面向农业智能装备的表面肌电信号识别*

2021-03-22孙洪颖陈龙崇郑传俊黄劲龙陈振国钟丽芬

智慧农业导刊 2021年1期

孙洪颖，陈龙崇，郑传俊，黄劲龙，陈振国，钟丽芬

（广东技术师范大学机电学院，广东广州 510635）

农业智能装备是现代农业重要的发展方向之一，各种智能农业装备层出不穷，但肌电信号还较少应用于农业智能装备的交互。对信号的识别是人工智能的研究热点之一，各国学者应用了多种不同的方法对信号进行识别。2016年王星等[1]提出了基于深度置信网络对信号双谱对角切片结构特征进行学习，实现低截获概率雷达信号识别。2016年焦敬品等[2]提出了基于BP神经网络的管道泄漏声信号识别，利用泄漏信号的时域、频域及波形特点，提取出可用于泄漏信号表征的20种特征参数，可以很好地实现不同场景下泄漏信号的交叉识别，整体识别率达92.5%。2018年黄颖坤等[3]提出了基于深度学习和集成学习的辐射源信号识别，将雷达信号变换到时频域，利用栈式降噪自编码模型学习时频图像的特征，构造一个集成不同支持向量机分类器的模型对雷达信号进行识别，证明机器学习的方法有助于提高辐射源信号的识别正确率。同年，郭立民等[4]针对低截获概率（LPI）雷达信号识别率低且特征提取困难的问题，提出一种基于Choi-Williams分布（CWD）和栈式稀疏自编码器（sSAE）的自动分类识别系统，在低信噪比条件下整体平均识别率达到96.4%，明显优于人工设计提取信号特征的识别方法。2019年姚宇晨等[5]应用自编码技术进行特征提取，获得具有较好的抗干扰能力的特征集，然后使用BP神经网络对经过筛选的特征进行分类识别，实现了MQAM通信信号调制模式自动识别，有效提高了数字调制信号自动识别的抗干扰能力。2021年Choi Min Soo[6]用表面肌电图准确定量测量病人的腹肌活动，并利用多种评估方法，制定出正确的诊断和康复治疗策略。2021年王鹏程等[7]建立一种以log-mel能量为声信号特征的预提取方法，以深度残差网络作为特征自动提取及分类的声信号分类识别模型，在DCASE2019数据集和UrbanSound8K数据集上能够实现80.2%和76.4%的识别精度，在声源探测领域具有一定的应用价值。

虽然人工智能技术在信号识别领域有了较好的实验成果，但是目前涉及卷积神经网络的较少。卷积神经网络作为人工智能技术的主流算法之一，其卓越的性能十分有潜力并推动了信号识别领域的发展。因此，本文提出将表面肌电信号转换成时频谱图，然后使卷积神经网络应用于表面肌电信号识别的方法。实验表明：基于卷积神经网络的表面肌电信号识别具有较高的准确率，有潜力成为一种新的肌电信号识别方法。

1 实验介绍

本实验采用Sichiray肌电传感器采集表面肌电信号，将肌电信号进行预处理后，采用卷积神经网络对肌电信号进行识别。根据这一思路，首先搭建网络模型，然后将预处理过的肌电信号作为样本训练优化网络模型以提高识别准确率，最后将训练过的网络作为识别算法对肌电信号进行模式识别。

1.1 数据采集方案

1.1.1 仪器佩戴位置的选择

肌电采集器的佩戴位置影响肌电的信号分布，在人体运动状态保持不变的前提下，肌电采集器佩戴位置的变化将带来感知信号的改变，使基于特定位置训练的神经网络模型准确率降低。通过对肌电信号采集技术进行调研，结合多次试验结果，根据肌电信号稳定性排序，本文选择在如图1所示位置佩戴电极贴。

图1 电极贴贴片佩戴位置

1.1.2 原始肌电信号的采集

表面肌电信号是一种非平稳的微电信号[7]，一般比人体动作超前30-150ms产生，幅值在0.01-10mV。本实验采集了俯仰120°、俯仰90°、腕摆、食指伸展、食指和中指双指同时伸展、五指同时伸展、握拳、静止共8个动作的原始肌电信号（如图2）。

图2 八个动作的肌电信号

1.2 数据的预处理

预处理包括对原始肌电信号的放大、整流、陷波、滤波、活动段分割以及时频谱图转换。本实验采用短时能量的移动平均法进行肌电信号活动段分割，提取出肢体运动过程中的有效信息，方便后续进行离线数据分析。最后在对信号使用EMD得到时频谱图。以上步骤，如图3所示。

图3 对表面肌电信号的预处理

2 基于卷积神经网络（CNN）的肌电信号模式识别

肌电信号的模式识别就是对预处理后的肌电信号运用算法进行识别的任务。基于时域的统计参量进行识别是传统的肌电信号识别算法中比较流行的。传统算法对于肌电信号的识别存在一些缺陷，其识别率不高、抗干扰能力不强，并且受人为手工提取特征参量的局限。结合深度学习算法自主学习特征的优势，为利用卷积神经网络（CNN）的特征提取能力进行有效信息的提取，实验采用GoogLeNet网络模型结构构筑卷积神经网络，将迁移学习训练后的网络作为识别算法对肌电信号进行模式识别。实验还采用LeNet7网络模型结构，将其作为GoogLeNet网络模型结构的对照组。

2.1 卷积神经网络

自从2012年ImageNet比赛卷积神经网络被评为第一后，它越来越受到人们的关注。目前，CNN是人工智能识别技术的主流算法之一。典型的CNN结构图如图4所示，由卷积层、下采样层、全连接层和分类器构成。卷积层的运算为一层到下一层的映射，各个神经元都与前一层的局部感受域相连，CNN神经元自动提取图像的局部特征。特征图Xj与卷积层的形式如式（1）所示。下采样层可以减小特征图的空间大小并删除冗余空间信息。通过下采样可以增加更深卷积层中的过滤器数量，而不会增加每层所需的计算量，特征图Xj与下采样层的形式如式（2）所示。最后全连接层连接所有特征，将输出值送给分类器。

图4 典型的CNN结构图

图5 LeNet7网络结构

其中，l代表层数，klij代表输入的第i种特征图和输出的第j种特征图之间连接所用的卷积核，Mj代表第（l-1）层输入特征图的一个选择集合，blj为第j个特征图对应的偏置，f为激活函数。

其中，down（）为下采样函数；W为乘性偏置；b为加性偏置；f为激活函数[8]。

2.2 基于卷积神经网络模型LeNet7识别

LeNet7神经网络由深度学习的权威Yan LeCun提出，利用卷积、参数共享、池化等操作提取特征，避免了大量的计算成本，最后再使用全连接神经网络进行分类识别，这个网络也是最近大量神经网络架构的起点。

实验将LeNet7网络模型作为GoogLeNet神经网络的对照组，用与GoogLeNet神经网络同样的训练样本训练LeNet7，训练完成的LeNet7识别肌电信号的时频谱图准确率为58.3%。

2.3 基于卷积神经网络模型GoogLeNet的识别

GoogLeNet是google推出的基于Inception模块的深度神经网络模型，在2014年的ImageNet竞赛中夺得了冠军。Inception结构扩展了网络的宽度，避免了由网络深度加深引起的梯度爆炸问题。

实验将肌电信号转换为时频谱图，并将GoogLeNet迁移学习对时频谱图进行识别。实验利用EMD将肌电信号转换为时频谱图，再用肌电信号的时频谱图作为样本训练GoogLeNet，完成迁移学习的GoogLeNet识别肌电信号的时频谱图准确率为83%，识别肌电信号具有较高准确率，远高于LeNet的识别准确率。

3 结果分析及结论

本文探索了将表面肌电信号应用于现代农业智能装备的新方式，通过实验采集了人体典型动作的肌电信号数据，对信号进行了放大、整流、陷波、滤波、活动段分割等处理，提取了肌电信号的时频图并输入到神经网络模型中进行训练。在GoogLeNet网络模型中识别的准确率稳定在80%以上，在LeNet7网络模型中识别的准确率不足60%。通过实验结果发现，GoogLeNet网络模型结构更适合用于肌电信号的识别。下一步研究将对GoogLeNet网络模型进行优化，以提高卷积神经网络应用于肌电识别的效率，提高该算法的准确率，为农业智能装备提供有效的交互方式。