基于肌电信号人手动作模式分类方法的研究

文/雷华勤

近年来，残疾人这一特殊的群体越来越受到关注，智能仿生假肢是一种主要的康复设备。目前，在众多相关研究领域中，对控制智能仿生假肢的信号源——肌电信号一直是人们研究关注的重点。早在17世纪，人们就已经开始对肌电信号进行研究，对肌电信号研究具有重要的社会意义。

肌电信号控制系统的组成包括人体肌电信号产生、肌电信号的采集、预处理、特征提取，特征分类等。其中特征提取与特征分类是肌电假肢控制系统的重要内容。根据肌电信号的特性选择最优的特征提取和分类方法，将采集到肌电信号进行特征提取并正确识别肌电信号所代表的人手抓取动作，不仅能为肌电的控制模块提供更多的动作细节信息，帮助残疾人士更好的完成日常生活动作，还能提高设备的拟人化程度具有重要的研究意义。

1 肌电信号的采集

1.1 肌电信号特征

肌电信号是人体肌肉收缩时产生的微弱的信号，信号不稳定且容易受到干扰，但能在一定程度上反映神经肌肉的活动。通过人体不同的动作能够产生不同的肌电信号，研究人员通过提取信号进行分类。采集肌电信号有针式和表面肌电拾取两种采集方式，由于表面肌电信号有着无创伤、方便自由等优点，因此被广泛应用在人手动作模式识别研究中。

1.2 肌电信号采集过程

实验数据采集使用了CyberGlove 和倾角仪获得的手部和腕部运动数据，以及使用Otto Bock sEMG 电极获得的肌肉活动数据。利用十个活跃的双微分OttoBock My-oBock 13E200 sEMG electrodes1 采集肌电活动，对原始肌电信号进行放大、带通滤波和均方根校正。电极的放大倍数设定为14000 倍。在每组实验中，27 个受试者需要重复52 种不同动作：12 种手指的基本动作；8 种等距的等张的手型；9 种基本的手腕运动；23 种抓取与功能动作。

实验前，要求27位受试者填写年龄、性别、身高、体重、健康状况、侧性和自我报告的健康状况。然后将肌电图电极、数据采集仪和倾斜仪戴在右臂上，截肢者将sEMG 电极戴在残肢上，而dataglove 和倾斜仪则戴在完整的肢体上。受试者按照双侧模仿程序完成屏幕上显示的动作。

表1

2 肌电信号预处理

隔直（滤波），放大，加窗等是肌电信号的预处理的一些方法。在肌电信号的模式识别中，主要运用数字滤波器进行滤波，滤波范围则选择肌电信号信息最集中的范围（20-500Hz），采样频率一般大于1000，窗口长度在100-400ms 之间。根据Englehart 和Hudgins的分类策略，将滤波后的信号分割为窗口，Atzori 等人考虑增加10ms(即和窗口长度分别为100ms、200ms 和400ms），窗口长度在400ms 时分类效果较好。

3 肌电信号特征提取

肌电信号的特征提取是整个系统能够正确识别动作模式的关键之一，首先对时域特征、频域特征以及时频域特征等常用信号特征识别进行分析：时域特征，在肌电信号提取中较为简单；频域特征，因为肌电信号是非平稳时变信号并不能进行平稳处理；时频域的特征，会增加信号维度及计算负担，不能满足实时在线控制的要求。

在时域上，由于时域分析简单，因此被广泛的应用在肌电控制模式识别中。Sardis 和Gootee 确定了特征空间方差和零交叉(ZC)的预先指定的运动模式；Lee 和Sardis21 使用积分绝对值MAV，连同方差和ZC 用于手臂的肌电控制；Hudgins 等人用MAV；Liu 等研究了AR 模型小于5 时分类精度增长较快。Oskoei 等人的研究中表明利用MAV 特征提取，成功率达95%，MAV（绝对均值）这样的简单特性并不比AR、WPT 等性能差。

在频域上，将快速傅里叶变换(FFT)确定了EMG 信号的频谱。Farry 等将FFT 应用于假肢手的遥操作。Sueaseenak 等人利用FFT 从不同手部和腕部运动的肌电信号中提取特征。

在时频上，由于采用多通道方法采集信号，提取的特征向量维数较大。需要利用FS或特征投影(FP)等降维技术来降低分类器的负担。在特征提取上，分析表面肌电信号的不同特征提取方法并比较识别成功率。

4 肌电信号模式识别（特征分类）

在分类器上，目前的肌电信号模式分类方法主要有人工神经网络（Artificial Neural Network，ANN），线性判别分析（Linear Discriminant Analysis，LDA），支持向量机（Support Vector Machine，SVM）等。如表1所示。

在给定适当的特征表示的情况下，非线性SVM分类器在大部分情况下获得了较大性能，分类识别率达95%以上。由于SVM 具有理论完善，通用性强，计算简单，鲁棒性好，广泛应用于肌电假手的模式识别中。

SVM 是一种二分类的模型，分为线性和非线性两大类。其主要目标是构建一个最优分类面对所有数据进行划分，使得样本数据到超平面的距离最短。SVM 算法原理假设目标函数：

等价于求解上述问题的对偶问题：

通过转化将求w,b 的问题转化为求α 的对偶问题，即找出所有支持向量，通过计算数据点到最优分类面的距离从而判断出该数据点的类别。

5 结语

（1）在特征提取中，时域中的MAV 提取方法由于计算简单被广泛使用，但近年来组合特征的方法也越来越被研究者使用，因此寻找一种组合并比对时域特征提取以达到识别率的提高。

（2）在比对大量的分类器的分类效果中，SVM 支持向量机通用性强、计算简单，并在大部分情况下获得了较大性能得到高的识别率，且研究表明，相比于分类器，特征优选对识别成功率提升较大，采用泛化能力较强的SVM 通过参数优化用于人手抓取动作分类以期达到进一步动作识别的效果。