陳玉如 周鵬輝 張永福 李玉榕

摘 要：為了使偏癱或截肢患者能夠通過表面肌電信號(hào)進(jìn)行更有效的康復(fù)訓(xùn)練，使用MYO手環(huán)采集上肢肌電信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理、特征提取及分類器的訓(xùn)練，識(shí)別出目標(biāo)動(dòng)作后，對(duì)上肢機(jī)械設(shè)備進(jìn)行實(shí)時(shí)控制。文中主要采用Matlab編程，通過對(duì)多種類上肢動(dòng)作肌電信號(hào)的采集與識(shí)別，設(shè)計(jì)出一套實(shí)時(shí)上肢動(dòng)作模式識(shí)別系統(tǒng)。表面肌電信號(hào)作為假肢與機(jī)械臂的控制源，展現(xiàn)出很大的潛力和優(yōu)勢(shì)，特別是在醫(yī)療康復(fù)領(lǐng)域，可幫助患者進(jìn)行更有效的康復(fù)訓(xùn)練，同時(shí)也極大地推動(dòng)了人機(jī)互動(dòng)向更人性化方向發(fā)展。

關(guān)鍵詞：MYO手環(huán);上肢;表面肌電信號(hào);模式識(shí)別系統(tǒng)

中圖分類號(hào)：TP277文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-1302（2019）02-00-04

0 引 言

肌電信號(hào)蘊(yùn)含著豐富的人體運(yùn)動(dòng)信息，是患者自身意圖的重要體現(xiàn)[1]。若能夠通過肌電信號(hào)識(shí)別出運(yùn)動(dòng)意圖，進(jìn)而指導(dǎo)患者進(jìn)行有效的康復(fù)訓(xùn)練，必然使得康復(fù)效果得到進(jìn)一步提升。通過肌電信號(hào)識(shí)別出患者的肌肉運(yùn)動(dòng)意圖是人機(jī)交互應(yīng)用的關(guān)鍵，被廣泛應(yīng)用于醫(yī)療康復(fù)、假肢控制等領(lǐng)域[2-3]。

目前，國內(nèi)外對(duì)于醫(yī)療康復(fù)機(jī)器人的研究比較成熟，其控制源主要分為兩大類。一類是運(yùn)動(dòng)傳感器，如Andreas等使用陀螺儀傳感器和機(jī)器學(xué)習(xí)的方法實(shí)現(xiàn)了對(duì)節(jié)拍手勢(shì)的識(shí)別[4]。國內(nèi)胡馨月[5]等人使用加速度傳感器進(jìn)行手勢(shì)識(shí)別，對(duì)三維空間交互模式進(jìn)行深入研究。另一類是利用肌電傳感器，最早的報(bào)道即Reitert[6]在1948年首次將sEMG信號(hào)用于假肢控制。近年來，肌電控制的研究者開始探索為截肢或偏癱患者提供醫(yī)療康復(fù)效果更好的肌電假手，如Carrozza[7]采用有限狀態(tài)機(jī)實(shí)現(xiàn)了單自由度的肌電假手控制。相比于運(yùn)動(dòng)傳感器，肌電傳感器作為控制源具有以下優(yōu)點(diǎn)[8]：

（1）sEMG超前于實(shí)際動(dòng)作，具有提前預(yù)判的特點(diǎn)，該特點(diǎn)使得系統(tǒng)更類似于人腦控制肢體運(yùn)動(dòng)，交互方式更容易接受;

（2）sEMG實(shí)時(shí)性好，信號(hào)采集方便，采集范圍大，具有安全無創(chuàng)傷等特點(diǎn)，能夠順應(yīng)偏癱患者生理狀態(tài)的特殊性，更適合醫(yī)學(xué)應(yīng)用。

因此，在人機(jī)交互中，肌電信號(hào)被廣泛應(yīng)用，特別是在醫(yī)療康復(fù)領(lǐng)域，其獨(dú)特的優(yōu)勢(shì)更為突出。本文對(duì)健康人群的上肢進(jìn)行表面肌電信號(hào)的采集與分析，對(duì)目標(biāo)動(dòng)作實(shí)施過程肌肉所激發(fā)的肌電信號(hào)進(jìn)行處理，實(shí)現(xiàn)對(duì)機(jī)械臂的實(shí)時(shí)控制。

1 系統(tǒng)設(shè)計(jì)

本文選取的目標(biāo)動(dòng)作為握拳、張開、手腕內(nèi)屈、手腕外伸。系統(tǒng)結(jié)構(gòu)如圖1所示。通過肌電信號(hào)的采集、預(yù)處理、特征提取、目標(biāo)動(dòng)作識(shí)別，實(shí)現(xiàn)對(duì)機(jī)械臂的實(shí)時(shí)控制，進(jìn)而實(shí)現(xiàn)一套上肢動(dòng)作實(shí)時(shí)模式識(shí)別系統(tǒng)。

2 實(shí)現(xiàn)方法

2.1 實(shí)驗(yàn)設(shè)計(jì)與信號(hào)采集

本文實(shí)驗(yàn)采用由Thalmic Labs公司生產(chǎn)的MYO手環(huán)作為測(cè)量傳感器。MYO具有8通道表面肌電信號(hào)傳感器，采樣頻率為200 Hz，精度為8位。通過藍(lán)牙將手環(huán)與計(jì)算機(jī)連接，并與Matlab進(jìn)行實(shí)時(shí)通信。該手環(huán)采樣頻率較低，但具有穿戴方便、使用簡(jiǎn)單、成本較低等特點(diǎn)。其結(jié)構(gòu)小巧，便于數(shù)據(jù)采集及與上肢機(jī)械設(shè)備配合使用。實(shí)驗(yàn)采集前用酒精棉輕輕擦拭手環(huán)各電極表面和志愿者皮膚表面，待其自然干燥，對(duì)手環(huán)8個(gè)電極進(jìn)行編號(hào)。將手環(huán)佩戴于下臂中，將編號(hào)為3的傳感器對(duì)準(zhǔn)尺側(cè)腕伸肌內(nèi)側(cè)，調(diào)整其余傳感器位置，使其均勻分布于手臂表面。志愿者應(yīng)盡量保持相同的速度及力道，以肌肉放松狀態(tài)為初始狀態(tài)，每個(gè)目標(biāo)動(dòng)作作為一次動(dòng)作的結(jié)束狀態(tài)。同時(shí)，保證兩次動(dòng)作之間有足夠長(zhǎng)的間隔，避免肌肉疲勞。參與實(shí)驗(yàn)的共有7名成年健康男性，每位志愿者分別完成握拳、張開、手腕內(nèi)屈、手腕外伸4個(gè)目標(biāo)動(dòng)作，每個(gè)動(dòng)作重復(fù)10次，每次動(dòng)作采集時(shí)間為4 s。

2.2 信號(hào)處理

sEMG信號(hào)實(shí)質(zhì)為微弱的電信號(hào)，極易受到環(huán)境噪聲、工頻干擾和生理因素等帶來的噪聲影響，其信噪比較低，信號(hào)中出現(xiàn)的毛刺較多。為獲得較為平滑的信號(hào)，同時(shí)為更好地實(shí)現(xiàn)實(shí)時(shí)性，本文實(shí)驗(yàn)采用簡(jiǎn)單的預(yù)處理方式。由于目標(biāo)動(dòng)作肌肉產(chǎn)生的能量較小，為使活動(dòng)段幅值更加明顯，對(duì)采集信號(hào)取絕對(duì)值。

肌電信號(hào)是連續(xù)信號(hào)，若以采集到的整段信號(hào)表征目標(biāo)動(dòng)作，則不利于實(shí)時(shí)性系統(tǒng)的實(shí)現(xiàn)及目標(biāo)動(dòng)作的分類。同時(shí)肌電信號(hào)又具有明顯的非平穩(wěn)隨機(jī)性，因此，要將預(yù)處理后的信號(hào)用一組能夠表征其特征的數(shù)據(jù)描述，并且該數(shù)據(jù)能夠有效區(qū)分不同動(dòng)作，便于分類。目前肌電信號(hào)特征主要分為時(shí)域特征、頻域特征及時(shí)頻域特征三大類。本文實(shí)驗(yàn)采取計(jì)算簡(jiǎn)便、實(shí)時(shí)性高的特征值表征信號(hào)特征。

本文將絕對(duì)平均值（Mean Absolute Value，MAV）、斜率變換次數(shù)（Slope Sign Change ，SSC）、肌電方差值（VAR）作為特征值。

對(duì)于任意一段表面肌電信號(hào)而言，信號(hào)的絕對(duì)平均值是檢測(cè)肌肉收縮水平的傳統(tǒng)方法。

SSC是一種頻域信息上的時(shí)域分析（主要根據(jù)時(shí)間軸進(jìn)行計(jì)算）。

VAR體現(xiàn)了表面肌電信號(hào)在動(dòng)作過程中的幅度以及范圍變化的劇烈程度。

人體生理延遲約為300 ms，為實(shí)現(xiàn)人機(jī)實(shí)時(shí)系統(tǒng)，系統(tǒng)延遲應(yīng)小于300 ms，人體才不會(huì)感受到延遲[9-10]，因此窗口選取應(yīng)保證系統(tǒng)處理數(shù)據(jù)與計(jì)算窗口特征值時(shí)間總和在300 ms以內(nèi)。對(duì)于本文實(shí)驗(yàn)中采用的MYO手環(huán)，其采樣頻率為200 Hz，窗口可選為40點(diǎn)，即200 ms。

2.3 動(dòng)作識(shí)別

通過選取合適的閾值獲得活動(dòng)段起點(diǎn)，并向后取200 ms作為一個(gè)特征值計(jì)算窗口，根據(jù)特征值公式得出在該窗口下的特征值，將訓(xùn)練數(shù)據(jù)導(dǎo)入Matlab分類器中進(jìn)行分類器訓(xùn)練。支持向量機(jī)（SVM）[11-14]在處理非線性樣本、小樣本及高維模式識(shí)別中具有獨(dú)特優(yōu)勢(shì)[15]。非線性映射是SVM方法的理論基礎(chǔ)，對(duì)特征空間劃分最優(yōu)平面是SVM的目標(biāo)。支持向量機(jī)具有風(fēng)險(xiǎn)小的特點(diǎn)，且在樣本數(shù)較少時(shí)，相對(duì)于其他分類器仍然具有較高的準(zhǔn)確率。本文實(shí)驗(yàn)考慮到設(shè)備采集頻率較低且沒有足夠大的樣本，采用該分類器。分別對(duì)每位志愿者的訓(xùn)練數(shù)據(jù)進(jìn)行分類器訓(xùn)練，訓(xùn)練過程均采用5折交叉方式。

肌電實(shí)時(shí)控制系統(tǒng)中，要求能夠迅速通過sEMG信號(hào)識(shí)別患者的意圖，設(shè)定控制命令并完成控制。即在300 ms人體生理延遲內(nèi)，完成sEMG信號(hào)采集、肌肉激活檢測(cè)、特征提取、分類、控制命令通信、控制對(duì)象動(dòng)作等環(huán)節(jié)，其中活動(dòng)段時(shí)間占較大比例。控制系統(tǒng)的實(shí)時(shí)性對(duì)活動(dòng)段時(shí)間窗長(zhǎng)的合理選擇提出了較高要求，本文針對(duì)活動(dòng)段窗長(zhǎng)，計(jì)算不同窗長(zhǎng)下對(duì)應(yīng)分類的正確率。

2.4 實(shí)時(shí)控制

本文采用6自由度機(jī)械臂和仿生手進(jìn)行實(shí)時(shí)控制。通過串口函數(shù)，將機(jī)械設(shè)備與Matlab進(jìn)行實(shí)時(shí)通信，通過數(shù)據(jù)預(yù)處理、特征提取、分類器識(shí)別目標(biāo)動(dòng)作，發(fā)送對(duì)應(yīng)目標(biāo)動(dòng)作的指令，從而達(dá)到實(shí)時(shí)控制的目的。

3 實(shí)驗(yàn)結(jié)果

3.1 sEMG采集結(jié)果

采用MYO手環(huán)，按照上文所述實(shí)驗(yàn)設(shè)計(jì)方案與操作規(guī)范，進(jìn)行表面肌電信號(hào)的采集，各動(dòng)作的采集結(jié)果如圖2～圖5所示。

3.2 信號(hào)處理

對(duì)原始數(shù)據(jù)進(jìn)行絕對(duì)值預(yù)處理的結(jié)果如圖6所示。

3.3 分類精度

分別對(duì)每位志愿者的訓(xùn)練數(shù)據(jù)進(jìn)行分類器訓(xùn)練，其結(jié)果見表1所列。對(duì)象間分類的準(zhǔn)確率為87.9%。不同窗長(zhǎng)度下對(duì)應(yīng)分類的準(zhǔn)確率結(jié)果如圖7所示。從圖7可以看出，時(shí)間窗長(zhǎng)度增加，包含的肌電信息更豐富，分類準(zhǔn)確率隨之提高。當(dāng)時(shí)間窗低于100 ms時(shí)，控制系統(tǒng)的分類準(zhǔn)確率大幅度降低;當(dāng)時(shí)間窗長(zhǎng)度大于180 ms時(shí)，系統(tǒng)分類準(zhǔn)確率隨時(shí)間窗長(zhǎng)度增加而提高得較為緩慢。為了兼顧實(shí)時(shí)性及分類準(zhǔn)確率，選擇200 ms作為時(shí)間窗長(zhǎng)度較為合適。

3.4 控制效果

通過數(shù)據(jù)預(yù)處理、特征提取、分類器識(shí)別目標(biāo)動(dòng)作，發(fā)送對(duì)應(yīng)目標(biāo)動(dòng)作的指令，其控制效果如圖8～圖11所示。

5 結(jié) 語

本文描述了通過肌電信號(hào)實(shí)現(xiàn)對(duì)機(jī)械設(shè)備實(shí)時(shí)控制的系統(tǒng)。通過簡(jiǎn)單的時(shí)域特征，不僅克服了數(shù)據(jù)采集頻率低的問題，而且能夠保證在人體生理延遲300 ms內(nèi)實(shí)現(xiàn)對(duì)上肢機(jī)械設(shè)備的實(shí)時(shí)控制。本文充分利用肌電信號(hào)能夠準(zhǔn)確體現(xiàn)人的運(yùn)動(dòng)意圖這一特點(diǎn)，實(shí)現(xiàn)了對(duì)上肢機(jī)械設(shè)備的自然控制，特別是應(yīng)用于康復(fù)過程中，患者能夠獲得一種更易接受的人機(jī)交互方式。本文目標(biāo)動(dòng)作的識(shí)別建立在經(jīng)過分類器訓(xùn)練的實(shí)驗(yàn)者數(shù)據(jù)基礎(chǔ)上，對(duì)于未經(jīng)過訓(xùn)練的實(shí)驗(yàn)者，若直接用于實(shí)驗(yàn)，本文系統(tǒng)也具備一定的識(shí)別能力。本文系統(tǒng)的缺點(diǎn)在于，由于采集設(shè)備頻率較低，僅為200 Hz，在使用閾值方式尋找起點(diǎn)時(shí)準(zhǔn)確率較低，需要后續(xù)做進(jìn)一步改進(jìn)。

參 考 文 獻(xiàn)

[1] SHI J，CAI Y，ZHU J，et al. SEMG-based hand motion recognition using cumulative residual entropy and extreme learning machine[J].Medical & biological engineering & computing，2013，51（4）：417-427.

[2] BAN 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 & engineering sciences，2014，37（1）：133-137.

[3] YOUNG A J，SMITH L H，ROUSE E J，et al.Classification of simultaneous movements using surface EMG pattern recognition[J].IEEE trans biomed eng，2013，60（5）：1250-1258.

[4] ROSAPUJAZON A，BARBANCHO I，TARDON L J，et al. Conducting a virtual ensemble with a kinect device[Z].Kth royal institute of technology sound & music computing group，2013.

[5]胡馨月，梁秀波，樊儒昆，等.基于運(yùn)動(dòng)傳感的書空臨摹交互方式[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2010，22（10）：1734-1740.

[6] SCOTT R N.Biomedical engineering in upper-extremity prosthetics[C]// Comprehensive Management of the Upper-Limb Amputee. Springer New York，1989：173-189.

[7] CAROZZA M C，CAPPIELLO G，STELLIN G，et al. On the development of a novel adaptive prosthetic hand with compliant joints： experimental platform and EMG control[C]// IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE，2005：1271-1276.

[8]丁其川，熊安斌，趙新剛，等.基于表面肌電的運(yùn)動(dòng)意圖識(shí)別方法研究及應(yīng)用綜述[J].自動(dòng)化學(xué)報(bào)，2016，42（1）：13-25.

[9] CHU J U，MOON I，LEE Y J，et al. A supervised feature-projection-based real-time EMG pattern recognition for multifunction myoelectric hand control[J].IEEE/ASME transactions on mechatronics，2007，12（3）：282-290.

[10] ENGLEHART K，HUDGIN B，PARKER P A.A wavelet-based continuous classification scheme for multifunction myoelectric control[J].IEEE transactions on bio-medical engineering，2001，48（3）：302.

[11] CHANG J，WANG Z J，MCKEOWN M J. A time-varying eigenspectrum/SVM method for semg classification of reaching movements in healthy and stroke subjects[C]// IEEE International Conference on Acoustics，Speech and Signal Processing，2006. ICASSP 2006 Proceedings. IEEE，2014：2.

[12] ELHARIRI E，EL-BENDARY N，HASSANIEN A E.A hybrid classification model for emg signals using grey wolf optimizer and SVMs[C]// The 1st International Conference on Advanced Intelligent System and Informatics，2015：28-30.

[13] ALKAN A.Identification of EMG signals using discriminant analysis and SVM classifier[J].Expert systems with applications，2012，39（1）：44-47.

[14] LI N，JIANG L，LIU H，et al.Combined use of FSR sensor array and SVM classifier for finger motion recognition based on pressure distribution map[J].Journal of bionic engineering，2012，9（1）：39-47.

[15]張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J].自動(dòng)化學(xué)報(bào)，2000，26（1）：32-42.