吳常鋮　嚴(yán)余超　曹青青　費(fèi)飛　楊德華　徐寶國(guó)　宋愛(ài)國(guó)

摘要 基于肌電信號(hào)的手部動(dòng)作識(shí)別中，肌電信號(hào)測(cè)量位置的選擇直接關(guān)系到動(dòng)作識(shí)別的準(zhǔn)確率.本文以使用最少的肌電傳感器和獲得較高的動(dòng)作識(shí)別率為目標(biāo)，提出一種基于ANOVA（方差分析）和BP神經(jīng)網(wǎng)絡(luò)的肌電信號(hào)測(cè)量位置優(yōu)選方法.使用4個(gè)肌電傳感器采集受試者做出指定動(dòng)作時(shí)的肌電信號(hào)，提取肌電信號(hào)的時(shí)域特征，并按測(cè)量位置組合構(gòu)成15個(gè)不同的樣本進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試.采用單因素ANOVA分析測(cè)量位置對(duì)動(dòng)作識(shí)別結(jié)果影響的顯著性，采用Tukey HSD將測(cè)量位置進(jìn)行歸類(lèi)，并從動(dòng)作識(shí)別率最高的子集中選擇測(cè)量位置最少但識(shí)別準(zhǔn)確率最高的測(cè)量位置組合作為最優(yōu)的肌電信號(hào)測(cè)量位置.實(shí)驗(yàn)結(jié)果表明，測(cè)量位置對(duì)動(dòng)作識(shí)別的結(jié)果具有顯著的影響，隨著測(cè)量位置數(shù)的增加，動(dòng)作識(shí)別準(zhǔn)確率呈上升趨勢(shì)，最優(yōu)的測(cè)量位置組合為P1+P3+P4，其動(dòng)作識(shí)別準(zhǔn)確率為94.6%.

關(guān)鍵詞 表面肌電信號(hào);動(dòng)作識(shí)別;神經(jīng)網(wǎng)絡(luò);方差分析

中圖分類(lèi)號(hào) TP241

文獻(xiàn)標(biāo)志碼 A

0 引言

表面肌電信號(hào)是眾多肌肉纖維中的動(dòng)作電位傳播到皮膚表面疊加而成的一種微弱生物電信號(hào).由于蘊(yùn)含了肢體活動(dòng)信息，能夠在一定程度上反映神經(jīng)肌肉的活動(dòng)狀況，因此肌電信號(hào)在肌肉狀態(tài)評(píng)估、假肢控制及康復(fù)等領(lǐng)域有著廣泛的應(yīng)用.

手勢(shì)動(dòng)作識(shí)別是肌電信號(hào)最重要的應(yīng)用之一，國(guó)內(nèi)外學(xué)者在這方面做了大量的研究[1-4].文獻(xiàn)[5]提出一種自學(xué)習(xí)方法，采用2個(gè)肌電傳感器測(cè)量手臂上一對(duì)拮抗肌表面的肌電信號(hào)，實(shí)現(xiàn)了仿生假手的抓握控制;文獻(xiàn)[6]利用小波變換和神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了單通道肌電信號(hào)的動(dòng)作識(shí)別;文獻(xiàn)[7]采用高密度電極測(cè)量殘疾人殘臂上的肌電，并提出3種新的肌電信號(hào)時(shí)域特征，動(dòng)作識(shí)別準(zhǔn)確率達(dá)到92.00%±3.11%;文獻(xiàn)[8]提出了一種基于瞬時(shí)肌電信號(hào)的動(dòng)作識(shí)別方法.為了獲得較高的動(dòng)作識(shí)別準(zhǔn)確率，學(xué)者們通常使用更多的肌電傳感器來(lái)進(jìn)行肌電信號(hào)的采集，然而數(shù)量過(guò)多的傳感器會(huì)給信號(hào)采集帶來(lái)不便.

本文針對(duì)手部動(dòng)作識(shí)別中的肌電測(cè)量位置選擇問(wèn)題，提出一種基于ANOVA（方差分析）和BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)肌電信號(hào)測(cè)量位置選擇方案，在保證動(dòng)作識(shí)別準(zhǔn)確率的情況下減少肌電信號(hào)的測(cè)量點(diǎn).

1 基于肌電信號(hào)和神經(jīng)網(wǎng)絡(luò)的手部動(dòng)作識(shí)別

如圖1所示， 基于肌電信號(hào)和神經(jīng)網(wǎng)絡(luò)的手部動(dòng)作識(shí)別主要包括模型訓(xùn)練和在線動(dòng)作識(shí)別兩個(gè)環(huán)節(jié).模型訓(xùn)練環(huán)節(jié)，受試者根據(jù)動(dòng)作提示做出相應(yīng)的動(dòng)作，在此過(guò)程中粘貼于受試者皮膚表面的肌電傳感器采集人體手臂肌肉表面的肌電信號(hào)，采集得到的肌電信號(hào)經(jīng)過(guò)特征提取后用于模型訓(xùn)練.完成模型訓(xùn)練后得到的模型參數(shù)可用于在線動(dòng)作識(shí)別，即進(jìn)行在線動(dòng)作識(shí)別時(shí)，從肌電信號(hào)中提取到的特征值將直接輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算得到動(dòng)作類(lèi)型.

1.1 信號(hào)采集

將4個(gè)表面肌電信號(hào)傳感器粘貼在人體手臂皮膚表面的4個(gè)不同位置（肱橈?。≒1）、指伸?。≒2）、尺側(cè)腕伸?。≒3）、肱側(cè)腕屈?。≒4））進(jìn)行肌電信號(hào)的采集.傳感器的信號(hào)采樣率設(shè)置為1 kHz.信號(hào)

EMG measurement position optimization based on ANOVA and BP neural network.〖SX）〗〖SM）〗

采集過(guò)程中，受試者需根據(jù)提示做出指定的手部動(dòng)作.本文采集了受試者做伸掌、握拳、內(nèi)翻腕、外翻腕、抬手腕和壓手腕這6個(gè)不同手勢(shì)

時(shí)的肌電信號(hào)，即選定了這6個(gè)手勢(shì)作為動(dòng)作識(shí)別的目標(biāo).

1.2 特征提取

肌電信號(hào)是一種復(fù)雜的時(shí)間序列信號(hào)，雖然蘊(yùn)含了肢體的運(yùn)動(dòng)信息，但并不能直接用于肢體動(dòng)作的識(shí)別.將肌電信號(hào)用于肢體動(dòng)作的識(shí)別通常需要進(jìn)行特征提取，本文選取絕對(duì)值積分均值、方差、過(guò)零點(diǎn)數(shù)、Willison幅值對(duì)采集得到的肌電信號(hào)進(jìn)行特征提取.

1）絕對(duì)值積分均值（IEMG）

依據(jù)上述描述，選擇長(zhǎng)度為100的滑動(dòng)窗計(jì)算一段典型肌電信號(hào)的時(shí)域特征如圖2所示.

根據(jù)V1～V15的維度，采用圖3中的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)15個(gè)不同的BP神經(jīng)網(wǎng)絡(luò)，并分別將V1～V15作為樣本進(jìn)行訓(xùn)練和檢驗(yàn)，可以得到15個(gè)網(wǎng)絡(luò)的動(dòng)作識(shí)別準(zhǔn)確率，即一種測(cè)量位置組合對(duì)應(yīng)一個(gè)動(dòng)作識(shí)別準(zhǔn)確率.

2 基于ANOVA的肌電信號(hào)最優(yōu)測(cè)量位置選擇

方差分析（Analysis of Variance， ANOVA）是由R.A.Fisher提出的一種用于2個(gè)及2個(gè)以上樣本均數(shù)差別顯著性檢驗(yàn)的方法.如表2所示，方差分析結(jié)果中的P值直接代表了被分析因素對(duì)結(jié)果的影響是否顯著.

本文將肌電信號(hào)的測(cè)量位置作為影響動(dòng)作識(shí)別結(jié)果的因素，通過(guò)單因素ANOVA分析肌電測(cè)量位置對(duì)動(dòng)作識(shí)別結(jié)果的影響是否顯著，同時(shí)利用Tukey HSD方法將測(cè)量位置進(jìn)行分類(lèi)，將對(duì)動(dòng)作識(shí)別結(jié)果影響相似的測(cè)量位置組合歸入同一子集.本文在識(shí)別率最高的子集中，選擇測(cè)量位置最少且相同數(shù)量測(cè)量位置中識(shí)別率最高的位置組合作為最優(yōu)測(cè)量位置.本文實(shí)驗(yàn)研究中利用SPSS軟件對(duì)1.3中的15種特征向量的動(dòng)作識(shí)別結(jié)果進(jìn)行方差分析.

3 實(shí)驗(yàn)及結(jié)果

3.1 實(shí)驗(yàn)平臺(tái)

本文實(shí)驗(yàn)研究中所用的肌電信號(hào)傳感器為南京航空航天大學(xué)先進(jìn)機(jī)器人與精密系統(tǒng)研究中心研制的便攜式無(wú)線肌電傳感器.該傳感器內(nèi)部具有通頻帶為10～500 Hz、放大倍數(shù)為1 000的信號(hào)調(diào)理電路，用于調(diào)理電極片從人體皮膚表面獲取到的微弱肌電信號(hào).傳感器的采樣率可通過(guò)軟件設(shè)置為200～1 000 Hz，采集得到肌電信號(hào)后通過(guò)WiFi發(fā)送給計(jì)算機(jī).圖4所示為肌電傳感器配套的上位機(jī)軟件.

3.2 手勢(shì)識(shí)別實(shí)驗(yàn)

6名健康的受試者（2女4男，年齡在23～26歲）參與了實(shí)驗(yàn).實(shí)驗(yàn)場(chǎng)景如圖6所示.實(shí)驗(yàn)分2個(gè)階段進(jìn)行.第1階段為實(shí)驗(yàn)準(zhǔn)備階段，主要是為了讓受試者熟悉整個(gè)實(shí)驗(yàn)流程和所需要完成的各種手勢(shì)，并對(duì)肌電信號(hào)采集軟件的相關(guān)參數(shù)進(jìn)行調(diào)整，以便受試者能夠更加順利地完成整個(gè)實(shí)驗(yàn).該階段要求受試者連續(xù)完成每種手勢(shì)15次.為了防止受試者疲勞，每2種手勢(shì)動(dòng)作之間，受試者有2 min的休息時(shí)間.第2階段為手勢(shì)識(shí)別實(shí)驗(yàn)階段，該階段實(shí)驗(yàn)分15組，每組包含30個(gè)手勢(shì)動(dòng)作，每種手勢(shì)動(dòng)作出現(xiàn)5次且各手勢(shì)的出現(xiàn)順序是由Matlab軟件隨機(jī)生成的.受試者根據(jù)軟件界面的提示，完成對(duì)應(yīng)的手勢(shì)動(dòng)作.為了避免受試者疲勞，每2組手勢(shì)動(dòng)作之間，受試者有5 min的休息時(shí)間.

根據(jù)1.2和1.3，將實(shí)驗(yàn)中獲取的肌電信號(hào)特征數(shù)據(jù)按照位置組合進(jìn)行分組，運(yùn)用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行手勢(shì)識(shí)別，統(tǒng)計(jì)得到各位置組合的手勢(shì)識(shí)別結(jié)果如圖7和圖8所示.單一位置的手勢(shì)識(shí)別率由高到低的順序依次為P3、P1、P2、P4，2個(gè)位置組合的手勢(shì)識(shí)別率由高到低的順序依次為P1+P3、P2+P3、P1+P2、P1+P4、P3+P4、P2+P4，3個(gè)位置組合的手勢(shì)識(shí)別率由高到低的順序依次為P1+P3+P4、P1+P2+P3、P2+P3+P4、P1+P2+P4.圖7中，P12表示P1+P2，其余組合依此類(lèi)推.實(shí)驗(yàn)結(jié)果表明，手勢(shì)識(shí)別率隨著測(cè)量位置數(shù)量的增加而提高，在使用全部4個(gè)位置的肌電特征數(shù)據(jù)時(shí)，手勢(shì)識(shí)別率最高，達(dá)到96.1%.

對(duì)15種位置組合的動(dòng)作識(shí)別結(jié)果進(jìn)行方差分析，結(jié)果如表3所示.表3中P值遠(yuǎn)小于0.01，表明不同肌電信號(hào)測(cè)量位置的手勢(shì)識(shí)別率具有顯著的差異.采用Tukey HSD做進(jìn)一步分析，結(jié)果如表4和圖9所示.Tukey HSD分析結(jié)果顯示，15種位置組合共被分到8個(gè)子集，手勢(shì)識(shí)別率最低的子集（第1子集），包含P4，手勢(shì)識(shí)別率最高的子集（第8子集），包含P1+P2+P3、P1+P3+P4、P1+P2+P3+P4.對(duì)手勢(shì)識(shí)別率次高的子集（第7子集）分析，2個(gè)位置組合（P1+P3）的手勢(shì)識(shí)別效果可以與一些3個(gè)位置組合（P1+P2+P4、P2+P3+P4）類(lèi)似.根據(jù)前文提到的最優(yōu)位置組合的選取原則，最優(yōu)的位置組合為P1+P3+P4.

4 結(jié)束語(yǔ)

本文針對(duì)基于肌電信號(hào)動(dòng)作識(shí)別中的測(cè)量位置選擇問(wèn)題，提出一種基于BP神經(jīng)網(wǎng)絡(luò)和單因素ANOVA的測(cè)量位置優(yōu)選方法.本文首先選定了6個(gè)常用手勢(shì)（握拳、伸掌、內(nèi)翻腕、外翻腕、抬手腕、壓手腕）作為動(dòng)作識(shí)別的目標(biāo)，選定4塊肌肉（肱側(cè)腕屈肌、肱橈肌、指伸肌、尺側(cè)腕伸?。┳鳛閭溥x的肌電信號(hào)測(cè)量位置.受試者做出指定目標(biāo)動(dòng)作時(shí)，采集受試者手臂上的肌電信號(hào)并進(jìn)行特征提取，根據(jù)不同的通道數(shù)量對(duì)提取后的肌電特征數(shù)據(jù)進(jìn)行組合，得到15個(gè)肌電特征向量.分別將15個(gè)肌電特征向量作為樣本，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，得到不同測(cè)量位置組合對(duì)應(yīng)的動(dòng)作識(shí)別率.最后以測(cè)量位置組合作為影響動(dòng)作識(shí)別準(zhǔn)確率的因素，采用單因素ANOVA和Tukey HSD對(duì)15個(gè)肌電特征對(duì)應(yīng)的動(dòng)作識(shí)別結(jié)果進(jìn)行分析.實(shí)驗(yàn)結(jié)果表明，最優(yōu)的測(cè)量位置組合為P1+P3+P4，即采用肱橈肌、尺側(cè)腕伸肌、肱側(cè)腕屈肌的信號(hào)進(jìn)行動(dòng)作識(shí)別的方案為最優(yōu)測(cè)量位置方案.

參考文獻(xiàn)

References

[1] Ariyanto M，Caesarendra W，Mustaqim K A，et al.Finger movement pattern recognition method using artificial neural network based on electromyography （EMG） sensor[C]∥International Conference on Automation.2016

[2] Oleinikov A，Abibullaev B，Shintemirov A，et al.Feature extraction and real-time recognition of hand motion intentions from EMGs via artificial neural networks[C]∥International Conference on Brain-computer Interface.2018

[3] 肖凱，鄒任玲.基于表面肌電信號(hào)的人體動(dòng)作識(shí)別算法研究進(jìn)展[J].生物信息學(xué)，2018，16（2）：14-20

XIAO Kai，ZOU Renling.Research on human body motion recognition algorithm based on surface EMG signal[J].Chinese Journal of Bioinformatics，2018，16（2）：14-20

[4] 楊亞慧，謝宏.基于卷積神經(jīng)網(wǎng)絡(luò)的表面肌電信號(hào)手勢(shì)識(shí)別[J].微型機(jī)與應(yīng)用，2017，36（15）：59-61

YANG Yahui，XIE Hong.Research on surface EMG signal gesture recognition based on convolution neural network[J].Microcomputer & Its Applications，2017，36（15）：59-61

[5] 吳常鋮，宋愛(ài)國(guó)，章華濤.一種肌電假手的自適應(yīng)模糊控制方法[J].儀器儀表學(xué)報(bào)，2013，34（6）：140-146

WU Changcheng，SONG Aiguo，ZHANG Huatao.Adaptive Fuzzy Control Method for EMG Prosthetic Hand[J].Chinese Journal of Scientific Instrument，2013，34（6）：140-146

[6] Mane S M，Kambli R A，Kazi F S，et al.Handmotion recognition from single channel surface EMG using wavelet & artificial neural network[J].Procedia Computer Science，2015，49：58-65

[7] Samuel O W，Zhou H，Li X，et al.Pattern recognition of electromyography signals based on novel time domain features for amputees limb motion classification[J].Computers & Electrical Engineering，2018，67：646-655

[8] Geng W，Du Y，Jin W，et al.Gesture recognition by instantaneous surface EMG images[J].Scientific Reports，2016，6，DOI：10.1038/srep36571

EMG measurement position optimization based on

ANOVA and BP neural network

WU Changcheng1，2 YAN Yuchao1 CAO Qingqing3 FEI Fei1 YANG Dehua1 XU Baoguo2 SONG Aiguo2

1 College of Automation Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 211106

2 School of Instrument Science and Engineering，Southeast University，Nanjing 210096

3 School of Aviation Engineering，Nanjing Institute of Industry Technology，Nanjing 210023

AbstractThe locations of electromyography （EMG） measurements are directly related to the accuracy of motion recognitionin hand gesture recognition based on EMG signals.This study proposes an EMG measurement position optimization strategy based on ANOVA and back propagation （BP） neural network to obtain the best motion recognition with the fewest EMG sensors.Four EMG sensors are used to capture the EMG signals when the subjects perform specific hand gestures.Feature data extracted from the raw EMG signals are combined into 15 different vectors according to different measurement position combinations.These 15 feature vectors are used to train and test the BP neural network.Single factor analysis of variance （ANOVA）is employed to analyze the significance of the influence of the measured position on themotion recognition.Tukeys honest significant differencetest is adopted to classify the position combinations.The position combinations are divided into several subsets.In the subset with the highest recognition rate，the position combination with the least measurement position and the highest recognition accuracy is considered to be the optimized measurement position.The experimental results show that the measurement position has a significant impact on the results of motion recognition.The accuracy of motion recognition shows an upward trend with the increase in measurement position.The optimal combination of measurement position is P1+P3+P4，and the accuracy of motion recognition is 94.6%.

Key wordssurface electromyography;motion recognition;neural network;analysis of variance