sEMG 多特征值融合的神经网络下肢关节角度预测

2023-08-28邓福铃

传感器世界 2023年6期

邓福铃

重庆交通大学，重庆 400060

0 引言

近年来，助力康复型外骨骼机器人的研究在我国变得异常火热。主要是由于我国脑卒中、脊髓损伤发病率上升导致许多人出现运动障碍，这部分患者在术后往往需要做专门的康复治疗才能获得部分行动能力。传统的康复训练通常依靠康复理疗师手动带动患者患肢进行康复训练，即被动康复训练，但由于我国人口基数大，人均医疗资源面临严重不足，导致很多人不能在术后得到专业的康复训练，造成恢复缓慢，严重的可能导致情况进一步恶化。康复机器人的出现恰好解决了这一困境，但传统的康复机器人与患者之间主要通过被动训练的方式，即康复机器人按照预定的标准步态轨迹带动患者训练，这种方式明显的缺陷就是人不能按照自己意愿行走，与标准步态出现出入时可能对患者造成二次伤害。因此，越来越多的研究者开始关注康复机器人的主动训练，即人机交互，而实现人机交互的前提是人体运动意图识别。

人体生理电信号是由于神经元细胞受到刺激，体内的钠钾离子浓度发生改变，产生电位差；接着，将这些电位脉冲传到相应的组织器官中，产生较为强烈的电信号，这个信号能够较为直观地反映人体运动意图[1]。常见的人体生理信号有肌电（Electromyography，EMG）、脑电（Electroencephalography，EEG）以及眼电（Electrooculography，EOG）等[2]。其中，表面肌电信号由肌肉产生，并且比肢体运动超前30～150 ms，非常适合用来预测下肢关节转动角度[3]。

基于此，近年来，国内外学者研究出多种方法用于肌电信号准确地预测下肢关节转动角度，如神经肌肉骨骼模型、线性模型、支持向量机（Support Vector Machine，SVM）和人工神经网络（Artificial Neural Network，ANN）。前几种方法需要在特定的模型中才能预测得很精准，适用性不强，人工神经网络（ANN）恰好克服了这个缺点，而且许多学者也证实ANN 具有较高的预测精准度。王刚等人[4]用径向基函数（Radial Basis Function，RBF）网络建立下肢sEMG 信号与关节角度的非线性关系，实现了人体下肢运动意图识别。刘克平等人[5-6]分别用广义回归神经网络（Generalized Regression Neural Network，GRNN）和自适应模糊神经网络（Adaptive Fuzzy Neural Network，AFNN）对关节角度进行预测，与RBF 神经网络相比，能够较好地估计人体关节角度。史小华等人[7]则采用误差反向传播训练（Error Back Propagation Training）BP 神经网络对下肢体髋关节、膝关节、踝关节等3 个关节角度进行识别预测，最终验证该方法对肌电图和脊髓损伤患者的关节角度估计均有良好地识别预测性能。

相比于其他神经网络，BP 神经网络具有简单易用、适用广泛、学习效率高、收敛性、泛化能力等诸多优点，非常适用于未来的人机交互。因此，使用BP 神经网络对人体运动意图进行识别具有很好的实用性。但BP神经网络初始权重和阈值是随机生成的，具有不可控性，而权值和阈值会极大地影响BP 神经网络的训练，因此，本文用遗传算法优化初始的权值、阈值。通过实验对比，遗传算法优化的BP 神经网络相比于传统BP 神经网络，预测角度更加精准。

1 sEMG 信号处理

1.1 sEMG 信号干扰与去噪处理

表面肌电信号的采集过程不可避免地受到外界的干扰，我国的工频干扰在50 Hz，而肌电信号有用信号频率位于0～500 Hz，主要集中在20～150 Hz 之间，因此，采用IIR 数字陷波滤波器中的巴特沃兹消除工频干扰。因为肌电信号频率主要集中在20～150 Hz 之间，设计低截止频率为10 Hz，高截止频率为300 Hz带通滤波器，因为不存在理想滤波器，因此在设计截止频率时，设计一个20～30 Hz、250～300 Hz 的过渡区域。处理结果如图1 所示。

1.2 sEMG 特征提取

表面肌电信号提取的特征主要包括时域特征（Temporal (time) Domain，TD）、频域特征（Frequency Domain，FD）、时频域特征（Time Frequency Domain，TFD）。其中，时域特征能体现出肌电信号随时间变化的情况，在研究中被广泛应用，如塞缪尔·奥文等人[8]选择时域分析中的均方根作为特征提取，分类速率更快，但由于表面肌电信号是一段非平稳随机信号，单一特征值不能准确描述信号特征，导致预测精度较差。因此，很多学者提出用多个特征值来描述信号特征，如石永杰等人[9]用均方根（Root Mean Square，RMS）、平均绝对值（Mean Absolute Value，MAV）、波形长度（Waveform Length，WL）和方差（Variance，VAR）作为特征，预测精度明显提升。常见的时域特征有最大值、最小值、均方根、平均绝对值、标准差和积分肌电等，为了保证分类速率和分类精度，因此不能采用全部的特征值。为此，张杰毅[10]采用斯皮尔曼相关系数对多个特征值进行相关性分析，结果表明，RMS、MAV、VAR 相关性差异较小，具有很好的效果。肌电信号特征值的选取对识别精度的影响很大。综合考虑，本文采用时域特征中的均方根（RMS）、平均绝对值（MAV）、方差（VAR）作为特征值。

（1）均方根（RMS）：指某段时间内所有振幅的均方根值，描述一段时间内表面肌电的平均变化特征。RMS 的大小决定于表面肌电振幅的高低，可通过比较不同时期的RMS，确定疲劳发生的时间和程度。一般而言，无论是静力性还是动力性运动，从初始态到疲劳态的过程中，表面肌电信号的振幅均会增加，即随着疲劳的增加，RMS 增大。如公式（1）：

其中，i为各个采样点的序号；N为一个滑动窗内的采样点总数；x为一个采样点肌电信号的幅值。

（2）平均绝对值（MAV）：平均绝对值可用于表征肌电信号的统计学特征，将信号幅值转化为正值，直观体现肌肉发力收缩程度，如公式（2）：

（3）方差（VAR）：方差用于描述数据与其均值的距离平方，可体现肌电信号离散程度，如公式（3）：

通常使用滑动窗对特征进行提取，其中滑窗长度设计为4,000（采样点数），窗口滑动长度设计为200（采样点数），得到的股直肌时域特征图如图2 所示。其余肌肉信号特征也按此方法进行提取。

1.3 构建GA-BP 网络模型

1.3.1 BP 神经网络

BP 神经网络是一种按误差逆向传播算法训练的多层前馈网络，由于其结构简单，被广泛应用。其基本思想是梯度下降法利用误差反传，反复学习训练，使网络的实际输出值和期望输出值的误差均方差均为最小。其基本结构包含输入层、隐含层、输出层，最简单的BP 神经网络结构如图3 所示。

BP 神经网络每一层都有若干神经元，当进行训练时，神经元的激活值将从输入层经各隐含层向输出层传播，然后在输出层与实际输入作比对后，将误差进行反向传播，经隐含层到输入层，逐层修正连接权值和阈值，然后将修正后新的权值和样本再进行正向传播，反复重复，直至误差达到最小，正确率最高。从BP 神经网络的工作原理可以看出，初始的权值和阈值的选取对于BP 神经网络训练的时间长短有很大影响，而控制系统对肌电信号处理时间有较高要求，因此，考虑对BP 神经网络初始权值和阈值进行优化。

1.3.2 遗传算法优化BP 神经网络

遗传算法（Genetic Algorithm，GA）是模拟达尔文进化论的自然选择和遗传机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜寻最优解的方法，具有更好的全局寻优能力，极好地克服了BP神经网络容易陷入局部最优的缺陷。遗传算法的基本过程为：编码、初始化种群、评估种群中个体适应度、选择、交叉、变异、演化。编码就是找到一种对问题的各种潜在解进行数字化的方法，一般用染色体来表示求解的问题，内部基因编码代表问题的各种潜在解；初始化种群是将问题可能潜在的解集作为一个大的种群；评估种群中个体适应度是通过适应度函数对种群中个体的优劣进行评价；然后进行优胜劣汰的选择；留下的最优个体根据遗传算子进行组合交叉和变异；最终产生代表新的解集的种群，促进种群的进化，找到问题的最优解。

BP 神经网络的初始权值一般选择（-1,1）之间的随机数，也可以选择（-2.4/n,2.4/n）之间的随机数，其中，n为输入特征个数。初始权值的选取对网络训练结果的影响很大，但在实际训练时往往找不到最佳的权值，只能随机输入，这样极有可能导致网络训练时间较长，无法满足快速处理的要求。因此，引入遗传算法来优化出最佳的初始权值和阈值，对神经网络权值和阈值进行编码，得到初始种群，然后将权值和阈值赋给BP神经网络，训练后得到的测试误差作为个体适应度值，然后进行选择、交叉、变异，寻找最优个体，即最优的权值和阈值。遗传算法优化的BP 神经网络流程图如图4 所示。