基于表面肌电的肘关节运动角度预测

, ,

(上海师范大学 信息与机电工程学院,上海 200234)

基于表面肌电的肘关节运动角度预测

井本成, 董海清,陈玉娟,张自强*

(上海师范大学 信息与机电工程学院,上海200234)

表面肌电信号(sEMG)由于能够反映用户的动作意图而被广泛应用在上肢康复治疗系统中.针对目前上肢康复机器人的手臂关节运动控制不灵活的问题,提出一种基于sEMG的肘关节运动角度预测方法.为解决单一的时域特征提取方法存在的时间效率高而稳定性不足的问题,从时域和频域分别提取特征值,采用BP人工神经网络建立表面肌电信号与肘关节角度的映射模型,实现肘关节角度的预测.实验结果表明,该模型的预测结果与真实角度值有高度的一致性,有助于提高上肢康复机械臂的灵活性.

表面肌电信号; 上肢康复;BP神经网络; 肘关节角度

0 引 言

肢体康复是用来改善或恢复由于脊髓损伤(SCI)、创伤性脑损伤(TBI),或脑血管意外(CVA)引起的生理机能丧失的身体训练过程.在肢体康复系统方面,基于人体表面肌电信号的机器人辅助康复方法得到广泛的发展[1-3].

肌电信号是一种可被记录并用来评估人体骨骼肌肉的张力和控制相关运动的生物信号,它还是可以直接反映用户动作意图的最重要的生物信号之一[4-5].因此,肌电信号也被用来检测动作意图,预测关节力矩和角度,合成机械手臂的运动,进而引导用户瘫痪手臂的康复治疗.

就手臂关节运动预测方法而言,Oyong等[6]提出了一种通过遗传算法(GA)来估计肩关节和肘关节扭矩的方法.Edward等[7-9]提出了非线性动态模型来估计肘关节扭矩.Ahmad等[10]提出了肘关节角度的估计方法,通过一个测角器量得实际的关节角度,以校准和训练人工神经网络,并通过肌电信号(EMG)估计肘关节角度.Masairo等[11]提出了另一种关节角度估计方法,关节角度通过“肌电信号—关节角”模型来估计,它体现了肌电信号和关节角度的线性关系.本文作者提出了一种基于表面肌电信号(sEMG)的肘关节角度预测方法,用BP人工神经网络建立肘关节角度和表面肌电信号映射模型,实现对肘关节角度的预测.

1 信号采集和处理

1.1实验的整体流程

图1 实验整体流程

实验的整体流程(图1)包含三步,其中步骤1涉及信号测量和处理,步骤2需要通过BP神经网络建立表面肌电信号和关节角度之间映射模型,步骤3根据采集的肌电信号使用训练好的模型进行肘关节角度预测,并验证预测效果.

1.2信号采集

图2 电极贴片的位置

有两种方法来获得肌电信号,一种是sEMG,借助于与用户皮肤表面接触的传感器来采集;另一种是肌肉肌电信号(IEMG),用针电极通过皮肤插入肌肉组织进行采集.本文作者采用了sEMG来提取肌肉活动信息[12].使用安徽埃力科技有限公司生产的肌电采集仪采集肱二头肌和肱三头肌的表面肌电信号.该设备可以通过有线或无线方式连接到电脑,携带方便,配置简单.采集时电极之间的距离一般设置为2 cm以防止肌肉串扰.电极的安放位置如图2所示.

sEMG采集的同时要使用荷兰Xsens公司开发的三维惯性位置追踪器采集手臂运动过程中的关节转角信息.该设备通过Xbus系统集成了多个微机电系统(MEMS)运动传感器,并通过USB或者无线蓝牙连接PC机.使用时调整传感器佩戴位置,使手臂在铅垂面运动时,传感器的x,y,z三个坐标轴与实际的三维空间相对应,以便于计算关节转过的角度.完整的信号采集方法如图3所示,手臂在铅垂面内作屈伸运动,先屈曲到一个指定的位置,再伸展回到起始位置,视为一次动作结束,每次动作保持速度缓慢、均匀.

1.3信号处理

1.3.1 表面肌电信号处理流程

通过肌电信号采集分析仪采集的两个通道原始sEMG样本,如图4所示.

图3 信号采集方法

图4 两个通道原始sEMG

图5 信号采集与处理流程

信号被用于特征提取之前,先对它进行预处理,增加信噪比.肌电信号处理的流程图如图5所示,将采集到的原始表面肌电信号经过活动段截取和滤波降噪处理,然后对滤波后的信号进行归一化并提取特征,作为BP人工神经网络的输入样本.

1.3.2 活动段截取

由于采集到的肌电信号十分微弱,而且可能包含有MUAP还没开始募集的部分,所以截取信号中的有效片段至关重要.采用滑动矩形窗从能量的角度对信号进行分析,根据一个短时窗内肌电信号能量和的大小来判断是否处于无动作状态.公式描述如下:

(1)

图6 信号活动段

其中Q是ti时刻的窗内肌电信号信号能量值,Δt是滑动时间窗的宽度,semg(t)为采集到的表面肌电信号随时间变化的数据.处理后的部分活动段信号如图6所示,图6(a)、(b)分别对应肱二头肌和肱三头肌的采样通道.

1.3.3 信号滤波和归一化

sEMG复杂并且微弱,在采集过程中极易受到干扰,所以需要对采集到的信号进行滤波处理.sEMG的频率区间主要能量集中在50～150 Hz范围内,对于采集到的原始信号,首先要滤除50 Hz工频干扰,然后经过一个通带截止参数WP为(50,150),阻带截止参数WS为(10,500)的二阶巴特沃斯带通滤波器.信号经过滤波后,再进行归一化处理:

(2)

式中y的最大值ymax和最小值ymin分别设为+1和-1,x代表信号样本的值,xmax和xmin代表信号的最大幅值和最小幅值,处理后的信号见图7(a)、(b)分别对应肱二头肌和肱三头肌的采样通道.

图7 处理后的sEMG

1.4特征提取

特征提取是sEMG进一步运用到神经网络训练中的重要环节,特征提取方法主要有时域法、频域法、时频域法、高阶谱分析法等.相对于其他几种特征提取方法,时域特征和频域特征比较常用,时域特征计算量少而频域特征稳定性好,能满足实际要求.本实验采用时域法和频域法提取5种特征值:均方根值(RMS),过零点数(ZC),平均功率频率(MPF),中位频率(MF)和绝对平均值值(MAV)构成特征向量.计算方法如下:

(3)

(4)

(5)

(6)

(7)

式中xi为样本点,N为样本点数.以均方根值(RMS)为例,肱二头肌和肱三头肌的RMS曲线如图8所示.

图8 肱二头肌和肱三头肌的RMS曲线

2 BP神经网络训练和预测实验

BP传播神经网络是一种有监督式的学习算法,其误差反向传播的含义为:根据输出误差来反复调整网络中各层神经元的连接权值,使网络输出误差逐渐减小,并最终接近、达到期望输出.当网络输出层的误差平方和小于指定的误差时保存网络的权值和偏差.

一般情况下,人工神经网络能够处理例如预测、优化、模式识别等一系列问题,因此,采用BP神经网络来建立sEMG和上肢关节角度的模型.使用了三层的BP神经网络控制器,网络结构模型如图9所示,第一层为输入层,由两个各含5个sEMG特征值的通道构成,第二层是隐含层,设置了4个节点,节点的个数

(8)

式中n为输入单元数,对应10个特征值,m为输出神经元数,对应第三层输出层的1个输出,提供上肢关节角度的预测值.n1为隐含层神经元个数,a取1～10之间的整数,根据公式和经验可以设置n1=4.

图9 BP神经网络结构模型

图10 BP预测结果与真实角度

将处理过的数据分为训练数据和测试数据,在Matlab中将训练数据作为BP网络的输入,角度信号作为输出进行训练.得到了输入层到隐含层以及隐含层到输出层的一种映射关系.这样就建立了表面肌电信号与肘关节角度的预测模型,然后可以用测试数据作为输入,预测结果与实际角度进行对比来检验预测效果,其结果如图10所示.

由图10可以看出,BP人工神经网络模型预测曲线与实际角度值整体上有较高的一致性,预测结果比较符合真实曲线,但仍存在不可忽略的偏差,尤其是波峰波谷过渡处最为明显,其原因是手臂的肘关节弯曲和伸展的过渡过程肌肉的运动状态比较复杂,需要进一步研究.

3 总结与展望

使用表面肌电信号采集分析仪和惯性位置追踪器设计了一种角度预测方法.分别从时域和频域提取特征,通过BP神经网络对数据进行训练,建立了表面肌电信号与肘关节角度的映射模型.实现了关节角度的预测.该模型的预测结果与真实角度值有较高的一致性,平均误差较小,但是对肘关节运动角度的预测结果仍有所偏离,有待改进.此外,为增强上肢康复系统的灵活性和实用性,接下来可以进一步研究手臂的多自由度关节运动角度.

[1] Hsiu J L,Kuu Y Y.Upperlimb EMG based robot motiongoverningusing empiricalmode decomposition and adaptiveneural fuzzy inference system [J].Journal of Intelligent and Robotic Systems,2012,68(3-4):275-291.

[2] Jordan K,Sampson M,Hijmans J,et al.ImAble system for upper limb strokerehabilitation [C].Virtual Rehabilitation International Conference(ICVR),Zurich:IEEE,2011.

[3] 卜峰,李传江,陈佳佳,等.基于ARM的肌电假肢手控制器 [J].上海大学学报(自然科学版),2014,20(4):442-449.

Bu F,Li C J,Chen JJ,et al.Design of electromyography prosthesis controller based on ARM [J].Journal of Shanghai University(Natural Science),2014,20(4):442-449.

[4] Huang H,Wolf S,He J.Recent developments in biofeedback for neuromotor rehabilitation [J].Journal of NeuroEngineering and Rehabilitation,2006,11(3):11-12.

[5] 赵京东,姜力,金明河,等.基于肌电信号的仿人型假手控制 [J].机械与电子,2006(8):54-56.

Zhao J D,Jiang L,Jin MH,et al.Prosthetic hand control based on EMG signals [J].Machinery & Electronics,2006(8):54-56.

[6] Oyong AW,Parasuraman S,Jauw VL.Robot assisted stroke rehabilitation:Estimation of muscle force/joint torque from EMG using GA [C].Biomedical Engineering and Sciences (IECBES),Kuala Lumpur:IEEE,2010.

[7] Ullah K,Jung-Hoon K.A mathematical model for mapping EMG signal to joint torque for the human elbow joint using nonlinear regression [C].International Conference on Autonomous Robots and Agents(ICARA),Wellington:IEEE,2009.

[8] Clancy E A,Liu L,Pu L,et al.Identification of constant posture EMG-Torque relationship about the elbow using nonlinear dynamicmodels [J].Biomedical Engineering,2012,59(1):205-212.

[9] Mobasser F,Eklund JM,HashtrudiZ K.Estimation of elbow induced wrist force with EMG signals using fast orthogonal search [J].Biomedical Engineering,2007,54(4):683-693.

[10] Ahmad A B,Ahmad N,Mohd H M,et al.Characterization of surface electromyography using timedomain features for determining hand motion and stages ofcontraction [J].Australasian Physical and Engineering Sciences in Medicine,2014,37(1):133-137.

[11] Yoshikawa M,Mikawa M,Tanaka K.Hand pose estimation using EMG signals [C].Engineering in Medicine and Biology Society,Lyon:IEEE,2007.

[12] Yu H J,Lee AY,Choi Y.Human elbow joint angle estimation using electromyogram signal processing [J].Signal Processing,2011,5(8):767-775.

(责任编辑：包震宇)

Predictionofelbowjointmovementanglebasedonsurfaceelectromyography

Jing Bencheng,DongHaiqing,ChenYujuan,ZhangZiqiang*

(The College of Information,Mechanical and Electrical Engineering,Shanghai Normal University,Shanghai200234,China)

In the development of upper limb rehabilitation treatment system,surface electromyography (sEMG),with the capacity of reflecting users’ action intention,is widely used.Aiming at the problem that the arm joints of the upper limb rehabilitation robot are not flexible,this paper proposes a sEMG based elbow joint motion angle prediction method.To solve the problem that the stability of time domain feature extraction methodis insufficient,we use electromyography signal sampling analyzer and three-dimensional inertial position tracker acquire sEMG and the rotation information of the joint movement,extracting featuresfrom the time domain and frequency domain respectively,utilizing BP artificial neural network to establish the mapping relationship between sEMG and elbow angle.The experimental results show that the predictive results of this model are highly consistent with the true angle values,which is helpful to improve the flexibility of the upper limb rehabilitation manipulator.

surface electromyography; upper limb rehabilitation; BP neural network; elbow jointangle

2016-10-25

井本成(1990-)，男，硕士研究生，主要从事嵌入式与通信控制系统方面的研究.E-mail: jingbencheng@163.com

导师简介: 张自强(1958-)，男，教授，硕士生导师，主要从事控制理论及其应用等方面的研究.E-mail:zhzq@shnu.edu.cn

TP274

:A

:1000-5137(2017)04-0571-06

*