周小波，鄒任玲，盧旭華，王海濱，張俊翔

(1.上海理工大學(xué) 醫(yī)療器械與食品學(xué)院,上海 200093;2.第二軍醫(yī)大學(xué)附屬長(zhǎng)征醫(yī)院,上海 200003)

表面肌電信號(hào)(Surface Electromyography，SEMG)是通過(guò)皮膚表面的干、濕電極測(cè)出的皮下肌纖維運(yùn)動(dòng)單位的動(dòng)作電位，代表實(shí)時(shí)人體運(yùn)動(dòng)意圖[1]。隨著AI技術(shù)的發(fā)展，人機(jī)交互(Human-Computer Interaction，HCI)系統(tǒng)對(duì)提高人們生活質(zhì)量和工作效率有重要的作用[2]?；赟EMG建立的HCI具有操作方便、對(duì)身體無(wú)侵入性、對(duì)運(yùn)動(dòng)無(wú)干擾等特點(diǎn)，有非常廣闊的應(yīng)用前景。利用SEMG識(shí)別運(yùn)動(dòng)模式的方法主要可以分成兩類：一類是需要貼放多對(duì)電極，每對(duì)電極采集的SEMG分別對(duì)應(yīng)一個(gè)動(dòng)作。此類方法對(duì)電極采集到的肌電信號(hào)利用率低，往往需要多對(duì)電極才可以實(shí)現(xiàn)多個(gè)自由度的控制；另一種方法是對(duì)SEMG進(jìn)行識(shí)別，從一個(gè)電極對(duì)采集的肌電信號(hào)中識(shí)別出多種運(yùn)動(dòng)模式。此類方法所用的電極數(shù)量少，對(duì)電極采集到的肌電信號(hào)利用率高，但是信號(hào)識(shí)別的方法復(fù)雜[3]。基于SEMG建立肢體康復(fù)動(dòng)作識(shí)別系統(tǒng)，一般包括SEMG數(shù)據(jù)采集模塊、信號(hào)特征提取模塊、分類器模塊和機(jī)器控制命令輸出模塊。肢體康復(fù)動(dòng)作識(shí)別系統(tǒng)很大程度上依賴于信號(hào)特征提取和分類器的使用。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)越來(lái)越多地被用于機(jī)器學(xué)習(xí)領(lǐng)域的模式識(shí)別和信號(hào)分類領(lǐng)域，其作為分類器，相較于傳統(tǒng)的分類器有著巨大的優(yōu)越性[4]?，F(xiàn)將近幾年基于ANN構(gòu)造的SEMG分類器的研究進(jìn)展進(jìn)行介紹和分析。

1 LVQ分類器

學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)(Learning Vector Quantization，LVQ)是Kohonen T等人在1988年提出的一種前向型神經(jīng)網(wǎng)絡(luò)[5]。LVQ結(jié)合了有監(jiān)督學(xué)習(xí)和競(jìng)爭(zhēng)學(xué)習(xí)兩者的優(yōu)點(diǎn)，在學(xué)習(xí)中克服了自組織網(wǎng)絡(luò)無(wú)監(jiān)督學(xué)習(xí)算法帶來(lái)的缺乏分類信息的弱點(diǎn)。其最大的優(yōu)點(diǎn)是不需要對(duì)輸入向量歸一化，缺點(diǎn)是訓(xùn)練時(shí)間較長(zhǎng)[6]。LVQ由輸入層、競(jìng)爭(zhēng)層和輸出層3層神經(jīng)元組成，結(jié)構(gòu)如圖1所示。

圖1 學(xué)習(xí)向量量化網(wǎng)絡(luò)Figure 1. Learning vector quantization network

小波包變換(Wavelet Packet Transform，WPT)具有良好的時(shí)頻局部化特征特性，可以同時(shí)提取信號(hào)的時(shí)頻特性，克服了傅立葉變換時(shí)域無(wú)局部化特性的缺點(diǎn)，是一種良好的時(shí)頻分析工具。WPT分解樹(shù)如圖2所示[7]。

圖2 小波包變換分解結(jié)構(gòu)樹(shù)Figure 2. Decomposition tree of WPT

2018年，Liu L和Song Y等人在已有的SEMG手勢(shì)分類器研究的基礎(chǔ)上，分別測(cè)試了BP網(wǎng)絡(luò)、ELMAN網(wǎng)絡(luò)、自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)等多種類型的神經(jīng)網(wǎng)絡(luò)，在此基礎(chǔ)上設(shè)計(jì)出一種以WPT為特征提取的 LVQ分類器對(duì)下肢運(yùn)動(dòng)產(chǎn)生的表面肌電信號(hào)進(jìn)行分類[7]。該實(shí)驗(yàn)的對(duì)象為健康學(xué)生，實(shí)驗(yàn)肌群為股直肌和長(zhǎng)收肌，實(shí)驗(yàn)動(dòng)作為上樓、下樓、上坡和下坡4種下肢動(dòng)作。實(shí)驗(yàn)結(jié)果表明，采用該方法能很好地分類出腿部的四種運(yùn)動(dòng)模式，平均準(zhǔn)確率達(dá)到96.00%，具有一定的實(shí)際運(yùn)用價(jià)值。

2 ELM分類器

極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)，是Huang G B和 Zhu Q Y等人在2004年提出的一種單隱含層前饋神經(jīng)網(wǎng)絡(luò)[8]。ELM學(xué)習(xí)速度比傳統(tǒng)的前向網(wǎng)絡(luò)學(xué)習(xí)算法快數(shù)千倍，同時(shí)具有更好的泛化性能。與傳統(tǒng)的學(xué)習(xí)算法相比，ELM不僅具有最小的訓(xùn)練誤差，還具有最小的權(quán)值范數(shù)[6]。ELM由輸入層、競(jìng)爭(zhēng)層和輸出層3層神經(jīng)元組成，結(jié)構(gòu)如圖3所示。

圖3 單隱含層前饋神經(jīng)網(wǎng)絡(luò)Figure 3. Single-hidden layer feedforward neural networks

2017年，Anam K和Al-Jumaily A等人提出并評(píng)估了兩種ELM的實(shí)現(xiàn)：一種是基于節(jié)點(diǎn)的ELM，它依賴于節(jié)點(diǎn)的激活函數(shù)；另一種是基于內(nèi)核的ELM，它依賴于競(jìng)爭(zhēng)層的內(nèi)核函數(shù)[9]。該研究的實(shí)驗(yàn)對(duì)象為3名成年女性、6名成年男性和5名外傷性肘部以下截肢患者者。未截肢的受試者進(jìn)行拇指外展、拇指彎曲、食指彎曲、中指彎曲、無(wú)名指彎曲和小拇指彎曲6種動(dòng)作；截肢者想象著與未截肢者相同的手指動(dòng)作。實(shí)驗(yàn)結(jié)果表明，基于內(nèi)核的ELM對(duì)截肢者的手指動(dòng)作分類準(zhǔn)確率達(dá)到98.55%，對(duì)健全者的手指動(dòng)作分類準(zhǔn)確率達(dá)到99.50%。同年，Wang J H和Qi L等人通過(guò)加Think技術(shù)公司研發(fā)的Flex Comp Infiniti系統(tǒng)采集了一名手臂完整的健康男性的SEMG，展開(kāi)了ELM對(duì)上肢運(yùn)動(dòng)模式分類的實(shí)驗(yàn)[10]。實(shí)驗(yàn)肌群為肱二頭肌、肱三頭肌、肱肌和三角肌4塊肌群。識(shí)別動(dòng)作為肘部彎曲、肩部伸展、肩部外展、提褲子和進(jìn)食5種動(dòng)作。實(shí)驗(yàn)結(jié)果表明，該方法能夠較好地識(shí)別出上肢的5種運(yùn)動(dòng)模式，平均分類準(zhǔn)確率達(dá)到99.26%。2019年，Kuo Y和Zhen Z等人的報(bào)告表明，通過(guò)對(duì)比實(shí)驗(yàn)得出ELM與支持向量機(jī)(Support Vector Machine，SVM)的準(zhǔn)確率相當(dāng)，但比SVM類分類器更快[11]。

3 WNN分類器

小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network，WNN)是由Zhang Q和Benveniste A等人在1992年基于小波分析研究領(lǐng)域的重大突破正式提出的一種前饋神經(jīng)網(wǎng)絡(luò)[12]。WNN依據(jù)可靠的理論構(gòu)建小波基元(WBU)和網(wǎng)絡(luò)結(jié)構(gòu)，可以有效避免網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的盲目性。由于WNN網(wǎng)絡(luò)權(quán)系數(shù)線性分布和學(xué)習(xí)目標(biāo)函數(shù)的凸性，使網(wǎng)絡(luò)訓(xùn)練過(guò)程中從根本上省略了局部最優(yōu)等非線性化問(wèn)題[13]。WNN主要由輸入層、隱含層和輸出層3層神經(jīng)元組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 小波神經(jīng)網(wǎng)絡(luò)Figure 4. Wavelet neural network

2015年，Cheng R和Bai Y P等人利用WNN提高了工業(yè)機(jī)械假手的運(yùn)動(dòng)控制效果[14]。2016年，Duan F和Dai L等人提出了一種新穎的SEMG模式分類方法，在實(shí)驗(yàn)中用3個(gè)表面肌電信號(hào)傳感器來(lái)識(shí)別6個(gè)手部運(yùn)動(dòng)模式[15]。實(shí)驗(yàn)對(duì)象為7名23～26歲的女性，1名23歲的男性和1名36歲的男性。實(shí)驗(yàn)肌群為橈側(cè)腕長(zhǎng)伸肌、橈側(cè)腕屈肌和伸肌3塊肌群。實(shí)驗(yàn)的動(dòng)作為手閉合、手張開(kāi)、手腕伸展、手腕彎屈、前臂旋前和前臂旋后6種手部運(yùn)動(dòng)動(dòng)作。實(shí)驗(yàn)結(jié)果表明， WNN分類器對(duì)6個(gè)手部運(yùn)動(dòng)動(dòng)作分類的總體準(zhǔn)確率為94.67%。在進(jìn)一步實(shí)驗(yàn)中，通過(guò)對(duì)2名左手腕關(guān)節(jié)處截肢的受試者進(jìn)行相同的實(shí)驗(yàn)，無(wú)法完成的動(dòng)作用想象代替。最終結(jié)果顯示，對(duì)截肢者的動(dòng)作分類準(zhǔn)確率雖然低于對(duì)正常人的動(dòng)作分類的準(zhǔn)確率，但是整體分類準(zhǔn)確率依然可以達(dá)到85.17%。從分類準(zhǔn)確率可以看出，WNN分類器的性能不僅可以用于工業(yè)領(lǐng)域的運(yùn)動(dòng)控制，還可以用于基于SEMG的康復(fù)假肢控制。

4 ANFIS分類器

自適應(yīng)神經(jīng)模糊推理系統(tǒng)(Adaptive Network-based Fuzzy Inference System，ANFIS)，由Jang J S R在1993年正式提出[16]。ANFIS經(jīng)典模型由模糊層、計(jì)算規(guī)則適用度層、適用度歸一化層、規(guī)則輸出層和輸出層5層神經(jīng)元構(gòu)成，網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 自適應(yīng)神經(jīng)模糊推理系統(tǒng)Figure 5. Adaptive network-based fuzzy inference system

自適應(yīng)神經(jīng)模糊推理系統(tǒng)是一種將模糊邏輯和神經(jīng)元網(wǎng)絡(luò)結(jié)合的模糊推理系統(tǒng)，采用反向傳播和最小二乘法的混合算法調(diào)整前提參數(shù)和結(jié)論參數(shù)，能自動(dòng)產(chǎn)生“如果-則”規(guī)則，既發(fā)揮了模糊邏輯和神經(jīng)元網(wǎng)絡(luò)二者的優(yōu)點(diǎn)，又彌補(bǔ)了各自的不足[17]。2017年，石紹應(yīng)和王小謨等人提出了一種采用誤差反向傳播算法的自適應(yīng)模糊分類器模型結(jié)構(gòu)。對(duì)有x個(gè)特征向量、M種類別的分類問(wèn)題進(jìn)行分類時(shí)，需要學(xué)習(xí)調(diào)整參數(shù)的數(shù)目為2(2x+1)M[18]，模型結(jié)構(gòu)如圖6所示。

圖6 自適應(yīng)糊分類器模型Figure 6. Adaptive fuzzy classifier model

2015年，F(xiàn)ariman H J和Ahmad S A等人構(gòu)建了一種利用ANFIS對(duì)SEMG進(jìn)行分類的分類器[19]。實(shí)驗(yàn)對(duì)象為4名健康的學(xué)生。實(shí)驗(yàn)肌群是尺側(cè)腕屈肌和橈側(cè)腕長(zhǎng)伸肌兩塊肌群。實(shí)驗(yàn)的動(dòng)作為腕關(guān)節(jié)彎曲、腕關(guān)節(jié)伸展、等張收縮和等長(zhǎng)收縮4種手部運(yùn)動(dòng)動(dòng)作。實(shí)驗(yàn)結(jié)果表明，ANFIS分類器對(duì)4個(gè)手部動(dòng)作的平均分類準(zhǔn)確率為88.90%。Caesarendra W和Tjahjowidodo T等人于2018年利用MYO手鐲對(duì)健康的實(shí)驗(yàn)室成員進(jìn)行了手勢(shì)運(yùn)動(dòng)分類實(shí)驗(yàn)[20]。實(shí)驗(yàn)動(dòng)作為：大拇指、食指、中指、無(wú)名指和小拇指彎曲5種手勢(shì)。實(shí)驗(yàn)結(jié)果表明，對(duì)拇指動(dòng)作分類的準(zhǔn)確度最低，準(zhǔn)確率為20.00%；對(duì)無(wú)名指和小拇指動(dòng)作分類的準(zhǔn)確率最高，平均分類準(zhǔn)確率為72.00%。此類分類器的分類準(zhǔn)確率有待進(jìn)一步提高。

5 AlexNet分類器

AlexNet分類算法由Hinton G E和Krizhevsky A在2012年的ImageNet視覺(jué)挑戰(zhàn)大賽上首次應(yīng)用[21]。AlexNet實(shí)質(zhì)是一種卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)。CNN具有非常好的目標(biāo)信息處理能力，能夠自動(dòng)提取目標(biāo)的特征，已經(jīng)被廣泛應(yīng)用于圖像分類和目標(biāo)識(shí)別等方面[22]。AlexNet是在LeNet的基礎(chǔ)上加深了網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，使用Relu為激活函數(shù)。AlexNet網(wǎng)絡(luò)結(jié)構(gòu)有8層，卷積層由C1～C5共5層構(gòu)成，全連接層由FC6和FC7兩層構(gòu)成，最后一層為輸出層[23]，網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

圖7 AlexNet網(wǎng)絡(luò)Figure 7. AlexNet network

2019年，Akhundov R和Saxby D J等人基于Hinton G E的深度學(xué)習(xí)模型，進(jìn)行了AlexNet分類器對(duì)SEMG圖像分類的評(píng)估實(shí)驗(yàn)[24]。實(shí)驗(yàn)的數(shù)據(jù)由墨爾本大學(xué)、查爾斯特大學(xué)和國(guó)防與退伍軍人服務(wù)部提供，包括腹直肌、股四頭肌、股直肌、半腱肌、股二頭肌、腓腸肌和臀大肌7塊肌群采集到的共87 000組SEMG數(shù)據(jù)。通過(guò)SEMG的過(guò)濾處理創(chuàng)建記錄圖像，并將這些圖像分為好、可用、噪聲和無(wú)信號(hào)4類。最后，用AlexNet分類器對(duì)圖像進(jìn)行分類。評(píng)估實(shí)驗(yàn)結(jié)果表明，AlexNet分類器對(duì)SEMG圖像分類的準(zhǔn)確度高達(dá)99.55%。同年，Xingqun Z和Fei W等人利用MYO手環(huán)對(duì)7個(gè)健康的實(shí)驗(yàn)室成員進(jìn)行了手部運(yùn)動(dòng)SEMG采集，并用AlexNet作為分類器進(jìn)行分類實(shí)驗(yàn)[25]。實(shí)驗(yàn)動(dòng)作為彎手腕、握拳、張開(kāi)手掌、揮手和比圓圈5種手勢(shì)。實(shí)驗(yàn)結(jié)果表明，AlexNet分類器對(duì)5種手部運(yùn)動(dòng)動(dòng)作的平均分類準(zhǔn)確率為95.00%。卷積神經(jīng)網(wǎng)絡(luò)不僅在圖像識(shí)別和信號(hào)處理上有出色的表現(xiàn)，也可以應(yīng)用到文本和語(yǔ)音識(shí)別等領(lǐng)域。

6 GRNN分類器

廣義回歸神經(jīng)網(wǎng)絡(luò)(General Regression Neural Network，GRNN)，由Specht D F在1991年正式提出[26]。GRNN屬于建立在數(shù)理統(tǒng)計(jì)基礎(chǔ)上的徑向基神經(jīng)網(wǎng)絡(luò)(Radial Basis Function，RBF)。其理論基礎(chǔ)是非線性回歸分析，因此具有很強(qiáng)的非線性映射能力和很快的學(xué)習(xí)速度。GRNN 由輸入層、徑向基隱含層和線性輸出層3層神經(jīng)元組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。

倒譜是一種信號(hào)的傅里葉變換經(jīng)過(guò)對(duì)數(shù)運(yùn)算后再進(jìn)行的傅里葉反變換得到一種同態(tài)濾波，屬于非線性變換，用于對(duì)卷積信號(hào)的分離操作[27]。倒譜最初是為了描述地震和炸彈爆炸引起的地震回波而被提出的，其也是同態(tài)信號(hào)處理的一種表示，能夠?qū)⑼ㄟ^(guò)卷積結(jié)合起來(lái)的信號(hào)變換成各自的總和[28]。計(jì)算倒譜的一般流程如圖9所示。

圖8 廣義回歸神經(jīng)網(wǎng)絡(luò)Figure 8. General regression neural network

圖9 計(jì)算倒譜的一般流程Figure 9. General block diagram for computing the cepsture

2019年，Yavuz E和Eyupoglu C通過(guò)計(jì)算MEL頻率倒譜系數(shù)(MFCCS)，利用倒譜分析技術(shù)來(lái)提取SEMG的時(shí)域特征，然后將其轉(zhuǎn)發(fā)給GRNN分類器進(jìn)行分類，提出了一種全新的基于倒譜分析的手部運(yùn)動(dòng)SEMG分類器[29]。實(shí)驗(yàn)對(duì)象為5名健康成年人，包括3名女性和2名年齡大致相同的男性。實(shí)驗(yàn)肌群為尺側(cè)腕屈肌、橈側(cè)腕長(zhǎng)伸肌和短伸肌。實(shí)驗(yàn)動(dòng)作為握?qǐng)A管、手指拿小物品、提重物、抓物、手持球型物品和拿薄且寬的物品6種手部動(dòng)作。實(shí)驗(yàn)結(jié)果表明，GRNN分類器對(duì)每個(gè)人的6種手勢(shì)動(dòng)作的平均分類準(zhǔn)確率為99.34%；對(duì)5名實(shí)驗(yàn)對(duì)象的所有數(shù)據(jù)進(jìn)行混合而形成的數(shù)據(jù)集，進(jìn)行分類的總體平均準(zhǔn)確率為99.23%。該方法的成功是由于倒譜的特征能很好地表示生物電信號(hào)的特征，這種技術(shù)應(yīng)用的領(lǐng)域可以擴(kuò)展到各類生物電信號(hào)，例如心電圖(ECG)、眼動(dòng)圖(EOG)、腦磁圖(MEG)和肌音信號(hào)(MMG)。

7 結(jié)束語(yǔ)

在大量的分類算法中，ANN算法與傳統(tǒng)的模糊識(shí)別算法(FRP)、SVM和線性判別算法(LDA)等相比，具有十分強(qiáng)的學(xué)習(xí)能力，能更好地解決復(fù)雜問(wèn)題。近年來(lái)，隨著人工智能和控制領(lǐng)域的快速發(fā)展，基于ANN構(gòu)建的分類器也不斷的成熟。構(gòu)建準(zhǔn)確且高效的ANN分類器，是現(xiàn)階段的研究熱點(diǎn)，有著廣闊的應(yīng)用前景。通過(guò)對(duì)本文的6種ANN分類器的回顧，得出結(jié)論如下：

(1) 基于SEMG建立肢體動(dòng)作識(shí)別系統(tǒng)，很大程度是依賴于分類器的使用。構(gòu)建準(zhǔn)確、高效的分類器十分關(guān)鍵。

表1 6種ANN分類器的分類結(jié)果

由表1可以看出本文所述的6種基于人工神經(jīng)網(wǎng)絡(luò)的表面肌電信號(hào)分類器均有較高的分類準(zhǔn)確率；

(2)以上6種ANN分類器都具有較好的分類準(zhǔn)確率，但是存在實(shí)驗(yàn)動(dòng)作部位多為上肢動(dòng)作、實(shí)驗(yàn)的對(duì)象多為健康成人和實(shí)驗(yàn)的樣本數(shù)量都比較小這3個(gè)問(wèn)題，難以證明該分類器的具有普遍適用性。在豐富的樣本上進(jìn)行多部位的多種動(dòng)作驗(yàn)證實(shí)驗(yàn)，既是ANN分類器進(jìn)一步完善的重點(diǎn)，也是難點(diǎn)所在；

(3)利用單一的信號(hào)特征提取方法提取SEMG，由ANN分類器進(jìn)行單通道多模式的信號(hào)分類難以達(dá)到理想的分類準(zhǔn)確率，在構(gòu)建ANN分類器的時(shí)候，組建合適的特征集不僅是研究中的難點(diǎn)之一，也是弊端之一。特征提取方法依靠人工設(shè)計(jì)，不僅在信號(hào)預(yù)處理時(shí)計(jì)算量巨大，而且特征提取時(shí)會(huì)過(guò)濾掉部分信號(hào)。利用ANN構(gòu)建一種可以直接利用原始SEMG的高效分類器，將從根本上避免這種缺陷，具有顯著的研究意義。