基于肌電信號(hào)的行為識(shí)別的研究

1、廣東商學(xué)院2013-JX16-基于肌電信號(hào)的行為識(shí)別的研究廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院廣東商學(xué)院GUANQDQNGUNIVERSITYOFBUSINESSHUDIE5本科畢業(yè)論文（設(shè)計(jì)）基于肌電信號(hào)的行為識(shí)別的研究數(shù)學(xué)與計(jì)算科學(xué)學(xué)院信息與計(jì)算科學(xué)09信息與計(jì)算科學(xué)一班2013年月日畢業(yè)論文（設(shè)計(jì)）成績(jī)?cè)u(píng)定表廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究畢業(yè)論文（設(shè)計(jì)）指導(dǎo)教師評(píng)語(yǔ)及成績(jī)成績(jī)指導(dǎo)教師簽名年月日畢業(yè)論文（設(shè)計(jì)）復(fù)評(píng)教師評(píng)語(yǔ)及成績(jī)成績(jī)復(fù)評(píng)教師簽名年月日畢業(yè)論文（設(shè)計(jì)）答辯評(píng)語(yǔ)及成績(jī)成績(jī)畢業(yè)論文（設(shè)計(jì)）總成績(jī)（五級(jí)記分制）答辯委員會(huì)主席簽名年月院（系）負(fù)責(zé)人簽名年月日TITL

2、E:RecognitionResearchBasedOnTheBehaviorofTheEMGSignal基于肌電信號(hào)的行為識(shí)別的研究廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院MAJOR:InformationAndComputingScience基于肌電信號(hào)的行為識(shí)別的研究廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院內(nèi)容摘要本文對(duì)前臂肌肉群多個(gè)位置（包括肱模肌、模側(cè)腕屈肌、模側(cè)腕長(zhǎng)伸肌、尺側(cè)腕伸肌、尺側(cè)腕屈肌）進(jìn)行表面肌電信號(hào)的采集，用RMS均方差）與AR莫型兩種方法分別對(duì)采集的肌電信號(hào)進(jìn)行特征分析和特征提取，再通過(guò)不同的分類方法（包括監(jiān)督式學(xué)習(xí)、LDA#類算法）對(duì)現(xiàn)有的信號(hào)數(shù)據(jù)進(jìn)行模式識(shí)別，區(qū)別屈肘、屈腕、屈指和前臂旋

3、轉(zhuǎn)等多種動(dòng)作，最終使用MATLA厘驗(yàn)軟件繪圖直觀表示各種分類方法的識(shí)別率，得到多種分類方法的優(yōu)劣程度并最終得出結(jié)論從而將該項(xiàng)的研究成果拓展到人體其他肌群及相關(guān)假肢的控制中，另外在仿生控制人工動(dòng)力假肢研究領(lǐng)域同樣具有重要的意義。關(guān)鍵詞：特征提取模式識(shí)別MATLAB表面肌電信號(hào)AbstractInthisresearch,!collectthesurfaceEMGsinseveraloftheforearmmusclegroups(includingbrachioradialis、flexorcarpi、carpiradialislongus、extensorcarpiulnarisandflex

4、orcarpiulnaris).WiththemethodssuchasRMSandARmodel,IextractthefeaturefromtheEMGswhichhasbeencollected.Thenbyusingclassificationmethods(SupervisedLearning:TheLDAalgorithm),!usetheexistingEMGsinordertodifferentiatebetweenelbow、wristflexion,、flexorforearmrotationandsoon.Ialsousetwomoresignaloptimization

5、storaiserecognitionrate.Ultimately,weuseMATLABtoplotpicturesandintuitivelytoshowtherecognitionrate.Finallythebestrecognitionrateis98.611%.基于肌電信號(hào)的行為識(shí)別的研究廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院Keywords:PatternrecognitionFeatureextractionSEMG目錄1引言11.1 理論研究11.2 國(guó)內(nèi)外文獻(xiàn)綜述與研究現(xiàn)狀12表面肌電信號(hào)的采集32.1 肌電信號(hào)的模型說(shuō)明32.2 肌電信號(hào)的數(shù)據(jù)說(shuō)明42.2.1 肌電信號(hào)的拾取42

6、.2.2 肌電信號(hào)的位置52.2.3 動(dòng)作展示63表面肌電信號(hào)的預(yù)處理84模式識(shí)別94.1 特征提取94.1.1 時(shí)域特征值：RMS勻方根94.1.2 頻域特征值：AR自回歸模型94.2 監(jiān)督式學(xué)習(xí)114.3 繪圖展示13廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究4.3.1 表面肌電信號(hào)134.3.2 RMSt征值144.3.3 AR模型特征155信號(hào)優(yōu)化處理165.1 MajorityVote與去噪函數(shù)165.2 繪圖展示176結(jié)論18參考文獻(xiàn)19附錄21基于肌電信號(hào)的行為識(shí)別的研究廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院1引言表面肌電信號(hào)（SurfaceElectromyography,

7、SEMG）1人自主活動(dòng)中肌肉表層多個(gè)運(yùn)動(dòng)單位所發(fā)出的電位序列最終在皮膚表面通過(guò)電極檢測(cè)得到的時(shí)間與空間綜合疊加的結(jié)果10,是神經(jīng)肌肉系統(tǒng)活動(dòng)時(shí)伴隨的生物電信號(hào)。由于它在一定程度上關(guān)聯(lián)著肌肉的活動(dòng)狀態(tài)與功能狀態(tài)，因此也能夠反映一定的神經(jīng)肌肉活動(dòng)狀況2,故在肌電信號(hào)在臨床醫(yī)學(xué)（如神經(jīng)肌肉疾病診斷）、康復(fù)醫(yī)學(xué)（如肌肉功能評(píng)價(jià)）、人機(jī)工效學(xué)（如肌肉工作的工效學(xué)分析）、體育科學(xué)（如疲勞判定、運(yùn)動(dòng)技術(shù)合理性分析、肌纖維類型和無(wú)氧閾值的無(wú)損傷性預(yù)測(cè)）、仿生學(xué)（如人體假肢控制具）13等方面均有重要的利用價(jià)值。1.1 理論研究近年來(lái)，基于表面肌電信號(hào)識(shí)別研究在醫(yī)學(xué)生物領(lǐng)域的作用越發(fā)凸顯，研究學(xué)者遍布全球，研究文

8、章也層出不窮，學(xué)者在對(duì)表面肌電信號(hào)進(jìn)行識(shí)別研究時(shí)采用同樣的步驟，即肌電信號(hào)的采集、信號(hào)優(yōu)化處理，特征分析及提取、模式識(shí)別，但最主要的是肌電信號(hào)分析、特征提取與模式識(shí)別兩個(gè)方面。特征提取的目的在于通過(guò)研究表面肌電信號(hào)的時(shí)、頻域特征與肌肉結(jié)構(gòu)以及肌肉活動(dòng)狀態(tài)和功能狀態(tài)之間的關(guān)聯(lián)性，從而利用SEMGJ變化有效反映肌肉的活動(dòng)和功能，其研究分析主要集中在時(shí)域和頻域分析。特征提取就所利用的理論方法而言，可分為五個(gè)方面：時(shí)域法、頻域法、時(shí)域-頻域法、高階譜及混沌與分形等。特征提取是基礎(chǔ)，分類是關(guān)鍵，分類器可以為肌電假肢提供更可靠的控制信號(hào)。用于表面肌電信號(hào)的模式分類方法很多，其中模糊分類器和神經(jīng)網(wǎng)絡(luò)分類器的

9、應(yīng)用最為廣泛。1.2 國(guó)內(nèi)外文獻(xiàn)綜述與研究現(xiàn)狀在對(duì)表面肌電信號(hào)進(jìn)行識(shí)別研究時(shí)，國(guó)內(nèi)外學(xué)者往往從單一的分析方法及單一的分類方法中得出識(shí)別率并將此應(yīng)用在實(shí)際生活的各個(gè)領(lǐng)域中。學(xué)者研究的思路大都相似，不同之處在于以下兩點(diǎn)：第一點(diǎn)是對(duì)采集的表面肌電信號(hào)進(jìn)行特征提取的方法。在國(guó)外方面，20Disselhorst-Klug（2008）利用時(shí)域方法（平均值）提取出SEM特征值，用于研究SEMGT肌肉力之間的關(guān)系；22Reddy（2007）利用時(shí)域方法（均方根值RMS提取出SEMGJ特征值，用于研究SEMG運(yùn)動(dòng)位移的關(guān)系，從而實(shí)現(xiàn)了手指和腕關(guān)節(jié)模型的控制；21Sbriccoli（2003）分別利用時(shí)域方法（均

10、方根值RMS和頻域方法（中位頻率MF提取出SEMGJ特征值，用于研究肱二頭肌SEMGJ幅值和頻譜特征?；诩‰娦盘?hào)的行為識(shí)別的研究廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院而在國(guó)內(nèi)方面，4羅志增，楊廣映（2003）根據(jù)實(shí)際肌電信號(hào)的隨機(jī)性特征，對(duì)其建立AR真型，利用AR真型特征、參數(shù)與肢體運(yùn)動(dòng)的確定性關(guān)系實(shí)現(xiàn)仿生控制；15吳冬梅，孫欣，張志成，杜志江（2010）在人體屈伸肘部的過(guò)程中，選取人體上肢檢測(cè)表面肌電信號(hào)應(yīng)用不同的方法（均方根值RMS肌電值iMEG）對(duì)優(yōu)化后的表面肌電信號(hào)進(jìn)行了特征提取。23羅志增，嚴(yán)庭芳（2008）利用時(shí)-頻域方法小波變換對(duì)SEM硬行特征提取，用于SEMGJ模式分類和肌電假肢的控制

11、。第二點(diǎn)是模式識(shí)別的方法。用于表面肌電信號(hào)的模式分類方法很多，如模糊分類器和神經(jīng)網(wǎng)絡(luò)分類器。模糊分類器已在自動(dòng)控制、人工智能、圖像識(shí)別、農(nóng)作物選中、商品評(píng)價(jià)、化合物分類、地震、氣象預(yù)報(bào)、災(zāi)情預(yù)報(bào)、經(jīng)濟(jì)學(xué)、社會(huì)學(xué)、語(yǔ)言學(xué)、管理科學(xué)及醫(yī)學(xué)等諸多領(lǐng)域得到了廣泛應(yīng)用。在表面肌電信號(hào)信號(hào)識(shí)別方面，開始利用該分類器進(jìn)行處理，如26E.Zahedi（1995）利用模糊K-均值策略進(jìn)行了3個(gè)自由度的動(dòng)作識(shí)別；27劉建成（1999）也利用模糊神經(jīng)網(wǎng)絡(luò)直接對(duì)殘肢的EMG動(dòng)作進(jìn)行識(shí)別，雖識(shí)別率70%上，但有更好的實(shí)際應(yīng)用價(jià)值；后者神經(jīng)網(wǎng)絡(luò)分類器在給足數(shù)量訓(xùn)練樣本的前提下，網(wǎng)絡(luò)就可以通過(guò)學(xué)習(xí)獲得對(duì)運(yùn)動(dòng)模式進(jìn)行分類的能

12、力，如24王人成（1998）利用該網(wǎng)絡(luò)對(duì)屈腕、伸腕、向內(nèi)旋腕和向外旋腕四種運(yùn)動(dòng)進(jìn)行識(shí)別，其識(shí)別率都在95現(xiàn)上；25WilliamPutnam（1993）分別利用單層感知器和多層感知器對(duì)屈臂和伸臂兩動(dòng)作進(jìn)行識(shí)別，識(shí)別率均可達(dá)95%28R.Knox（1994）年利用非參數(shù)線性分類器對(duì)屈、伸、內(nèi)旋和外旋四種動(dòng)作進(jìn)行識(shí)別，其識(shí)別率在89%上，其中特征矢量為ARRGCP、LAR等系數(shù)；29MichaelJ.Korenberg（1995）利用并串聯(lián)分類器對(duì)內(nèi)旋、外旋及內(nèi)-外旋等動(dòng)作進(jìn)行識(shí)別，識(shí)別率為100%,訓(xùn)練樣本數(shù)極少且而且訓(xùn)練速度快；30GuyCheron（1996）年利用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)識(shí)別在展臂畫“

13、8”字圖期間的EMG1號(hào)與手臂運(yùn)動(dòng)的關(guān)系。綜上所述，在特征提取方面，時(shí)域方法最早應(yīng)用于肌電信號(hào)分析，易提取、方法簡(jiǎn)單；頻域方法提取的特征值較穩(wěn)定，使得頻域方法成為肌電信號(hào)處理技術(shù)的主流；而以小波變換為代表的時(shí)-頻分析方法因結(jié)合了時(shí)域、頻域兩方法的特性，在肌電信號(hào)分析方面頗有潛力。而在模式識(shí)別方面，人工神經(jīng)網(wǎng)絡(luò)求解肌肉的動(dòng)作模式通過(guò)并行計(jì)算、分布式和自適應(yīng)學(xué)習(xí)，在提取信號(hào)的特征矢量（如ARlt征、譜特性）之后，將其作為網(wǎng)路輸入，通過(guò)訓(xùn)練實(shí)現(xiàn)分類，識(shí)別率得到很大提高，因而受到廣泛應(yīng)用。廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究2表面肌電信號(hào)的采集2.1肌電信號(hào)的模型說(shuō)明信號(hào)處理的最終

14、結(jié)果與SEM筷型的設(shè)計(jì)緊密相連，良好的模型不僅能夠真實(shí)反映信號(hào)產(chǎn)生的機(jī)理，并且能夠指導(dǎo)完成信號(hào)檢測(cè)系統(tǒng)的設(shè)計(jì)。圖1是一個(gè)簡(jiǎn)化的SEMG模型，其中，A為運(yùn)動(dòng)單位，B為肌纖維，C為差別放大器。一個(gè)能夠控制肌肉收縮的運(yùn)動(dòng)神經(jīng)元稱為運(yùn)動(dòng)單位。運(yùn)動(dòng)單位包括細(xì)胞體、軸突和樹突，在中樞神經(jīng)的控制下，通過(guò)運(yùn)動(dòng)單位的軸突發(fā)出的電脈沖沿著神經(jīng)延伸到該單位控制下的肌纖維處，并由終極電位與肌纖維產(chǎn)生興奮-收縮偶合，觸發(fā)肌膜的動(dòng)作電位，引起肌纖維收縮而產(chǎn)生肌張力，從而產(chǎn)生肌肉收縮。時(shí)間（單位;毫秒）圖1.肌電信號(hào)模型Figure1.SEMGModel從上圖可以看出肌電圖是多個(gè)被記錄的肌膜動(dòng)作電位序列的總和。由于肌膜動(dòng)作

15、電位的必然結(jié)果是骨骼肌的興奮一收縮耦合，其肌電圖代表著肌肉的收縮，故SEMGS型向我們提供了一個(gè)觀察神經(jīng)系統(tǒng)的窗口。廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究2.2肌電信號(hào)的數(shù)據(jù)說(shuō)明2.2.1 肌電信號(hào)的拾取SEMGF號(hào)的采集影響著信號(hào)分析及模式識(shí)別的精確性，是十分關(guān)鍵的過(guò)程。如圖2所示，采集SEMGF號(hào)可通過(guò)表面電極來(lái)拾取。運(yùn)動(dòng)單位傳播電脈沖的同時(shí)，在人體的軟組織中生成電流場(chǎng)，通過(guò)在靠近興奮性細(xì)胞膜的肌腹皮膚表面處放置電極，并在檢測(cè)電極間表現(xiàn)出電位差，便可記錄到以電壓/時(shí)間的形式表達(dá)的SEMG皮酷&面圖2.表面電極的原理Figure2.ThePrincipleofthe

16、Electricode表面電極作為生物信號(hào)與數(shù)據(jù)信號(hào)的傳輸媒介，其設(shè)計(jì)和所貼位置的重要性不得而知。通常表面電極組采用銅電極作為原材料，拾取電極大多呈圓形，每組銅電極是由柔性PET附銅板蝕刻得到，表面鍍銀，電極薄且有彈性，這樣設(shè)計(jì)可以獲得較好的電信號(hào)取向和降噪作用。目前廣為流用的有一次性參考電極、雙電級(jí)、三電級(jí)等，在圖3中展示了各種表面電極。廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究e.序考三厘圖3.電極Figure3.TheElectricode2.2.2 肌電信號(hào)的位置MF圖4.肌電信號(hào)的位置Figure4.ThepositionoftheEMGsignal如圖4所示，檢測(cè)系統(tǒng)

17、共有9個(gè)電極，1個(gè)參考電極（如圖3.e）以及8個(gè)雙電級(jí)（如圖3.d）,分別貼在手臂背部（主要對(duì)應(yīng)手部屈肌、伸指總?。┖褪直蹆?nèi)側(cè)（主要對(duì)應(yīng)肱二頭肌、旋前圓肌、槎側(cè)伸腕?。?。其中，手部屈肌、伸指總肌控制手部手指伸直縮回，肱二頭肌、旋前圓肌控制前臂扭轉(zhuǎn)手掌轉(zhuǎn)向，槎側(cè)伸腕肌控制手腕旋轉(zhuǎn)方向。手臂兩側(cè)拾取SEMG勺電極通過(guò)屏蔽線輸入到信號(hào)處理電路。廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究關(guān)于參考電極與雙電級(jí)，這里作簡(jiǎn)單的說(shuō)明：雙電極，是專用于小肌群測(cè)試的電極。提供參考電位的電極稱為參考電極。由于我們處在一個(gè)無(wú)處不在的大電場(chǎng)（50Hz共模干擾）之中，人體變成一個(gè)大的電容，故體表就有一定的電

18、壓。為了排除非人體自主產(chǎn)生的電壓，這需要有一個(gè)基準(zhǔn)電壓，這個(gè)電壓就是參考電壓，而參考電壓必須由參考電極檢測(cè)。參考電極可以擺放在體表的骨性標(biāo)志上或不參加測(cè)試運(yùn)動(dòng)的肌肉的肌腱處，保證在測(cè)試中參考電極不能采集到自主運(yùn)動(dòng)的電信號(hào)。2.2.3 動(dòng)作展示本文主要面向于右手前臂的動(dòng)作識(shí)別，通過(guò)分析上面所述8個(gè)通道的肌電數(shù)據(jù)來(lái)識(shí)別以下動(dòng)作：Rest休息，HandOpen手掌張開，HandClose手掌合閉,WristExtension手腕伸腕,WristFlexion手腕屈曲，Pronation手掌內(nèi)翻，Supination手掌外翻。如圖5所示。b.HandOpenistExtensionfLpronatio

19、nc.HwndClosee.WristFlexiong.supination圖5.實(shí)驗(yàn)動(dòng)作Figure5.TrialMovement接下來(lái)對(duì)肌電數(shù)據(jù)文件進(jìn)行說(shuō)明。本文將通過(guò)Matlab軟件對(duì)獲取的肌電信號(hào)數(shù)據(jù)進(jìn)行處理，數(shù)據(jù)文件一共有六個(gè)，命名規(guī)則如下： 文件名根據(jù)測(cè)試者編號(hào)（N）和測(cè)試序號(hào)（T）命名。該實(shí)驗(yàn)有多名試驗(yàn)者，每名試驗(yàn)者有多次試驗(yàn)次數(shù)。本文采用測(cè)試者編號(hào)為4的數(shù)據(jù)，該文件包括6次試驗(yàn)次數(shù)。每一個(gè)肌電數(shù)據(jù)文件包括一個(gè)信道數(shù)據(jù)文件和一個(gè)動(dòng)作索引文件。其中前者后綴為daq,后者為mat,二者皆可用Matlab軟件處理。 Daq文件：這是肌電數(shù)據(jù)采集文件，使用Matlab函數(shù)”daqread

20、（）”讀取數(shù)據(jù)。該文件包含了8個(gè)通道的肌電數(shù)據(jù)。如圖4確定電極位置。 Mat文件：這是信道-索引動(dòng)作，包括兩個(gè)變量motion與startjndex。變量motion即如上所述的動(dòng)作，在文件中以數(shù)據(jù)編號(hào)對(duì)應(yīng)：基于肌電信號(hào)的行為識(shí)別的研究廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院HandOpen手掌張開HandClose手掌合閉WristFlexion手腕屈曲WristExtension手腕伸腕Supination手掌外翻Pronation手掌內(nèi)翻Rest休息例：在文件名為s#t$data.daq與s#t$index.mat的文件中，#表示測(cè)試者編號(hào)，$表示試驗(yàn)次序。如s4t3data.daqpfs4t3in

21、dex.mat,前者表示肌電信號(hào)數(shù)據(jù)，后者表示信道-動(dòng)作索引，數(shù)據(jù)來(lái)自編號(hào)為4的測(cè)試者的第3次試驗(yàn)。注：在對(duì)右手前臂進(jìn)行試驗(yàn)的過(guò)程中，每次試驗(yàn)都有額外的休息時(shí)間，以保證右臂在無(wú)肌肉疲勞的情況下進(jìn)行試驗(yàn)，確保數(shù)據(jù)的精確性，其中，每一個(gè)動(dòng)作都執(zhí)行四次。廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究3表面肌電信號(hào)的預(yù)處理前文提到，SEMG一維電壓/時(shí)間序列信號(hào)，由于在拾取SEMG過(guò)程中存在多處干擾，包括人體自身、外界工頻干擾等等，都會(huì)在拾取過(guò)程中形成測(cè)量噪聲，具信號(hào)形態(tài)具有較強(qiáng)的隨機(jī)性和不穩(wěn)定性，故需要對(duì)拾取的SEMG號(hào)進(jìn)行再處理。普通濾波器在進(jìn)行濾波過(guò)程中通常會(huì)出現(xiàn)“相位偏移”，從而導(dǎo)致

22、最終的輸出信號(hào)序列存在相位失真現(xiàn)象，為了消除濾波過(guò)程中存在的相位失真問(wèn)題，在此設(shè)計(jì)零相移數(shù)字濾波器對(duì)信號(hào)進(jìn)行濾波處理。下圖可以直觀表現(xiàn)出零相移數(shù)字濾波器的原理：r、初始信號(hào)得到一次信號(hào)輸出序列得到二次信號(hào)輸出序列最終信號(hào)圖6.原始數(shù)據(jù)處理Figure6.Theoriginaldataprocessing基于肌電信號(hào)的行為識(shí)別的研究廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院零相移數(shù)字濾波器首先將預(yù)處理所得到的信號(hào)輸入序列通過(guò)前向?yàn)V波器，得到第一次的輸出信號(hào)序列，一次輸出序列進(jìn)行時(shí)域翻轉(zhuǎn)后再次通過(guò)后向?yàn)V波器，將第二次的輸出信號(hào)序列再做一次時(shí)域翻轉(zhuǎn)便可得到最終的信號(hào)序列。其結(jié)果是相位特性精確的為零。廣東商學(xué)院數(shù)學(xué)

23、與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究4模式識(shí)別4.1 特征提取4.1.1 時(shí)域特征值：RMS均方根RMS全稱：RootMeanSquare,即均方根。SEMG號(hào)是人體自主產(chǎn)生的電信號(hào)，本身具有交流電的性質(zhì)，其電壓值是隨時(shí)間變化的函數(shù)，需要用表達(dá)式或者波形圖才可完整描述SEMG號(hào)。RMSU我們提供了一種方法，同時(shí)亦是一種分析SEMG號(hào)特征值的時(shí)域方法。RM的物理意義即周期有效電壓值，即：直流電電壓和交流電電壓各自在阻值相等的電阻上做功，在同樣的周期內(nèi)使得交流電電壓做的功與直流電電壓做的功相等，則稱此直流電電壓值為周期有效電壓。用公式表達(dá)如下：tTRMS=.1TSEMG2(t)d(t)本文利

24、用matlab數(shù)學(xué)軟件編程得到RM辨征信。4.1.2 頻域特征值：AR自回歸模型以隨機(jī)信號(hào)為對(duì)象建立參數(shù)模型是研究隨機(jī)信號(hào)的一種基本方法，稱之為參數(shù)模型法。參數(shù)模型法是分析SEMG電信號(hào)的一個(gè)重要途徑，其中最具代表性的方法為自回歸模型法，又稱AR真型法。AR真型法在一般情況下只要求信號(hào)滿足短時(shí)平穩(wěn)條件，即在某一時(shí)間段內(nèi)被分析的信號(hào)是平穩(wěn)的，而恰恰肌電信號(hào)滿足這一條件，故肌電信號(hào)可以看成是由白噪聲激勵(lì)某一確定系統(tǒng)所產(chǎn)生的隨機(jī)過(guò)程，即等價(jià)為零均值白噪聲過(guò)程激勵(lì)某一線性系統(tǒng)的輸出。在圖6中可以得到，最終信號(hào)y即研究的肌電信號(hào)，初始信號(hào)u(i)即零均值白噪聲過(guò)程，u(i)激勵(lì)一個(gè)線性系統(tǒng)的輸出便為y(

25、i)?？偠灾?AR真型法的過(guò)程可以表述為：先有采集得到的數(shù)據(jù)通過(guò)激勵(lì)線性系統(tǒng)得到最終的肌電信號(hào)，再由肌電信號(hào)估計(jì)線性系統(tǒng)的系數(shù)，最后通過(guò)系統(tǒng)的系數(shù)來(lái)對(duì)應(yīng)各種動(dòng)作。所以肌電信號(hào)的性質(zhì)可以用AR真型的參數(shù)來(lái)表示。具體地，對(duì)于每個(gè)動(dòng)作可以假定其對(duì)應(yīng)一個(gè)AR真型：pym(i)='amjym(i一j)nm(i)(m±M)j=1io廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究M:動(dòng)作的總個(gè)數(shù)ym(i):假肢的第冊(cè)動(dòng)作肌電信號(hào)的第i個(gè)采樣值amj:AR模型的第j個(gè)系數(shù)nm(i)：白噪聲殘差p:AR模型的階數(shù)設(shè)y(i)為測(cè)量肌電的第i個(gè)采樣，建立AR真型：pV、二'aj

26、yi.jnij=i式中司即為要確定的參數(shù)。在求解AR真型系數(shù)的過(guò)程中，由于AR(數(shù)是由信號(hào)的頻域特征所決定的，故本文在處理肌電信號(hào)的過(guò)程中將信號(hào)分為多個(gè)窗口，窗口大小為256,這些窗口以128的問(wèn)隔分隔開，AR真型最終確定使用的是Levinson-Durbin算法，令階數(shù)p為3,利用Levinson-Durbin算法求出最終的ARR數(shù)。4.2 監(jiān)督式學(xué)習(xí)監(jiān)督學(xué)習(xí)，又稱導(dǎo)師學(xué)習(xí)，英文：SupervisedLearning,是人工智能領(lǐng)域中模式識(shí)別的重要途徑之一。這里簡(jiǎn)單闡述下監(jiān)督學(xué)習(xí)的過(guò)程：首先，存在有限個(gè)例子，稱為訓(xùn)練樣本，在訓(xùn)練樣本中學(xué)習(xí)乃至建立一個(gè)新的模式，其中，該模式包含隱藏在訓(xùn)練樣本中

27、的規(guī)律，根據(jù)這些規(guī)律推測(cè)出新的例子，構(gòu)成新的訓(xùn)練樣本。在監(jiān)督式學(xué)習(xí)中存在兩個(gè)關(guān)鍵詞，一個(gè)是訓(xùn)練樣本，一個(gè)是模式。訓(xùn)練樣本可分為輸入訓(xùn)練樣本與輸出訓(xùn)練樣本，前者簡(jiǎn)稱為輸入向量，后者簡(jiǎn)稱為預(yù)期輸出。三者的關(guān)系可以用函數(shù)的形式：f:xty來(lái)表示，f是模式，是一個(gè)監(jiān)督學(xué)習(xí)者的主要學(xué)習(xí)對(duì)象。x與y作為訓(xùn)練樣本集合域，是監(jiān)督學(xué)習(xí)者的觀察對(duì)象。對(duì)于每一個(gè)輸入向量xi,根據(jù),K式f都有相對(duì)應(yīng)的期望輸出X。綜上所述，一個(gè)監(jiān)督學(xué)習(xí)者的任務(wù)是在觀察完一些訓(xùn)練樣本(包括輸入向量和預(yù)期輸出)后，預(yù)測(cè)出模式函數(shù)，通過(guò)模式函數(shù)對(duì)任何即將出現(xiàn)的輸入向量預(yù)測(cè)新的預(yù)測(cè)輸出，即預(yù)測(cè)一個(gè)分類標(biāo)簽，便可達(dá)到目的。為達(dá)到此目的，學(xué)習(xí)者必

28、須以合理的方式來(lái)從現(xiàn)有的訓(xùn)練樣本中一般化到非觀察到的情況，這其中包括以下幾個(gè)事項(xiàng)：確定訓(xùn)練資料的形態(tài)、確定訓(xùn)練樣本的形態(tài)、確定學(xué)習(xí)的函數(shù)模式、預(yù)測(cè)分類。接下來(lái)通過(guò)這四點(diǎn)內(nèi)容闡述本論文的監(jiān)督學(xué)習(xí)過(guò)程。11廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究 確定訓(xùn)練資料的形態(tài)：在本文中，肌電信道數(shù)據(jù)以及信道索引即為訓(xùn)練資料的初始形態(tài)。前者存儲(chǔ)在以Daq為后綴的文件當(dāng)中，后者存儲(chǔ)在以Mat為后綴的文件當(dāng)中，二者皆是通過(guò)醫(yī)學(xué)儀器以及電極在人體表面肌膚探測(cè)采集的電子數(shù)據(jù)。 確定訓(xùn)練樣本的形態(tài)：在第一步采集的訓(xùn)練資料中，肌電信道數(shù)據(jù)通過(guò)濾波處理變成肌電信號(hào)，但是由于模式函數(shù)的精確度與輸入向量如何表示

29、有很大的關(guān)聯(lián)度，且特征的個(gè)數(shù)不宜太多，模式函數(shù)才能準(zhǔn)確的預(yù)測(cè)輸出。故處理肌電信號(hào)時(shí)用RMS寸域方法以及AR模型頻域方法提取特征值，以特征值作為訓(xùn)練樣本的輸入向量。而信道索引直接作為最后的預(yù)測(cè)輸出。 確定學(xué)習(xí)模式：在確定學(xué)習(xí)模式的過(guò)程中，本文采用LDA分類算法（LinearDiscriminantAnalysis,線性判別分析）在訓(xùn)練樣本中進(jìn)行學(xué)習(xí)。將此前訓(xùn)練樣本中s4t1的肌電信號(hào)與信道索引作為學(xué)習(xí)對(duì)象，并且調(diào)整學(xué)習(xí)模式的參數(shù)。參數(shù)調(diào)整后，模式便可以在不同于訓(xùn)練集的測(cè)試集上運(yùn)行。預(yù)測(cè)分類：將s4t3的肌電信號(hào)與信道索引作為測(cè)試對(duì)象，提取s4t3肌電信號(hào)的特征值，將此特征值作為模式的測(cè)試集，并在

30、模式上運(yùn)行，得出新的信道索引。將新的信道索引與原先的信道索引進(jìn)行誤差分析，以確定該學(xué)習(xí)模式的精確率。12廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究4.3繪圖展示4.3.1 表面肌電信號(hào)Sign西1Time/aSigfial2Sprwd1看&wixllsTime/sStQnai3苣dwujETim*/sSignal2laBdwpllls$Iime/s56Tim6/5StCPnai5AE3W山Sr-o505也蘭/©w山s45GTime向Signal345ETime/aSignal4At<5wLlJlsTimafsSignal5AWOF畝S5TimMsSigna

31、l6否WIJJS3434169Time看Signal75Iime/sSignalfi苣卑ms1fld音序蒞as,；1廠1-：5*；卜膽，；，肛河；i；i：34£«7SS56Time/sSignal7Tiritc/gSignal866709TirUg/e1010101010iaa.s411EMGSTime/sSignalB5Tinw/sh.s4t3EMG圖7.表面肌電信號(hào)Figure7.SEMGs4t3為編號(hào)4號(hào)實(shí)驗(yàn)者注：s4t1為編號(hào)4號(hào)實(shí)驗(yàn)者第1次試驗(yàn)的肌電數(shù)據(jù),第2次試驗(yàn)的肌電數(shù)據(jù)。前者為訓(xùn)練對(duì)象，后者為測(cè)試對(duì)象。13廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的

32、研究4.3.2RMS特征值nwcnwxSigns11Signal2Q12D«*5G7Q01005!"|rribjfr|i»»（）01234TimersSignal3Tinw/sSignal504u?0TlmafsSignal3.J*J0123i0;k二申1K二":01234567BTime/sSignal®金；b4小k血七爪bdd012345673TimsesSiqnsl7*E防ZCE工J1234567BTimfi/sSignal8a.s4t1KMSTime/sS*gr>3l4Time/sSignal601134TimWsSig

33、nal7Time/sIs至比b,s4t3KMs圖8.時(shí)域特征值均方根Figure8.RMS14廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究4.3.3AR模型特征AR-防特征伯甘明，a£-5f-sAR二階特征值I小小杷小沔費(fèi)"1人勒卒飛A比三階特怔伯Jt.5Te、EdJ1I不四逑雨二二Iq.I：iiiiiiiQ1Z3«4ET?FQ設(shè)屬串的皿的蘋*耳叼5TimaJ.StfianTim&l4簞Mr;后西海中酒SKf/也+忖也D123456T!Tim%Ir；ri;z-；1ipHa曰*J；iiiiiiiai2Ja1t；flTmMTL|I>Rid&#

34、187;!1!BinaaBniaaBBLTWWISigrulJl.I；0IIII!IIII巾1?3i5$7$TimpJg5«F*5，適f叫帆惘酬m網(wǎng)加后劉科4-5-E79TifW'fr*3-1S67日Timiii&N，E1Tim*SiuiJTIe.2fi-«"imrriUBriiBHriiifiiii-riii-niiit-.i.>1)iariimri'i堤E味/4格"*/哂!："|11*134、匚-''!口IIIIIAl?一附特征值nw>3puiZT)Z*日2EI號(hào)"：彳41ii,

35、a123456Titatii8vtm31,1*沁myU*VvLF吟戶盧卜一r,；,Jflli2：)J66hg.S°i才12p；：；-i總”二001J34ETim增4iE7aTints工n.sltlARA康二階特征值1412J1£gTirwi'BSinaiZ2aI2J45G畫口3Tin*11SgIH'%Iiiiiii;i4HZiAH三階特征值A(chǔ)9ud9汨二百鼻:；*A1卡癡占二F七心出*7","iii*i2344TimortS:Im*81143TinaJkStrariE-4t余3:5EIbthJi.-I仲片¥爐廣*尸工1叫華*&q

36、uot;*5mnI'IIb.34t.3AR圖9.頻域特征值A(chǔ)R模型參數(shù)Figure9.AR15廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究5.信號(hào)優(yōu)化處理5.1 MajorityVote與去噪函數(shù)實(shí)驗(yàn)者進(jìn)行一次試驗(yàn)時(shí)，動(dòng)作的變換是連續(xù)不中斷的，故在肌電信號(hào)的提取過(guò)程中，動(dòng)作轉(zhuǎn)換的信號(hào)數(shù)據(jù)也一并存儲(chǔ)在采集的肌電信號(hào)中。這是采集信號(hào)過(guò)程避免不了的信號(hào)干擾，我們稱之為噪音。噪音在肌電信號(hào)最終體現(xiàn)為分類標(biāo)簽的過(guò)渡數(shù)據(jù)，如下所示：111111112222222233333333類向量中兩個(gè)箭頭間的數(shù)據(jù)為過(guò)渡數(shù)據(jù)，即噪音。為減小噪音影響，使得模式識(shí)別的精確率提高，本文將采取以下兩種方法

37、對(duì)噪音數(shù)據(jù)進(jìn)行處理。MajorityVote:由上面可知，測(cè)試集通過(guò)模式識(shí)別得出的預(yù)期輸出是一個(gè)分類標(biāo)簽，MajorityVote采取窗口=8的間距對(duì)分類標(biāo)簽進(jìn)行”多數(shù)表決處理”。即當(dāng)窗口推移到過(guò)渡性數(shù)據(jù)時(shí)，采取“少數(shù)服從多數(shù)”的方式對(duì)過(guò)渡性數(shù)據(jù)進(jìn)行類別優(yōu)化。去噪函數(shù)：該處理方式相對(duì)于MajorityVote較為簡(jiǎn)單快捷，它直接將過(guò)渡性數(shù)據(jù)刪除，從而提高分類效率。16廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究5.2繪圖展示MajorityVoteError=4,8754%50007MajorityVote/NoTransitionsError=1,1389%NoTransitio

38、nsError=1,4893%4002000圖10.信號(hào)優(yōu)化處理優(yōu)劣對(duì)比三維圖Error=5.3025%86420Figure10MajorityVoteError=4.8754%01000200030000100020003000WindowNoTransitionsError=1.4893%8WindowMajorityVote/NoTransitionsError=1.1389%8I.M66一-2.0',0100020003000Window2-0''0100020003000Window圖11.信號(hào)優(yōu)化處理優(yōu)劣對(duì)比二維圖Figure1117廣東商學(xué)院數(shù)學(xué)與計(jì)算科

39、學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究6.結(jié)論提取肌電信號(hào)的特征值圖12處理肌電信號(hào)流程圖Figure12TheFlowhartofsEMGprocessing如圖12所示，本文通過(guò)五個(gè)步驟對(duì)采集的表面肌電信號(hào)進(jìn)行處理分析，分別是肌電信號(hào)的拾取、肌電信號(hào)的預(yù)處理、肌電信號(hào)的特征提取以及模式識(shí)別。首先對(duì)前臂肌肉群肱槎肌、槎側(cè)腕屈肌、槎側(cè)腕長(zhǎng)伸肌、尺側(cè)腕伸肌、尺側(cè)腕屈肌等8個(gè)位置進(jìn)行表面肌電信號(hào)的采集，然后采用RMS均方差）與AR真型兩種方法對(duì)采集的肌電信號(hào)進(jìn)行特征分析和特征提取，再通過(guò)監(jiān)督式學(xué)習(xí)、LD吩類算法對(duì)肌電信號(hào)進(jìn)行模式識(shí)別，區(qū)別屈肘、屈腕、屈指和前臂旋轉(zhuǎn)等多種動(dòng)作。論文的最后還采用了Majo

40、rityVote以及去除噪音函數(shù)對(duì)分類標(biāo)簽進(jìn)行優(yōu)化處理,并使用MATLAB驗(yàn)軟件繪圖直觀表示分類方法的識(shí)別率。其中，通過(guò)LD吩類算法得到的分類標(biāo)簽誤差為5.3025%;僅對(duì)分類標(biāo)簽進(jìn)行MajorityVote優(yōu)化處理之后得到的誤差為4.8754%；僅對(duì)分類標(biāo)簽進(jìn)行去噪函數(shù)優(yōu)化處理得到的誤差為1.4893%;同時(shí)采用MajorityVote以及去除噪音函數(shù)則使得誤差最低,為1.1389%18廣東商學(xué)院數(shù)學(xué)與計(jì)算科學(xué)學(xué)院基于肌電信號(hào)的行為識(shí)別的研究參考文獻(xiàn)1王健.sEMG信號(hào)分析及其應(yīng)用研究進(jìn)展.體育科學(xué)，SPORTSCIENCE2000,20(4):56-60.2王健，金小剛.表面肌電信號(hào)分析及

41、其應(yīng)用研究.中國(guó)體育科技，CHINASPORTSCIENCEANDTECHNOLOGY2000,36(8):26-28.3雷敏，王志中.肌電假肢控制中的表面肌電信號(hào)的研究進(jìn)展與展望.中國(guó)醫(yī)療器械雜志CHINESEJOURNALOFMEDICALINSTRUMENTATION2001,25(3):156-160.4羅志增，楊廣映.表面肌電彳t號(hào)的AR參數(shù)模型分析方法.傳感技術(shù)學(xué)報(bào)CHINESEJOURNALOFSENSORSANDACTUATORS2003,16(4):384-387.5蔡立羽，王志中，張海虹等.基于小波變換的肌電信號(hào)識(shí)別方法研究.數(shù)據(jù)采集與處理JOURNALOFDATAACQU

42、ISITIONANDPROCESSING2000,15(2):255-258.6羅志增，任曉亮.肌電信號(hào)的拾取和預(yù)處理.傳感技術(shù)學(xué)報(bào)CHINESEJOURNALOFSENSORSANDACTUATORS2004,17(2):220-223.7楊廣映，羅志增.肌電信號(hào)的功率譜分析方法.傳感技術(shù)學(xué)報(bào)CHINESEJOURNALOFSENSORSANDACTUATORS2004,17(3):355-358.8王人成，鄭雙喜，蔡付文等.基于表面肌電信號(hào)的手指運(yùn)動(dòng)模式識(shí)別系統(tǒng).中國(guó)康復(fù)醫(yī)學(xué)雜志,CHINESEJOURNALOFREHABILITATIONMEDICINE2008,23(5):410-41

43、2.儀器儀表學(xué)報(bào),CHINESE.中國(guó)組織工程研究與臨床TISSUEENGINEERING9羅志增，王人成.基于表面肌電信號(hào)的前臂手部多運(yùn)動(dòng)模式識(shí)別JOURNALOFSCIENTIFICINSTRUMENT2006,27(9):996-999.10盧蕾，殷濤，靳靜娜等.采集表面肌電信號(hào)應(yīng)用于動(dòng)作識(shí)別的可行性康復(fù),JOURNALOFCLINICALREHABILITATIVERESEARCH2011,15(22):4103-4106.11胡曉，王志中，任小梅等.基于分形維前臂動(dòng)作表面肌電信號(hào)的分類.東南大學(xué)學(xué)報(bào)(英文版),JOURNALOFSOUTHEASTUNIVERSITY(ENGLISHE

44、DITION)2005,21(3):324-329.12李醒飛，朱嘉，楊晶晶等.基于肌電信號(hào)的人手運(yùn)動(dòng)狀態(tài)的辨識(shí).中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),CHINESEJOURNALOFBIOMEDICALENGINEERING2007,26(2):166-169.13李醒飛，張國(guó)雄，裘祖榮等.利用肌電信號(hào)實(shí)現(xiàn)仿生肘關(guān)節(jié)運(yùn)動(dòng)控制的研究.機(jī)械工程學(xué)報(bào),CHINESEJOURNALOFMECHANICALENGINEERING2004,40(4):32-35.14蔡華.多道前臂肌電信號(hào)集中參數(shù)模型系統(tǒng)的確定.生物醫(yī)學(xué)工程學(xué)雜志1999,(1):57.15吳冬梅，孫欣，張志成等.表面肌電信號(hào)的分析和特征提取.中國(guó)組織

45、工程研究與臨床康復(fù),JOURNALOFCLINICALREHABILITATIVETISSUEENGINEERIN(KESEARCH2010,14(43):8073-8076.16 GRAUPED.FunctionseparationofEMGsignalsviaARMRidentificationmethodsforprosthesiscontrolpurposesJ.IEEETrans.Syst.ManCybern.1975,5:252259.17 KELLYM.Theapplicationofneuralnetworkstomyoelectricsignalanalysisprelimi

46、narystudyl,J.IEEETran.Biomed.Eng.,1990,37:221229.18 UNSERM,AIDROUBIAAreviewofwaveletsinbiomedicalapplicationsc.Proc.OftheIEEE,1996,84(4):626-638.19JANGGCHUsingtimefrequencyanalysistechniqueintheclassificationofsurfaceEMGsignalsA.AnnualInt.Conf,oftheIEEEEngineeringinMedicine&BiologySociety.1994,16:12421243