基于Matlab的6种上肢动作肌电信号识别

2022-05-14顾兴龙宋天赐陈文涛毛嘉元

机械工程师 2022年5期

顾兴龙，宋天赐，陈文涛，毛嘉元

（1.中国民用航空飞行学院工程技术训练中心，四川广汉 618307；2.南京航空航天大学自动化学院，南京 211106）

0 引言

表面肌电信号是一种生物电流信号，对表面肌电信号的研究可以促进人机交互的发展，目前表面肌电信号已广泛应用于体育运动器械、游戏娱乐产品、手语识别等领域。其中，以仿生智能假手为例，通过采集患者的表面肌电信号，或是表面肌电信号和脑电信号的结合，成功解决了残疾人的生活问题。未来的仿生智能假手还应向更高级别的智能化、人性化发展，不仅要满足患者生理上的需求，还应给予心理上的舒适感，而要想实现这个目标，需要提升表面肌电信号的识别性能。因此，对表面肌电信号的识别率的提高进行分析具有重要的研究意义。

手势动作识别是肌电信号最重要的应用之一。文献[1]应用HMM（Hidden Markov Model，隐马尔科夫模型）方法对6种肢体的运动进行识别，结果表明识别的准确率高于传统的识别方法，可以达到95.5%以上。文献[2]利用小波包变换结合LVQ（Learning Vector Quantization，学习向量量化）神经网络对伸腕、屈腕、张手、握拳等4种手部动作进行分类识别，对伸腕、屈腕动作的识别率均为100%，对张手、握拳动作的识别率均达到92%，平均识别率为96%。文献[3]利用支持向量机对张手、握拳、伸腕、屈腕等4种手部动作进行分类，识别率平均为95.625%。文献[4]利用BP神经网络对伸腕、屈腕、张手、握拳等4种手部动作进行分类识别，正确率达95%以上。

本文将小波阈值及小波包变换组合提取特征，在单一隐藏层的BP神经网络进行识别的前提下，观察这种组合所达到的最终识别效果。

1 表面肌电信号的滤波处理

一个完整的肌电信号识别过程需要经过表面肌电信号的采集、预处理、特征提取和模式分类，最终得到分类结果。而滤波处理是预处理的主要环节，作为特征提取和模式分类的前置工作显得尤为重要。通常采集到的表面肌电信号中的有用信号成分往往比噪声信号低2～3个数量级，如果数据不先经过滤波，有用信号会埋没于噪声信号中，将不利于表面肌电信号的特征提取，造成后续分类准确率的下降。

小波阈值去噪的基本原理是：对信号进行小波分解，给分解后的小波系数设定阈值，将高于阈值的判定为有用信号，低于阈值的判定为噪声信号，去除噪声对应的小波系数，然后将信号进行重构，得到的便是去噪后的信号。因而小波阈值去噪的过程分别是小波分解、阈值选取和信号重构。其中，阈值的选取和量化是小波阈值去噪的关键。常见的阈值选取规则有Rigrsure、Sqtwolog、Minimaxi和Heursure等4种。阈值的量化分为软阈值和硬阈值。

小波阈值去噪的关键是阈值的选取。阈值选取过大，会造成有用信号的丢失，不利于后续的特征提取，分类识别；阈值选取过小，去噪效果不好，有用信号埋没于噪声信号中，提取出的特征量混杂了噪声信号的部分，同样会造成分类准确率的下降。

常见的小波阈值去噪法有默认阈值去噪、给定阈值去噪、强制去噪。由文献[5]可知，给定阈值去噪相对于默认阈值去噪可靠性更高，尽管强制去噪能够有效地抑制噪声，去噪后的波形相对于另两种更为平滑，但是可能会丢失信号中的有用成分。因此，将小波给定阈值去噪作为滤波处理方案。

现以“握拳”这一动作为例，观察“握拳”产生的肌电信号经小波阈值去噪后的效果。

以4 s为一帧，取一帧的表面肌电信号并观察信号能量集中段所在区间（本例中为2.8～3.2 s）的波形，“握拳”信号在该区间内的时域图如图1所示。

图1 “握拳”的表面肌电信号

依据wmaxlev函数（最大分解层数）确定分解层数为6层，分解后的频段小波系数cd1含有大量的噪声和少量的有用信号，cd2含有少量的噪声，因此需重点对这2个频段的小波系数设定阈值。经调试，当cd1的阈值取Thr1=20，cd2的阈值取Thr2=15时能够基本实现去噪，重构后的信号波形如图2所示。

图2 小波阈值去噪效果图

2 表面肌电信号的特征提取

表面肌电信号需要对其进行特征提取，才能将其运用于肢体的动作识别。文献[6]给出了3种常见的特征提取分析方法：时域分析、频域分析和时频分析。

2.1 时域特征提取

选取平均绝对值（MAV）、均方根（RMS）、过零点数（ZC）、自回归（AR）系数和符号改变斜率（SSC）等5种时域特征对表面肌电信号进行特征提取。

1）绝对平均值：

式中：xi为当前采样数据；N为滑动窗的长度。

2.2 频域特征提取

单单时域提取出的特征量还不能够完全体现表面肌电信号的特性，还需进行频域特征提取。表面肌电信号的频域特征提取主要采用的是功率谱分析方法，通过功率谱估计计算出功率谱密度，从而提取出频域特征参数。

由文献[7]提出平均功率频率（MPF）和中值频率（MF）等2种特征参数，其可抵抗噪声并具备较强的信号混叠能力，因而被广泛认为是一种可靠的、准确度高的频域特征参数。

1）平均功率频率：

其中：f为频率；PSD（f）为功率谱密度函数。

2.3 时频特征提取

傅里叶变换只能反映频域上的特征，不能反映时域上的特征。许多从事sEMG研究者希望能得到信号的频率随时间变化的规律，即利用时频分析方法来研究信号的特征。

小波变换是近年来流行的一种分析方法。小波变换的特点是：在低频具有低的时间分辨率和高的频率分辨率而在高频区域则相反。因此小波变换能够应用于各种信号，能够对表面肌电信号这类突变信号进行处理。

小波变换的数学表达式为

式中：τ为小波函数的平移量；a为小波函数的尺度伸缩量；f(t)为信号时域函数；Ψ((t-τ)/a)为小波基函数。

小波变换仅对信号的低频部分做分解，针对高频部分不再继续分解，它能够很好地处理以低频信息为主的信号，但不能很好地处理含有大量细节（以高频为主）的信号。而小波包变换既可以分解低频信号，也可以分解高频信号，可以处理大量中高频信息。

鉴于小波包变换处理信息量上多于小波变换，选取小波包变换作为时频域特征参数的提取方法。

对肌电信号进行小波包分解，得到一个小波包系数矩阵。为了提高后续信号分类识别率，要求对小波包系数矩阵进行特征提取。本文选择小波包系数奇异值、小波包系数最大值、小波包系数能量作为特征值。

1）小波包系数奇异值。

若A是m×n的任意矩阵，则ATA是一个方阵，对这个方阵求特征值，计算公式如下：

2）小波包系数最大值。

小波包系数最大值它能够反映每一层信号的最大频率，因此作为信号的特征是可行的。求出的每一层的小波包系数的最大值还要进行对数处理，从而将因手部动作导致肌电信号幅值波动降为最小。由小波包系数最大值组成的特征向量为

3 基于BP神经网络的动作识别

图3为本文的BP神经网络模型，为研究去噪和特征提取对最终识别率的影响，选用单一隐藏层的网络模型，输出层节点数为6，输入层节点数为特征向量的维度。运用Matlab自带的神经网络工具箱对模型进行训练。将3/4的输入特征量用于训练，构造出合适的网络模型，剩余1/4的数据用于预测，得到分类结果，验证网络的有效性。