王朋 李傳江 井本成 張崇明 張自強(qiáng)

摘要：

表面肌電（surface electromyography，sEMG）信號(hào)被廣泛應(yīng)用于臨床診斷、康復(fù)工程和人機(jī)交互等領(lǐng)域中.針對(duì)目前控制肌電假肢手的電極成本高、電極佩戴困難以及操作靈活性差等問(wèn)題，設(shè)計(jì)一種基于MYO的肌電假肢手手勢(shì)在線(xiàn)識(shí)別系統(tǒng).通過(guò)采集人體上肢前臂的表面肌電信號(hào)，在時(shí)域上分別提取5種特征值，利用反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)分類(lèi)算法實(shí)現(xiàn)對(duì)8種手勢(shì)動(dòng)作意圖的在線(xiàn)實(shí)時(shí)識(shí)別.實(shí)驗(yàn)結(jié)果證明，利用MYO進(jìn)行手勢(shì)識(shí)別可以獲得較好的識(shí)別結(jié)果，該系統(tǒng)能夠準(zhǔn)確識(shí)別8種手部動(dòng)作，平均在線(xiàn)識(shí)別率達(dá)到92%.

關(guān)鍵詞：

表面肌電信號(hào); MYO; 特征提取; BP神經(jīng)網(wǎng)絡(luò); 在線(xiàn)識(shí)別

中圖分類(lèi)號(hào)： TP 273文獻(xiàn)標(biāo)志碼： A文章編號(hào)： 1000-5137（2018）01-0043-06

Hand mode online recognition system of electromyography prosthetic

hand based on MYO

Wang Peng， Li Chuanjiang*， Jing Bencheng， Zhang Chongming， Zhang Ziqiang

（The College of Information，Mechanical and Electrical Engineering，Shanghai Normal University，Shanghai 200234，China）

Abstract：

Surface electromyography （sEMG） is widely used in clinical diagnosis，rehabilitation engineering and human-computer interaction，etc.Aming at the problems of high cost of electrodes to control electromyography prosthetic hands，the difficulty in electrodes wear and poor operation flexibility，a MYO-based hand mode online identification system of electromyography prosthetic hands is designed.By collecting the sEMG of the human upper-limb-forearm and extracting 5 characteristic values in the time domain，8 real-time gesture recognition strategies are realized through the back propagation neural network.Experimental results show that the MYO-based gesture recognition canproduce bettergesture recognition results.The system can accurately identify the eight kinds of hand movements，and the average online recognition rate reaches 92%.

Key words：

surface electromyography; MYO; feature extraction; BP neural network; online recognition

收稿日期： 2016-06-12

作者簡(jiǎn)介： 王朋（1991-），男，碩士研究生，主要從事智能假肢方面的研究.E-mail：526127005@qq.com

導(dǎo)師簡(jiǎn)介： 李傳江（1978-），男，副教授，主要從事計(jì)算機(jī)自動(dòng)檢測(cè)與控制、智能測(cè)控儀表、先進(jìn)控制理論及其應(yīng)用等方面的研究.E-mail：licj@shnu.edu.cn

*通信作者

引用格式： 王朋，李傳江，井本成，等.基于MYO的肌電假肢手控制中手勢(shì)在線(xiàn)識(shí)別系統(tǒng) [J].上海師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，47（1）：43-48.

Citation format： Wang P，Li C J，Jing B C，et al.Hand mode online recognition system of electromyography prosthetic hand based on MYO [J].Journal of Shanghai Normal University（Natural Sciences），2018，47（1）：43-48.

0引言

表面肌電（surface electromyography，sEMG）信號(hào)是由神經(jīng)、肌肉興奮伴隨產(chǎn)生的生物電信號(hào)，并在一定程度上反映了人類(lèi)特定手勢(shì)動(dòng)作的意圖[1].sEMG可以反映神經(jīng)肌肉的特性，包含著豐富的有關(guān)人體肌肉活動(dòng)的信息，是一種重要的假肢控制信號(hào)，廣泛應(yīng)用于康復(fù)工程，尤其是智能假肢手的控制中[2-4].

隨著生物電信號(hào)的不斷深入研究，在sEMG信號(hào)的手勢(shì)動(dòng)作識(shí)別研究方面，國(guó)內(nèi)很多學(xué)者都取得了一定的成果.文獻(xiàn)[5]設(shè)計(jì)了一套簡(jiǎn)易且識(shí)別率高的表面肌電采集與在線(xiàn)識(shí)別系統(tǒng)，此外還設(shè)計(jì)了訓(xùn)練范式，根據(jù)被測(cè)試的訓(xùn)練數(shù)據(jù)提取在線(xiàn)識(shí)別算法的參數(shù)，以提高識(shí)別準(zhǔn)確率.文獻(xiàn)[6]提出了一種基于微處理器（advanced RISC machines，ARM）的肌電假肢控制器設(shè)計(jì)方案，通過(guò)反向傳播（BP）算法實(shí)現(xiàn)了對(duì)5種手掌姿勢(shì)的在線(xiàn)實(shí)時(shí)識(shí)別.這些方法雖然效果好，但是應(yīng)用到截肢患者的實(shí)際生活中，還存在著很多局限性，仍然需要深入研究.

sEMG信號(hào)作為可靠的信號(hào)源被廣泛用于肌電假肢手的控制中，sEMG傳感器的質(zhì)量直接影響動(dòng)作模式的識(shí)別率，從而影響假肢手的整體性能.高質(zhì)量的傳感器比較貴，如Biomatric和Delsys無(wú)線(xiàn)電極等，單個(gè)傳感器的價(jià)格都在5 000元以上.國(guó)內(nèi)的假肢廠家多采用自己制作的肌電傳感器，但信號(hào)干擾較大，嚴(yán)重影響動(dòng)作模式的識(shí)別精度.加拿大創(chuàng)業(yè)公司Thalmic Labs 推出的創(chuàng)新性MYO臂環(huán)，它可以佩戴在任何一條胳膊的肘關(guān)節(jié)上方，捕捉手臂肌肉運(yùn)動(dòng)時(shí)產(chǎn)生的生物電信號(hào)，通過(guò)低功率的藍(lán)牙將信號(hào)傳出，干擾小，信號(hào)質(zhì)量好，佩戴方便，并且價(jià)格低廉.將其應(yīng)用到假肢手的控制上是一個(gè)很好的選擇.

為了降低假肢手安裝的成本和提高假肢手的實(shí)用性，本文作者提出一套基于MYO臂環(huán)的肌電假肢控制在線(xiàn)識(shí)別系統(tǒng)，實(shí)現(xiàn)對(duì)手勢(shì)動(dòng)作的在線(xiàn)實(shí)時(shí)識(shí)別.

1信號(hào)采集

圖1MYO穿戴位置

圖2八種手勢(shì)動(dòng)作

采用MYO臂環(huán)采集sEMG信號(hào)，它有8個(gè)通道，每個(gè)通道等間距排列.將其佩戴于肘關(guān)節(jié)上方的位置（水平放置手臂，手掌心朝下，MYO臂環(huán)的標(biāo)識(shí)與手掌心的方向相反），如圖1所示.

作者采用了8種手部動(dòng)作進(jìn)行在線(xiàn)識(shí)別研究，通過(guò)提取手部動(dòng)作時(shí)所產(chǎn)生的sEMG信號(hào)的特征向量，進(jìn)行分類(lèi)，為人機(jī)交互模式提供可靠的控制源.8種手勢(shì)分別為：（1）手腕內(nèi)翻（Wrist Flexion，WF），（2）手腕外翻（Wrist Extension，WE），（3）握拳（Hand Close，HC），（4）展拳（Hand Open，HO），（5）握?qǐng)A球（Spherical Grasping，SG），（6）握?qǐng)A柱 Cylindrical Grasping，CG），（7）三指抓（Tripodal Precision Grasping，TPG），（8）二指捏（Key Grasping，KG）.各種手勢(shì)動(dòng)作如圖2所示.

2軟件系統(tǒng)設(shè)計(jì)

考慮到Visual Studio是基于Windows編程，與PC端有很好的兼容性，所以本設(shè)計(jì)的上位機(jī)部分使用VC++開(kāi)發(fā)語(yǔ)言實(shí)現(xiàn)，與MYO臂環(huán)之間通過(guò)低功率的藍(lán)牙來(lái)傳送信號(hào).軟件部分主要包含sEMG信號(hào)實(shí)時(shí)采集、預(yù)處理、判斷動(dòng)作起止點(diǎn)、sEMG信號(hào)特征提取和在線(xiàn)識(shí)別等模塊，其中模式識(shí)別所需的權(quán)值、閾值由BP神經(jīng)網(wǎng)絡(luò)離線(xiàn)訓(xùn)練得到，然后寫(xiě)入到系統(tǒng)中用于在線(xiàn)識(shí)別.手勢(shì)動(dòng)作識(shí)別的在線(xiàn)處理流程如圖3所示.

圖3手勢(shì)動(dòng)作識(shí)別的在線(xiàn)處理流程

2.1預(yù)處理

在上位機(jī)程序中，對(duì)MYO臂環(huán)實(shí)時(shí)采集到的sEMG信號(hào)先進(jìn)行預(yù)處理，其目的主要是濾除噪聲.雖然MYO臂環(huán)采集到的信號(hào)干擾較小，但是sEMG信號(hào)是一種微弱的生物電信號(hào)，易受干擾.本軟件系統(tǒng)中用45～195 Hz 的帶通濾波器，對(duì)sEMG信號(hào)進(jìn)行預(yù)處理.

2.2動(dòng)作起止點(diǎn)判斷

動(dòng)作起止點(diǎn)的判斷方法有閾值法、神經(jīng)網(wǎng)絡(luò)法、移動(dòng)平均法等[7].為了保證系統(tǒng)的實(shí)時(shí)性，對(duì)動(dòng)作起止點(diǎn)的判斷需要及時(shí)有效，所以采用閾值法.

對(duì)于MYO臂環(huán)的8個(gè)通道的sEMG信號(hào)，計(jì)算每個(gè)通道信號(hào)的某段數(shù)據(jù)采樣點(diǎn)個(gè)數(shù)為N的時(shí)域特征絕對(duì)平均值（Mean Absolute Average，MAV）[8]：

MAVi=1N∑Nk=1x（k），i=1，2…I，（1）

其中，k為單個(gè)采樣點(diǎn)，x（k）為每次采樣的sEMG數(shù)據(jù)，i是MYO對(duì)應(yīng)的單個(gè)通道，這里I=8.

將各路信號(hào)的MAV相加，通過(guò)設(shè)定的門(mén)限閾值來(lái)判斷動(dòng)作起止點(diǎn).考慮到每個(gè)受試者的肌電信號(hào)特性不完全一樣，在離線(xiàn)訓(xùn)練環(huán)節(jié)，通過(guò)對(duì)每個(gè)受試者采集到的樣本數(shù)據(jù)進(jìn)行分析，可以確定各自合適的閾值.

2.3特征提取

特征提取的目的是將不同手勢(shì)動(dòng)作盡可能區(qū)分，通過(guò)sEMG信號(hào)的某一特性數(shù)據(jù)來(lái)表示.相對(duì)于其他頻域或時(shí)-頻域特征，時(shí)域特征也可以獲得相對(duì)較好的分類(lèi)特性，且具有計(jì)算量少、獲取迅速等優(yōu)點(diǎn)，滿(mǎn)足在線(xiàn)識(shí)別的實(shí)時(shí)性.因此，采用5個(gè)時(shí)域統(tǒng)計(jì)學(xué)特征作為分類(lèi)標(biāo)準(zhǔn)，它們分別是平均絕對(duì)值（MAV）、過(guò)零點(diǎn)數(shù)（ZC）[9]、斜率變化數(shù)（SSC）、波形長(zhǎng)度（WL）[9]和平均絕對(duì)值斜率（MAVS）.

MAV如（1）式所示.

sgn（-xk×xk+1） and （xk-xk+1≥ε），（2）

其中，sgn（x）=1，x>0

0，其他，ε是給定一個(gè)大于0的閾值（取0.02）.如果滿(mǎn)足（2）式條件，則ZC值加1.

（xk-xk-1）×（xk-xk+1）≥δ，（3）

對(duì)于3個(gè)連續(xù)的采樣點(diǎn)xk-1，xk，xk+1，給定一個(gè)大于0的閾值δ（取0.02）.當(dāng)滿(mǎn)足（3）式條件時(shí)，SSC值加1.

WL為N個(gè)數(shù)據(jù)長(zhǎng)度內(nèi)波形的累積長(zhǎng)度，可以同時(shí)估計(jì)波形幅值、頻率和持續(xù)時(shí)間，計(jì)算公式為：

WL=∑Nk=1xk+1-xk.（4）

MAVS為兩個(gè)相鄰分析窗口內(nèi)的MAV之差，其計(jì)算公式為：

MAVS=Mk-Mk-1.（5）

2.4分類(lèi)器

圖4BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

本上位機(jī)軟件系統(tǒng)采用如圖4所示的三層BP神經(jīng)網(wǎng)絡(luò)作為離線(xiàn)訓(xùn)練和在線(xiàn)識(shí)別的分類(lèi)器，由輸入層、隱含層和輸出層組成.輸入層為n（n=40）個(gè)神經(jīng)元，對(duì)應(yīng)MYO的8路sEMG信號(hào)的5個(gè)時(shí)域特征值，隱含層設(shè)置q（q=18）個(gè)神經(jīng)元，輸出層為m（m=8）個(gè)神經(jīng)元，分別對(duì)應(yīng)8種不同的手勢(shì)動(dòng)作.

通過(guò)Matlab訓(xùn)練，得到輸入層到隱含層權(quán)值向量Vqn和閾值向量θq;隱含層到輸出層的權(quán)值向量Wmq和閾值向量φk.然后將其復(fù)制到軟件界面中權(quán)值和閾值相對(duì)應(yīng)的、允許用戶(hù)輸入的文本框內(nèi)，實(shí)現(xiàn)在線(xiàn)手勢(shì)動(dòng)作識(shí)別.

3實(shí)驗(yàn)及結(jié)果

3.1預(yù)處理實(shí)驗(yàn)

圖5原始數(shù)據(jù)與濾波后對(duì)比曲線(xiàn)

圖68種動(dòng)作狀態(tài)與無(wú)動(dòng)作的8路肌電信號(hào)

MAV之和對(duì)比實(shí)驗(yàn)統(tǒng)計(jì)圖

由于sEMG信號(hào)復(fù)雜并且微弱，在采集過(guò)程中極易受到干擾，所以在本軟件系統(tǒng)中采用了數(shù)字濾波技術(shù)，如圖5所示.

從圖5中可以看出，濾波之后的曲線(xiàn)是一條光滑的曲線(xiàn)，為判斷動(dòng)作起止點(diǎn)減少了不必要的干擾，從而能更準(zhǔn)確地判斷動(dòng)作的起止點(diǎn).

3.2動(dòng)作起止點(diǎn)檢測(cè)實(shí)驗(yàn)

為了找出不同受試者的合適閾值，對(duì)此，進(jìn)行離線(xiàn)實(shí)驗(yàn)，在相同條件下做8種動(dòng)作，各做20次，將8通道信號(hào)的MAV進(jìn)行相加，然后與“無(wú)動(dòng)作（No Action，NA）”相比較，如圖6所示.從圖6中可以看出，NA和其他8種動(dòng)作有明顯的區(qū)分界限.通過(guò)多次實(shí)驗(yàn)來(lái)確定“NA”和各種手勢(shì)動(dòng)作的MAV門(mén)限值.

3.3動(dòng)作模式在線(xiàn)識(shí)別實(shí)驗(yàn)

在Matlab中用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的權(quán)值、閾值系數(shù)，寫(xiě)入上位機(jī)控制系統(tǒng)中，實(shí)現(xiàn)手勢(shì)動(dòng)作在線(xiàn)識(shí)別.實(shí)驗(yàn)過(guò)程中，每個(gè)動(dòng)作做100次，8種手勢(shì)動(dòng)作的一次動(dòng)作驗(yàn)證圖如圖7所示，其中圖7（d）沒(méi)有對(duì)應(yīng)的動(dòng)作顯示，主要是考慮到以后應(yīng)用到假肢手，需要一個(gè)手勢(shì)動(dòng)作，來(lái)復(fù)位當(dāng)前假肢手所做的動(dòng)作，從而更好地控制假肢手.

每個(gè)動(dòng)作結(jié)束后，統(tǒng)計(jì)上位機(jī)軟件顯示的對(duì)應(yīng)正確動(dòng)作次數(shù)以及誤判動(dòng)作次數(shù)，結(jié)果表明，總體在線(xiàn)識(shí)別率為92%，實(shí)驗(yàn)結(jié)果如表1所示.

圖7實(shí)驗(yàn)過(guò)程中八種手勢(shì)驗(yàn)證圖

表1八種動(dòng)作在線(xiàn)識(shí)別結(jié)果

由表1可知，8種動(dòng)作平均識(shí)別率為92%.

以同樣的方式，采集其余4人的原始sEMG，進(jìn)行Matlab訓(xùn)練，得到新的權(quán)值、閾值系數(shù)，重新寫(xiě)入到上位機(jī)控制系統(tǒng)中，然后進(jìn)行在線(xiàn)識(shí)別實(shí)驗(yàn)，同樣做100次，4個(gè)人的識(shí)別率都保持在92%左右.

4總結(jié)與展望

本文作者采用5種時(shí)域特征：MAV、ZC、SSC、WL以及MAVS，設(shè)計(jì)了基于MYO的肌電假肢在線(xiàn)識(shí)別系統(tǒng).通過(guò)BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了8種動(dòng)作的在線(xiàn)識(shí)別，整體識(shí)別率達(dá)到92%，很好地滿(mǎn)足了截肢患者對(duì)肌電假肢手的控制的精度要求.

接下來(lái)，將在截肢患者身上做實(shí)驗(yàn)，驗(yàn)證該系統(tǒng)的識(shí)別精度;此外，還將研究減少M(fèi)YO臂環(huán)的通道個(gè)數(shù)以及降低特征維數(shù)對(duì)識(shí)別精度的影響，力爭(zhēng)研究出更高精度的肌電假肢手實(shí)時(shí)控制系統(tǒng).

參考文獻(xiàn)：

[1]Liu H J，Young K Y.Upper-Limb EMG-Based robot motion governing using empirical mode decomposition and adaptive neural fuzzy inference system [J].Journal of Intelligent and Robotic Systems，2012，68（3-4）：275-291.

[2]Oskoei M A，Hu H.Myoelectric control systems-Asurvey [J].Biomedical Signal Processing and Control，2007，2（4）：275-294.

[3]趙京東，姜力，金明河，等.基于肌電信號(hào)的仿人型假手控制 [J].機(jī)械與電子，2006（8）：54-56.

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

[4]You B，Wang H L，Huang L.The system of sEMG recognition for prosthetic hand control [C].Strategic Technology （IFOST），Ulsan：IEEE，2010.

[5]何可人，孫偉，羅錦宏，等.表面肌電采集與在線(xiàn)識(shí)別系統(tǒng) [J].計(jì)算機(jī)測(cè)量與控制，2016，24（3）：241-243，247.

He K R，Sun W，Luo J H，et al.Collection and online identification system of sEMG [J].Computer Measurement & Control，2016，24（3）：241-243，247.

[6]卜峰，李傳江，陳佳佳，等.基于ARM的肌電假肢手控制器 [J].上海大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，20（4）：442-449.

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

[7]尹少華，楊基梅，梁政，等.基于遞歸量化分析的表面肌電特征提取和分析 [J].中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2006，36（5）：550-555.

Yin S H，Yang J M，Liang Zh et al.Recurrence quantification analysis based on surface EMG signal feature extraction and classification [J].Journal of University of Science and Technology of China，2006，36（5）：550-555.

[8]Nadzri A AB A，Ahmad S A，Marhaban M H，et al.Characterization of surface electromyography using time domain features for determining hand motion and stages of contraction [J].Australasian Physical and Engineering Sciences in Medicine，2014，37（1）：133-137.

[9]李媛媛，陳香，張旭，等.基于ART2神經(jīng)網(wǎng)絡(luò)的手勢(shì)動(dòng)作肌電信號(hào)識(shí)別 [J].中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2010，40（8）：90-92.

Li Y Y，Chen X，Zhang X，et al.Hand gesture SEMG signal recognition based on ART2 neutral network [J].Journal of University of Science and Technology of China，2010，40（8）：90-92.