趙漫丹，范才智，張振杰，郝向陽

(1. 解放軍信息工程大學(xué)導(dǎo)航與空天目標(biāo)工程學(xué)院　鄭州　450001；2. 國防科技大學(xué)航天科學(xué)與工程學(xué)院　長沙　410073)

基于表面肌電信號進(jìn)行手部動作發(fā)起檢測方法

趙漫丹1，范才智2，張振杰1，郝向陽1

(1. 解放軍信息工程大學(xué)導(dǎo)航與空天目標(biāo)工程學(xué)院鄭州450001；2. 國防科技大學(xué)航天科學(xué)與工程學(xué)院長沙410073)

實時且準(zhǔn)確地識別手部動作，是表面肌電信號應(yīng)用的重要方面，而通過其進(jìn)行手部動作的發(fā)起檢測是一個技術(shù)難點。為了解決這一問題，該文提出一種通過表面肌電信號進(jìn)行手部動作發(fā)起檢測的方法，將TKE算子應(yīng)用于sEMG信號的預(yù)處理，通過設(shè)計二值化狀態(tài)函數(shù)，并針對消除噪聲對肌電信號的影響，提出啟發(fā)式濾波策略。建立手部動作發(fā)起的表面肌電仿真模型，通過比對應(yīng)用幾種算子對仿真模型進(jìn)行發(fā)起檢測，證明TKE算子方法的有效性。利用肌電信號采集與處理系統(tǒng)進(jìn)行實驗驗證。結(jié)果表明，該檢測方法能夠?qū)κ植縿幼靼l(fā)起進(jìn)行高精度的實時檢測。

手部動作;發(fā)起檢測;肌電信號;TKE算子

通過表面肌電信號進(jìn)行人體手部動作的發(fā)起檢測，是利用肌電信號實時識別手部動作的基礎(chǔ)，它實際上可以認(rèn)為是對肌肉動作(收縮)發(fā)起時刻的判斷。對于肌肉收縮的準(zhǔn)確判斷，在模式識別領(lǐng)域有廣泛的應(yīng)用研究價值。在康復(fù)醫(yī)學(xué)領(lǐng)域，利用肌電信號幫助殘疾人實現(xiàn)運(yùn)動功能，得到了越來越多研究人員的認(rèn)可；在虛擬現(xiàn)實領(lǐng)域，通過肌電信號準(zhǔn)確反映人體的運(yùn)動狀態(tài)，實現(xiàn)自然深度的人機(jī)交互。本文的前期工作是在離線模式下，利用自制肌電信號采集與處理實驗系統(tǒng)，采用較少的表面肌電電極(兩個)，對常用手勢庫中的8種手勢動作進(jìn)行識別，識別率高，適應(yīng)性強(qiáng)，取得了較好的實驗效果[1]。

然而，肌電信號具有微弱性和隨機(jī)性等顯著特點，易受干擾[2]，使利用肌電信號進(jìn)行手部動作發(fā)起的精確檢測成為一難點問題；另一方面，探索一種高精度的肌電信號檢測方法可以準(zhǔn)確地判斷人體動作對應(yīng)的始末肌電信號，對于準(zhǔn)確識別手部動作具有重要的意義[3]。早期的檢測方法一般是由經(jīng)驗豐富的醫(yī)師進(jìn)行觀察得到，但由于受到檢測者主觀方面(經(jīng)驗及技術(shù))的影響，個體差異性比較大[4]。因此如何利用肌電信號對手部動作發(fā)起實現(xiàn)客觀檢測，并使之引入對其的在線識別，必須建立一套有效的手部動作發(fā)起的檢測方法。

前期有學(xué)者使用雙閾值檢測器[5]、小波變換[6-7]、統(tǒng)計判據(jù)決策[8]等先進(jìn)的方法，但以上方法計算量大，亦或是需要不斷獲取當(dāng)前肌電信號水平等先驗知識建立預(yù)先模型。這些方法并不適用于動作發(fā)起的實時檢測。目前，現(xiàn)有方法都不能較好地達(dá)到精確檢測的目的，文獻(xiàn)[9]利用運(yùn)動單位動作電位(motor unit action potential,MUAP)在發(fā)放時所產(chǎn)生的波峰進(jìn)行檢測，并使用非線性能量算子來突出表面肌電信號的峰值，之后通過閾值的方法進(jìn)行判斷。由于非線性能量算子在算法處理時耗時較長，難以應(yīng)用于在線判斷。而另一些學(xué)者便將研究目標(biāo)放在了與肌電信號有著某種相似之處的語音信號處理上與數(shù)字信號處理中，由于具有相似特點，所以可以嘗試將較為成熟的語音信號端點檢測方法應(yīng)用于表面肌電信號。文獻(xiàn)[10]提出一種基于(hidden markov model,HMM)模型的語音信號端點檢測方法，能將語音和噪聲的細(xì)微差別進(jìn)行有效的放大，提高語音端點檢測準(zhǔn)確性，但方法較為復(fù)雜，不利于信號的實時處理。而有研究人員將端點檢測變換成模式識別以及圖像處理的問題來處理。文獻(xiàn)[11]使用Bayes最小錯誤率的方法，將每幀語音進(jìn)行分類并訓(xùn)練學(xué)習(xí)，采用最小錯誤率貝葉斯選出最優(yōu)門限值，從而提高了檢測的精確度。這類算法充分考慮了語言幀之間的聯(lián)系，這種相關(guān)性會使誤差的概率最小。文獻(xiàn)[12]實現(xiàn)了語音信號的端點檢測，利用了圖像處理的邊緣檢測方法，通過改進(jìn)經(jīng)典Roberts算子，并設(shè)定閾值門限，將檢測精度進(jìn)一步提高。Roberts算子簡單直觀，有較好的水平與垂直邊緣檢測效果，且定位精度較好。

本文提出一種通過表面肌電信號進(jìn)行手部動作發(fā)起檢測的方法，將TKE算子應(yīng)用于sEMG信號的預(yù)處理，設(shè)計二值化狀態(tài)函數(shù)，并針對消除噪聲對肌電信號的影響，提出啟發(fā)式濾波策略。建立手部動作發(fā)起的表面肌電仿真模型，通過比對應(yīng)用幾種算子對仿真模型進(jìn)行發(fā)起檢測，證明TKE算子方法的有效性。利用肌電信號采集與處理系統(tǒng)進(jìn)行實驗驗證，結(jié)果表明本文提出的檢測方法能夠?qū)κ植縿幼靼l(fā)起進(jìn)行高精度的實時檢測。

1　發(fā)起檢測方法設(shè)計

TKE算子應(yīng)用于音頻信號，用于驗證語音信號的非線性[13]，性能可靠。因其能夠刻畫肌電信號的非線性方面的特性[14]，表征表面肌電信號的幅域及頻域的變化程度，所以可利用TKE算子對其進(jìn)行預(yù)處理，將這種幅頻變化程度利用TKE算子進(jìn)行刻畫，即將信號變換至TKE域上。在針對降低噪聲信號的干擾方面，設(shè)計二值化狀態(tài)函數(shù)，最后通過啟發(fā)式濾波策略，將處理后的表面肌電信號進(jìn)行濾波，減小尖峰等噪聲帶來的影響，使其更準(zhǔn)確地對手部動作的發(fā)起進(jìn)行判斷，最后開展手部動作的發(fā)起檢測實驗驗證。

1.1基于TKE算子的信號預(yù)處理

對于經(jīng)過數(shù)字采集卡采集到的肌電信號，能夠表征為一串離散的數(shù)字信號。而對于給定離散信號x( n)，TKE算子ψ可以描述為[15]：

假設(shè)一序列表面肌電信號x( n)為零均值基波信號，表示為：

將式(2)代入式(1)，化簡得到：

1.2二值化狀態(tài)函數(shù)設(shè)計

表面肌電信號通過TKE算子預(yù)處理后，變換至TKE域上，使其充分表征了肌電信號。而為了克服采集和處理過程中引入尖峰等噪聲的影響，精確判斷手部動作發(fā)起時刻，本文設(shè)計了二值化狀態(tài)函數(shù)，為信號的濾波奠定基礎(chǔ)。

通過建立一個適當(dāng)?shù)拈撝礹，用以評判動作發(fā)起與否，有：

式中，0μ為信號均值；0δ為背景肌電信號的標(biāo)準(zhǔn)差；j為閾值乘子，根據(jù)具體試驗情況確定，通過試驗，確定典型值為5～7。人體當(dāng)前肌電水平的狀態(tài)函數(shù)為：

式中，s( n)為手部動作與否的判別序列，是一個二值化狀態(tài)函數(shù)；sgn為符號函數(shù)；為持續(xù)時間；N,M分別為數(shù)據(jù)總長和更正后長度。并且定義當(dāng)s( n)=1表示有動作，當(dāng)s( n)=0則相反。

識別的具體步驟為：

1)將待識別信號x( n)實現(xiàn)零均值處理；

2)使用TKE算子得到ψ(n)；

1.3啟發(fā)式濾波策略

動作發(fā)起檢測是否準(zhǔn)確，除了與算法有關(guān)，信號本身的質(zhì)量也很重要，但是由于肌電信號強(qiáng)度微弱、易受外界影響等前述特點，難以得到品質(zhì)極高的肌電信號。為了消除外界環(huán)境噪聲對肌電信號發(fā)起檢測的影響，對于得到的二值化狀態(tài)函數(shù)s( n)，需根據(jù)人手活動時肌電信號的特點，如收縮的頻率、一次性收縮時間等啟發(fā)信息，建立一種啟發(fā)式濾波策略。

二值化狀態(tài)函數(shù)s( n)能夠表征肌肉的收縮狀態(tài)，是一串值為“0”，“1”的組合序列。但是由于噪聲信號的影響，在肌肉靜息狀態(tài)下，也可有噪聲突然的尖峰信號產(chǎn)生。為了最大程度消除這種影響，依據(jù)肌肉動作時的固有特性，本文提出啟發(fā)式濾波策略，用于對s( n)的后處理。其步驟如下：

1)將得到的一系列s( n)中，序列“1”之間的小于T1的數(shù)據(jù)全部更改為“1”，以避免在肌肉活動時由于收縮過快等原因偶爾出現(xiàn)的靜息狀態(tài)；

2)將得到的一系列s( n)中，序列“0”之間的小于T2的數(shù)據(jù)全部更改為“0”，以消除在正常無動作情況下，肌肉靜息時偶爾出現(xiàn)的噪聲等尖峰信號帶來的影響。T1表示正常的肌肉活動中出現(xiàn)靜息狀態(tài)的時長，T2表示靜息狀態(tài)中超過閾值的尖峰偽活動時長。T1值要在能夠區(qū)分出活動肌電信號的正常間隔的情況下盡可能小，以排除超前檢測誤差；T2值則需在不影響檢測正?；顒映掷m(xù)時間的情況下盡可能大，以排除偽活動噪聲。

2　仿　真

2.1仿真肌電信號的產(chǎn)生

若用真實肌電信號進(jìn)行測試，人工記錄動作的發(fā)起時刻，則實驗結(jié)果準(zhǔn)確性不高，且受主觀影響。為了對比驗證使用TKE算子檢測操作者手部行為發(fā)起的有效性，對肌電持續(xù)時間進(jìn)行判斷，需建立行為發(fā)起時刻肌電信號的仿真模型。通過對模型的建立，從而獲取準(zhǔn)確的行為發(fā)起時間，客觀上與不同檢測方法獲取的時間進(jìn)行對比。本文采用文獻(xiàn)[8]提出的方法建立模型，其基本原理是基于肌電信號在活動段與非活動段之間信號方差2σ的差別，在t0處、τ長度內(nèi)形成線性增量。圖1表示了一段持續(xù)時間為1 s長度的仿真肌電信號以及其對應(yīng)的方差變化，這段信號的基本參數(shù)信息是：。

圖1 肌電仿真信號及其方差

其信噪比為：

以Duchene模型建立了4 000段在不同時刻肌肉收縮的肌電信號，每段信號時長均為1 s，用以模擬人體手部握拳時產(chǎn)生的肌電信號。在產(chǎn)生仿真肌電信號時，其特征參數(shù)均有一定范圍，發(fā)起時刻t0∈[500,600]ms 、收縮時間τ∈[5,30]ms 、信噪比SNR∈[10,20]dB ，參數(shù)按照均勻隨機(jī)分布設(shè)定。

2.2基于TKE算子的發(fā)起檢測仿真結(jié)果與分析

在生成仿真肌電信號的基礎(chǔ)上，開展基于TKE算子的手部動作發(fā)起檢測。通過TKE算子提取信號頻率及幅值信息，而后經(jīng)過二值化狀態(tài)函數(shù)對預(yù)處理后的肌電信號進(jìn)行發(fā)起判斷，得到二值化狀態(tài)特征，如圖2所示。

圖2 基于TKE算子的發(fā)起檢測仿真結(jié)果

圖2表明，仿真肌電信號經(jīng)過TKE算子以及二值化狀態(tài)函數(shù)處理后，可以判斷出動作發(fā)起的時刻。但由于信號易受噪聲影響，偶爾會出現(xiàn)動作發(fā)起時刻的誤判。本文提出啟發(fā)式濾波策略，可以大幅減少這種噪聲對發(fā)起檢測帶來的影響。

2.3引入啟發(fā)式濾波策略后仿真結(jié)果與分析

通過引入啟發(fā)式濾波策略，可以避免動作發(fā)起時刻的誤判，如圖3所示。

圖3 加入啟發(fā)式濾波策略后的仿真結(jié)果

由仿真實驗得到，引入啟發(fā)式濾波策略能夠消除肌電尖峰等噪聲的影響，即根據(jù)操作者前臂肌肉肌電信號的一些固有特性，如收縮率以及持續(xù)長度，有效判斷肌肉一次收縮的發(fā)起、持續(xù)、結(jié)束。濾波完成，即可根據(jù)s′( n)內(nèi)“1”所在位置清晰地判斷肌肉信號發(fā)起的位置、持續(xù)時間及結(jié)束時間。

2.4幾種檢測方法的仿真結(jié)果分析及對比

實驗將依據(jù)Duchene模型生成4 000段肌肉收縮信號。本文采用TKE算法及其他幾種經(jīng)典算法：1)標(biāo)準(zhǔn)差STD方法；2)均值MAV的方法；3)Hodges方法。TKE方法中閾值乘子j=7，STD、MAV與Hodges方法中M=1 000，W=20，O=10，h=3。將各個方法得到的與真實t0進(jìn)行比較，有：

式中，te為檢測時間的誤差。對各種方法所得到的te進(jìn)行概率密度的估計(probability density function,PDF)，結(jié)果如圖4所示。

圖4 誤差檢測概率分布結(jié)果全景

由圖4可以看出，TKE算法求得的te能夠收斂在一個較小區(qū)域，而且其峰值更接近中心(峰值對應(yīng)te≈ 1.3 ms )。使用STD與MAV方法，峰值遠(yuǎn)離中心(STD：te≈ 15.3 ms ，MAV：te≈ 17.1 ms )，如此將在真正檢測時形成10 ms以上的誤差。Hodges方法利用窗口第一數(shù)據(jù)點，當(dāng)峰值te≈ ?3.1 ms ，將會產(chǎn)生超前預(yù)測誤差。

最后引入啟發(fā)式濾波策略對結(jié)果進(jìn)行優(yōu)化，采用 T1=50 ms ，T2=25 ms 。結(jié)果表明，超前檢測方面，TKE方法變得精確，minte＞?50 ms ，而STD、MAV及Hodges方法則變化不大。在檢測后誤差方面，Hodges有增加的趨勢，其他方法基本不變。進(jìn)一步，討論4種算法的實現(xiàn)時間，在32位core i5處理器，2 GB內(nèi)存配置的PC機(jī)上，利用matlab中tic和toc命令進(jìn)行程序運(yùn)算時間的測算，各種檢測方法耗時如表1所示。

表1 4種算法運(yùn)行時間對比

表中，4種算法在數(shù)量級上幾乎沒有差別，STD方法計算速度稍快，因為該算法涉及到的只是在時域的處理，MAV方法同Hodges方法的區(qū)別僅在于最后的決策階段，乘子h分別作用于均值(MAV)還是標(biāo)準(zhǔn)差(Hodges)，耗時相當(dāng)，TKE算法步驟較復(fù)雜，但運(yùn)算時間與其他方法差別不大。算法耗時在數(shù)量級上相同，幾乎不影響，而從誤差分布來看，TKE最為準(zhǔn)確。為了能更準(zhǔn)確地描述行為發(fā)起時間，選用TKE算子作為判斷的方法。

3　實　驗

本文的實驗是在仿真分析的基礎(chǔ)上開展的，因此Duchene模型仿真數(shù)據(jù)有明確的動作發(fā)起點(即有明確物理意義的參數(shù))可供不同檢測方法進(jìn)行評判分析。同時仿真實驗中開展了TKE算法與另外3種經(jīng)典的發(fā)起檢測方法的對比實驗，通過4種檢測方法得到的動作發(fā)起點與仿真信號中的準(zhǔn)確動作發(fā)起點進(jìn)行比較，表明了基于仿真肌電信號的檢測實驗中，使用該方法進(jìn)行檢測能更有效且準(zhǔn)確地判斷手部動作的發(fā)起。

本文利用受試者手部握拳動作，體現(xiàn)在前臂的表面肌電信號開展實驗，為真實肌電信號。由于實驗中動作發(fā)起時刻迅速而短暫，加之通過仿真分析得知每種方法的檢測實踐差別在毫秒數(shù)量級，實際數(shù)據(jù)中難以區(qū)分發(fā)起時刻的優(yōu)劣。鑒于仿真信號的一系列測試中，已經(jīng)通過相關(guān)理論驗證了TKE算法在檢測手部動作發(fā)起時的整體優(yōu)越性。本文直接利用TKE算法進(jìn)行判斷，目的是進(jìn)一步驗證理論方法在實際應(yīng)用中的效果。

為了開展相關(guān)實驗驗證，本文建立肌電信號采集處理系統(tǒng)，運(yùn)用本文的檢測方法對手部動作發(fā)起時刻進(jìn)行判斷，從而進(jìn)一步驗證該方法的有效性。

3.1實驗數(shù)據(jù)采集

實驗系統(tǒng)主要由表面肌電電極、自制信號調(diào)理電路、阿爾泰USB2811數(shù)據(jù)采集卡和PC機(jī)組成，如圖5所示。采集方法以及調(diào)理電路的各項參數(shù)，詳見文獻(xiàn)[1]的實驗部分。

圖5 實驗系統(tǒng)組成

共有4名受試者(2男2女，年齡24～26歲，均無前臂肌肉神經(jīng)病史)進(jìn)行實驗，需熟悉實驗設(shè)備、實驗流程，而后參與基于肌電信號的手部動作發(fā)起時刻檢測實驗。

3.2實驗與結(jié)果分析

實驗部分共分為兩組進(jìn)行：

1)第一組將開展共20段肌電信號(4名受試者，每名受試者采集5組信號)的采集，應(yīng)用本文的方法，討論在實際肌電信號應(yīng)用中的有效性，并給出了方法的計算精度；

2)第二組實驗將針對一名受試者，利用TKE算法同文章中提到的其他3種常用算法，開展4種基本動作的發(fā)起判斷，通過超前及滯后檢測誤差對比各方法之間的優(yōu)劣。第二組實驗中檢測的4種基本動作，如圖6所示。

圖6 4種手部基本動作

第一組實驗考察手部動作為展握拳時檢測的精度。受試者手部進(jìn)行展拳與握拳動作，利用肌電電極采集受試者前臂指伸肌(extensor digitorum)在展握拳時的肌電信號，并作記錄分析。該組實驗結(jié)果表明，本文的方法能準(zhǔn)確地判斷手部動作由靜息狀態(tài)(展拳)向發(fā)起狀態(tài)(握拳)的轉(zhuǎn)變，即對動作的發(fā)起時刻能夠進(jìn)行高精度的實時檢測。

由圖7歸一化后的結(jié)果可以得到，在利用TKE算子對人體手部展握拳動作的發(fā)起進(jìn)行判斷時，肌電信號可以被準(zhǔn)確檢測。圖中，A區(qū)域為肌電信號的絕對值，B為一序列信號，其中“十字”表示背景噪聲，圓圈表示肌肉正?；顒右鸬男盘?，C和D分別代表噪聲與肌電信號的概率密度函數(shù)，E代表動作的潛在活動區(qū)域，F(xiàn)點則表示動作的發(fā)起點。

圖7 基于TKE算子的展握拳發(fā)起檢測結(jié)果

討論TKE算法的計算精度，一般認(rèn)為基于肌電信號進(jìn)行動作發(fā)起點的判斷，需要具備以下條件：

式中，S表示受試者采集點指伸肌上的一系列表面肌電信號；xi表示第i個肌電信號值，動作發(fā)生的閾值區(qū)間為[M,N]。根據(jù)式(9)得到以下有用信息，若一個均值點比它后面的3個均值點都小，且該點處于設(shè)定的閾值區(qū)間[M,N]中，可以判斷該點為動作發(fā)生點；在動作發(fā)生閾值點后比閾值點大Δx的點，可以判斷為有效肌電信號發(fā)生點。用得到的該點與TKE算子進(jìn)行比較，可以判斷出本文的TKE算子的方法精度。將4名受試者的20段肌電信號利用TKE算子進(jìn)行發(fā)起檢測，與一般認(rèn)為的動作發(fā)起點進(jìn)行比較，得到兩者的最大差值為286 ms，最小為56 ms，平均精度誤差僅有102 ms，遠(yuǎn)小于300 ms，這是利用肌電信號實時判斷手部動作所花費(fèi)時間的極限。

第二組實驗進(jìn)行4組手部基本動作的發(fā)起檢測。采集4路肌電信號，采用本文的TKE算法以及其他3種常用方法(MAV方法、STD方法及Hodges方法)，檢測受試者手部動作發(fā)起。一名受試者完成4種基本動作，如圖6所示，采集其4路肌電信號EMG(n)，一共得到16段肌電信號。圖8中，共采集了4路信號，每路信號的第一行為原始肌電信號絕對值，每一路信號下方的4行0、1信號函數(shù)是應(yīng)用4種方法檢測到動作的時間序列。1代表動作時刻，0代表靜息時刻。在這一共16段數(shù)據(jù)中，4種算法均能檢測到手部動作，但由于TKE方法對于肌電信號的幅值變化感知更明顯，加之后處理參數(shù)選擇得當(dāng)，因此可以更準(zhǔn)確地判斷4種基本動作在各通道肌電信號的發(fā)起段。

圖8 4種算法對手部動作發(fā)起的判斷結(jié)果

實驗中，若要尖峰噪聲的影響得到有效的剔除，則在后處理過程中，必須對每一個s( n)=0的間隔做出統(tǒng)計，對于普通手勢發(fā)起時T1通常在30 ms以下(此時置信度為98%)。

考慮到MAV方法需要應(yīng)用移動窗口策略，由于尖峰噪聲不敏感，T1在適當(dāng)范圍能取值較大，以便于將正常手部動作內(nèi)s( n)=1的耦合連接。與本文的仿真肌電信號實驗結(jié)果相似，使用Hodges方法生成的超前檢測誤差偏大，使用MAV及STD方法生成的滯后檢測誤差偏大。實驗結(jié)果表明，相較于TKE算子方法，其他3種方法對于肌肉活動及手部動作的檢測均不理想。

另外，在第二組實驗中，將所有檢測間隔設(shè)置在3 s內(nèi)，發(fā)起檢測時間的最小值定義為肌肉收縮發(fā)起時間。而對于發(fā)起時刻，某一通道的檢測時間嚴(yán)重超前于其他檢測通道(＞100 ms )，則將此次檢測定義為錯誤檢測，并將其剔除。經(jīng)過統(tǒng)計，發(fā)生錯誤檢測的概率約為1%，即可認(rèn)為實驗中檢測成功率為99%。

綜上所述，通過本文的兩組實驗說明了肌電信號對于判斷手部動作的可行性，并計算出方法的精度。因為表面肌電信號是人體肌肉在運(yùn)動時所產(chǎn)生的電信號，其微弱性的特點導(dǎo)致必須使用專用的采集設(shè)備對表面肌電信號進(jìn)行采集。本質(zhì)上，人的大腦神經(jīng)中樞信息通過神經(jīng)傳導(dǎo)，將微弱的電信號通過軸突層層傳遞，引起肌肉的收縮，最終致使人體運(yùn)動器官的展開活動。而這種微弱電信號的變化，在生物表現(xiàn)中確實反映了手部動作的改變。而人手從靜息狀態(tài)到運(yùn)動狀態(tài)，肌電信號的變化最能進(jìn)行表征此狀態(tài)的轉(zhuǎn)變。這種狀態(tài)的準(zhǔn)確判斷，將成為后續(xù)信號處理與識別的關(guān)鍵性信息。

4　結(jié) 束 語

本文提出了一種通過表面肌電信號進(jìn)行手部動作發(fā)起檢測的方法，該方法首次將TKE算子應(yīng)用于sEMG信號的預(yù)處理，設(shè)計二值化狀態(tài)函數(shù)，并提出啟發(fā)式濾波策略，最后進(jìn)行了仿真及實驗研究。結(jié)果表明利用該方法，可以對手部動作發(fā)起的肌電信號進(jìn)行高精度的實時檢測。通過本文的研究，闡明了肌電信號與手部動作的內(nèi)在聯(lián)系，更精確地確定手部動作發(fā)起時刻，有效地建立起肌電信號與行為動作間的對應(yīng)關(guān)系，為開展手勢的實時識別研究提供了一種新的思路，奠定了重要的基礎(chǔ)。

[1]趙漫丹,李東旭,范才智,等. 基于肌電信號層級分類的手部動作識別方法[J]. 北京生物醫(yī)學(xué)工程,2014,33(5): 490-496. ZHAO Man-dan,LI Dong-xun,FAN Cai-zhi,et al. A method of hand movement pattern recognition based on sEMG hierarchical classification[J]. Beijing Biomedical Engineering,2014,33(5): 490-496.

[2]謝燕江,楊智,范正平，等. 應(yīng)用小波變換去除膈肌肌電圖信號中的心電干擾[J]. 電子學(xué)報,2010,38(2): 366-370. XIE Yan-jiang,YANG Zhi,FAN Zheng-ping,et al. Application of wavelet to the cancellation of ECG interference in diaphragmatic EMG[J]. Acta Electronica Sinica,2010,38(2): 366-370.

[3]MAHDI K,MEHRAN J. A neuro-fuzzy inference system for sEMG-based identification of hand motion commands[J]. IEEE Transactions on Industrial Electronics,2011,58(5): 1952-1960.

[4]DIFABIO R P. Reliability of computerised surface electromyography for determining the onset of muscle activity[J]. Phys Ther,1987,67: 43-48.

[5]BONATO P,ALESSIO T D. A statistical method for the measurement of muscle activation intervals from surface myoelectric signal during gait[J]. IEEE Transactions on Biomedical Engineering,1998,45: 287-298.

[6]MERLO A,FARINA D,MERLETTI R. A fast and reliable technique for muscle activity detection from surface EMG signals[J]. IEEE TRansactions on Biomedical Engineering,2003,50: 316-323.

[7]李仲寧,羅志增. 基于小波變換的空域相關(guān)法在肌電信號中的應(yīng)用[J]. 電子學(xué)報,2007,35(7): 1414-1418. LI Zhong-ning,LUO Zhi-zeng. Spatial correlation filtering based on wavelet transfomation application to EMG De-noising[J]. Acta Electronica Sinica,2007,35(7): 1414-1418.

[8]STAUDE G H. Precise onset detection of human motor responses using a whitening filter and the log-likelihoodratio test[J]. IEEE Transactions on Biomedical Engineering,2001,48: 1292-1305.

[9]楊文元,尤波,黃玲,等. 表面肌電信號的分解算法研究[J]. 計算機(jī)應(yīng)用與軟件,2015,32(6): 245-248. YANG Wen-yuan,YOU Bo,HUANG Ling,et al. Research on decomposition algorithm of surface electromyography[J]. Computer Applications and Software,2015,32(6): 245-248.

[10]羅冰. 基于HMM的噪聲語音端點檢測方法研究[D]. 成都：西華大學(xué),2012. LUO Bing. A new method based on HMMs for noise-robust voice activity detector[D]. Chengdu: Xihua University,2012.

[11]PAWATE B I,DOWLING E. A new method for segmenting continuous speech[C]//IEEE International Conference on Acoustics Speech and Signal Processing. [S.l.]: IEEE,1994: 53-56.

[12]GHAEMMAGHAMI H,VOGT R,SRIDHARAN S,et al. Speech endpoint detection using gradient based edge detection techniques[C]//2nd International Conference on Signal Processing and Communication Systems. [S.l.]: ICSPCS,2008.

[13]TEAGER H M,TEAGER S M. Evidence for nonlinear sound reduction mechanisms in the vocal tract[J]. Kluwer Acad Publ,1990: 241-261.

[14]張啟忠,席旭剛,羅志增. 基于非線性特征的表面肌電信號模式識別方法[J]. 電子與信息學(xué)報,2013,35(9): 2054-2058. ZHANG Qi-zhong,XI Xu-gang,LUO Zhi-zeng. A pattern recognition method for surface electromyography based on nonlinear features[J]. Journal of Electronics & Information Technology,2013,35(9): 2054-2058.

[15]LI X,ZHOU P,ARUIN A S. Teager-Kaiser energy operation of surface EMG improves muscle activity onset detection[J]. Annals of Biomedical Engineering,2007,35(9): 1532-1538.

編輯黃莘

A Method for Hand Movement Onset Detection from Surface EMG Signals

ZHAO Man-dan1,FAN Cai-zhi2,ZHANG Zhen-jie1,and HAO Xiang-yang1
(1. School of Navigation and Aerospace Engineering,PLA Information Engineering UniversityZhengzhou450001; 2. College of Aerospace Science and Engineering,National University of Defense TechnologyChangsha410073)

Recognizing hand movements by using surface electromyography (sEMG)signal in real time and accurately is an important aspect of the application of sEMG signal. Hand movements onset detection from sEMG signals is the precondition of real-time hand movements recognizing. In this paper,The study aims at detecting the hand movement onset based on the consecutive sEMG signal. The sEMG signal is preprocessed by using the teager-kaiser energy (TKE)operator and a sEMG signal state binary function is designed to detect the hand movement onset from the consecutive sEMG signal. Then we design a heuristic filter according to the actual sEMG signal character. The detected results are filtered further by the heuristic filter which can cancel the effects of noise. We compare the application several methods for the simulation model. It proves the validity of TKE operator method. In the end,using sEMG signal acquisition and processing system for experimental verification,the results show that the detection method can rival action initiated for high precision of real-time detection.

hand movement;onset detection;surface electromyography;TEK operator

TN911.7

A

10.3969/j.issn.1001-0548.2016.06.004

2015 ? 06 ? 08；

2016 ? 04 ? 27

國家863計劃(2015AA7034057A)

趙漫丹(1990 ? )，男，博士生，主要從事計算機(jī)視覺、數(shù)字信號處理及機(jī)器學(xué)習(xí)等方面的研究.