表面肌电信号特征提取方法研究发展趋势

刘建，邹任玲，张东衡，徐秀林，胡秀枋

1.上海理工大学医疗器械与食品学院(上海，200093)

2.上海健康医学院(上海，200093)

肌电信号特征提取方法-功率谱比值法，该方法以表面肌电信号功率谱最大幅值处的频率附近某一确定宽度的功率谱积分与整个功率谱积分的比值，作为表面肌电信号的特征进而进行非特定人的手部动作识别，取得了较为理想的效果。

表面肌电信号特征提取方法研究发展趋势

刘建1，邹任玲1，张东衡2，徐秀林1，胡秀枋1

1.上海理工大学医疗器械与食品学院(上海，200093)

2.上海健康医学院(上海，200093)

表面肌电信号(Surface Electromyographic，sEMG)监测广泛运用于临床诊断、康复医学，它的特征信号提取是进行临床诊断的主要依据。文章在常规的时域分析、频域分析特征提取方法的基础上，对最近的研究热点内容包括时频分析方法、参数模型分析方法和非线性特征分析方法等方面进行了综述和探讨，并对表面肌电信号特征提取方法在相关领域的未来研究方向和发展趋势进行分析和展望。

表面肌电信号;特征提取;时频分析;参数模型;非线性分析

0 引言

表面肌电信号(surface electromyography signal，sEMG)能够实时、准确和非损伤状态下反映肌肉活动状态和功能状态［1］，表面肌电信号的监测已经深入应用到临床医学、运动医学、生物医学工程等领域［2］。对人体表面肌电的某些特征的提取被广泛地应用于肌肉疲劳、肌肉痉挛和肌萎缩等疾病的诊断。如何从原始的一维时间序列信号，类似噪声的准随机信号里提取出有用的特征信息成为表面肌电信号分析的基础。当前肌电信号特征提取方法很多，有时域分析方法、频域分析方法、时频分析方法、基于参数模型与基于非线性特征分析方法五大类。本文就国内外在这一领域的研究方法及进展作简要综述。

1 时域分析方法

时域分析方法是最早的传统的表面肌电信号特征提取方法，这种方法的特点是将信号看成均值为零、方差随着信号强弱变化而变化的随机信号，在肌电图中EMG被记录成电位-时间曲线，其中自变量为时间变量，从中可以对信号进行整形、滤波，计算信号的均值、积分肌电值(iEMG)、幅值的直方图、过零次数(ZC)、均方根(RMS)、方差(VAR)、三阶原点矩的绝对值、四阶原点矩、自相关函数等作为特征量［3］。国内外学者有很多关于时域分析法的应用研究。日本学者Katsutoshi Kuribayashi等［4］曾采用时域分析方法将肌电信号的积分肌电值构成特征向量来进行手部动作多运动模型识别;Reddy等［5］利用时域方法(均方根值RMS)提取出sEMG的特征值，用于研究sEMG和运动位移的关系，从而实现了手指和腕关节模型的控制;侯文生［6］等人以均方根为特征参数研究了握力大小与前臂肌肉表面肌肉活动模式的相关性，研究表明握力水平与肌肉活动模式具有相关性，也提示通过表面肌电信号的特征值不但可以预测握力的大小，还可用于运动功能测试及康复的评价。

2 频域分析方法

频域分析法以其提取特征值较稳定，在肌电信号处理中得到了比较广泛的应用，其特点是直接观察表面肌电信号频段的分布与变化情况。SEMG的频域分析主要应用功率谱分析方法。功率谱主要特征参数有峰值频率、平均功率频率(mean power frequency，MPF)和中值频率(median frequency，MF)，其中MF具有对生理参数变化敏感、抗噪声和信号混叠能力强的特性，被公认为一种可靠、精确的频谱特征参数。计算公式如下:

其中，P(f)为信号的功率谱密度函数。Stulen和De Luca［7］研究发现，肌电信号的传导速率与肌电信号的诸如平均功率频率、中值频率等特征频率成线性比例关系;杨基海等［8］也通过实验发现，无论关节是曲屈收缩还是伸展收缩，主动肌和拮抗肌的归一化中值频率随着时间的增加而减少，而这两路肌电信号中值频率的相关系数则随着收缩力的增大而增大;罗志增、王人成［9］提出了一种新的表面

肌电信号特征提取方法-功率谱比值法，该方法以表面肌电信号功率谱最大幅值处的频率附近某一确定宽度的功率谱积分与整个功率谱积分的比值，作为表面肌电信号的特征进而进行非特定人的手部动作识别，取得了较为理想的效果。

3 时频分析方法

近年来时频分析方法倍受人们关注。目前用于表面EMG信号分析的时频分析方法主要有短时FFT变换、Wigner-Ville变换、Choi-Williams变换及小波变换等。

3.1 短时傅里叶变换

短时Fourier变换(Short-time Fourier Transform，STFT)也叫做窗口Fourier变换，1946年D.Gabor提出的Gabor变换，其基本思想是，达到时间域上的局部化，在Fourier变换的基本变换函数之前乘上一个时间上有限的时限函数g(t)，这样ei2πft起频限作用，g(t)起时限作用，合在一起，就可以起到时频双限制作用。蔡立羽等［10］采用短时傅立叶变换对表面肌电信号进行了分析，并通过奇异值分解提取特征矢量以进行四个手部动作的模式识别，效果比较理想。

3.2 维格纳分布

维格纳分布是信号能量在时间-频率两维空间上的分布，它具有许多优良特征。例如，定义域的同一性、反演特性等，这使它在非平稳的肌电信号的处理中颇有潜力。Wigner-Ville变换的不足之处在于变换是非线性的——变换的双线性，所以当信号成份多时，不同成份之间容易出现交叉项，会引起伪像。Mechelle R和Davies等［12］利用此方法对EMG信号进行了疲劳分析，并提取相应特征进行识别。

3.3 Choi-Williams变换

Choi-Williams变换有效地消除了交叉项的存在。其形式为:

其中，当σ非常大时，g(θ，τ)=1，就得到了Wigner-Ville分布。Paolo Bonato等［13］曾用Choi-Williams分布对肌肉动态收缩时的肌电信号进行了详细的分析，实验证明该方法适合于非稳态sEMG的处理。

3.4 基于小波变换和小波包变换的方法分析

小波变换(wavelet traansforln，WT)最早是由法国地球物理学家Morlet于1984年在分析地震波时提出来的，小波变换在信号分析与处理中得到了广泛地应用［14］。由于小波变换的时、频定位特性，可以实现信号的时变谱分析，可以在任意细节上分析信号，且对噪声不敏感。因此小波变换是表面肌电信号分析的有力工具［15］。小波包分解是小波变换的一种自然延拓，它能够以二叉树方式将信号分解成等频带宽的子空间。小波包分解中，分解层数的增加可使信号的高频成分和低频成分的分解都达到很精细的程度［16］。

罗志增等［17］利用小波变换的去噪作用，滤除混合在原始sEMG中的部分噪声作为ICA的输入信号;蔡立羽等［10］采用小波变换方法对表面肌电信号进行分析，提取小波系数最大值构造特征矢量输入神经网络分类器进行模式识别，实验表明，基于小波变换的神经网络分类方法所需的数据短、运算快，对于肌电假肢的控制具有良好的应用前景;程波等［14］对表面肌电信号(EMG)的非平稳性，根据小波包变换在不同时频段均能精确的刻画信号，并提供丰富模式信息的特点，提出利用小波包熵方法对不同情感状态下的表面肌电信号进行分析。实验表明，该方法对情感的唤醒度识别效果较好。

4 基于参数模型的分析方法

参数模型的分析方法通过建立模型，分析参数系数和对应肌肉活动所确定的肢体动作之间的关系，从而识别提取表面肌电信号。

表面肌电信号的AR参数法就是利用AR模型特征与肢体运动的确定性关系，根据在残疾人残肢表面获取的肌电信号，求出模型参数和残差，驱动假肢，实现仿生控制。

AR模型的数学表达式为

其中:x(n)代表肌电信号的第n个采样值，w (n)是白噪声残差，P是AR模型的阶数。ak是AR模型的第k个系数，即为要确定的参数。许多实验表明，当AR模型阶数取4时，对信号的分析和识别性能最好。更高阶数的模型不但不会改善分类结果，而且会加大运算量，因此，我们选用4阶AR参数模型［18］。罗志增等［19］用AR模型的各阶系数作为神经网络的输入，输出则对应手腕的静止、腕内曲、腕外翻等动作，实现对假手的有效控制。

5 基于非线性特征的研究方法

最近几年，基于非线性的研究方法逐步应用于肌电信号处理领域，此类方法主要包括非线性PCA和非线性动力学两个方面。

5.1 非线性动力学

针对肌电信号的非线性特征，有学者开始将非线性动力学方法应用到肌电信号特征提取领域，非线性动力学的主要参数有:

李雅普诺夫指数是衡量系统动力学特性的一个重要定量指标，它表征了系统在相空间中相邻轨道间收敛或发散的平均指数率，可以用来表征系统运动的特征。邹晓阳等将最大李雅普诺夫指数与多尺度分析结合应用到人体前臂6类动作表面肌电信号的模式识别中，结果表明，利用多尺度最大李雅普诺夫指数对动作表面肌电信号进行模式识别效果良好［20］。

熵是非线性动力学的另外一个参数，通过考察在一定容限内相似的向量在其维数由m维增加至m+l维时继续保持其相似性的概率的大小来判断信号的复杂度，熵越大，说明向量保持相似性的概率越小，则时间序列出现新模式的机会越大，即时间序列越复杂［21］。在肌电信号分析方面，孟艳丽等［22］用ApEn结合其它非线性指标对EMG信号的非线性性进行了研究;Vaillancourt和Newell［23］曾利用互近似熵评价肢体加速度与EMG信号之间的关系，从时域分析和频域分析角度证明了加速度和伸肌EMG信号在20～25 Hz之间有减少而在8～12 Hz之间又增加。

复杂度也是非线性动力学的参数之一，在以色列数学家Lempel和Ziv给出复杂度的具体计算方法后，复杂度开始应用于特征提取领域。如蔡立羽、王志中等［24］提取表面肌电信号的复杂性测度信息，利用原始数据的复杂度指标构造特征矢量对四种前臂动作进行分类，取得了较好的识别效果。通过比较，发现基于原始数据的复杂度指标在分类性能上要优于基于重构序列的复杂度。

5.2 非线性PCA

非线性主分量分析［25］(Nonlinear Principal Component Analysis，简称非线性PCA或NLPCA)方法是PCA的扩展，在非线性信号的特征提取中具有很好的性能，而且它在提取信号特征的同时还具有一定的降噪作用，常被用于盲源信号的处理。

在非线性PCA两种典型的方法中，基于神经网络的非线性PCA方法应用比较广泛［26］。Kramer法［27］是Kramer针对用PCA方法处理非线性数据时存在非线性信息丢失的不足，提出的5层基于自组织神经网络的非线性PCA方法，尽管它存在网络性能不稳定，容易出现局部最小等缺点，但仍在诸如气象学等领域得到了很好的应用。许多学者针对该方法存在的缺点，提出了改进的基于神经网络的非线性PCA方法，如Webb［28］提出了一种基于RBF神经网络的非线性PCA方法，但其缺点是网络的训练复杂;Faouzi M等［29］人针对webb方法训练复杂的不足，又提出新的基于RBF神经网络的非线性PCA方法，该方法拓扑结构简单，且具有网络训练速度快的优点;罗志增、赵鹏飞等［30］人采用基于自组织神经网络的非线性PCA对手臂尺侧腕伸肌和尺侧腕屈肌的两路表面肌电信号进行主元提取，试验结果表明，4种手部运动模式(握拳、展拳、腕外旋、腕内旋)对应的表面肌电信号利用该方法处理后，得到的主元曲线具有很好的类区分性，依据所得主元曲线的形状特征可以有效地进行手部动作类别的识别。

6 发展动态分析

传统的肌电信号提取方法，时域分析、频域分析在EMG分析领域运用广泛、成熟，但这些方法不能全面、准确地反映肌电信号的变化规律和本质，已经很难满足临床的需要。近年来，以小波变换为代表的结合时域和频域两方面特性的时频分析方法得到很多研究学者的关注，该方法实现肌电信号时域和频域的联合，更加清楚、全面的描述了信号频率随时间变化的关系，使其成为时变非平稳信号的有力工具。而以AR模型法为代表的参数模型法作为频谱分析的另一种重要途径，逐渐应用于对具有短时平稳特性的EMG分析，参数模型特征提取作为一种线性处理方法，运算速度要明显快于非线性、非平稳处理方法。现在还有学者采用非线性动力学和非线性PCA方法来分析EMG，虽使得EMG的分析思路有所拓展，也克服了以往研究在单尺度上提取表面肌电信号的非线性特征的不足，这方面的研究刚刚起步，各种非线性动力学参数对应的EMG的生理意义还有待去进一步研究探索。

［1］李庆龄.基于sEMG信号的外骨骼式上肢康复机器人系统研究［D］.哈尔滨:哈尔滨工业大学硕士学位论文，2009:1-2.

［2］加玉涛，罗志增.肌电信号特征提取方法综述［J］.电子器件，2007，30(1):326-330.

［3］邱青菊.表面肌电信号的特征提取与模式分类研究［D］.上海:上海交通大学硕士学位论文，2009.

［4］Katsutoshi Kuribayashi，et al.A Discrimination System U-sing Neural Network for EMG Controlled Prostheses-Integral Type of EMG Signal Processing［C］//Proc.Of the 1993 IEEE/RSJ Int，Conference on Intelligent Robot s and Systems 93［Yokohama］，1983:750-1755.

［5］Reddy NP，Gupta V.Toward direct biocontrol using surface EMG signals:control of finger and wrist jointmodels.Med Eng Phys，2007，29(3):398-403.

［6］侯文生，许蓉，郑小林，等.握力大小与前臂肌肉表面肌肉活动模式的相关性研究［J］.航天医学与医学工程，2007，20(4):264-268.

［7］Stulen FB，De Luca CJ.Frequency Parameters of the Myoelectric Signal as a Measure of Muscle Conduction Velocity［J］.IEEE Trans Biomed Eng，1981，28:515-523.

［8］杨基海，孙路遥.主动肌和拮抗肌针电极的EMG信号中值频率关系研究［J］.生物物理学报，1998，14(1):189.

［9］罗志增，王人成.具有触觉和肌电控制功能的仿生假手研究［J］.传感技术学报，2005，18(1):23-27.

［10］蔡立羽，王志中，张海虹.基于小波变换的肌电信号识别方法研究［J］.数据采集与处理，2000，15(2):255-258.

［11］V.Gupta，S.Suryanarayanan，N.Reddy.Fractal analysis of surface EMG signals from the biceps［J］.International Journal of Medical Informatics，1997，45(3)，185 -192.

［12］Davies Mechelle R，et.a1.Time Frequency Analysis of the Electromyogram during Fatigue Bioengineering［C］// Proceedings of Northeast Conference 1994，93-95.

［13］Bonato Peta1.Analysis of Myoelectric Signals Recorded during Dynamic Contractions［J］.IEEE Eng Med Biol，1996，4，102-111.

［14］程波，刘光远.基于表面肌电信号小波包熵的情感识别［J］.计算机工程与应用，2008，44(26):214-216.

［15］K Englehart，B Hudgin，PA.Parker.A wavelet-based continuous classification scheme for multifunction myoelectric control.IEEE Transactions on BME，2001，48 (3):302-311.

［16］朱礼军，陶兰，刘慧.领域本体中的概念相似度计算［J］.华南理工大学学报:自然科学版，2004，32(11): 147-150.

［17］罗志增，李文国.基于小波变换和盲信号分离的多通道肌电信号处理方法［J］.电子学报，2009，37(4):823-827.

［18］崔建国，王旭，李忠海，等.基于AR参数模型与聚类分析的肌电信号模式识别方法［J］.计量学报，2006，27 (3):287-289.

［19］罗志增，杨广映.表面肌电信号的AR参数模型分析方法［J］.传感技术学报，2003，16(4):384-387.

［20］邹晓阳，雷敏.基于多尺度最大李雅普诺夫指数的表面肌电信号模式识别［J］.中国生物医学工程学报，2012，31(1):7-12.

［21］陈伟婷.基于熵的表面肌电信号特征提取研究［D］.上海:上海交通大学博士学位论文，2008.

［22］Meng，Y Liu，B.，Liu，Y A comprehensive nonlinear analysis of electromyogram.Presented at Annual Reports of the Research Reactor Institute，Kyoto University:2001.

［23］Vaillancourt DE，Newell KM.The dynamics of resting and postural tremor in Parkinson's disease［J］.Clinical Neurophysiology，2000，111(11):2046-2056.

［24］蔡立羽，王志中，张海虹.基于复杂性度量的表面肌电信号分类方法［J］.生物物理学报，2000，16(1):119-124.

［25］高鹰，谢胜利.基于非线性PCA准则的两个盲信号分离算法［J］.计算机工程与应用，2005，22:24-26.

［26］Scholkopf B，Smola A，Muller AKR.Nonlinear Component Analysis as a Kernel Eigenvalue Problem［J］.Neural Computation，1998，10:1299-1319.

［27］Kramer MA.Nonlinear Principal Component Analysis U-sing Auto Associative Neural Networks［J］.AIChE Journal February 1991，37(2):233-243.

［28］Webb AR.An Approach to Nonlinear Principal Component Analysis Using Radially Symmetric Kernel Functions［J］.Statist.Comput，1996，6:159-168.

［29］Faouzi Harkat M，Gilles Mourot，JoséRagot.Nonlinear PCA Combining Principal Curves and RBF-Networks for Process Monitoring［C］//Proceeding of the 42nd IEEE Conference on Decision and Control，Hawaii，USA，2003:1956-1961.

［30］罗志增，赵鹏飞.非线性PCA在表面肌电信号特征提取中的应用［J］.传感技术学报，2007，20(10):2164-2168.

Research and Development Trend of Feature Extraction M ethods of Surface Electrom yogrphic Signals

LIU Jian，ZOU Renling，ZHANG Dongheng，XU Xiulin，HU Xiufang
1.School of Medical Instrument and Food Engineering，University of Shanghai for Science and Technology(Shanghai，200093)
2.Shanghai University of Medicine＆Health Sciences(Shanghai，200093)

The surface electromyographic(sEMG)monitoring iswidely used in clinical diagnosis and rehabilitationmedicine.Its feature extractions are themain foundation of clinical diagnoses.Based on the conventional feature extraction methods of time-domain and frequency-domain，this paper focuses on summarizing and discussing the recent research hot spots，includingmethods of time-frequency，parametermode and nonlinear features.Besides，this paper analyze and prospect the future research direction and development trend of the feature extraction methods of sEMG in the related fields.

sEMG，feature extraction，time-frequency analysis，parametermodel，nonlinear analysis

R444

A

1674-1242(2015)03-0164-05

10.3969/j.issn.1674-1242.2015.02.009

2015-04-21)

上海市科学技术委员会科研计划项目(14441905100)

刘建，E-mail:aidesiyu_liu@163.com