面向農業智能裝備的表面肌電信號識別*

孫洪穎，陳龍崇，鄭傳俊，黃勁龍，陳振國，鐘麗芬

（廣東技術師范大學 機電學院，廣東 廣州 510635）

農業智能裝備是現代農業重要的發展方向之一，各種智能農業裝備層出不窮，但肌電信號還較少應用于農業智能裝備的交互。對信號的識別是人工智能的研究熱點之一，各國學者應用了多種不同的方法對信號進行識別。2016年王星等[1]提出了基于深度置信網絡對信號雙譜對角切片結構特征進行學習，實現低截獲概率雷達信號識別。2016年焦敬品等[2]提出了基于BP神經網絡的管道泄漏聲信號識別，利用泄漏信號的時域、頻域及波形特點，提取出可用于泄漏信號表征的20種特征參數，可以很好地實現不同場景下泄漏信號的交叉識別，整體識別率達92.5%。2018年黃穎坤等[3]提出了基于深度學習和集成學習的輻射源信號識別，將雷達信號變換到時頻域，利用棧式降噪自編碼模型學習時頻圖像的特征，構造一個集成不同支持向量機分類器的模型對雷達信號進行識別，證明機器學習的方法有助于提高輻射源信號的識別正確率。同年，郭立民等[4]針對低截獲概率（LPI）雷達信號識別率低且特征提取困難的問題，提出一種基于Choi-Williams分布（CWD）和棧式稀疏自編碼器（sSAE）的自動分類識別系統，在低信噪比條件下整體平均識別率達到96.4%，明顯優于人工設計提取信號特征的識別方法。2019年姚宇晨等[5]應用自編碼技術進行特征提取，獲得具有較好的抗干擾能力的特征集，然后使用BP神經網絡對經過篩選的特征進行分類識別，實現了MQAM通信信號調制模式自動識別，有效提高了數字調制信號自動識別的抗干擾能力。2021年Choi Min Soo[6]用表面肌電圖準確定量測量病人的腹肌活動，并利用多種評估方法，制定出正確的診斷和康復治療策略。2021年王鵬程等[7]建立一種以log-mel能量為聲信號特征的預提取方法，以深度殘差網絡作為特征自動提取及分類的聲信號分類識別模型，在DCASE2019數據集和UrbanSound8K數據集上能夠實現80.2%和76.4%的識別精度，在聲源探測領域具有一定的應用價值。

雖然人工智能技術在信號識別領域有了較好的實驗成果，但是目前涉及卷積神經網絡的較少。卷積神經網絡作為人工智能技術的主流算法之一，其卓越的性能十分有潛力并推動了信號識別領域的發展。因此，本文提出將表面肌電信號轉換成時頻譜圖，然后使卷積神經網絡應用于表面肌電信號識別的方法。實驗表明：基于卷積神經網絡的表面肌電信號識別具有較高的準確率，有潛力成為一種新的肌電信號識別方法。

1 實驗介紹

本實驗采用Sichiray肌電傳感器采集表面肌電信號，將肌電信號進行預處理后，采用卷積神經網絡對肌電信號進行識別。根據這一思路，首先搭建網絡模型，然后將預處理過的肌電信號作為樣本訓練優化網絡模型以提高識別準確率，最后將訓練過的網絡作為識別算法對肌電信號進行模式識別。

1.1 數據采集方案

1.1.1 儀器佩戴位置的選擇

肌電采集器的佩戴位置影響肌電的信號分布，在人體運動狀態保持不變的前提下，肌電采集器佩戴位置的變化將帶來感知信號的改變，使基于特定位置訓練的神經網絡模型準確率降低。通過對肌電信號采集技術進行調研，結合多次試驗結果，根據肌電信號穩定性排序，本文選擇在如圖1所示位置佩戴電極貼。

圖1 電極貼貼片佩戴位置

1.1.2 原始肌電信號的采集

表面肌電信號是一種非平穩的微電信號[7]，一般比人體動作超前30-150ms產生，幅值在0.01-10mV。本實驗采集了俯仰120°、俯仰90°、腕擺、食指伸展、食指和中指雙指同時伸展、五指同時伸展、握拳、靜止共8個動作的原始肌電信號（如圖2）。

圖2 八個動作的肌電信號

1.2 數據的預處理

預處理包括對原始肌電信號的放大、整流、陷波、濾波、活動段分割以及時頻譜圖轉換。本實驗采用短時能量的移動平均法進行肌電信號活動段分割，提取出肢體運動過程中的有效信息，方便后續進行離線數據分析。最后在對信號使用EMD得到時頻譜圖。以上步驟，如圖3所示。

圖3 對表面肌電信號的預處理

2 基于卷積神經網絡（CNN）的肌電信號模式識別

肌電信號的模式識別就是對預處理后的肌電信號運用算法進行識別的任務。基于時域的統計參量進行識別是傳統的肌電信號識別算法中比較流行的。傳統算法對于肌電信號的識別存在一些缺陷，其識別率不高、抗干擾能力不強，并且受人為手工提取特征參量的局限。結合深度學習算法自主學習特征的優勢，為利用卷積神經網絡（CNN）的特征提取能力進行有效信息的提取，實驗采用GoogLeNet網絡模型結構構筑卷積神經網絡，將遷移學習訓練后的網絡作為識別算法對肌電信號進行模式識別。實驗還采用LeNet7網絡模型結構，將其作為GoogLeNet網絡模型結構的對照組。

2.1 卷積神經網絡

自從2012年ImageNet比賽卷積神經網絡被評為第一后，它越來越受到人們的關注。目前，CNN是人工智能識別技術的主流算法之一。典型的CNN結構圖如圖4所示，由卷積層、下采樣層、全連接層和分類器構成。卷積層的運算為一層到下一層的映射，各個神經元都與前一層的局部感受域相連，CNN神經元自動提取圖像的局部特征。特征圖Xj與卷積層的形式如式（1）所示。下采樣層可以減小特征圖的空間大小并刪除冗余空間信息。通過下采樣可以增加更深卷積層中的過濾器數量，而不會增加每層所需的計算量，特征圖Xj與下采樣層的形式如式（2）所示。最后全連接層連接所有特征，將輸出值送給分類器。

圖4 典型的CNN結構圖

圖5 LeNet7網絡結構

其中，l代表層數，klij代表輸入的第i種特征圖和輸出的第j種特征圖之間連接所用的卷積核，Mj代表第（l-1）層輸入特征圖的一個選擇集合，blj為第j個特征圖對應的偏置，f為激活函數。

其中，down（）為下采樣函數；W為乘性偏置；b為加性偏置；f為激活函數[8]。

2.2 基于卷積神經網絡模型LeNet7識別

LeNet7神經網絡由深度學習的權威Yan LeCun提出，利用卷積、參數共享、池化等操作提取特征，避免了大量的計算成本，最后再使用全連接神經網絡進行分類識別，這個網絡也是最近大量神經網絡架構的起點。

實驗將LeNet7網絡模型作為GoogLeNet神經網絡的對照組，用與GoogLeNet神經網絡同樣的訓練樣本訓練LeNet7，訓練完成的LeNet7識別肌電信號的時頻譜圖準確率為58.3%。

2.3 基于卷積神經網絡模型GoogLeNet的識別

GoogLeNet是google推出的基于Inception模塊的深度神經網絡模型，在2014年的ImageNet競賽中奪得了冠軍。Inception結構擴展了網絡的寬度，避免了由網絡深度加深引起的梯度爆炸問題。

實驗將肌電信號轉換為時頻譜圖，并將GoogLeNet遷移學習對時頻譜圖進行識別。實驗利用EMD將肌電信號轉換為時頻譜圖，再用肌電信號的時頻譜圖作為樣本訓練GoogLeNet，完成遷移學習的GoogLeNet識別肌電信號的時頻譜圖準確率為83%，識別肌電信號具有較高準確率，遠高于LeNet的識別準確率。

3 結果分析及結論

本文探索了將表面肌電信號應用于現代農業智能裝備的新方式，通過實驗采集了人體典型動作的肌電信號數據，對信號進行了放大、整流、陷波、濾波、活動段分割等處理，提取了肌電信號的時頻圖并輸入到神經網絡模型中進行訓練。在GoogLeNet網絡模型中識別的準確率穩定在80%以上，在LeNet7網絡模型中識別的準確率不足60%。通過實驗結果發現，GoogLeNet網絡模型結構更適合用于肌電信號的識別。下一步研究將對GoogLeNet網絡模型進行優化，以提高卷積神經網絡應用于肌電識別的效率，提高該算法的準確率，為農業智能裝備提供有效的交互方式。

圖6 LeNet7遷移學習訓練結果

圖7 Inception V1結構

圖8 GoogLeNet遷移學習訓練結果