基于肌电小波包统计特征的踝关节动作识别

胡文龙， 乔晓艳

(山西大学 物理电子工程学院， 山西 太原 030006)

基于肌电小波包统计特征的踝关节动作识别

胡文龙， 乔晓艳

(山西大学 物理电子工程学院， 山西 太原 030006)

为改善足下垂患者步态， 研究了踝关节不同动作的表面肌电信号特征分类. 本文采集踝关节在不同动作下， 对应胫骨前肌、 腓肠肌、 腓骨长肌和拇长伸肌的表面肌电信号， 采用小波包分解方法进行肌电特征提取， 获得小波包系数能量、 方差统计特征量； 利用支持向量机方法实现踝关节4种不同动作模式的肌电特征分类. 实验结果表明， 采用具有良好奇异特性的小波包能量、 对数方差构成的肌电特征向量， 对踝关节动作进行模式识别， 其正确率远高于通过提取肌电信号时域或者频域特征进行模式分类的正确率， 达到了92.8%的平均分类正确率. 该特征提取方法以及支持向量机分类器， 可以应用于踝关节动作识别和机器人康复工程.

踝关节； 表面肌电信号； 小波包统计特征； 支持向量机

0 引 言

脑卒中是一种由于血液不能流入大脑而引起脑组织损伤的疾病， 临床症状为患者丧失大脑控制运动的能力， 肢体残疾是脑卒中后最常见的症状. 目前， 有相当数量的脑卒中患者存在下肢功能障碍的后遗症， 即足下垂步态. 改善足下垂步态， 令其能够独立行走， 是患者进行康复训练和治疗的重要环节[1].

对于改善足下垂步态的研究主要致力于踝关节的动作研究. 传统的基于表面肌电信号的运动特征分析方法主要针对时域或频域方法对踝关节不同动作进行特征分析， 或者采用时频域的小波分析方法， 然而小波分析只对信号低频部分进行多尺度分解， 分解不够精细， 重构容易造成信息损失. 因此， Hu X等将小波包变换应用于EMG信号分析处理中， 通过采集前臂屈肌的表面肌电信号， 利用小波包能量实现了前臂旋前和旋后的分类[2]. 这种方法可以有效地去除干扰， 得到更好的识别准确率. 王玲等人采用小波包变换方法对上肢8种表面肌电信号进行分解， 采用最小二乘支持向量机(LS SVM)进行识别， 平均识别率在90%， 并且SVM分类准确率明显优于传统的RBF神经网络分类器[3]； YAN Z等人采用小波包方法， 利用支持向量机实现了拳头握紧、 拳头伸、 腕旋前和腕旋后4种动作的分类， 分类准确率达到了95%以上[4]. 目前， 利用小波包和支持向量机实现表面肌电特征分类主要应用在上肢动作中， 而且多采取的是肌电信号小波包分解系数作为特征向量， 没有采用具有更明显差异的小波包统计特征， 使不同动作肌电特征信息更显著. 对于下肢踝关节的不同动作， 由于动作之间的肌电特征差异较小， 需要充分利用肌电信号时频信息， 才能实现更有效的动作识别.

本文研究了踝关节不同动作表面肌电信号的模式识别. 采集踝关节背屈、 趾屈、 外翻和内翻4种动作的表面肌电信号， 采用表面肌电信号具有良好奇异性的小波包能量、 对数方差特征组成的特征向量， 利用径向基核函数的支持向量机方法， 实现踝关节4种不同动作模式的肌电特征分类， 仿真结果表明了该方法的有效性.

1 实验方法与信号采集

踝关节4种动作模式的肌电信号采集实验框图如图 1 所示. 首先， 受试者按照E-prime软件编写的踝关节动作实验范式， 执行相应的动作， 利用16通道肌电仪的4个通道电极分别采集对应的胫骨前肌、 腓肠肌、 腓骨长肌和拇长伸肌的表面肌电信号， 并通过USB 接口传送至计算机进行显示和数据处理.

图 1 踝关节肌电信号采集框图Fig.1 The block diagram of EMG signal of ankle joint

实验测试选用4名健康大学生， 均无相关的肌肉、 骨骼、 神经疾病， 测试前24 h内未做剧烈运动， 以排除过度运动肌肉残余疲劳对测试结果的影响. 实验测试时， 受试者静坐在椅子上， 身体自然放松. 首先， 用乙醇和生理盐水对电极安放处的皮肤进行清洁， 以降低皮肤与电极的接触阻抗； 其次， 表面肌电电极平行于肌纤维的方向放置于相应肌肉的肌腹处； 然后， 按照实验范式执行踝关节4种不同动作.

实验范式为计算机屏幕上出现数字， 当出现数字“1”， “2”， “3”， “4”时， 受试者分别执行背屈、 趾屈、 外翻和内翻4种不同动作各2 s. 最后， 每组实验连续采集记录表面肌电信号30 s， 肌电信号采样频率为2 kHz.

4名受试者共进行了8组试验， 每组试验每个动作都执行15次， 得到120组实验数据， 踝关节4个动作共记录得到480(120*4)个肌电信号， 4块对应肌群总共采集得到1 920(120*4*4)个表面肌电信号.

图 2 为趾屈动作采集的胫骨前肌、 腓肠肌、 腓骨长肌和拇长伸肌的表面肌电信号.

对原始采集的肌电信号进行预处理， 以去除测量中的各种干扰和噪声. 利用数字陷波器去除50 Hz的工频干扰； 通过小波自适应去噪方法， 去除低频漂移、 高频噪声以及运动伪迹， 获得纯净的表面肌电信号[5-7].

图 2 趾屈动作对应4块肌群的表面肌电信号Fig.2 The surface EMG signals of the four muscle groups corresponding to the flexor movements

2 算法理论

2.1 小波包算法

将表面肌电信号进行特征提取， 即从信号中提取出最能表征信号特性的特征向量， 这些特征向量的差异性和可分离度要高， 能够利用这些特征对不同动作做出准确的区分. 目前， 提取肌电信号特征的方法主要有时域、 频域和时频域分析法[8].

表面肌电信号是一种非平稳的随机信号， 具有时域的时变性以及频域的波动性. 小波变换是将被分析信号进行多尺度分解， 但该方法仅仅分解了信号的低频成分， 对信号高频部分并没有进行分解， 因而损失了很多有用的细节信息. 小波包变换在信号分解过程中会同时分解信号的低频和高频成分， 使得对信号分解更为精细全面， 获得信号不同的时频分辨率.

小波包变换的二尺度方程如下， 其中，h0k，h1k是多分辨率分析中的滤波器系数

(2)

当n=0时，w0(t)=φ(t)为尺度函数，w1(t)=φ(t)为小波函数. 定义函数序列{wn(t)}n∈Z为由w0(t)=φ(t) 所确定的小波包[9].

小波包系数递推公式为

踝关节不同动作时， 肌肉收缩强度和变化可以通过表面肌电信号小波包系数的能量和方差来表达和反映， 因而可以计算其能量和方差,作为信号的特征向量.

1) 小波包系数能量表达式为

式中： N代表小波包系数的个数； Sj代表小波包分解系数； Ej代表小波包系数能量.

2) 小波包系数方差表达式为

式中： VARj代表小波包系数的方差.

2.2 支持向量机

支持向量机是一种以统计学习理论为基础的机器学习算法， 可以通过选用合适的核函数， 将在低维度无法线性分类的样本映射到高维度空间， 构成最优分类超平面， 实现数据的划分. 它的基本思想可用图 3 的两分类情况说明[10]. 在图 3 中， 实心点和空心点分别代表两类样本， 线性判别函数的一般形式由权值向量w和偏移量b描述为：f(x)=x·w+b， 对应的分类超平面方程为

图 3 SVM找到的最优超平面Fig.3 The optimal hyper plane that SVM finds

对f(x)=x·w+b进行归一化处理， 使所有样本都满足|f(x)|≥1， 此时离分离面最近的样本为f(x)=1. 如果要求所有样本都能正确分类， 则分类面必须满足

由Lagrange函数可以求出其最小值， 如式(9)

式中：ai为Lagrange因子. 通过对w和b求偏微分并令它们等于0， 可得最优解

于是， 最优分类面的权系数向量就是支持向量机的线性组合. 由此可以推出最优分类面函数为

式中：b*是分类阈值.

用内积K(xi,x)替代最优分类面中的点积， 相当于将原特征空间变换到另一个新的特征空间， 相应的判别函数式变为

此时的最优分类算法即为支持向量机分类算法[11].

K(xi,x)称为核函数， 常用的核函数有多项式核函数， 径向基核函数和sigmoid核函数. 本文采用的是径向基核函数. 径向基核函数的表达式为

3 肌电特征提取与分析

因db2小波具有结构简单， 与表面肌电信号形状相似的特点， 故选用db2小波基函数对表面肌电信号进行3层小波包分解，S1～S8分别表示第3层的8个小波包系数， 小波包分解各个节点对应频带范围如表 1 所示.

表 1 分解系数对应频带范围

1) 小波包能量特征(xbE)

图 4 为踝关节4种动作的肌电信号小波包能量特征图. 其中， 4种符号分别表示4块肌群， 横轴代表4种不同动作， 依次为背屈、 趾屈、 外翻和内翻动作给出的肌电样本数为45个， 纵轴代表肌电信号小波包系数的能量值. 这里给出了分解系数S1的能量特征图.

图 4 分解系数S1能量特征Fig.4 Energy characteristics of decomposition coefficient S1

2) 小波包方差特征(xbVAR)

图 5 为踝关节4种动作的肌电信号小波包方差特征图. 其中， 4种符号分别表示4块肌群， 横轴代表4种不同动作， 依次为背屈、 趾屈、 外翻和内翻动作， 每种动作给出的样本数为45个， 纵轴代表小波包系数的方差对数值. 这里给出的是分解系数S1的方差对数特征图.

图 5 分解系数S1方差特征Fig.5 Variance characteristic of decomposition coefficient S1

3) 小波包奇异性特征向量(xbb)

得到小波包系数能量和方差特征值后， 对照图 4 和图 5， 对于踝关节不同动作的表面肌电信号的小波包能量特征， 可以较好地区分背屈和趾屈动作， 对于外翻和内翻动作的可区分性并不好， 但从表面肌电信号的小波包方差对数特征来看， 可以较明显地区分外翻和内翻动作. 因此选择小波包系数能量和方差特征中具有明显奇异性的特征值组成特征向量， 作为新的动作分类特征向量.

由于表面肌电信号的主要能量范围集中在10～150 Hz[12]， 也即分布在第3层小波包分解后的分解系数S1处. 因此， 为了使算法实时性更好， 选择信号经过3层小波包分解后的分解系数S1的能量系数和方差系数作为最后的特征向量T， 即T1=(E11,E21,E31,E41)，T2=(log10(VAR11),log10(VAR21),log10(VAR31),log10(VAR41))，T=(T1,T2). 其中，E11表示胫骨前肌表面肌电信号3层小波包分解的能量特征，E21表示腓肠肌表面肌电信号小波包分解的能量特征， 依次类推；VAR11表示胫骨前肌表面肌电信号3层小波包分解的方差特征，VAR21表示腓肠肌表面肌电信号小波包分解的方差特征， 依次类推. 4种踝关节动作提取的表面肌电信号的特征向量如图 6 所示. 其中， 每种动作给出的样本数为45个，X轴、Y轴和Z轴分别代表不同的特征向量. 从图中可以看出， 踝关节4种动作在以小波包能量和方差特征组成的奇异性特征向量中， 可以表现出较明显的聚类特性， 为支持向量机特征分类提供了保障.

图 6 表面肌电信号特征向量的三维图Fig.6 Three dimensional map of the characteristic vector of surface EMG signal

4 分类结果

通过小波包时频域分析方法提取得到了踝关节4种动作类型下的特征向量. 本文选择的受试者在进行实验后每个动作共采集了120个样本. 经观察原始肌电信号的波形， 剔除了测量中明显的误差数据， 最后每个动作选取90个样本数据进行分类. 由于需要训练支持向量机， 本文将实验数据分为训练集和测试集， 训练集样本为60， 测试集样本为30.

作为对比， 本文还分别采用了时域特征， 即肌电信号绝对积分平均值(AVA)以及频域特征即平均功率频率(MPF)， 同样利用支持向量机方法进行了踝关节4种动作分类， 结果如表 2 所示.

表 2 基于SVM的踝关节动作分类正确率

由表 2 可以看出， 采用肌电小波包时频特征(对应表中方法3,4,5)进行踝关节动作分类， 相对于肌电信号的单一时域或者频域特征， 其分类正确率有了显著提高， 并且采用小波包方差统计特征(方法4)要比采用小波包能量特征(方法3)进行踝关节动作分类更有效. 而本文提出的使用具有良好奇异性的小波包系数能量、 方差特征组成的肌电特征向量(方法5)进行踝关节动作分类， 其分类正确率最高， 平均分类正确率达到了92.8%， 且每种动作分类识别正确率均在90%以上， 仿真结果表明了该方法的可行性和有效性.

5 结 论

本文基于小波包分解， 通过选用具有良好奇异性的小波包能量、 方差， 组成了踝关节不同动作的肌电信号特征向量， 利用径向基核函数的支持向量机方法， 对踝关节4种动作进行了有效分类， 达到了较好的分类识别精度， 该方法可以用于下肢机器人辅助康复训练中.

[1] Chen M, Wang Q B, Lou X X, et al. A foot drop correcting FES envelope design method using tibialis anterior EMG during healthy gait with a new walking speed control strategy[J]. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2010: 4906-4909.

[2] Hu X,Wang Z Z, Ren X M. Classification of surface EMG signal using relative wavelet packet energy[J]. Computer Methods and Programs in Biomedicine, 2005, 79(3): 189-195.

[3] 王玲. 基于小波包变换的表面肌电信号模式识别[J]. 现代电子技术. 2011, 34(17)： 122-124. Wang Ling. Pattern recognition of surface EMG signals based on wavelet packet transform[J]. Modern Electronic Technology, 2011, 34(17)： 122-124. (in Chinese)

[4] Yan Zhiguo, You Xiaoming, Chen Jiamin, et al. Motion classification of EMG signals based on wavelet packet transform and LS-SVMs ensemble[J]. Transactions of Tianjin University, 2009, 15: 300-307.

[5] Xing Guoquan, Ye Huashan, Zhang Yuxia, et al. A new wavelet image de-noising method based on new threshold function[J]. Journal of Biomedical Engineering, 2013, 30(4): 743-747.

[6] 马玉良， 许明珍， 佘青山， 等. 基于自适应阈值的脑电信号去噪方法[J]. 传感技术学报, 2014, 27(10)： 1368-1372. Ma Yuliang, Xu Mingzhen, She Qingshan, et al.The noise canceling method for EEG signal based on the adaptive threshold[J]. Journal of Transduction Technology, 2014, 27(10)： 1368-1372. (in Chinese)

[7] Xing Guoquan, Ye Huashan, Zhang Yuxia, et al. A new wavelet image de-noising method based on new threshold function[J]. Journal of Biomedical Engineering， 2013, 30(4)： 743-747.

[8] 吴冬梅， 孙欣， 张志成， 等. 表面肌电信号的分析和特征提取[J]. 中国组织工程研究与临床康复, 2010, 14(43): 8073-8076. Wu Dongmei, Sun Xin, Zhang Zhicheng, et al. Analysis and feature extraction of surface EMG signals[J]. Chinese Journal of Tissue Engineering Research, 2010, 14(43): 8073-8076. (in Chinese)

[9] 王登, 苗夺谦, 王睿智. 一种新的基于小波包分解的EEG特征抽取与识别方法研究[J]. 电子学报, 2013(1): 193-198. Wang Deng, Miao Duoqian, Wang Ruizhi. Research on a new method of EEG feature extraction and recognition based on wavelet packet decomposition[J]. Acta Electronica Sinica, 2013(1): 193-198. (in Chinese)

[10] Kuntze G, von Tscharner V, Hutchison C, et al. Multi-muscle activation strategies during walking in female post-operative total joint replacement patients[J]. Journal of Electromyography and Kinesiology, 2015, 25(4): 715-721.

[11] 崔建国， 李一波， 李忠海， 等. 基于小波包与支持向量机的复杂信号模式识别[J]. 数据采集与处理, 2008, 23(2): 163-167. Cui Jianguo, Li Yibo, Li Zhonghai, et al. Complex signal pattern recognition based on wavelet packet and support vector machine[J]. Journal of Data Acquisition & Processing, 2008, 23(2): 163-167. (in Chinese)

[12] 郝雪楠. 关于表面肌电信号的降噪处理[J]. 科技传播， 2014,10： 113-114. Hao Xuenan. Noise reduction processing of surface EMG signals[J]. Public Communication of Science & Technology, 2014,10： 113-114. (in Chinese)

Ankle Motion Classification Based on Wavelet Packet Statistic Features of sEMG Signal

HU Wenlong, QIAO Xiaoyan

(College of Physics and Electronics Engineering, Shanxi University, Taiyuan 030006， China)

In order to improve the patient's foot drop gait, the paper discussed the feature classification of the surface Electromyography (EMG) signal to the different motions of the ankle joint. First, the surface EMG signals of anterior tibial muscle，gastrocnemius muscle，peroneus longus and extensor hallucis longus under the different motions of the ankle joint are collected. Then，wavelet packet decomposition method was utilized to extract sEMG feature. Next, the method of support vector machine (SVM) was used to classify four different motion patterns of the ankle joint. Experimental results shown that using the wavelet packet coefficient energy and Log variance features with good singularity as feature vector, ankle joint movement was recognized,which average correct rate of SVM classifier achieves 92.8% to ankle joint action, is much higher than adopting only time domain or frequency domain feature extraction method. This proposed feature extraction method and support vector machine classifier can be effectively applied to the motion recognition of the ankle joint and the robot rehabilitation project.

ankle joint; surface EMG; wavelet packet statistic feature; support vector machine

1671-7449(2017)02-0100-07

2016-11-03

山西省回国留学人员科研资助项目(2014-010)

胡文龙(1992-)， 男， 硕士生， 主要从事模式识别与智能系统等研究.

乔晓艳(1969-)， 女， 副教授， 博士， 主要从事信号检测与处理、 机器学习、 仿生机器人等研究.

R318.04

A

10.3969/j.issn.1671-7449.2017.02.002