郭 欣，李彩萍，穆廣寧

（河北工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院，天津 300130）

基于改進(jìn)式接受腔的肌電采集可行性方法研究

郭 欣，李彩萍，穆廣寧

（河北工業(yè)大學(xué) 控制科學(xué)與工程學(xué)院，天津 300130）

針對從下肢殘肢端不易記錄高質(zhì)量肌電信號的問題，提出了一種在接受腔內(nèi)嵌入無線傳感器采集肌電信號的實(shí)驗(yàn)方法．讓健康受試者在穿戴定制的接受腔和未穿戴此裝置的情況下，分別采集右側(cè)下肢股直肌、闊筋膜張肌、半腱肌，股二頭肌四塊肌肉在5種典型行走模式下的表面肌電信息，并對肌電信號進(jìn)行時(shí)域特征提取，構(gòu)建特征向量，并采用閾值分割 SVM-KNN算法對五種行走模式進(jìn)行識別，得出2種情況下的平均識別率，發(fā)現(xiàn)和目前研究領(lǐng)域健康人行走模式的識別率相接近，從而驗(yàn)證了嵌入無線傳感器接受腔的可行性，然后把該嵌入無線傳感器式接受腔應(yīng)用于殘肢肌電信號的采集上．

肌電信號；嵌入無線傳感器式接受腔；識別率；可行性

0 引言

人體下肢的運(yùn)動是在中樞神經(jīng)系統(tǒng)的支配下通過身體肌肉收縮實(shí)現(xiàn)的，其具有較好的周期性和重復(fù)性．肌電信號最大的優(yōu)點(diǎn)是大腦意識的反映，相比其他運(yùn)動信息,其更能體現(xiàn)人的運(yùn)動意圖．因此,利用肌電信號識別人體步態(tài)已成為國內(nèi)外研究的熱點(diǎn)．而且，肌電信號采集的質(zhì)量以及肌肉位置的選取直接影響識別結(jié)果的準(zhǔn)確性[1]．

對于單側(cè)脛股截肢者而言，采集并記錄其殘肢端的肌電信號，可以顯示非常豐富的神經(jīng)肌肉信息，這對臨床評估和智能假肢控制具有重要意義．比如，在臨床上，已知?dú)堉∪饧せ钅Ｊ剑欣诟咝У卦u估下肢截肢者的步態(tài)[2]．

記錄高質(zhì)量的肌電信號對智能假肢控制是非常必要的[2]．但是，從膝上截肢者的殘肢端獲取可靠的肌電信號，研究者和臨床醫(yī)生面臨重大的挑戰(zhàn)，在接受腔中插入傳感器可能產(chǎn)生大面積的壓迫和與殘肢間的摩擦，在行走時(shí)會引起不適；一些減輕摩擦和壓力的方法又可能會導(dǎo)致接受腔松弛，使在正常步行期間，殘肢在接受腔內(nèi)活動，在肌電信號記錄的過程中引起嚴(yán)重的運(yùn)動偽跡，由于電極的不連續(xù)接觸會導(dǎo)致肌電數(shù)據(jù)的丟失[2]．為了解決這些問題，已有學(xué)者為截肢受試者設(shè)計(jì)了嵌入無線傳感器式接受腔，在保證舒適度的前提下，從殘肢采集一些高質(zhì)量的肌電信號，其中采集設(shè)備為美國Delsys公司開發(fā)的無線傳感器Trigno Wireless EMG．

本文將模擬截肢受試者穿戴假肢時(shí)的情境，為健康受試者定制類似的嵌入無線傳感器式接受腔，可以仿真截肢者行走時(shí)的承重以及受力情況，采集穿腔與不穿腔在5種典型路況下不同肌肉的肌電信號，然后分析得到穿腔采集的肌電信號對后續(xù)的識別不造成影響，最后驗(yàn)證利用此嵌入無線傳感器式接受腔從殘肢側(cè)獲取高質(zhì)量肌電信號的可行性．

1 設(shè)計(jì)嵌入無線傳感器式接受腔

上述提到的為健康受試者定制的嵌入無線傳感器式接受腔得到了國家康復(fù)輔具研究中心的認(rèn)可和支持．實(shí)驗(yàn)選取一名男性健康受試者，其無下肢關(guān)節(jié)損傷（開放性和閉合性）、無心血管疾病、無皮膚過敏、無肌肉骨骼等病史，年齡24歲，身高182 cm．定制的嵌入傳感器式接受腔如圖1所示．為健康受試者右腿制作嵌入無線傳感器式接受腔的過程為：

1）根據(jù)sEMG信號的強(qiáng)弱來確定所選取肌肉的位置，并做標(biāo)記；

2）為上述無線傳感器做模型；

3）將做好的傳感器模型放在標(biāo)記點(diǎn)處；

4）用保鮮膜將受試者的腿纏住，并用石膏繃帶取型；

5）取型之后進(jìn)行固化，取模；

6）將模型進(jìn)行熱縮成型；

7）受試者試穿成型接受腔；

8）根據(jù)試穿后的舒適程度進(jìn)行修型，調(diào)整；

9）受試者穿戴定制好的接受腔．

2 信號采集與分析

2.1 肌電信號的采集

在實(shí)驗(yàn)之前，健康受試者了解整個(gè)實(shí)驗(yàn)流程，確保其正確理解實(shí)驗(yàn)操作．受試者需要剃去股直肌、闊筋膜張肌、股二頭肌以及半腱肌4塊肌肉肌腹位置的體毛，然后用酒精打磨相應(yīng)的位置以去除角質(zhì)層，以便更好地采集肌電信號．

圖1 定制的嵌入傳感器式接受腔Fig.1 Customed socketw ith sensorembedd

在穿戴如圖1所示的接受腔時(shí)，先把DELSYS無線傳感器放入腔內(nèi)的相應(yīng)位置，傳感器的箭頭與肌纖維方向平行，然后用橡皮泥把之間的縫隙進(jìn)行填充，保證無線傳感器與皮膚充分接觸．受試者在進(jìn)行實(shí)驗(yàn)前，充分熟悉動作要領(lǐng)，進(jìn)行2～3次熟悉性操作．在測試者的指導(dǎo)下，受試者在平地、上樓梯、下樓梯、上坡、下坡5種模式下進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)共分為2次進(jìn)行，隔一天實(shí)驗(yàn)一次．每次每種模式采集10組數(shù)據(jù)（即股直肌、闊筋膜張肌、半腱肌、股二頭肌的肌電信息），每采集5組數(shù)據(jù)，受試者休息5分鐘，放松腿部肌肉，防止產(chǎn)生肌肉疲勞，影響信號質(zhì)量[3]．其中，每種行走模式下受試者都是先邁對側(cè)腳（即左腳），完成3個(gè)完整的步態(tài)周期．交替上、下樓梯時(shí)，每次實(shí)驗(yàn)過程都是6個(gè)臺階，每個(gè)臺階的高度為廣泛應(yīng)用的15 cm；在上、下坡時(shí)，均為無障礙通道的坡，斜坡長均為3.6 m，坡的角度大約為16°．在數(shù)據(jù)采集過程中，EMG智能傳感器和Trigno基站之間通過Zigbee模塊進(jìn)行無線通信，Trigno基站與電腦之間則通過USB2.0接口實(shí)現(xiàn)數(shù)據(jù)傳輸．

同樣，健康受試者在不穿戴接受腔時(shí)，首先確定與之前實(shí)驗(yàn)相對應(yīng)的4塊肌肉的位置，然后使用與銀質(zhì)檢測條匹配的雙面膠將傳感器固定在清理好的皮膚處，實(shí)驗(yàn)分為3次進(jìn)行，隔一天實(shí)驗(yàn)一次，每次每種模式采集10組數(shù)據(jù)．其他實(shí)驗(yàn)條件均相同．

2.2 肌電信號的處理

由于采集的肌電信號是由許多不同頻率的正弦波組成的，其正相值和負(fù)相值得加和應(yīng)該趨于零[4]．肌電信號十分微弱，一般僅有1～10mV左右，有用信號分布在1～500 Hz頻率范圍之間，主要能量分布在50～150Hz頻率范圍內(nèi)．通常，由體表直接檢測到的肌電信號混有工頻干擾、基線漂移、環(huán)境噪聲、運(yùn)動干擾等多種噪聲信號，嚴(yán)重影響肌電信號的質(zhì)量[5]．為了提高表面肌電信號的信噪比，抑制噪聲，需對肌電信號進(jìn)行預(yù)處理，利用巴特沃斯濾波器提取20～450Hz的肌電信號，并利用陷波器陷去50 Hz及其倍頻干擾信號．圖2為受試者穿腔下坡過程采集到闊筋膜張肌原始sEMG以及預(yù)處理之后的sEMG．可以看到處理后大量的噪聲被去除掉，更利于后續(xù)信號的分析．

圖2 穿腔下坡時(shí)TFL原始信號以及濾波之后的信號Fig.2 Originaland filtered signalsw ith the socket-sensor for downslop

2.3 肌電信號特征提取

2.3.1 特征提取

特征提取是從信號中提煉出最能表征信號特點(diǎn)的成分，可以看成是高維數(shù)據(jù)空間到低維數(shù)據(jù)空間的一種映射．特征提取作為模式識別中的關(guān)鍵環(huán)節(jié)，直接影響系統(tǒng)識別能力．表面肌電信號的特征提取就是提取最能表征肌電信號固有特性的數(shù)據(jù)，盡可能達(dá)到不同動作提取的特征區(qū)別較大，差異明顯[6]．

特征提取的方法主要有時(shí)域法、頻域法、時(shí)頻結(jié)合、高階譜和混沌與分形等方法，本文選用計(jì)算簡單，明了直觀的時(shí)域法．本文選取適合用于人體行走模式識別研究的時(shí)域特征值．由于信號平均值（MEAN）表示一段表面肌電信號的平均強(qiáng)度，也能體現(xiàn)出肌肉的動作強(qiáng)度；均方根（RMS）能夠反映信號的平均功率，同時(shí)也可以用來衡量表面肌電信號的功率，代表了能量信息，在一定程度上體現(xiàn)了各塊肌肉組織在動作完成過程中的貢獻(xiàn)[7]；標(biāo)準(zhǔn)偏差（STD）是一種量度數(shù)據(jù)分布分散程度的標(biāo)準(zhǔn)，用以衡量數(shù)據(jù)值偏離算術(shù)平均值的程度[8]．因此，在這里選擇平均值、均方根、標(biāo)準(zhǔn)偏差3個(gè)特征向量用于人體行走模式識別的研究．

2.3.2 構(gòu)建特征向量

由于平均值、均方根在不同路況下區(qū)分較為明顯，標(biāo)準(zhǔn)偏差可以較好的識別上樓梯和上斜坡．所以，最終選4塊肌肉表面肌電信號的平均值、均方根和標(biāo)準(zhǔn)偏差作為特征值，構(gòu)建特征向量如下．

肌肉順序依次是半腱肌、股直肌、闊筋膜張肌、股二頭?。?/p>

分別對受試者穿腔和不穿腔時(shí)所采集到的4塊肌肉不同行走模式下全部進(jìn)行特征提取后，隨機(jī)選取每種模式下一組特征向量進(jìn)行比較．如圖3所示，分別為受試者未穿腔時(shí)以及穿腔時(shí)不同模式特征向量對比．

如圖3所示，在穿腔與未穿腔的情形下，每一種模式下的特征向量都不會發(fā)生質(zhì)的變化，只是在一定的小范圍內(nèi)波動．即：無論是否穿腔，平地模式下特征向量的每個(gè)元素值都偏小，上樓梯和上坡模式下的特征向量元素都偏大，下樓梯和下坡模式下特征向量的每個(gè)元素的幅值介于上述二者之間．

圖3 受試者未穿腔時(shí)以及穿腔時(shí)不同模式特征向量對比Fig.3 The comparison of featurevector in differentpatternsw ith orw ithoutsocket

3 基于閾值分割的SVM-KNN算法

支持向量機(jī)利用核函數(shù)的非線性變換將線性不可分低維輸入映射到高維特征空間，在高維空間尋找一個(gè)最優(yōu)超平面使得相距最近的兩類樣本的距離最大[9]．K近鄰算法分類時(shí)，自待測樣本開始生長，擴(kuò)大區(qū)域直至將k個(gè)訓(xùn)練樣本包含，訓(xùn)練樣本中出現(xiàn)次數(shù)最多的類別即為待測樣本的類別．SVM對距離分類平面較遠(yuǎn)的樣本分類，結(jié)果置信度高，但是對于距離分類平面很近的樣本，置信度降低導(dǎo)致出錯(cuò)概率大大增加；KNN方法依靠臨近樣本，對交叉類域或有重疊的樣本分類更有優(yōu)勢[10]．綜合2種算法優(yōu)勢，對SVM分類結(jié)果的置信度設(shè)置閾值，采用基于閾值分割的SVM-KNN算法進(jìn)行識別．

1）選用RBF高斯徑向基核函數(shù)，采用一對一法，構(gòu)建10個(gè)SVM子分類器，則每個(gè)子分類器的最優(yōu)超平面的分類函數(shù)為

2）每個(gè)待分類樣本將得到10子分類器的判定結(jié)果和決策值，利用投票選舉方法，得票最多的類別即為此待分類樣本所屬類別，利用如下公式確定此分類結(jié)果的置信度

4 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)共獲取750組特征向量樣本，其中未穿戴接受腔450組，穿接受腔300組．隨機(jī)選取未穿腔時(shí)150組樣本的特征向量作為訓(xùn)練集對基于閾值分割的SVM-KNN分類器進(jìn)行訓(xùn)練，其中每種模式隨機(jī)選取30組．將訓(xùn)練好的分類模型對剩余600組樣本的特征向量組成的測試集進(jìn)行測試，其中穿腔與未穿腔時(shí)平地、上樓、下樓、上坡、下坡各60組．其中，把剩余未穿腔的300組樣本記為A組，把穿腔的300組樣本記為B組．實(shí)驗(yàn)針對股直肌、股二頭肌、闊筋膜張肌、半腱肌4塊肌肉的組合進(jìn)行特征提取和識別．本文以混淆矩陣M表示實(shí)際類別和預(yù)測類別之間的聯(lián)系，定義如下

式中元素意義如下

表1列出了A、B 2組的混淆矩陣，表征數(shù)據(jù)樣本實(shí)際類別和預(yù)測類別之間的聯(lián)系．如圖4為識別結(jié)果對比圖．

表1、兩組識別率的混淆矩陣Tab.1 The confusionmatrix ofandin recognition rate

表1、兩組識別率的混淆矩陣Tab.1 The confusionmatrix ofandin recognition rate

A組 平地 上樓 上坡 下樓 下坡 B組 平地 上樓 上坡 下樓 下坡平地 9 8 . 3 0 0 0 1 . 7 0 平地 9 8 . 3 0 0 0 1 . 7 0上樓 0 9 3 . 3 6 . 7 0 0 0 上樓 0 9 3 . 3 6 . 7 0 0 0上坡 0 6 . 7 0 9 3 . 3 0 0 上坡 0 8 . 3 0 9 1 . 7 0 0下樓 3 . 3 0 0 0 8 6 . 7 1 0 . 0 下樓 3 . 3 0 0 0 8 5 . 0 1 1 . 7下坡 0 0 0 1 5 . 0 8 5 . 0 下坡 3 . 3 0 0 0 1 0 . 0 8 6 . 7

圖4 單側(cè)膝上截肢受試者的嵌入式傳感器接受腔Fig.4 The socket-sensor configuration of unilateralabove-kneeamputee

通過表1可以計(jì)算得到，A組的平均識別率為91.3%，B組的平均識別率為91.0%．也就是說，A組在300組樣本中識別正確的組數(shù)為274組，而B組在300組樣本中識別正確的組數(shù)為273組．實(shí)驗(yàn)結(jié)果表明，在只考慮4塊大腿肌肉的情形下，A，B 2組的平均識別率都達(dá)到了91%以上．目前，有研究表明用基于閾值分割的SVM-KNN分類算法，對健康受試者下肢大腿4塊肌肉的特征向量進(jìn)行識別，其識別率達(dá)到94%[10]．本實(shí)驗(yàn)過程，由于對肌肉種類的選取受到了一定的限制，所以和目前的研究水平還是有一點(diǎn)差距，但是在穿戴定制接受腔和不穿戴的情況下，對不同行走模式的平均識別率基本一致，都達(dá)到了91%以上．由此可知，健康受試者在穿戴嵌入式傳感器接受腔之后，對行走模式的識別率不造成影響．因此，該嵌入式傳感器接受腔可以用于采集膝上截肢患者殘端的肌電信息．

5 應(yīng)用

通過上述分析，可以得到穿戴該嵌入式傳感器接受腔不會對后期的分析識別造成影響．因此，將嵌入式傳感器接受腔應(yīng)用于膝上截肢患者．首先選取一位膝上截肢受試者，其穿戴假肢的時(shí)長為6年，在穿戴假肢時(shí)，可以穩(wěn)定地行走，包括平地、上下樓、上下坡．與健康受試者制作嵌入式傳感器接受腔的過程基本一致，為該膝上截肢受試者定制了嵌入式傳感器接受腔，所選取的肌肉種類和數(shù)量相同，并安裝到其假肢上．

同樣，對于該截肢受試者在進(jìn)行實(shí)驗(yàn)前，充分熟悉動作要領(lǐng)，進(jìn)行2～3次熟悉性操作．在同樣的實(shí)驗(yàn)條件下，采集其穿戴假肢時(shí)5種典型行走模式下的肌電信號．其中采集信號分3次進(jìn)行，隔天1次，周一、周三、周五上午各1次，每次實(shí)驗(yàn)采集每種行走模式各10組數(shù)據(jù)，為防止肌肉疲勞，每采集五組數(shù)據(jù)受試者休息5分鐘，每組數(shù)據(jù)同樣也是完成3個(gè)完整的步態(tài)周期．對已獲取的肌電信號進(jìn)行濾波、特征提取、構(gòu)建特征向量、用上述SVM-KNN算法對步態(tài)進(jìn)行識別．也是就是說，實(shí)驗(yàn)共獲取截肢受試者450組特征向量樣本，隨機(jī)選擇150組數(shù)據(jù)樣本作為訓(xùn)練集對基于閾值分割的SVM-KNN分類器進(jìn)行訓(xùn)練，其中每種模式隨機(jī)選取30組．以平地行走的識別為例，訓(xùn)練好的分類模型對平地剩余60組平地特征向量樣本組成的測試集進(jìn)行測試，最終發(fā)現(xiàn)對平地行走模式的識別率為81.7%．即：在60組平地特征向量樣本中，有49組樣本識別正確．由于截肢患者本身的肌肉會有損傷和移位，其識別率和健康受試者有一定的差距，但是對于截肢患者來說，此識別結(jié)果還是比較滿意的．Huang He等人已經(jīng)證實(shí)該嵌入傳感器式接受腔可以滿足用戶舒適的需求，在此驗(yàn)證了此裝置在采集肌電信號的可用性．在以后的探索中，還可以選擇增加或改變肌肉的種類，尋找更精確的肌肉位置，從而達(dá)到更高的識別率，為控制智能假肢奠定堅(jiān)實(shí)的基礎(chǔ)．

6 結(jié)論

主要了闡述健康受試者穿戴嵌入傳感器式接受腔與未穿戴接受腔時(shí)肌電信號的采集、處理、分析對比以及模式識別，然后應(yīng)用到膝上截肢受試者．通過為正常人定制嵌入無線傳感器式接受腔，驗(yàn)證穿戴此接受腔對后續(xù)分析和識別無不利影響．即：穿戴此裝置不會引起肌電信號質(zhì)上的變化．因此，若想從殘肢端采集到理想的肌電信號，從信號的質(zhì)量、用者的舒適程度以及可用性而言，可以通過對截肢受試者定制上述的嵌入無線傳感器式接受腔．

[1]LIZ J，WANG B C，Y CG，etal．sEMG-Based Joint Force Control for an Upper-Limb Power-AssistExoskeleton Robobt[J]．IEEE Journalof Biomedicaland Health Informatics，2014，18（3）：1043-1050．

[2]Hefferman GM，Zhang F，Nunnery M J，etal．Integrationofsurfaceelectromyographic sensorsw ith the transfemoralamputeesocket：A comparison of four differing configuration[J]．Prostheticsand Orthotics Internation，2015，39（2）：166-173．

[3]趙麗娜，劉作軍，茍斌，等．基于隱馬爾科夫模型的動力型下肢假肢步態(tài)預(yù)識別 [J]．機(jī)器人，2014，36（3）：337-341．

[4]劉秀云．基于EMG-KJA神經(jīng)肌骨動力學(xué)模型的下肢動作模式識別及運(yùn)動軌跡預(yù)測 [D]．天津：天津大學(xué)，2012．

[5]De LucaCJ，Gilmore LD，Kuznetsov M，etal．Filtering thesurfaceEMG signal：movementartifactandbaselinenoisecontamination[J]．Biomech 2010，43（8）：1573-1579．

[6]ZHANG F，HUANGH．SourceSelection forReal-TimeUser IntentRecognition Toward VolitionalControlof Artificial Legs[J]．IEEEBiomedical and Health Information，2013，17（5）：907-914．

[7]Telfer S，AbbottM，Steultjens M，etal．Dose-response effectsof custom ised footorthoseson lower limbmuscle activity and plantar pressures in pronated foot type[J]．GaitPosture2013，38（3）：443-449．

[8]陳玲玲，楊鵬，耿艷麗，等．基于肌電信號的膝關(guān)節(jié)力矩識別方法 [J]．中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，44（2）：117-121．

[9]茍斌，劉作軍，趙麗娜，等．基于相關(guān)性分析的下肢假肢步行模式預(yù)識別方法 [J]．東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，43（S1）：192-196．

[10]溫倩．基于表面肌電信號的人體行走模式識別 [D]．天津：河北工業(yè)大學(xué)，2015．

[責(zé)任編輯 代俊秋]

The study on the feasibility of the socket-sensor experimentalmethod

GUO Xin，LICaiping，MU Guangning

(Schoolof ControlScienceand Engineering,HebeiUniversity of Technology,Tianjin 300130,China)

Since itis difficult to record high-quality and reliable sEMG(surface electromyographic)signals from lowerlimb amputees,an experimentalmethod of recording sEMG signals from w ithin the sockets of lower-limb amputees is proposed to solve the problem.In this paper,firstly,select lower limb muscle group,including rectus femoris(RF), tensor fasciae latae(TFL),sem itendinosus(SEM)and biceps femoris(BF),thenmakeaspecialsocket-sensorconfiguration for the healthy subjectand collectsEMG signals of the five typicalwalking patternsw ithin orw ithout the socket-sensor configuration.The issueextracted timedomain featureofsEMG atthebeginning ofagait,use the SupportVectorMachine-K NearestNeighbor(SVM-KNN)algorithm based on threshold segmentation and recognized walking pattern.Finally, compareand analyze the rateof recognition,which isclose to the levelin the research field of recognition forwalking patterns.Sowe can know thatcollecting sEMG signals from socket-sensor configuration isvery feasible for lower-limb amputee.

sEMG;socket-sensor configuration;rateof recognition;feasibility

TP391

A

1007-2373(2016)02-0017-06

10.14081/j.cnki.hgdxb.2016.02.003

2015-09-18

國家自然科學(xué)基金（61203323）；中國科學(xué)院人機(jī)智能協(xié)同系統(tǒng)重點(diǎn)實(shí)驗(yàn)室課題開放基金

郭欣（1976-），男（漢族），教授，博士．

數(shù)字出版日期：2016-04-26 數(shù)字出版網(wǎng)址：http://www.cnki.net/kcms/detail/13.1208.T.20160426.1557.020.htm l