基于表面肌电信号的腰背动作识别新方法

刘二宁 邹任玲 姜亚斌 胡秀枋 卢旭华 王海滨 范虓杰 张安林

摘 要：為提高基于表面肌电信号的人体腰背动作识别率，提出一种基于小波包能量与改进NARX神经网络的分类识别新方法。利用小波包变换对动作部位进行表面肌电信号特征提取，并采用改进NARX神经网络进行分类识别。选取8名实验者分别在扭腰、弯腰、侧弯腰3种动作下进行表面肌电信号数据采集，选择db4小波包函数对信号进行6层分解，得到第6层64个频带的小波包分解系数，代表各个动作信息的特征向量，作为改进NARX神经网络的输入进行分类识别。对照实验组中，改进NARX神经网络的识别率较高，总体识别率达到96.7%。实验结果表明，利用该识别方法对腰部动作进行分类识别，分类准确，且识别率更高。

关键词：表面肌电信号;动作识别;小波包变换;改进NARX神经网络

DOI：10. 11907/rjdk. 201327                                                                  开放科学（资源服务）标识码（OSID）：

中图分类号：TP301   文献标识码：A                 文章编号：1672-7800（2020）011-0071-04

A New Method for Recognition of Lumbar and Back Movements

Based on Surface EMG Signals

LIU Er-ning1， ZOU Ren-ling1，JIANG Ya-bin1，HU Xiu-fang1，LU Xu-hua2，WANG Hai-bin2，FAN Xiao-jie1，ZHANG An-lin1

（1. School of Medical Instrument and Food，University of Shanghai for Science and Technology，Shanghai 200093，China;

2. Shanghai Changzheng Hospital， Shanghai 200003， China）

Abstract： In order to improve the recognition rate of human low back motion pattern based on surface EMG， this paper proposes a new classification and recognition method based on wavelet packet energy and improved NARX neural network.The wavelet transform is used to extract the surface EMG signal features of the action part， and the improved NARX neural network is used for classification and identification. Eight experimental subjects were selected to perform surface EMG signal data acquisition under the lumbar motion of twisting， bending and side bending. The db4 wavelet packet function was used to decompose the signal in 6 layers to obtain the decomposition coefficient of the 64 wavelet band in the 6th layer. The coefficients represent the feature vector of each action information are used as an input to the improved NARX neural network for classification and recognition. In the control group， the improved NARX neural network has a higher recognition rate， and the overall recognition rate reaches 96.7%. The experimental results show that the waist movement is classified and recognized by this recognition method with accurate classification and higher recognition rate.

Key Words： surface EMG signal;motion recognition;wavelet packet transform;improved NARX neural network

0 引言

表面肌电信号是指通过表面肌电拾取方式采集肌肉活动产生的电信号，可在一定程度上反映神经肌肉的活动。其借助于无创伤、使用方便等优势，在康复训练中常被用来对患者动作进行分类与识别，从而实现智能控制，以进一步提高康复效果[1-3]。

利用表面肌电信号对人体动作进行分类识别，关键在于如何提高表面肌电信号的分类识别率。目前，国内外学者利用人工神经网络、模糊熵判别法、神经模糊熵判别法等算法，一定程度上提高了识别率[4-8]。其中具有代表性的有杨伟健等[9]提出的基于空域相关滤波的小波熵和近似熵特征提取与分类方法，实现了肩颈部肌电信号识别，可对轮椅进行智能控制;魏伟等[10]提出一种小波变换与粒子群优化支持向量机（Particle Swarm Optimization-Support Vector Machine，PSO-SVM）相结合的模式分类方法，能够成功识别表面肌内翻、外翻，以及握拳、展拳动作;王红旗等[11-12]提出一种将播报主元分析与线性判别分析相结合的表面肌电信号动作特征识别新方法，其将小波包系数矩阵由16维降到4维，对前臂4种动作模式（握拳、展拳、手腕内翻和手腕外翻）的正确识别率平均可达98%，与传统小波包变换相比识别率更高;Yogendra等[13]利用原始表面肌电图（sEMG）信号特征的一阶微分得到4个新的时域特征，与其它分类器相比具有更好的分类精度;Mane等[14]提出一种新的基于单通道的表面肌电信号识别算法识别表面肌电信号，利用小波变换与人工神经网络相结合的方法能更好地对表面肌电信号进行识别与分类。

传统方法利用小波变换提取表面肌电信号特征向量，无法很好地分解与表示包含大量细节信息的表面肌电信号，而小波包变换是一种信号的时间—尺度分析方法，具有多分辨率分析的特点，在时、频域具有较强的表征信号局部特征的能力。因此，为提高分类与识别的准确性，本文提出采用小波包变换法对动作部位的表面肌电信号进行特征提取，之后输送到改进NARX神经网络进行分类与识别，并将该方法应用于腰部腰方肌、竖脊肌的动作（扭腰、弯腰、侧弯腰）识别。实验结果表明，该方法可以显著提高对腰背部动作的分类识别准确性，在康复训练中可起到指导训练、提高康复效果的作用。

1 小波包能量特征向量提取

小波变换原理：设ft是平方可积函数，φa，bt被称为基本小波或母小波，定义如下：

φa，bt=1aφt-ba    （1）

则信号ft连续小波变换定义为：

Wφfa，b≤ft，φa，bt≥1a-∞+∞ftφ*t-badt     （2）

式中，a>0，b∈R，a是尺度因子，b是伸缩因子，“<>”表示内积，“*”表示共轭。信号ft的离散小波变换定义为：

Wf2j，2jk=2-j2-∞+∞ftφ2-jt-kdt     （3）

其逆变换为：

ft=f=-∞+∞k=-∞+∞wf2j，2jk？2j，2jkx     （4）

由式（2）可知，小波变换是先选定一个基小波函数φt，然后将信号ft在φt下展开。对于一个已知信号st进行小波变换，如式（5）所示。

st=AIt+I=1UDt=waIaIt+I=1UwdIt （5）

式中，AIt为第I级的低频分量，DIt为第I级的高频分量，waI为第I级的低频小波系数，wdI为第I级的高频小波系数，aIt与dIt是小波基。

由Parse-val定理得知，频域计算信号与时域计算信号的能量相等，由此可知，分解后各个频带的能量为EI，以EI为元素可构造特征向量：R=E1，E2，E3，？，EI，其中I=2i。再令E=sqrt（i=0I|EI|2），归一化处理后的能量为R'=E1/E，E2/E，E3/E，？，EI/E，最后以R'作为神经网络的输入进行动作识别。

设φ（x）、ψ（x）分别是尺度函数和小波函數，令：

ψ0（x）=φ（x）ψ1（x）=ψ（x） （6）

φ2l（x）=k=-∞+∞hkφl（2x-k）ψ2l+1（x）=k=-∞+∞gkφl（2x-k）          （7）

则定义的函数ψn称为关于尺度函数φ（x）的小波包。

利用小波包算法提取运动的表面肌电信号特征能量时，只要选择合适的小波包函数和分解层数[15-16]，即可将进行不同运动时肌电信号中的各个频段信息分解出来，最后得到一组代表各个动作信息的特征向量[17-19]。

2 NARX神经网络改进算法

NARX神经网络算法在通信随机信号获取特征值方面已取得较大进展，同样也适用于处理肌电信号的随机性，可用来识别不同的肌肉运动[20-21]。改进NARX神经网络在输入延时环节上作了改进，隐层神经元使用动态的激励函数，优化后的神经网络更加简单，能更好地满足康复训练对高精度控制的动态要求。因此，在小波包处理表面肌电信号基础上采用改进NARX神经网络提高识别率。

NARX神经网络（见图1）由输入层、延时层、隐含层和输出层、反馈环节构成，是一种被广泛应用于动态非线性研究的反馈神经网络，也称为实时递归网络。

NARX 神经网络权值更新算法为：

ΔWkη？eTk？yk？w+dxykT     （8）

其中：

dxyk=dykdyk-1，dykdyk-2，...dykdyk-mT   （9）

隐层神经元激励函数参数学习方法如下：

（1）参数α的学习算法。

Jk=12e2k;ek=dk-yk （10）

αi，k+1=αi，k-Δαi，k;Δαi，k=ηαdJkdαj，k （11）

dJkdαi，k=-ekdykdαi，k （12）

dykdαi，k=w1idzidαi，k=ziαi，kw1i （13）

zi=fivi，αi，βi=αi？eβivi-e-βivieβivi+e-βivi （14）

αi，k+1=αi，k+ηα？ek？ziαi，k？w1i （15）

其中，αi，k+1是第i个隐层神经元激励函数参数αi在k+1时刻的值，ηα是学习速率，w1i是第i层隐层神经元到输出层的连接权，zi是第i个隐层神经元的输出，vi是第i个隐层神经元的输入。

（2）参数β的学习算法。

βi，k+1=βi，k-Δβi，k;Δβi，k=ηβ？dJkdβi，k （16）

dJkdβi，k=-ek？dykdβi，k         （17）

dykdβi，k=w1idzidβi，k=w1i？vi？αi，k？1-z2i （18）

βi，k+1=βi，k+ηβ？ek？w1i？αi，k？v？1-z2i   （19）

其中， βi，k+1是第i个隐层神经元激励函数参数βi在k+1时刻的值，ηβ是学习速率。

改进NARX神经网络（见图2）在输入延时环节上作了改进，结构上与传统NARX回归神经网络结构基本相同。改进NARX网络在应用时只需确定隐层神经元数目，采用实时递归学习（Real Time Recurrent Learning， RTRL）算法，此时该网络隐藏层具有动态的激励函数。

3 动作识别实验与结果分析

为验证该方法对腰背部动作的识别率，本文将腰背动作分为易于识别的扭腰、弯腰、侧弯腰3个动作。实验采用芬兰Mega公司开发的ME6000表面肌电测试仪，包含16通道的数据记录器和无线遥控装置，能够精准测量与监控表面肌电信号。本实验设置的采样频率为1 000Hz，肌电信号高通滤波器截止频率为20Hz，低通滤波器截止频率为500Hz。实验选取8名23-26周岁的大学生，身体健康且24h内无腰背部剧烈运动，分别在其扭腰、弯腰、侧弯腰3种动作下进行信号采集（见图3）。实验期间保证每位测试者在非疲劳情况下测试，每个动作时间为30s，且动作平稳。

3.1 特征向量提取与神经网络构建

选取腰背部3种动作的表面肌电信号，采用db4小波包函数对信号进行6层分解，得到第6层64个频带的小波包分解系数，之后计算出每个频带的信号能量，再将得到的能量进行归一化处理，作为神经网络的输入。

为区分腰背部的3个动作（弯腰、扭腰和侧弯腰），设置3个对应的输出层节点：（1 0 0）表示弯腰动作，（0 1 0）表示扭腰动作，（0 0 1）表示侧弯腰动作。

3.2 改進神经网络训练与测试

改进NARX神经网络体系结构包括3层前馈网络与2个输入，以及8个隐层神经元。神经网络内部运算函数使用Sigmoid函数，以提高计算速度。采用MATLAB神经网络工具箱进行神经网络分析，并与经典NARX神经网络进行比较。测试数据来源于此次试验采集的数据，随机产生240组输入输出数据对，其中前200组用于训练，后40组用于测试。经典NARX神经网络采用三阶输入延迟与一阶输出延迟，以及8个隐层神经元;改进NARX神经网络采用一阶输出延时，以及8个隐层神经元。使用240个数据集进行网络训练，两种神经网络学习速率均为0.001，训练1 000步，比较结果如图4、图5所示。其中，图4为NARX神经网络MSE拟合图，图5为改进NARX神经网络MSE拟合图。MSE用来表示训练后输出矩阵与目标矩阵的拟合曲线，R（相关度）的值越接近1，表示拟合效果越好。比较两幅图的结果得出，改进NARX神经网络相比传统NARX神经网络，拟合度与识别率更高。

3.3 结果分析

将改进NARX神经网络与BP、Elman神经网络进行对比实验。BP神经网络隐层神经元为10，输出神经元为3，inputs输入数据中70%用于训练，15%用于拟合，15%用于测试，总体识别率为88.3%，说明其只能基本识别测试动作;Elman神经网络隐层神经元为14，输出神经元为3，inputs输入数据中70%用于训练，15%用于拟合，15%用于测试，总体识别率为90%，表明Elman神经网络模式识别结果优于BP神经网络;NARX神经网络隐层神经元为8，输入延时为2，输出反馈延时为2，输出神经元为3，inputs输入数据中70%用于训练，15%用于拟合，15%用于测试，总体识别率为93.3%;改进NARX神经网络隐层神经元为8，输入延时节点数为0，输出延时节点数为2，输出神经元为3，inputs输入数据中70%用于训练，15%用于拟合，15%用于测试，总体识别率为96.7%。根据几组数据比较结果，改进NARX神经网络模式识别结果优于传统NARX神经网络。

从表1中可以看出，各组针对扭腰模式的识别效果相对较好，而针对弯腰与侧弯腰的识别效果较差。其中，BP神经网络的识别结果最差，NARX神经网络识别结果最优，改进NARX神经网络通过对输入隐层神经元的优化，识别率得到了很大提升。

4 结语

本文提出一种基于小波包能量与改进NARX神经网络的分类识别新方法，利用小波包多分辨率的特点对表面肌电信号进行多维度分解与重构，提取各个频段归一化能量作为腰背动作特征向量。实验结果表明，改进NARX神经网络能够对腰背训练中的3个动作进行有效分类，相比BP神经网络、ELMAN神经网络与NARX神经网络，分类结果更准确，识别率更高。但不足之处是该方法对弯腰和侧弯腰动作识别率相对较低，未来研究方向是进一步提高每个动作的识别率，并测试将该方法应用于下肢运动的动作识别中。

参考文献：

[1] FELDNER H A，HOWELL D，KELLY V E，et al. “Look， your muscles are firing！”： a qualitative study of clinician perspectives on the use of surface electromyography in neurorehabilitation[J]. Archives of physical medicine and rehabilitation，2018，100（4）：663-675.

[2] ZHANG Z，YANG K，QIAN J，et al. Real-time surface emg pattern recognition for hand gestures based on an artificial neural network [J].  Sensors， 2019， 19（14）：3170-3185.

[3] ZHANG L，LIU G，HAN B，et al. sEMG Based Human Motion Intention recognition[J]. Journal of Robotics，2019（1）：1-12.

[4] 李明，杨汉生，杨成梧，等. 一种改进的NARX回归神经网络[J].  电气自动化，2006，28（4）：6-8.

[5] 于亚萍，孙立宁，张峰峰，等. 基于小波变换的多特征融合sEMG模式识别[J]. 传感技术学报， 2016， 29（4）：512-518.

[6] NOWAKOWSKI M，TRYBEK P. Correlation based analysis of sEMG signals during complex muscle activity. Feasibility study of new methodology[J].  Folia Medica Cracoviensia， 2017， 57（2）：41-52.

[7] 徐国庆，吴云韬.  上肢残肢肌电信号交互的实现[J].  计算机工程与设计， 2015（12）：3344-3348.

[8] AI Q S，ZHANG Y N，QI WL，et al. Research on lower limb motion recognition based on fusion of sEMG and accelerometer signals[J].  Symmetry，2017，9（8）：1-19.

[9] 杨伟健，佘青山，张启忠，等.  一种肩颈部肌电信号识别的智能轮椅控制方法[J]. 上海交通大学学报， 2016， 50（6）：949-956.

[10] 魏伟，洪洁，王璐，等. 基于小波变换和PSO-SVM的表面肌动作模式分类[J]. 安徽工业大学学报（自然科学版），2016，33（3）：272-277.

[11] 王红旗，李林伟，毛啊敏. 基于小波包主元分析的表面肌电信号特征识别[J]. 河南理工大学学报（自然科学版），2015，34（2）：249-252.

[12] 王红旗，李林伟，毛啊敏. 基于小波包的表面肌电信号特征表示与识别[J].  计算机工程与应用，2015， 51（9）：217-220.

[13] YOGENDRA N，LINI M，CHATTERJI S.  sEMG signal classification with novel feature extraction using different machine learning approaches[J].  Journal of Intelligent & Fuzzy Systems，2018，35（5）：1-11.

[14] MANE S M，KAMBLI R A，KAZI F S，et al. Hand motion recognition from single channel surface emg using wavelet & artificial neural network[J].  Procedia Computer Science，2015， 49（1）：58-65.

[15] MARTELLO S，PISINGER D，TOTH P. New trends in exact algorithms for the 01 knapsack problem[J]. European Journal of Operational Research ，2000，123（2）：325-332.

[16] 洪洁，王璐，汪超，等. 基于人工鱼群算法优化SVM的手部动作sEMG识别[J].  传感器与微系统，2016，35（2）：23-25.

[17] DUAN F， DAI L，CHANG W， et al. sEMG-based identification of hand motion commands using wavelet neural network combined with discrete wavelet transform[J]. IEEE Transactions on Industrial Electronics， 2016， 63（3）：1923-1934.

[18] SHIGUANG W，FEI W，CHENGDONG W，et al. Human lower limb motion recognition based on translation invariance wavelet transform and RBF neural networks[C].  Chinese Control and Decision Conference， 2009.

[19] LIU Z H，LUO Z Z. Hand motion pattern classifier based on EMG using wavelet packet transform and LVQ neural networks[C].  IEEE International Symposium on IT in Medicine and Education， 2008：28-32.

[20] LI Z，HAYASHIBE M，FATTAL C，et al. Muscle fatigue tracking with evoked EMG via recurrent neural network： toward personalized neuroprosthetics[J]. IEEE Computational Intelligence Magazine， 2014， 9（2）： 38-46.

[21] BU N，OKAMOTO M，TSUJI T. A hybrid motion classification approach for emg-based human-robot interfaces using bayesian and neural networks[J]. IEEE Transactions on Robotics， 2009， 25（3）： 502-511.

（責任编辑：黄 健）