摘要：將不同肌肉對(duì)運(yùn)動(dòng)任務(wù)的貢獻(xiàn)度作為最優(yōu)通道選擇的優(yōu)化準(zhǔn)則，提出了基于肌肉協(xié)同（Muscle Synergy，MS） 的通道選擇方法。首先對(duì)原始肌電信號(hào)進(jìn)行預(yù)處理，提取時(shí)域特征，然后使用非負(fù)矩陣分解（Non-Negative Matrix Factorization，NMF） 算法分別對(duì)每個(gè)手勢(shì)動(dòng)作提取肌肉協(xié)同矩陣并進(jìn)行轉(zhuǎn)換；再將每個(gè)手勢(shì)動(dòng)作在各個(gè)肌電通道上的肌肉權(quán)重系數(shù)進(jìn)行求和， 得到所有肌電通道的重要性系數(shù)； 最后通過(guò)支持向量機(jī)（Support Vector Machines，SVM）、隨機(jī)森林（Random Forest，RF）、K 近鄰分類器（K-Nearest Neighbor，KNN） 進(jìn)行分類。采用Ninapro 數(shù)據(jù)庫(kù)中DB5 子數(shù)據(jù)庫(kù)記錄的表面肌電信號(hào)對(duì)該方法進(jìn)行測(cè)試，測(cè)試結(jié)果表明，提取10 個(gè)最優(yōu)通道時(shí)，與以往研究中提出的順序前向選擇（Sequential Forward Selection，SFS）、馬爾可夫隨機(jī)場(chǎng)（Markov Random Field，MRF） 和Relief-F 通道選擇方法相比，本文方法確定的肌電信號(hào)子集獲得的識(shí)別精度與MRF 和Relief-F 方法相近，比SFS 方法略低，但計(jì)算成本比它們均低。

關(guān)鍵詞：表面肌電信號(hào)；肌肉協(xié)同；通道選擇；手勢(shì)識(shí)別；非負(fù)矩陣分解

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A

表面肌電信號(hào)（Electromyography，EMG）作為一種電生理信號(hào)，可以反映肌肉的興奮程度，在手勢(shì)識(shí)別、假肢、康復(fù)設(shè)備、遠(yuǎn)程控制機(jī)器人等領(lǐng)域中發(fā)揮著重要的作用[1-3]。

由于對(duì)生物信號(hào)進(jìn)行分類時(shí)，分類的準(zhǔn)確性很大程度上受到生物信號(hào)信息量的影響[4]，使用更多的肌電電極可以捕獲更多的電生理信息[5]，故手勢(shì)識(shí)別精度的提高往往需要增加肌電通道的數(shù)量[6]。但信道的增加不僅會(huì)造成較高的肌電控制系統(tǒng)成本，且增加了數(shù)據(jù)處理的負(fù)擔(dān)，還會(huì)造成通道之間的信號(hào)串?dāng)_等問(wèn)題[7]，使得在實(shí)時(shí)肌電控制系統(tǒng)中不切實(shí)際。因此，選擇適當(dāng)數(shù)量的、具有理想分類性能的肌電通道是有必要的。

肌肉協(xié)同（Muscle Synergy， MS） 理論認(rèn)為， MS是中樞神經(jīng)系統(tǒng)控制肌肉骨骼系統(tǒng)完成各種運(yùn)動(dòng)的最小單位[8]。通過(guò)提取肌肉協(xié)同效應(yīng)，可以估計(jì)肌肉骨骼系統(tǒng)完成各手勢(shì)任務(wù)的最小單位，從而確定包含肌電信號(hào)信息量最多的肌電通道。

在肌電控制系統(tǒng)中，用于確定肌電電極數(shù)量和位置的方法有兩種。一種是基于骨骼肌生理上已知的解剖知識(shí)[9-10]，該方法對(duì)于骨骼肌功能完好的人，可以快速地確定肌電電極的最佳位置，但對(duì)于骨骼肌功能不完備的人來(lái)說(shuō)，在進(jìn)行肢體活動(dòng)時(shí)，由于他們的肌肉收縮與正常人不同，以及肌肉的損傷程度、位置可能不一致，所以很難用這種方法來(lái)確定合適的電極位置。另一種方法則是基于一定的優(yōu)化準(zhǔn)則。在之前的基于肌電模式識(shí)別最優(yōu)信道選擇研究中，Qu 等[11] 將Relief-F 算法應(yīng)用于最優(yōu)肌電通道選擇，從8 個(gè)肌電通道中選擇了4 個(gè)最優(yōu)通道， 獲得了99.53% 的手勢(shì)識(shí)別準(zhǔn)確率。Huang 等[12] 使用了一種基于順序前向選擇（Sequential Forward Selection，SFS）的電極通道選擇方法，該方法在大量降低電極通道的同時(shí)，其分類精度僅比使用其他電極通道時(shí)降低1.2%。但該方法以高分類精度為優(yōu)化目標(biāo)，需對(duì)肌電通道進(jìn)行反復(fù)搜索，直到得到要求數(shù)量的通道，花費(fèi)的時(shí)間較長(zhǎng)。此外，該方法在選擇最優(yōu)通道時(shí)，主要依靠分類器的重復(fù)實(shí)現(xiàn)來(lái)完成，相對(duì)于其他通道提取方法，搜索最優(yōu)通道的時(shí)間對(duì)分類器的模型復(fù)雜度較為敏感。Liu 等[13] 使用了馬爾可夫隨機(jī)場(chǎng)（Markov Random Field，MRF） 方法來(lái)進(jìn)行最優(yōu)通道選擇，使用K 近鄰（K-Nearest Neighbor，KNN） 分類器對(duì)所選通道的特征進(jìn)行分類。該方法可有效減少不同通道的冗余信息，且獲得了與使用所有肌電通道相似的高分類精度，但也存在計(jì)算成本較高的問(wèn)題。