ηβ是學習速率。

改進NARX神經網絡（見圖2）在輸入延時環節上作了改進，結構上與傳統NARX回歸神經網絡結構基本相同。改進NARX網絡在應用時只需確定隱層神經元數目，采用實時遞歸學習（Real Time Recurrent Learning， RTRL）算法，此時該網絡隱藏層具有動態的激勵函數。

3 動作識別實驗與結果分析

為驗證該方法對腰背部動作的識別率，本文將腰背動作分為易于識別的扭腰、彎腰、側彎腰3個動作。實驗采用芬蘭Mega公司開發的ME6000表面肌電測試儀，包含16通道的數據記錄器和無線遙控裝置，能夠精準測量與監控表面肌電信號。本實驗設置的采樣頻率為1 000Hz，肌電信號高通濾波器截止頻率為20Hz，低通濾波器截止頻率為500Hz。實驗選取8名23-26周歲的大學生，身體健康且24h內無腰背部劇烈運動，分別在其扭腰、彎腰、側彎腰3種動作下進行信號采集（見圖3）。實驗期間保證每位測試者在非疲勞情況下測試，每個動作時間為30s，且動作平穩。

3.1 特征向量提取與神經網絡構建

選取腰背部3種動作的表面肌電信號，采用db4小波包函數對信號進行6層分解，得到第6層64個頻帶的小波包分解系數，之后計算出每個頻帶的信號能量，再將得到的能量進行歸一化處理，作為神經網絡的輸入。

為區分腰背部的3個動作（彎腰、扭腰和側彎腰），設置3個對應的輸出層節點：（1 0 0）表示彎腰動作，（0 1 0）表示扭腰動作，（0 0 1）表示側彎腰動作。

3.2 改進神經網絡訓練與測試

改進NARX神經網絡體系結構包括3層前饋網絡與2個輸入，以及8個隱層神經元。神經網絡內部運算函數使用Sigmoid函數，以提高計算速度。采用MATLAB神經網絡工具箱進行神經網絡分析，并與經典NARX神經網絡進行比較。測試數據來源于此次試驗采集的數據，隨機產生240組輸入輸出數據對，其中前200組用于訓練，后40組用于測試。經典NARX神經網絡采用三階輸入延遲與一階輸出延遲，以及8個隱層神經元;改進NARX神經網絡采用一階輸出延時，以及8個隱層神經元。使用240個數據集進行網絡訓練，兩種神經網絡學習速率均為0.001，訓練1 000步，比較結果如圖4、圖5所示。其中，圖4為NARX神經網絡MSE擬合圖，圖5為改進NARX神經網絡MSE擬合圖。MSE用來表示訓練后輸出矩陣與目標矩陣的擬合曲線，R（相關度）的值越接近1，表示擬合效果越好。比較兩幅圖的結果得出，改進NARX神經網絡相比傳統NARX神經網絡，擬合度與識別率更高。

3.3 結果分析

將改進NARX神經網絡與BP、Elman神經網絡進行對比實驗。BP神經網絡隱層神經元為10，輸出神經元為3，inputs輸入數據中70%用于訓練，15%用于擬合，15%用于測試，總體識別率為88.3%，說明其只能基本識別測試動作;Elman神經網絡隱層神經元為14，輸出神經元為3，inputs輸入數據中70%用于訓練，15%用于擬合，15%用于測試，總體識別率為90%，表明Elman神經網絡模式識別結果優于BP神經網絡;NARX神經網絡隱層神經元為8，輸入延時為2，輸出反饋延時為2，輸出神經元為3，inputs輸入數據中70%用于訓練，15%用于擬合，15%用于測試，總體識別率為93.3%;改進NARX神經網絡隱層神經元為8，輸入延時節點數為0，輸出延時節點數為2，輸出神經元為3，inputs輸入數據中70%用于訓練，15%用于擬合，15%用于測試，總體識別率為96.7%。根據幾組數據比較結果，改進NARX神經網絡模式識別結果優于傳統NARX神經網絡。

從表1中可以看出，各組針對扭腰模式的識別效果相對較好，而針對彎腰與側彎腰的識別效果較差。其中，BP神經網絡的識別結果最差，NARX神經網絡識別結果最優，改進NARX神經網絡通過對輸入隱層神經元的優化，識別率得到了很大提升。

4 結語

本文提出一種基于小波包能量與改進NARX神經網絡的分類識別新方法，利用小波包多分辨率的特點對表面肌電信號進行多維度分解與重構，提取各個頻段歸一化能量作為腰背動作特征向量。實驗結果表明，改進NARX神經網絡能夠對腰背訓練中的3個動作進行有效分類，相比BP神經網絡、ELMAN神經網絡與NARX神經網絡，分類結果更準確，識別率更高。但不足之處是該方法對彎腰和側彎腰動作識別率相對較低，未來研究方向是進一步提高每個動作的識別率，并測試將該方法應用于下肢運動的動作識別中。

參考文獻：

[1] FELDNER H A，HOWELL D，KELLY V E，et al. “Look， your muscles are firing！”： a qualitative study of clinician perspectives on the use of surface electromyography in neurorehabilitation[J]. Archives of physical medicine and rehabilitation，2018，100（4）：663-675.

[2] ZHANG Z，YANG K，QIAN J，et al. Real-time surface emg pattern recognition for hand gestures based on an artificial neural network [J].? Sensors， 2019， 19（14）：3170-3185.

[3] ZHANG L，LIU G，HAN B，et al. sEMG Based Human Motion Intention recognition[J]. Journal of Robotics，2019（1）：1-12.

[4] 李明，楊漢生，楊成梧，等. 一種改進的NARX回歸神經網絡[J].? 電氣自動化，2006，28（4）：6-8.

[5] 于亞萍，孫立寧，張峰峰，等. 基于小波變換的多特征融合sEMG模式識別[J]. 傳感技術學報， 2016， 29（4）：512-518.

[6] NOWAKOWSKI M，TRYBEK P. Correlation based analysis of sEMG signals during complex muscle activity. Feasibility study of new methodology[J].? Folia Medica Cracoviensia， 2017， 57（2）：41-52.

[7] 徐國慶，吳云韜.? 上肢殘肢肌電信號交互的實現[J].? 計算機工程與設計， 2015（12）：3344-3348.

[8] AI Q S，ZHANG Y N，QI WL，et al. Research on lower limb motion recognition based on fusion of sEMG and accelerometer signals[J].? Symmetry，2017，9（8）：1-19.

[9] 楊偉健，佘青山，張啟忠，等.? 一種肩頸部肌電信號識別的智能輪椅控制方法[J]. 上海交通大學學報， 2016， 50（6）：949-956.

[10] 魏偉，洪潔，王璐，等. 基于小波變換和PSO-SVM的表面肌動作模式分類[J]. 安徽工業大學學報（自然科學版），2016，33（3）：272-277.

[11] 王紅旗，李林偉，毛啊敏. 基于小波包主元分析的表面肌電信號特征識別[J]. 河南理工大學學報（自然科學版），2015，34（2）：249-252.

[12] 王紅旗，李林偉，毛啊敏. 基于小波包的表面肌電信號特征表示與識別[J].? 計算機工程與應用，2015， 51（9）：217-220.

[13] YOGENDRA N，LINI M，CHATTERJI S.? sEMG signal classification with novel feature extraction using different machine learning approaches[J].? Journal of Intelligent & Fuzzy Systems，2018，35（5）：1-11.

[14] MANE S M，KAMBLI R A，KAZI F S，et al. Hand motion recognition from single channel surface emg using wavelet & artificial neural network[J].? Procedia Computer Science，2015， 49（1）：58-65.

[15] MARTELLO S，PISINGER D，TOTH P. New trends in exact algorithms for the 01 knapsack problem[J]. European Journal of Operational Research ，2000，123（2）：325-332.

[16] 洪潔，王璐，汪超，等. 基于人工魚群算法優化SVM的手部動作sEMG識別[J].? 傳感器與微系統，2016，35（2）：23-25.

[17] DUAN F， DAI L，CHANG W， et al. sEMG-based identification of hand motion commands using wavelet neural network combined with discrete wavelet transform[J]. IEEE Transactions on Industrial Electronics， 2016， 63（3）：1923-1934.

[18] SHIGUANG W，FEI W，CHENGDONG W，et al. Human lower limb motion recognition based on translation invariance wavelet transform and RBF neural networks[C].? Chinese Control and Decision Conference， 2009.

[19] LIU Z H，LUO Z Z. Hand motion pattern classifier based on EMG using wavelet packet transform and LVQ neural networks[C].? IEEE International Symposium on IT in Medicine and Education， 2008：28-32.

[20] LI Z，HAYASHIBE M，FATTAL C，et al. Muscle fatigue tracking with evoked EMG via recurrent neural network： toward personalized neuroprosthetics[J]. IEEE Computational Intelligence Magazine， 2014， 9（2）： 38-46.

[21] BU N，OKAMOTO M，TSUJI T. A hybrid motion classification approach for emg-based human-robot interfaces using bayesian and neural networks[J]. IEEE Transactions on Robotics， 2009， 25（3）： 502-511.

（責任編輯：黃 健）