表面肌电信号模式识别在康复工程中的研究

陈志青 章悦 王哲禄 郑泽祥

（1.温州职业技术学院电气电子工程系 浙江省温州市 325000 2.华东理工大学机械与动力工程学院机械工程系 上海市 200237)

在医学方面，表面肌电信号（sEMG）可用于脑卒中，帕金森，风湿系统疾病和面肌痉挛等一些疾病的诊断或分析。在康复工程方面，基于sEMG 的模式识别可用于智能系统的研究和开发，目前应用主要有三大类，智能假肢（手）、虚拟现实（VR）人机交互的康复训练系统和基于sEMG 控制的外骨骼。这些系统的实现都需要对基于sEMG 的相关人体动作模式识别进行深入研究，目前研究者们已实现了对sEMG 的手指、手部、上肢、下肢、头部等多个人体部位的动作分类研究。从分类的动作模式数量而言，Shuman 等现了对日常生活中常见的手部25 种抓握等动作的识别，且总体的识别精度达到了85.22%。基于sEMG 的动作模式识别研究往往包含了信号预处理、特征提取、特征降维和分类器训练等重要环节。本文针对上述几个必要环节，对近年来在国内外报道的具有代表性的一些方法中和应用进行介绍和讨论。

1 信号预处理

对于sEMG 信号的处理，一般根据sEMG 的特性采用一个带通滤波器,例如10-400Нz,将信号有效的频带信息保留，并使用陷波滤波器去除工频干扰，此外还往往用来一定增益的信号放大器。由于信号中还含有一定的噪声，Wei 等提出使用一种自适应小波方法对sEMG 进行去噪。在对sEMG 做滤波后，通过某种方法，例如使用较多的是短时能量法，可探测出动作开始和结束的位置，根据动作进行信号段的分割。

2 特征提取

对sEMG 做分析往往需要提取特征，根据其性质目前可大体分为四个大类，即时域特征、频域特征、时-频域特征和非线性动力学特征。

2.1 时域特征

时域特征是将信号视为时间的函数，得到信号的某些统计特征Phinyomark 等针对基于sEMG 的模式识别提取了27 种不同的时域特征，其中几乎包含了研究者频繁使用的所有时域特征，根据特征散点图、统计学分析以及分类器的验证结果表明，大多数特征在同时使用时具有一定的冗余性。平均绝对值（MAV）、过零率（ZC）、均方根值（RMS）等时域特征在众多研究中使用频繁，且常常取得较好的结果。但仅仅使用时域特征，会对信息的利用不够充分，所以研究者有时需要结合由其他分析方法获得的特征一起使用。

2.2 频域特征

传统的频域分析是利用Fourier 变换，获取信号的频谱或功率谱。在sEMG 的频域分析中,用的较多的特征是平均功率频率（MPF）和中值频率（MF），是利用Fourier 变换获得信号的频谱或功率谱。这两个特征被用于动作模式识别研究中。频域分析一般要求信号是平稳信号，然而sEMG 是非平稳信号，故频域分析具有一定的局限性。所以在基于sEMG 的模式识别研究中，频域分析提取的特征被使用得相对较少。

2.3 时-频域特征

时-频分析方法是利用时间和频率的联合分布函数来表示非平稳信号，对其进行分析和处理的一种方法。时-频分析方法弥补了频域分析方法的不足，基于此方法提取的特征被大量适用于sEMG的模式识别研究。在基于sEMG 的动作模式识别研究中常见的时-频分析方法有Нilbert Нuang 变换，小波变换，小波包变换等，根据上述方法提取的特征均获得过良好的分类效果。这些方法中使用最多的是小波变换和小波包变换。小波变换具有调节时频窗口的功能，能够根据小波函数将信号做多尺度分解，并可根据获取的各尺度高频和低频系数重构系数。小波包变换则是从小波变换延伸出来的一种对信号进行更加细致的分析与重构方法，可以在任意细节上分析信号，用于提取小波包节点系数、小波包能量等作为特征。

2.4 非线性动力学特征

非线性动力学的发展对近些年来sEMG 处理方面的研究产生了一定影响。sEMG 具备非线性的特点，故非线性动力学分析中的一些特征被用于模式识别研究中，例如李雅普诺夫指数、分形维数以及各种熵等，其中熵使用得最多。熵原本是热力学中的一个概念，在信息学中用于对信息量不足或混沌无序的度量。

3 特征降维及通道数量

3.1 特征降维

特征降维的方法分为特征选择和特征变换两种方式。特征变换是指将样本的原始特征通过某种变换方法得到新的特征，使得新特征更适合学习任务。特征变换的主要方法有主成分分析法（PCA），核主成分分析法（KPCA）和线性判别分析法（LDA）等。章亚银等根据sEMG 用于预测下肢关节角度的研究中的对比结果表明，PCA 将为处理的sEMG 相比KPCA 处理或未降维的sEMG,BP 神经网络可以更加快速和准确的预测关节角度。Khushaba 等在面向基于sEMG 的假肢控制研究中，在提取2 通道sEMG 的SSC 等多个时域特征后使用了LDA 做特征降维和Bayesian 数据融合作为后处理方法，使得SVM 和KNN 作为分类器实现了单个手指运动以及手指组合运动的分类并获得了正确分类的最大概率，有利于控制假肢不同的手指姿态。特征选择则是从特征集中直接选择出一个特征子集来表示原来的样本，而不得到新的特征。例如，有研究中用到基于距离的特征选择，有研究中用到基于互信息的特征选择。还有研究对特征选择方法进行对比，例如基于距离的特征选择（DFSS）和基于相关的特征选择（CFSS）两种方法用于对sEMG 特征集的选择，根据手部运动研究中的对比结果表明，相比于DFSS，使用CFSS 方法选择特征获得的结果更理想。此外，Нuang 等使用了一种蚁群最优化方法用于sEMG 的特征选择。

3.2 通道数量

除了对特征进行选择或变换的方式进行降维，有必要考虑通道个数。使用多通道sEMG 传感器在康复工程的研究中并不实用，因为这样会导致患者必须在身上穿戴太多的传感器，从而造成不便。考虑到该因素，有些研究致力于在保证高识别率的前提下，尽可能的减少传感器的数量。为了便于穿戴和降低应用成本，研究中使用的sEMG 通道在逐渐减少。Chen 等的研究结果表明，使用前臂6通道sEMG 可以获得很好的手部动作分类效果。Yu 等的研究结果表明，采集前臂两通道的sEMG，可实现握拳等6 类手部动作的识别。此外，Naik 等的研究结果表明，采集手臂屈肌和伸肌两通道的sEMG，经过特定的分析方法，即可实现对多达10 类手指动作的有效分类。甚至有研究结果表明，使用单通道sEMG 也可实现5 类动作的模式识别，只是相对而言识别率较低。

4 分类算法

由于处于不同条件并面向不同的需求，设计的实验往往会获得不同的数据，特征维度，类型等因素均有差异。因此某一种或几种处理算法不宜用于所有基于sEMG 的模式识别研究。研究者已使用众多算法应用于基于sEMG 的动作模式识别研究中，例如支持向量机，神经网络，线性判别分析等具有代表性的机器学习方法，均取得过令人满意的效果。

4.1 支持向量机类

支持向量机（SVM）是一种建立在统计学的VC 维理论基础之上，通过寻求结构风险最小化来提高分类器的泛化性能的机器学习方法。伍吉瑶等[ ]通过对sEMG进行时域分析和小波分析提取特征，使用局部线性嵌入（LLE）算法做特征降维，使用支持向量机（SVM）作为分类器，实现了对4 部四类动作的模式识别。SVM 算法有两个重要的参数，分别为惩罚参数C 和核函数参数γ，有时根据经验或试凑进行选取。针对该参数的寻优是对SVM 进行改进的常见方法。高荣发等将经过粒子群（PSO）对参数优化的SVM 用于下肢sEMG 步态识别，从识别率而言可获得比普通SVM 算法更好的模式识别结果。此外还有利用人工鱼群算法(AFSA），对SVM 的参数进行寻优。除了使用单核支持向量机，多核支持向量机也被应用于sEMG 的动作模式识别研究中。

4.2 神经网络

神经网络是模拟生物神经网络进行信息处理的一种具备自适应能力的数学模型。有学者利用MYO 臂环获取4 种手势动作对应的手臂8 通道sEMG,使用人工神经网络（ANN）对于MAV 等5 个时域特征构成的训练集训练分类器，对测试集的识别率达到90.35%。

4.3 线性判别分析

线性判别分析（LDA）本质是将高维的特征向量投影到最佳鉴别向量空间，已达到抽取分类信息和压缩特征空间维数的效果。使用LDA 的好处在于，其基于简单的统计学方法，计算效率高，无需进行参数调节，而分类精度这方面的性能却可达到与其他的一些复杂分类器相差无几。该方法除了可用于特征的降维，还可用于实现对信号的分类。Jarrassé 等在针对截肢者进行的假肢控制研究中，使用LDA 作为分类器，实现对6 类手部、腕部和肘部运动信号的分类。王红旗等在提取两通道sEMG 时域特征的基础上，使用LDA 作为分类器，实现4 种手部或腕部动作的模式识别。此外，Wang 等的一项手部动作模式识别的研究结果表明，使用LDA 作为分类器，6 类手部动作的识别率高达97.46%。

4.4 其他方法

此外，隐形马尔可夫模型（НMM）、K 近邻、随机森林等分类算法也被用于与sEMG 有关的动作模式识别研究，均取得过良好的结果。除了使用传统的机器学习方法，近些年随着深度学习的快速发展，一些有关深度学习的方法，例如卷积神经网络（CNN）被用于sEMG 的分类中，也取得了一定的成果。

5 康复工程应用

5.1 假肢

手的缺失给残疾人士带来生活的不变，假肢可实现人手的部分动作功能，从而提高其生活质量。对于不同运动任务，sEMG 的不同模式可由适合的算法进行识别，根据其结果向假肢发送恰当的指令，以控制假肢执行动作。在实验室特定的条件下，用于假肢控制的sEMG 模式识别正确率可以达到很高，然而在临床实施时却明显降低，与实验室中研究取得的结果具有明显差异，其原因之一在于受试者在移动场合下进行肢体运动时，身体移动会引起sEMG 信号模式的改变。针对这种情况，Samuel 等采用sEMG 和加速度信号，根据四种场合研究身体移动对动作分类器的不良影响，提出了两级顺序分类方案等三种方法用于消除该不良影响，结果表明这三种方法可使不良影响明显降低。

5.2 外骨骼控制

由于脑卒中等原因会造成患者在一定时间段内的偏瘫，从而无法完全自主进行康复训练。随着机器人技术的飞速发展，产生了结合外骨骼康复机器人等先进的康复手段。康复训练外骨骼的问世可有效帮助治疗，并减轻治疗师的工作负担。通过采集人体的sEMG，使机器人获取和预测人类的运动意图或行为，来完成医生所要求的康复训练。一种训练方式是可采用健侧上肢执行动作，对其sEMG 模式识别的结果用于命令外骨骼执行对应的动作，从而实现健侧上肢运动带动患侧的训练方法。除了实现利用健侧上肢运动带动患侧运动，还可采用患者患侧sEMG 作为控制源，结合模式识别算法完成运动意图的识别。

6 总结

表面肌电信号（sEMG）作为一种在神经肌肉活动时伴随产生的生物电信号，近年来应用于人体动作模式识别已进行了大量研究，受到了国内外的重视。基于sEMG 的动作模式识别研究包含了几个重要环节，各种研究结果为该领域提供了大量可借鉴的经验。在应用研究方面，尤其在假肢控制和外骨骼的人机接口方面方面获得到了广泛的研究成果。然而目前很多研究尚处于起步阶段，真正运用到商业应用的并不多，故在未来有很大的发展潜力和空间。除了单独使用sEMG,还可以融合惯性测量原件（IMU）,脑电信号（EEG），肌音信号（MMG）等其他类型的信号进行研究，获取更为丰富的信息，有时可以获得比单独使用sEMG 更好的效果。