基于肌肉协同的表面肌电通道选择方法

摘要：将不同肌肉对运动任务的贡献度作为最优通道选择的优化准则，提出了基于肌肉协同（Muscle Synergy，MS） 的通道选择方法。首先对原始肌电信号进行预处理，提取时域特征，然后使用非负矩阵分解（Non-Negative Matrix Factorization，NMF） 算法分别对每个手势动作提取肌肉协同矩阵并进行转换；再将每个手势动作在各个肌电通道上的肌肉权重系数进行求和， 得到所有肌电通道的重要性系数； 最后通过支持向量机（Support Vector Machines，SVM）、随机森林（Random Forest，RF）、K 近邻分类器（K-Nearest Neighbor，KNN） 进行分类。采用Ninapro 数据库中DB5 子数据库记录的表面肌电信号对该方法进行测试，测试结果表明，提取10 个最优通道时，与以往研究中提出的顺序前向选择（Sequential Forward Selection，SFS）、马尔可夫随机场（Markov Random Field，MRF） 和Relief-F 通道选择方法相比，本文方法确定的肌电信号子集获得的识别精度与MRF 和Relief-F 方法相近，比SFS 方法略低，但计算成本比它们均低。

关键词：表面肌电信号；肌肉协同；通道选择；手势识别；非负矩阵分解

中图分类号：TP391 文献标志码：A

表面肌电信号（Electromyography，EMG）作为一种电生理信号，可以反映肌肉的兴奋程度，在手势识别、假肢、康复设备、远程控制机器人等领域中发挥着重要的作用[1-3]。

由于对生物信号进行分类时，分类的准确性很大程度上受到生物信号信息量的影响[4]，使用更多的肌电电极可以捕获更多的电生理信息[5]，故手势识别精度的提高往往需要增加肌电通道的数量[6]。但信道的增加不仅会造成较高的肌电控制系统成本，且增加了数据处理的负担，还会造成通道之间的信号串扰等问题[7]，使得在实时肌电控制系统中不切实际。因此，选择适当数量的、具有理想分类性能的肌电通道是有必要的。

肌肉协同（Muscle Synergy， MS） 理论认为， MS是中枢神经系统控制肌肉骨骼系统完成各种运动的最小单位[8]。通过提取肌肉协同效应，可以估计肌肉骨骼系统完成各手势任务的最小单位，从而确定包含肌电信号信息量最多的肌电通道。

在肌电控制系统中，用于确定肌电电极数量和位置的方法有两种。一种是基于骨骼肌生理上已知的解剖知识[9-10]，该方法对于骨骼肌功能完好的人，可以快速地确定肌电电极的最佳位置，但对于骨骼肌功能不完备的人来说，在进行肢体活动时，由于他们的肌肉收缩与正常人不同，以及肌肉的损伤程度、位置可能不一致，所以很难用这种方法来确定合适的电极位置。另一种方法则是基于一定的优化准则。在之前的基于肌电模式识别最优信道选择研究中，Qu 等[11] 将Relief-F 算法应用于最优肌电通道选择，从8 个肌电通道中选择了4 个最优通道， 获得了99.53% 的手势识别准确率。Huang 等[12] 使用了一种基于顺序前向选择（Sequential Forward Selection，SFS）的电极通道选择方法，该方法在大量降低电极通道的同时，其分类精度仅比使用其他电极通道时降低1.2%。但该方法以高分类精度为优化目标，需对肌电通道进行反复搜索，直到得到要求数量的通道，花费的时间较长。此外，该方法在选择最优通道时，主要依靠分类器的重复实现来完成，相对于其他通道提取方法，搜索最优通道的时间对分类器的模型复杂度较为敏感。Liu 等[13] 使用了马尔可夫随机场（Markov Random Field，MRF） 方法来进行最优通道选择，使用K 近邻（K-Nearest Neighbor，KNN） 分类器对所选通道的特征进行分类。该方法可有效减少不同通道的冗余信息，且获得了与使用所有肌电通道相似的高分类精度，但也存在计算成本较高的问题。