基于表面肌电信号特征的动作识别

任 丹

(辽东学院 工程技术学院，辽宁 丹东 118003)



【机械与电子工程】

基于表面肌电信号特征的动作识别

任 丹

(辽东学院 工程技术学院，辽宁 丹东 118003)

文章对表面肌电信号的RMS特征和AR模型特征进行了分析，并利用采集到的原始表面肌电信号数据进行了RMS和AR参数的提取。利用提取的数据对上肢动作进行识别分析，结果表明双通道数据或多维数据联合分布能够有效的区分和识别相应的动作。

表面肌电信号；特征提取；动作识别

表面肌电信号(surface electromyography signal, sEMG)是表征骨骼肌肌肉纤维兴奋、收缩时运动单元冲动的生物电信号[1]。它与肌肉活动状态紧密相关，已经在辅助诊断研究上有着广泛的应用[2,3]。同时在人机接口方面，如手势识别和无声语音识别方面，肌电信号能够有效地反应人的意图信息。

表面肌电信号是一种非平稳、非线性的微弱电信号，极易受到外界干扰，无法直接将其引入系统。表面肌电技术的关键就是针对表面肌电信号的随机性、交变性等特点，采用有效的特征分析提取方法。表面肌电信号特征分析和提取的研究对完善康复机器人控制系统、提升康复治疗效果具有积极的意义。

1 表面肌电信号特征的提取

表面肌电信号的线性分析方法可分为时域分析法、频域分析法、时频域分析法和模型参数法。时域特征的优势在于计算速度快而且有明显的物理意义；频域分析法可以得到信号的频域特征，平稳性好；模型参数方法可以提取高维特征，而且其特征值具有一定的频谱监视功能、较为稳定。

1.1 均方根

肌电信号的大小随时间随机变化，但是当肌力增大时，信号幅值变化的范围增大。均方根描述的是运动单元募集数量，它具有描述肌电电功率的特性[4]。而且在一些分类与定量识别方面，优于其他时域特征。

(1)

式中，RMS是均方根肌电值，N代表肌电信号样本数，X(t)是肌电信号值。

1.2AR模型参数

模型参数法将表面肌电信号视为某激励源，通过特定系统产生输出信号。使用模型参数法进行特征分析实质上是一次对全极点的系统进行参数辨识的过程。表面肌电信号作为近似平稳的随机信号进行处理时，它有较好的二阶平稳性。本文采用自回归(Auto Regressive)模型描述该随机信号。

AR模型的定义为白噪声的输入和过去的p个信号值进行累加：

(2)

对于模型建立和识别的关键是确定其系数。由公式(2)可知，当模型系数确定后，假定中受到白噪声激励的系统模型就随之确定。通过构造这种类型的模型结构，对其模型参数进行求解，如果建立的模型能够很好地逼近原时间序列x(n)，则系数ak可以作为有效反应原肌电信号特征信息的特征值。

文章使用伯格法(Burg)迭代求解AR模型的各阶系数，首先建立前、后向预测误差，根据误差平均功率最小计算反射系数，再通过列文森递推法则(Levinson)从低阶模型系数推导至高阶系数。

前向、后向的预测误差定义为：

(3)

式中p为模型阶数，x(n-k)代表过去第k个时刻的肌电信号值，fp(n)是前向预测误差，bp(n)是后向预测误差。

预测误差的低阶至高阶满足如下递推关系：

(4)

定义预测误差的平均功率为：

(5)

为满足平均预测误差功率最小，令∂P/∂Kp=0，求得反射系数Kp的表达式为：

(6)

初始条件有：

f0(n)=b0(n)=x(n)

(7)

由上述条件可以求出1阶模型的反射系数K1。根据列文森递推公式关系：

(8)

逐阶的AR模型系数就可以由公式(4)、(6)、(8)迭代求出，模型参数随之确定。

在求解AR模型各阶系数之前，还应该确定所构建的具体模型阶数p。文章使用AR模型时更多地关注其描述的时间序列的准确性，所以采用最终预测误差准则(FPE)对AR模型进行定阶。最终预测误差的定义是：

(9)

式中，N为时间序列的长度，p为AR模型阶数，σ2为模型方差。

2 实验仿真结果及分析

文章采用了均方根和AR模型参数对肌电信号进行特征提取与动作识别。文中设计三种运动的静态姿势分别为屈肘状态、抬臂状态、展臂状态，加上手臂自然放松的姿势共四种姿势作为识别目标。选取的静态姿势如图1所示。

为了实现识别功能，选择肱二头肌和肱三头肌的肌腹作为信号采集点，探讨这些姿势下选定肌肉群表面测量得到的表面肌电信号的特征。

文章选用的采集系统是由加拿大Thought technology公司研发的十通道生理信号采集设备FlexComp Infiniti。FlexComp Infiniti编码器的分辨率为14比特，采样率为2 048 Hz。表面肌电信号传感器是MyoScan-pro，电压输入范围是0～2 000 μVRMS，灵敏度小于0.1 μVRMS，误差为±0.3μVRMS，共模抑制比大于100 dB。使用的电极是一次性表面电极，电极材料为银/氯化银，电极的表面具有粘性，可以较好地贴合在皮肤表面。参与实验的是6名健康男性，屈肘、抬臂、外展、自然下垂四种姿势的原始数据均在非疲劳状态下采集。采样频率为2 048 Hz，每次采集持续15 s，每个姿势采样10组数据。特征参数的提取是针对表面肌电信号段建立的，故而需要将样本按时间段进行划分，本文选取100 ms(200采样点)的窗口大小，以满足分离度和分辨率的需要。

采集系统得到的某样本中某2 s内肌电信号的图像如图2～图5所示。

2.1 单通道单特征提取与动作识别

2.1.1 单通道RMS特征

根据公式(1)对不同姿势的双通道数据分别求取RMS特征值，特征分布如图6所示。

由图6可知：

(1)在四种动作的肱二头肌RMS特征分布中，处于自然下垂、屈肘和抬臂三种姿势下，RMS特征值由大到小分别为：RMS抬臂、RMS肘屈、RMS自然下垂。该特征的变化情况与三个姿势下肱三头肌收缩量的变化相同。由于手臂是无负荷的，所以在我们的实验环境下，RMS特征值大小与肌力的大小成正相关。处于外展姿势下，RMS特征值介于屈肘和自然下垂之间，且与二者有部分重合，无法区分。

(2)在四种动作的肱三头肌RMS特征分布中，自然下垂和屈肘姿势的RMS特征值几乎相等，处于抬臂和外展姿势的RMS特征值几乎相等，总体RMS特征值变化不大，四种动作无法区分。

2.1.2 单通道AR模型参数

文章对肌电信号建立8阶AR模型，提取各阶模型参数如图7和图8所示。

由图中数据可知：

(1)表面肌电信号的AR模型系数较好地区分了在不同肌力水平下对应肌肉的状态。

(2)各阶系数随肌力状态的变化规律不同，同阶的系数随肌力的变化规律也不易总结。系数的阶次越高，其数值波动越大，越不稳定。

2.2 双通道特征提取与动作识别

2.2.1 双通道RMS特征

以双通道的特征值构建XY坐标平面，得到双通道特征的平面分布如图9所示。

从图9可以看出双通道的RMS特征能够有效地区分出四种姿势。

2.2.2 双通道AR模型参数

取肱二头肌通道上的第一阶系数，肱三头肌通道上的第一阶系数组成二维空间如图10所示。

由图中数据可知：

(1) 双通道AR模型第一阶系数构成的二维空间较好地区分了不同的姿势。

(2)屈肘动作和伸展动作部分数据比较接近，会造成错误识别。

取肱三头肌通道上的第一阶系数，肱二头肌通道上的第一阶和第二阶系数组成三维空间如图11所示。

由联合分布图可以看出多特征值所描述的空间可以有效地区分出4类姿势。

3 结论

利用RMS特征和AR模型特征数据对上肢动作进行识别研究的结果表明：双通道数据或多维数据联合分布能够有效的区分和识别相应的动作，这对于后续的分类识别具有一定的参考价值和研究意义。

[1]ATZORI M, GIJSBERTS A, KUZBORSKIJ I, et al. Characterization of a benchmark database for myoelectric movement classification [J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2015, 23(1): 73-83.

[2]王荣丽，王宁华，谢斌. 表面肌电图在帕金森病中的应用[J]. 中国康复理论与实践，2012，18(2): 144-148.

[3]XU Z J, TIAN Y T, LI Y. sEMG pattern recognition of muscle force of upper arm for intelligent bionic limb control[J] . Journal of Bionic Engineering , 2015,12 :316-323.

[4]GUO S X, PANG M Y. Comparison of sEMG-based feature extraction and motion classification methods for upper-limb movement[J]. Sensors , 2015, 15: 9022-9038.

(责任编辑：龙海波)

Movement recognition: a method based on surface electromyogram signal features

REN Dan

(SchoolofEngineeringandTechnology，EasternLiaoningUniversity，Dandong118003，China)

The characteristics of RMS and AR model of surface eletromyogram signal (sEMG) were analyzed. The RMS and AR parameters were extracted from the collected original sEMG signal, by which the upper limb movements was recognized and analyzed. The results showed that the dual channel data or multidimensional data joint distribution can effectively distinguish and identify the corresponding movement.

surface electromyogram signal (sEMG)；feature extraction；movement recognition

10.14168/j.issn.1673-4939.2017.01.09

2016-09-20

任丹(1973—)，女，辽宁东港人，硕士，讲师，研究方向:电子与通信。

TP391.4；R318.04

A

1673-4939(2017)01-0039-07