基于表面肌电信号上肢运动意图识别*

张 昌，苑尧尧，李 聪

（曲阜师范大学,山东 日照 276800）

0 引 言

表面肌电信号（Surface Electromyography, sEMG）是人体运动神经中枢产生的动作电位通过运动神经纤维将动作电位传送到肌细胞，对肌细胞膜内外产生的电位差序列总和，进行读取的生物电信号。肌电信号的采集可以通过针电极进行采集，由于针电极采集会对人体造成一定程度的创伤，所以选用贴片电极对sEMG进行采集应用较为广泛。

根据肌电信号的特殊性可知，人体实际动作的输出总是比肌电信号的出现晚，这为通过对肌电信号的分析，进行人体动作意图识别奠定了基础[1]。

模式识别的差别不仅体现在信号采集的肌肉位置上，还与提取的特征不同有关。随着国内外对肌电信号的深入研究，以及肌电信号在康复医学中的广泛应用，如何提取更为有效的特征值，训练一个准确率较高的分类系统成为了当下研究重点，而且研究分析的方法多种多样。

本文的研究目的为实现4种动作意图的模式识别，对提取的原始信号通过小波变换及数字滤波器和陷波器的交叉使用进行降噪处理， 在时域中提取了绝对值均值（Mean Absolute Value，MAV）、 均 方 根（Root Mean Square，RMS）[2]作为时域特征，通过小波变换将时域转换成频域，提取平均功率频率（Mean Power Frequency，MPF）、中位频率（Median Frequency，MF）作为频域特征，将提取的特征构造成特征向量，以误差反向传播算法（Error Back Proragation，BP）作为模式分类器，实现了上肢四种运动意图的模式识别。

1 信号采集与预处理

1.1 信号采集

肌电信号的采集选用美国Delsys无线表面肌电采集系统，该系统可同时完成16通道的检测任务，采样频率为1 926 Hz。选用个4通道提取4种动作意图的肌电信号，根据上肢运动需要涉及到肌肉，选取了肱二头肌，肱三头肌，肱侧腕屈肌，肱桡肌这四块肌肉作为研究对象，测试前为保证采集数据的准确性，首先对测试者的4块肌肉部位用医用酒精进行擦拭，并将Trigno无线采集传感器上的箭头与肌腹方向保持平行，进一步减少干扰。选取10位健康测试者作为实验对象，每一种动作意图均采集20次，为防止连续动作产生肌肉疲劳对实验有影响，每意图动作5次，测试者休息两分钟再进行下次采集，将采集到的信号以表格的形式进行存储。共得到800组数据。

表面肌电信号是极其微弱复杂的非线性生物电信号[3]，信号频率为0～500 Hz，容易受到工频信号、周围磁场、静电以及人体其他生物电信号的干扰。要想进行肌电信号数据的应用，首先要对原始信号进行去噪预处理，应用小波变换、数字滤波器、陷波器去除高频噪声和基线漂移现象以及50 Hz的工频干扰。

1.2 去噪预处理

基于真实信号与噪声信号的差异性，小波变换通过逐层分解，将真实信号和噪声信号分离开来，通过合适阈值的选取，将噪声信号剔除，最后将保留下的真实信号，通过重构算法重构成纯净肌电信号的原始状态。

传统的数据处理方法有滤波器、卡尔曼以及经验公式滤波，这些数据处理方法分析的过程较为繁琐，且有的还需要一些基础数学工具以及经验知识，去噪效果并不理想。而采用离散小波变换进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，操作简单、便于理解[4]，再结合数字滤波器和陷波器的使用，将其三种去噪工具的优点融合为一体，得到的信号既纯净又与原始信号具有较高的相似度，为此非常适用于sECG这一类非线性信号源的处理。

根据离散小波变换的性质可知，任何信号（函数）均可被分解为[5-6]：

通过以上两式可知，第j+1层的aj+1,m和dj+1,m可通过滤波系数 h*（m）和 g*（m）将第 j层的尺度系数aj,k分解得到[7]。

分解示意为图1。

图1 小波分解

重构示意如图2所示。

图2 小波重构

合适阈值的选取至关重要，提取的sEMG经过多种阈值选取方法的测试，选用启发式无偏似然估计规则（heursure）的阈值，并作用于软阈值去噪效果最佳。阈值计算方法：

其中，n是待估计小波系数向量的长度，若Eta＜Crit，则选取固定阈值，否则选取rigrsure准则和sqtwolog准则的较小者作为本准则阈值。

原始信号的时频域波形图如图3所示。

图3 原始信号时频域波形

不仅阈值的选取至关重要，分解层数选取的过多或过少都会影响着去噪的效果，根据上肢肌电信号的特性，以及多次重复实验的验证，系统选用三层分解进行去噪处理，选用一个动作其中一个通道的信号进行分解处理比对，其余动作其余通道信号处理效果一致，去噪前与去噪后分解对比图如图4所示。

图4 分解对比

从对比图中可以看出，去噪效果比较明显。

在采集数据过程中，由于肌肉的收缩与电极之间会产生微小的移位现象，该现象称为基线漂移，需要再加入线性滤波器去除掉基线漂移。处理结果如图5所示。

图5 去除基线漂移

根据未经滤波器处理的信号和经过零相移数字滤波器滤波后的对比图可以看出，基线漂移现象已经得到了明显的抑制，低频噪声也得到了明显的控制，在起始位的无穷大飘移现象已完全消除。

通过小波去除了高频噪声，通过数字滤波器抑制了基线漂移，50 Hz工频干扰依然存在，通过陷波器去除50 Hz工频，处理结果如图6所示。

图6 工频滤波对比

通过上述的去噪滤波处理得到了纯净的肌电信号，进一步对纯净的信号进行分析处理。去噪后信号时频域波形图如图7所示。

图7 去噪后信号时频域波形

2 特征值提取

2.1 时域特征

表面肌电信号在时域中比较直观，易分析，且方法简便，因此应用较为成熟广泛。在肌电图中sEMG表现为时间-幅值的曲线，不需要任何转换，就可从中求出信号的特征，求取绝对值均值（MAV）、均方根（RMS）作为时域中的特征值。

（1）绝对值均值（MAV）

sEMG信号具有很强的随机性，正负幅值呈对称分布，均值近似为零，故首先将各个时刻的幅值取绝对值在求其均值，绝对值均值（MAV）表征信号幅值在每个时间点偏离原点的程度。绝对值均值（MAV）计算公式：=1 i

（2）均方根（RMS）

均方根（RMS）能够更好的表征信号的真实性和有效性，减小与真实信号的差异性，其计算公式为：

其中，N为采集的sEMG总个数，x（i）为采集到的第i个sEMG信号。

2.2 频域特征

sEMG是极其微弱的生物电信号，数量级在μv～mv之间，为了分析更稳定的肌电信号，需要进行时频域转换，得到频域信号，基于频域信号的特征有平均功率频率（MPF）和中位频率（MF）。

（1）平均功率频率（MPF）

其中，f为 sEMG 频率，p（f）为功率谱密度函数[8]。

通过matlab仿真，可以看出选取的这四个特征量在不同的动作下，每个通道的特征值均表现出了明显的差异性，故选取的这四个特征具有研究的可行性。四个特征量在四个动作下的对比图如图8所示。

2.3 构造特征向量

根据提取的特征值，构造特征向量，选取每个人每次动作四个通道的四个特征值作为一个特征向量。

其中，xi表示第i次试验动作的特征向量，该向量为 16 维，αi1αi2αi3αi4分别表示第 i次试验动作第一、二、三、四通道由MAV、RMS、MPF、MF构成的4维特征向量。

3 模式识别

BP[9-10]（Back Propagation）神经网络是指基于误差反向传播算法（BP算法）的多层前向神经网络，通过将网络中的权值和阈值沿着网络误差变化的负梯度方向进行调整，最终使网络的实际输出值与期望输出值得偏差为最小的一种算法[11]。由于其强大的非线性映射能力、自学习和自适应能力，因此被广泛应用于模式识别等分类系统中。BP神经网络结构模型主要包括输入层、隐含层和输出层，每一层由若干个神经元组成。BP神经元模型如图9所示，BP神经网络拓扑结构模型如图10所示。

图9 神经元模型

其中ui为神经元的内部状态；θi为阈值；xi为输入信号；i=1,2,…,n；wij表示从单元uj到单元ui的连接权值；Si为外部输入信号，f（·）为激励函数。

上述模型的输出yi可以表示为：

图10 神经网络模型

BP神经网络的构造：首先进行网络初始化，根据输入输出序列确定输入层、隐含层、输出层各层神经元的个数。由于系统特征向量为16维，故输入层神经元个数为16，进行4分类，所以输出层神经元个数为4，隐含层通过经验公式：

其中，n，l分别为输入层和输出层神经元个数，求得神经元个数为8。

选择网络参数，训练次数为p=1 000,目标误差e=0.01,学习率η=0.01。确定隐含层的输出为H,隐含层激励函数f（x）选用log sig函数，输出层激励函数g（x）选用purelin线性函数，训练函数选用trainrp。

确定输出层的输出为O,网络期望输出为Y,网络预测误差为e。

最后根据求得的误差e更新各层之间的连接权值wij，wjk以及神经元的阈值a，b。

反复调整权值的原则是使误差不断的减小，于是权值的调整量应与误差的下降梯度成正比，即：式中的负号表示梯度下降

式中的i取值为i=1,2,…,n，j取值为j=1,2,…,m，k 取值为 k=1,2,…,l。

通过MATLAB训练该系统，通过图11可以看出，在训练到第14步时，校验集的误差达到最小，之后又有回升趋势，故权值的选取应从训练到第14步的时候确定。神经网络训练误差曲线如图12所示，系统在迭代到200次时，逐渐趋于收敛，逐渐向目标误差靠近。网络的训练样本回归曲线如图13所示，通过图像可以看出，选取的特征值与运动意图具有很强的相关性。

图11 网络均方误差

图12 网络训练误差曲线

图13 网络训练结果

4 实验结果分析

将测得的800组数据，选取640组作为训练数据，剩下的160组作为测试数据，通过设计统计识别率程序，测试完成之后，在MATLAB命令窗口中直接显示计算出的识别率，为大量测试数据识别率

的计算提供了方便。通过仿真，该系统的识别率达到了90%。为检验系统是否具有较强的稳定性，现随机选取一名健康测试者，做10次动作意图，对系统进行测试，将这10组测试数据输入训练好的分类系统。模型预测的输出与实际输出对比如表1所示。

表1中y为系统预测输出值，y´为系统预测拟合值，z为实际拟合值，由这10组测试数据可得，系统识别出了9次的意图动作，有一次未识别出，系统的识别率依旧是90%，证明该系统具有较好的识别性及稳定性。

表1 模型预测的输出与实际输出对比

5 结 语

针对传统的肌电信号滤波方法未能得到更为平滑纯净的信号，本文提出了基于小波变换和数字滤波器陷波器交叉使用的去噪方法，保证了噪声的有效去除并保留了与原始信号的较高的相似度。从滤波后纯净信号中提取特征值，将其构造为BP神经网络分类器输入的特征向量，通过大量的训练和测试样本进行验证分析，得到了一个高识别率分类系统，同时也检验了所提取特征的有效性。为上肢康复以及智能假肢的研究具有一定的参考价值。