基于表面肌电的肌肉疲劳检测系统研究

糜超 陈阳 邹凌

摘 要： 为了利用表面肌电信号自动检测肌肉疲劳状态，设计一套8导联表面肌电采集系统。该系统主要包括模拟前端放大电路、主控模块和电源模块三部分，并研究了肌肉疲劳与正常状态下表面肌电信号的特征提取及分类方法。实验表明：自行设计的放大器分辨率为38.1 μV，系统噪声小于15.3 μV，采样率达到1 000 Hz，功耗约为30.7 mW；使用该放大器采集肌肉疲劳与正常状态下肌电信号，支持向量机分类的识别率高达98%。该系统具有体积小、精度高、功耗低及操作简便等优点，可用于家庭健康监护领域。

关键词： 表面肌电信号； 肌肉疲劳； 特征提取； 支持向量机； 放大电路； 健康监护

中图分类号： TN911.23?34； TP368.1； R318.6 文献标识码： A 文章编号： 1004?373X（2018）20?0078?05

Abstract： An 8?channel sEMG acquisition system is designed to automatically detect the muscle fatigue status by using sEMG signals. The system mainly consists of the analog front?end amplifying circuit， main control module and power supply module. The feature extraction and classification method of the sEMG signal at the muscle fatigue status and normal status are studied. The experimental results show that the designed amplifier has resolution rate of 38.1 μV， system noise of smaller than 15.3 μV， sampling rate of as high as 1 000 Hz， and power consumption of about 30.7 mW； when the amplifier is used to collect the sEMG signal at the muscle fatigue status and normal status， the recognition rate of support vector machine （SVM） classification is as high as 98%； the system has the advantages of small size， high precision， low power consumption and easy operation， and can be used in the field of family health monitoring.

Keywords： sEMG signal； muscle fatigue； feature extraction； SVM； amplifying circuit； health monitoring

0 引 言

肌肉疲劳是当肌肉不能满足某一力量要求时的肌肉状态。連续强烈的肌肉收缩是导致肌肉疲劳的主要原因[1]，如帕金森疾病、内分泌紊乱、癌症、营养不良，以及长时间使用肌肉电刺激仪等都会引起肌肉疲劳。

表面肌电信号（surface Electromyography，sEMG）是人体肌肉发生收缩活动时产生的一种生理电信号，经常被用来评估肌肉活动状态。1890年Etienne Jules Marey第一次记录了肌肉活动的电信号。肌电信号是一种随机生理电信号，具有以下特点[2?3]：

1） 微弱性。肌电信号幅度范围一般在100～5 000 mV，均方根在0～1.5 mV；相比于针电极检测的肌电信号，表面肌电信号的幅度更小。

2） 低频特性。表面肌电信号能量主要集中在1 000 Hz以下，频谱主要集中在20～500 Hz之间，功率谱通常处在30～300 Hz之间。

3） 高阻抗性。当皮肤干燥、无损的情况下，人体的电阻可高达40～400 kW。在肌肉处于疲劳状态下时，功率谱密度会向低频段漂移及在峰值上产生变化[4]。比如，在进行最大力负重练习后，肌电信号的峰值会变大，并且向低频段漂移。

肌电是目前肌肉疲劳检测中较为准确方便的测量方法。作为一种简单、无创伤、可定量的研究方法，利用肌电图研究肌肉疲劳是劳动生理学中常用的方法。表面肌电放大器的设计和基于表面肌电的肌肉疲劳检测已经取得了一定的进展，如周兵等人设计了基于ARM 7的表面肌电信号采集仪[5]；Koutsos E等采集表面肌电信号后，进行功率谱上的分析[6]。目前的检测大都是基于观测功率谱图这一方法，需要一定的专业知识才能鉴别出肌肉状态，不便于家庭化的推广使用。

本文设计了一个高精度、便携式、8导联的表面肌电采集系统，利用该系统分别采集不同被试肌肉正常与疲劳状态下的肌电信号。提取信号的有效特征，进行肌肉正常与疲劳状态分类，实现肌肉疲劳的检测。

1 肌电采集系统硬件设计

多通道肌电采集放大电路主要由模拟采集放大部分、主控芯片部分、电源部分三大块组成。模拟前端主要对微弱的肌电信号进行两次放大以及带通滤波，拾取有效的肌电信号；经过放大滤波的模拟肌电信号传送给24位高精度的ADS1278模/数转换芯片（Analog?to?Digital converter，ADC），得到稳定的数字信号；主控芯片将数字信号进行存储，同时发送给上位机，以便后期研究。

1.1 模拟前端电路设计

模拟前端需要对信号进行调理，将微弱的肌电信号放大至ADC可识别的电压范围之内，同时最大程度地去除干扰噪声，保留肌电信号有效成分。在设计模拟前端时，需要根据表面肌电信号的特性，完成共模抑制比、放大倍数等参数的计算。

假设肌电电压的分辨率ΔVEMG为500 nV，当满足式（10）时，最小增益[GAFEmin]为4.2。其中，LSB为ADC精度。

以上计算基于以下假设：

1） 放大器的量程FSR为5 V；

2） 电路中做了去直流处理；

3） 放大器具有大于75 dB的共模抑制比（50 Hz处）；

4） 结合ADS1278芯片手册，假设信噪比失真参数SINAD为103 dB。综上所述，前端模拟电路需要满足如下要求：

综合以上计算分析，本系统使用差分输入的仪表放大器INA333进行5倍的前级放大，并且同时对信号高通滤波，截止频率为6 Hz。为了有效去除直流成分，使用OPA333运算放大器进行去直流操作。使用差分输出放大器THS4521对信号进行约40倍的后级放大，同时进行截止频率为500 Hz的低通滤波。模拟前端电路设计参数及原理图如表1、图1所示。

1.2 电源及电平转换电路设计

肌电信号采集系统需要低噪声、高精度的供电模块，本系统电源设计如图2所示。ADC芯片的参考电压直接决定了工作的精度和稳定性。本系统中选用ISL21007?25（U3）稳压芯片来实现2.5 V的参考电压值。该芯片具有低噪音（峰峰值4.5 mV），高精度（±0.5 mV），低漂移（3 ppm/℃）的特点。前端的模拟采集放大部分的供电使用±2.5 V的双电源供电。2.5 V的电源使用具有低压差线性稳压器的TPS79625（U2）实现；-2.5 V的电源首先使用高频（2 MHz）逆向电源芯片MAX889T（U4）得到-3 V的电压，再使用具有低噪音、高电源供电抑制比的TPS72325（U5）芯片得到-2.5 V的电压。前端滤波和ADC内部供电使用5 V的单电源供电，使用TPS79650（U1）芯片实现。数字信号电源部分和ADC的I/O口3.3 V供电，以及ADC的数字内核1.8 V供电使用TPS79645（U6）实现。

1.3 ADC选择及主控模块设计

ADC芯片的选择需要满足如下要求：具有能够连续采样的多通道；支持使用SPI口与主控进行通信；较低的功耗。

基于以上几点，本系统采用TI公司的ADS1278[8]芯片。该芯片能够达到144 KSPS的采样率，111 dB的信噪比，具有8个通道。

主控模块采用STM32实现，主要功能是利用SPI接收来自ADC芯片的数字信号，将接收到的数据封装成包，数据包大小为32 bit，包含一个8 bit的通道号和24 bit的肌电数据，并且将其通过USB口发送给上位机。主控程序的主要逻辑分为SPI总线控制、FIFO数据保存、USB数据发送三部分，如图3所示。主控芯片通过SPI控制ADC芯片，设置定时器查询ADC是否完成数据转换，完成则循环读取8次DOUT口数据，每次读取1 bit，将STRB标志置为1。当主程序检测到STRB置为1后，检查FIFO是否已满，若满则将TH_FULL标志置为1；未满则将已读取的8 bit数据保存至FIFO。主程序检测到TH_FULL为1后，则将FIFO里的数据通过USB口发送给与之连接的PC端，同时清空FIFO。

1.4 放大器主要性能指标

本文设计实现的表面肌电放大器实物尺寸为20 cm×10 cm×2 cm，体积较小。设备使用锂电池进行供电，电极使用可插拔式的DIN2.0接口，数据利用USB传输。系统测量参数如表2所示。结果表明，自行设计的8导联表面肌电放大器符合表2中的设计参数，具有较低功耗、较高共模抑制比和较高精度的特点。与国标相比[9]，共模抑制比、有效带宽达到了要求；系统噪声未能达标，但已经满足肌肉疲劳检测的要求。

2 特征提取及分类

2.1 特征提取

提取有效的特征是疲劳检测的基础。肌电信号的特征提取主要分为三类方法：时域法，频域法，时域?频域结合法。表面肌电信号的时域特征与频域特征或时?频域特征相比，具有计算量简单、获取迅速等优点，可以获得相对较好的分类特性。本文提取平均绝对值 （Integrated Electromyogram，IEMG）、过零率（Zero Crossing，ZC）、符号改变斜率（Slope Sign Change，SSC）、波长（Waveform Length，WL）、4个时序上的肌电信号特征。

1） 平均絕对值

2） 过零率

3） 符号改变斜率

4） 波 长

2.2 分 类

本文使用4个分类算法来检测肌肉的疲劳和非疲劳两种状态。其中，K近邻（KNN）和支持向量机（SVM）是非参数方法；线性判别（LDA）和朴素贝叶斯（NB）为参数化方法。所有方法使用Python实现。

2.3 实验结果与分析

本实验采用自主设计的8导联肌电采集系统，1 kHz的采样率，设置放大倍数为200倍。拟选取平均年龄在25岁，平均身高在175 cm，平均体重在60 kg的被试10名。被试无神经肌肉方面的疾病，以及没有受过特殊的力量训练。实验要求被试在休息一段时间以后，将一次性心电电极放置在肱三头肌附近，每个电极之间间隔10 mm。要求被试在站立状态下，以2 s每次的速度举哑铃数次。实验中，首先采集被试非疲劳状态下的肌电信号，每次持续3 s。在被试负重训练，手臂感到疲惫后，采集被试静止状态下的肌电信号，每次持续3 s。将采集到的肌电信号首先进行20～500 Hz带通滤波，去除50 Hz工频干扰[10]。肌肉正常状态下和疲劳状态下的肌电图分别如图4a）、图4b）所示，功率谱对比如图5所示。当肌肉处于疲劳状态下时，表面肌电功率谱图的峰值变大，向低频段漂移，与已有的相关文献报道相符[4]。

提取第2.1节中的平均绝对值、过零率、符号改变率、波长4个特征，使用K近邻、支持向量机、线性判别和朴素贝叶斯分类器分类，分类结果如表3所示。

SVM分类时正确率达到了98%，能够有效区分肌肉疲劳与正常两种状态。

3 结 语

本文研制了一套8导联表面肌电采集系统。对10位被试肌肉疲劳与正常状态下的表面肌电信号采集与分析，利用机器学习方法分类。实验表明，本系统能很好地完成对肌肉疲劳的检测任务，适用于家庭健康监护等场景。为进一步提高系统性能，将在信号采集与分类算法上进行改进，使系统实现低功耗与小型化。

注：本文通讯作者为邹凌。

参考文献

[1] BOYAS S， GU?VEL A. Neuromuscular fatigue in healthy muscle： underlying factors and adaptation mechanisms [J]. Annals of physical & rehabilitation medicine， 2011， 54（2）： 88?108.

[2] NA Y， CHOI C， LEE H D， et al. A study on estimation of joint force through isometric index finger abduction with the help of SEMG peaks for biomedical applications [J]. IEEE transactions on cybernetics， 2016， 46（1）： 2?8.

[3] DASOG M， KOIRALA K， LIU P， et al. Electromyogram bandwidth requirements when the signal is whitened [J]. IEEE transactions on neural systems and rehabilitation engineering， 2014， 22（3）： 664?670.

[4] ROGERS D R， MACISAAC D T. EMG?based muscle fatigue assessment during dynamic contractions using principal component analysis [J]. Journal of electromyography and kinesiology， 2011， 21（5）： 811?818.

[5] 周兵，纪晓亮，张荣，等.基于嵌入式技术的表面肌电信号采集仪设计[J].现代电子技术，2010，33（6）：55?57.

ZHOU Bing， JI Xiaoliang， ZHANG Rong， et al. Design of surface EMG acquisition instrument based on embedded technology [J]. Modern electronics technique， 2010， 33（6）： 55?57.

[6] KOUTSOS E， GEORGIOU P. An analogue instantaneous median frequency tracker for EMG fatigue monitoring [C]// Proceedings of IEEE International Symposium on Circuits and Systems. Melbourne： IEEE， 2014： 1388?1391.

[7] VAN RIJN A C M， PEPER A， GRIMBERGEN C A. High?quality recording of bioelectric events [J]. Medical & biological engineering & computing， 1990， 28（5）： 389?397.

[8] Texas Instruments. ADS1278?HT： octal， simultaneous?sampling 24?bit analog?to?digital converter [EB/OL]. [2013?04?01]. http：//www.ti.com/lit/ds/symlink/ads1278?ht.pdf.

[9] Tianjin Quality Supervision and Inspection Center of Medical Device， CFDA. Myoelectric biofeedback equipment： YY/T 1095?2015 [S/OL]. [2015?03?02]. http：//www.168i.cn/soft/show.asp？id=218720.

[10] 汤烈，葛良全.一种滤除表面肌电信号中工频干扰的新型方法[J].现代电子技术，2015，38（4）：30?34.

TANG Lie， GE Liangquan. A novel method of filtering the power?line interference in surface EMG signal [J]. Modern electronics technique， 2015， 38（4）： 30?34.