一种基于表面肌电信号的踝关节角度的预测方法

廖尉捷

（重庆交通大学机电与车辆工程学院，重庆400074）

表面肌电信号sEMG（surface Electromyography）是指中枢神经系统支配肌肉活动时从皮肤表面检测到的生理电信号，由于肌电信号总是先于实际动作产生的特点，与其他以角度、力、加速度等物理信息作为信号源的控制方法相比，sEMG 可以更直观、更快速地反映人体意图。肌电信号与其他控制方式的结合是直接意志控制中新的热点方向。

1 肌电信号的采集和预处理

1.1 肌肉选择

人体下肢运动是多肌肉联合作用的结果，腿部肌肉在运动时的作用不完全相同，本文为得到表面肌电信号与踝关节关节角度的映射关系，需使用sEMG 传感器和角度传感器来采集表面肌电信号和踝关节角度信号。根据文献[1-2]，胫骨前肌（tibialis anterior，TA）、比目鱼肌（soleus，SOL）、大腿股外侧肌（vastus lateralis，VL）和大腿股二头肌（biceps femoris,BF）等肌肉在人体步态过程中具有明显的收缩，且表面脂肪含量较低，有利于表面肌电信号的采集。

胫骨前肌与比目鱼肌、股外侧肌与股二头肌互为两组拮抗肌。正常站立姿态的人体踝关节角度为90°腿。胫骨前肌收缩时，人体脚尖会向上翘起，即踝关节角度小于90°，此时比目鱼肌处于放松状态；反之即反。股外侧肌与股二头肌仅在摆动姿态时表现出拮抗效果，但股外侧肌和股二头肌对小腿摆动的作用明显，故选取作为踝关节角度变化的辅助参考。

1.2 肌电信号的采集、预处理和特征提取

1.2.1 肌电信号的采集和预处理

研究中，使用一个8 通道的Myo 肌电仪采集TA、SOL、VL、BF4 块肌肉sEMG 信号。肌电仪采样频率为1500Hz，由直径为2cm 的银芯电极贴附在肌肉表面。志愿者左踝关节在矢状面内做有规律的步态运动，动作周期大约为2.5s，每个志愿者采集1500 个样本点数据。

传统研究肌电信号的方法大多是采用小波滤波处理原始肌电信号。小波滤波处理的肌电信号表现出较好的非平稳特性，但降噪效果容易受到信噪比的影响，且计算量过大不适合对关节角度的实时控制。本文使用此方法做对照试验。

考虑到肌电信号映射至踝关节角度的响应速度和同步性，本研究使用带通滤波去除低频噪声，采用四阶巴特沃斯滤波[4]对原始肌电信号进行滤波，将肌电信号频率控制在有用范围20Hz-500Hz 内。再使用50Hz 陷波器消除50Hz 工频干扰。

1.2.2 肌电信号的特征值提取

表面肌电信号的特征提取方法主要有时域法、频域法、时频域分析法等，本文采用时域法进行分析并提取特征值。主要的特征值有肌电积分值、均方根值RMS（Root Mean Square）、平均功率频率、中值频率等。均方根值RMS 反映在时间轴上肌电信号振幅的变化特征，可以直接反映肌电信号的瞬时功率。所以RMS 值在这些特征值中最具意义。

其中：Ei是肌电信号经过整流滤波处理后的第i 个样本点的电压值，NR取15，表示每15 个采样点提取一个特征值。

2 神经网络模型

表面肌电信号具有非线性的特征，数学表达式难以建立其与踝关节角度之间的映射模型。BP 神经网络是一种用误差反向传播算法训练的多层前向神经网络，有输入层、隐层和输出层三个部分组成，上下层之间完全连接，同一层无连接。本研究用4 层BP 神经网络从表面肌电信号映射到踝关节角度，模型如图1，其输入有4 个神经元，输入信号为sEMG 特征值，输出层为1个神经元，即踝关节角度信号。

图1 前向反馈神经网络模型

神经网络隐层神经元数目过多会导致学习时间过长、误差选取并不是最佳等问题，数目过少会导致学习不充分、误差过大等问题。目前，关于神经元数目的确定只能通过设计者的经验与多次实验来确定。本研究在此问题上参考以下经验公式：

其中，L 为隐层神经元个数，n 为输入层神经元个数，m 为输出层神经元个数，a 为[1，10]之间的常数。最终确定两个隐层神经元个数分别为14 和25。

3 实验及分析

实验选取了4 名男性志愿者，年龄（22～26 岁，平均24 岁），身高（173～183cm，平均176cm），体重（63～70kg，平均68kg）。对他们进行了TA、SOL、VL、BF4 块肌肉sEMG 的采集。此4 名志愿者脚踝健康无病史，也没有踝关节强化锻炼史，各肌肉功能正常。

以其中一位志愿者为例介绍实验结果。图2 为各肌肉sEMG 提取的RMS 值。sEMG 信号的RMS 和所得踝关节角度归一化处理后，部分用于神经网络的训练，另一部分用于测试实验结果。神经网络的学习效率为0.1，目标均方误差为0.001，迭代次数为54 次。神经网络预测的关节角度曲线如图3 所示。

图2 各sEMG 的RMS 值

为验证此方法的正确性，采用了传统的小波滤波后的肌电信号来做对比实验。实验结果如图3，可以明显的看到，此方法相对于传统方式，预测值与实际角度相差更小，预测曲线更接近。

4 结论

本文提出了一种新型的能准确预测踝关节运动角度的方法。研究过程中采集了TA、SOL、VL、BF4 块肌肉的sEMG 信号，使用了四阶巴特沃斯滤波对原始sEMG 信号进行滤波并提取特征值，建立了一个4 层神经网络模型以找出sEMG 信号与踝关节角度间的映射关系。从实验结果中可以看出，踝关节角度预测值与实际值有较好的重合度，此方法能够准确地对踝关节运动进行预测。

图3