何小耀，韋宇煒，何漢武，王俊華，曾科學(xué)

（1.廣東工業(yè)大學(xué)，廣東 廣州 510000；2.廣東省第二中醫(yī)院，廣東 廣州 510000）

肘關(guān)節(jié)屈運(yùn)動(dòng)相關(guān)肌肉表面肌電信號(hào)研究*

何小耀1，韋宇煒1，何漢武1，王俊華2，曾科學(xué)2

（1.廣東工業(yè)大學(xué)，廣東 廣州 510000；2.廣東省第二中醫(yī)院，廣東 廣州 510000）

針對(duì)表面肌電控制對(duì)信號(hào)通道數(shù)和數(shù)據(jù)量的要求，文章以肘關(guān)節(jié)屈運(yùn)動(dòng)的角度識(shí)別為研究目標(biāo)，通過對(duì)相關(guān)肌肉表面肌電信號(hào)進(jìn)行去噪，提取特征值，建立表面肌電信號(hào)與關(guān)節(jié)運(yùn)動(dòng)角度的映射關(guān)系，旨在找出最能表征肘關(guān)節(jié)屈運(yùn)動(dòng)的肌肉。通過實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)肱二頭肌和肱橈肌用于肘關(guān)節(jié)屈運(yùn)動(dòng)角度識(shí)別的準(zhǔn)確率更高。

表面肌電；肘關(guān)節(jié)屈；運(yùn)動(dòng)；角度；識(shí)別

我國(guó)人口眾多，其中殘疾人達(dá)到6千萬之多，這其中，肢體殘疾約占45%，而肢體殘疾中，又以上肢殘疾居多。傳統(tǒng)的上肢康復(fù)訓(xùn)練方法是依靠專業(yè)的理療醫(yī)師對(duì)患者進(jìn)行手把手的訓(xùn)練。對(duì)于這種病患，醫(yī)師的輔助訓(xùn)練雖有一定的幫助，但是不會(huì)太理想，主要問題在于訓(xùn)練效率不高，操作過程帶有醫(yī)師的主觀態(tài)度，康復(fù)評(píng)定標(biāo)準(zhǔn)無理論依據(jù)[1]。利用人體表面肌電信號(hào)（以下簡(jiǎn)稱sEMG）控制外骨骼機(jī)器人，使用機(jī)器人的“體力”來帶動(dòng)患者做康復(fù)運(yùn)動(dòng)。這種方式不僅可以繼承目前的康復(fù)模式和方法，還有可能徹底解決這些康復(fù)訓(xùn)練方法中存在的問題[2]。

用sEMG控制外骨骼康復(fù)訓(xùn)練，為了防止對(duì)患者造成二次傷害，對(duì)關(guān)節(jié)運(yùn)動(dòng)角度識(shí)別有較高的要求。為此，文章選取肘關(guān)節(jié)屈運(yùn)動(dòng)的角度識(shí)別為研究對(duì)象。肘關(guān)節(jié)的屈運(yùn)動(dòng)涉及到多組肌肉：肱二頭肌、肱肌、肱橈肌、橈側(cè)腕屈肌、和尺側(cè)腕屈肌，利用多塊肌肉的肌電信號(hào)表征肘關(guān)節(jié)運(yùn)動(dòng)，必將提高識(shí)別率。但這將使數(shù)據(jù)過于龐大，信號(hào)處理實(shí)時(shí)性降低。最重要的是，對(duì)于截肢患者，有時(shí)無法獲得多塊肌肉的sEMG，為此，期望能夠找到最能表征肘關(guān)節(jié)屈運(yùn)動(dòng)的肌肉，僅利最少的肌肉信號(hào)實(shí)現(xiàn)角度識(shí)別。

文章通過采集肘關(guān)節(jié)屈運(yùn)動(dòng)相關(guān)肌肉的sEMG，對(duì)sEMG去噪，提取特征，利用BP神經(jīng)網(wǎng)路建立sEMG與關(guān)節(jié)運(yùn)動(dòng)角度的關(guān)系，從而利用sEMG識(shí)別關(guān)節(jié)運(yùn)動(dòng)角度。通過分析不同肌肉sRMG對(duì)角度的識(shí)別率，來找出更能表征肘關(guān)節(jié)屈運(yùn)動(dòng)角度的肌肉，為識(shí)別肘關(guān)節(jié)屈運(yùn)動(dòng)肌肉的選擇提供依據(jù)。

1 肌電信號(hào)的采集、去噪與特征提取

1.1 肌電信號(hào)的采集

肌電信號(hào)采集時(shí)，因表面肌電信號(hào)極其微弱， 其電壓值在50μV～2000μV之間，其能量主要集中在10Hz-500Hz之間。采集電路需對(duì)信號(hào)進(jìn)行放大、濾波，采集過程如圖1所示。

圖1 sEMG信號(hào)流向圖

1.2 小波去噪

采集到的sEMG仍舊含有大量噪聲，需要做進(jìn)一步去噪處理。小波變換是一種時(shí)間窗和頻率窗都可以改變的視頻分析方法，不僅能反應(yīng)信號(hào)在全部頻率上的整體時(shí)域特征，而且能提供頻率段所對(duì)應(yīng)的時(shí)間信息。此外，小波變換在高頻段具有高的時(shí)間分辨率，低的頻率分辨率；低頻段具有高的頻率分辨率，低的時(shí)間分辨率，其在時(shí)頻域都有很強(qiáng)的局部特征表征力。因此，小波變換在非平穩(wěn)信號(hào)的去噪以及特征提取領(lǐng)域有著十分廣泛的應(yīng)用[3-5]。表面肌電信號(hào)可以表示為：

其中s(i)為含有噪聲的sEMG信號(hào)，x(i)為有用信號(hào)，e(i)為噪聲信號(hào)。

通過對(duì)s(i)進(jìn)行小波分解，由于噪聲常包含在具有較高頻率的細(xì)節(jié)中，因此通過選取一定的閾值對(duì)分解的得到的小波系數(shù)進(jìn)行處理，然后再重構(gòu)信號(hào)，即可達(dá)到消噪的目的。利用Matlab進(jìn)行去噪處理，使用閾值去噪函數(shù)wden，采用sym8小波進(jìn)行5層分解。肘關(guān)節(jié)5次伸屈運(yùn)動(dòng)、肱橈肌sEMG信號(hào)去噪前后的波形如圖2所示。

圖2 去噪前后的肱橈肌信號(hào)

1.3 特征提取

sEMG是肌肉收縮時(shí)產(chǎn)生的電信號(hào)，為了建立sEMG與肘關(guān)節(jié)屈運(yùn)動(dòng)的映射關(guān)系，需從sEMG信號(hào)波形中選取影響肘關(guān)節(jié)運(yùn)動(dòng)的參數(shù)。相關(guān)文獻(xiàn)[6-8]中介紹了肌電信號(hào)的相關(guān)特征值：為了提高抗噪能力，提取sEMG細(xì)節(jié)特征采用了基于自排序熵的特征值提取方法；為了獲得分離度大的信號(hào)特征值，可以采用基于小波變換的方法。綜合考慮，文章選取三個(gè)特征值：通過閾值的sEMG數(shù)據(jù)點(diǎn)數(shù)的百分比，sEMG均方根值，sEMG能量值。

（1）通過閾值的sEMG數(shù)據(jù)點(diǎn)數(shù)百分比。以平伸狀態(tài)下的肌肉sEMG值為參考，選取其最大值，最小值為閾值，對(duì)屈運(yùn)動(dòng)狀態(tài)下的sEMG進(jìn)行閾值濾波，計(jì)算通過閾值的數(shù)據(jù)點(diǎn)數(shù)占數(shù)據(jù)的百分比。通過的數(shù)據(jù)點(diǎn)數(shù)越多，說明肌肉發(fā)力時(shí)間越長(zhǎng)，能夠在一定程度上反應(yīng)肘關(guān)節(jié)的運(yùn)動(dòng)角度。

其中Xi為屈運(yùn)動(dòng)sEMG值，Xmax、Xmin為平伸狀態(tài)下sEMG最大、最小值，yi表示是否通過閾值濾波，N表示采樣點(diǎn)數(shù)，XNumOver表示通過閾值濾波占采樣數(shù)的百分比。

（2）sEMG均方根值。EMG均方根值的大小同樣是反應(yīng)肌肉的活動(dòng)變化，選取均方根值作為特征值之一。

XRMS表示sEMG的均方根值

（3）sEMG能量值。sENG的求取方法為通過對(duì)sEMG進(jìn)行小波包分解，取相應(yīng)的小波包系數(shù)的平方和即為能量值：

其中Ci為小波包分解的高維系數(shù)矩陣

如圖3所示，采集到的肱橈肌sEMG的三個(gè)特征值與角度，其中數(shù)據(jù)來自10次肘關(guān)節(jié)屈運(yùn)動(dòng)。

圖3 肱橈肌sEMG的三個(gè)特征值與肘關(guān)節(jié)屈運(yùn)動(dòng)角度

2 肘關(guān)節(jié)屈運(yùn)動(dòng)角度定量辨識(shí)

2.1 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

文章采用BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練建立sEMG與運(yùn)動(dòng)角度之間的關(guān)系[9-11],結(jié)構(gòu)如圖4所示。

圖4 BP網(wǎng)絡(luò)結(jié)構(gòu)

該BP網(wǎng)絡(luò)共三層，輸入成含有3個(gè)節(jié)點(diǎn)，輸出層含有一個(gè)節(jié)點(diǎn)，對(duì)于隱含層節(jié)點(diǎn)數(shù)的確定，文章采用的確定方法為：

其中n為隱含層神經(jīng)元數(shù)，nin為輸入神經(jīng)元數(shù)，nout為輸出神經(jīng)元數(shù)，a為1～10之間的常數(shù)。

經(jīng)過不斷的嘗試，將n定位10得到的訓(xùn)練結(jié)果較好。

2.2 實(shí)驗(yàn)及結(jié)果

本實(shí)驗(yàn)招募6名志愿者，年齡在18～35歲之間，沒有運(yùn)動(dòng)神經(jīng)類疾病；在最近的6個(gè)月里，前臂沒有出現(xiàn)扭傷、運(yùn)動(dòng)損傷、斷裂等影響運(yùn)動(dòng)功能的傷病；最近兩天沒有進(jìn)行過劇烈的運(yùn)動(dòng)；沒有肌肉酸痛及不適；非敏感性皮膚。本次實(shí)驗(yàn)使用的器材有：sEMG、Agcl電極、角度采集儀等。

數(shù)據(jù)采集方法：Agcl電極貼于相關(guān)肌肉表面，測(cè)試者在無負(fù)重情況下，平緩的做肘關(guān)節(jié)屈運(yùn)動(dòng)，采集儀記錄sEMG信號(hào)；角度采集儀放置與受試這段手臂處采集角度信息。每位受試者分別采集肱二頭肌、肱橈肌、尺側(cè)腕屈肌、橈側(cè)腕屈肌，考慮到肱肌為深層肌，且大部分人該塊肌肉不明顯，因此文章暫不研究。每塊肌肉采集25組數(shù)據(jù)，其中20組用于BP網(wǎng)絡(luò)訓(xùn)練，5組用于測(cè)試預(yù)測(cè)結(jié)果。

為了保證采集過程的一致性，在采集每一塊肌肉的sEMG信號(hào)時(shí)，應(yīng)做相同的處理：用酒精擦拭相應(yīng)皮膚，檢測(cè)電極相隔距離一致，參考電極位置不變等。利用上文中方法求取肌肉各組sEMG的特征值與對(duì)應(yīng)的角度信息，并定義后好BP神經(jīng)網(wǎng)絡(luò)，分別對(duì)采集的20組數(shù)據(jù)進(jìn)行訓(xùn)練。用5組測(cè)試數(shù)據(jù)測(cè)試預(yù)測(cè)結(jié)果，其中一位受試者的預(yù)測(cè)結(jié)果如圖5所示。

圖5 某一位受試者肘關(guān)節(jié)屈運(yùn)動(dòng)角度預(yù)測(cè)情況

為了分析預(yù)測(cè)結(jié)果，求取預(yù)測(cè)值與實(shí)際值誤差的均方根值，各受測(cè)者的各肌肉預(yù)測(cè)值與實(shí)際值誤差的均方根RMS值如表1。

2.3 結(jié)果分析

從表1中可以看出，肱二頭肌和肱橈肌的sEMG預(yù)測(cè)的角度誤差更小，表明肱二頭肌與肱橈肌與肘關(guān)節(jié)屈運(yùn)動(dòng)的關(guān)系更加緊密，這與醫(yī)學(xué)觀點(diǎn)：參與肘關(guān)節(jié)屈運(yùn)動(dòng)的

主要肌肉為肱二頭肌與肱橈肌，相符合[12]。后續(xù)在識(shí)別肘關(guān)節(jié)屈運(yùn)動(dòng)時(shí)，只需采集肱二頭肌和肱橈肌，甚至只采集肱橈肌的sEMG信號(hào)。這樣可以大大減少數(shù)據(jù)采集量，在患者某些肌肉無法采集到數(shù)據(jù)的情況下，利用其較少的甚至是一塊肌肉的信號(hào)進(jìn)行識(shí)別，就顯得尤為重要。

表1 肘關(guān)節(jié)屈運(yùn)動(dòng)角度預(yù)測(cè)誤差

3 結(jié)束語

文章通過研究肘關(guān)節(jié)屈運(yùn)動(dòng)相關(guān)肌肉：肱二頭肌、肱橈肌、尺側(cè)腕屈肌、橈側(cè)腕屈肌的sEMG信號(hào)，分別采集其sEMG信號(hào)，濾波去噪，提取特征值，利用BP神經(jīng)網(wǎng)絡(luò)建立sEMG與肘關(guān)節(jié)屈運(yùn)動(dòng)角度的映射關(guān)系。通過對(duì)不同肌肉的預(yù)測(cè)網(wǎng)絡(luò)測(cè)試，發(fā)現(xiàn)肱二頭肌和肱橈肌的預(yù)測(cè)結(jié)果要明顯好于尺側(cè)腕屈肌和橈側(cè)腕屈肌，說明參與肘關(guān)節(jié)屈運(yùn)動(dòng)的肌肉有多快，但有主次之分，并且每塊肌肉所能代表肘關(guān)節(jié)屈運(yùn)動(dòng)的程度也不一樣，肱二頭肌與肱橈肌最能表征肘關(guān)節(jié)屈運(yùn)動(dòng)。因此，在進(jìn)行肘關(guān)節(jié)角度預(yù)測(cè)時(shí)，只需采集最具價(jià)值的肌肉sEMG信號(hào)，而無需采集所有相關(guān)肌肉的sEMG信號(hào)。從而減少識(shí)別所需的肌肉數(shù)量，減少數(shù)據(jù)，提高運(yùn)算速度。

[1]耿松松.中國(guó)殘疾人康復(fù)現(xiàn)狀與問題研究[D].蘭州大學(xué),2013.

[2]常微微.上肢外骨骼康復(fù)機(jī)器人控制系統(tǒng)研究[D].河北工業(yè)大學(xué),2013.

[3]張啟忠,席旭剛,羅志增.基于表面肌電信號(hào)形態(tài)特征的多模式識(shí)別研究[J].傳感技術(shù)學(xué)報(bào),2012,(12):1636-1642.

[4]朱艷芹.基于LabVIEW的小波去噪技術(shù)的研究及應(yīng)用[D].武漢工程大學(xué),2008.

[5]周偉.MATLAB小波分析高級(jí)技術(shù)[M].西安:西安電子科技大學(xué)出版社,2006.5-9.

[6]謝平,魏秀利,杜義浩,等.基于自排序熵的表面肌電信號(hào)特征提取方法[J].模式識(shí)別與人工智能,2014,27(6):496-501.

[7]羅志增,王人成.基于表面肌電信號(hào)的前臂手部多運(yùn)動(dòng)模式識(shí)別[J].模式識(shí)別與人工智能,2006,27(9):996-999.

[8] Reddy NP ,Gupat V.Toward direct biocontrol using surface EMG signals:Control of finger and wirst joint models [J]. Medical Engineering & Physics, 2007:398-403.

[9]孫保峰.基于神經(jīng)網(wǎng)絡(luò)的表面肌電信號(hào)分類方法研究[D].吉林大學(xué),2013.

[10]柳松青.MATLAB神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)研究與應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì),2003,27(11):81-84.

[11]雷俊.基于ARM的表面肌電信號(hào)采集與模擬仿真系統(tǒng)的設(shè)計(jì)[D].吉林大學(xué),2014.

[12]余慧杰.具有生理學(xué)特性的高精度人體肌肉疲勞建模及其在手臂屈伸運(yùn)動(dòng)中的應(yīng)用研究[D].復(fù)旦大學(xué),2008.

Q983+.4

A

2096-2789（2016）11-0011-03

廣東省科技計(jì)劃“基于功能電刺激的癱瘓患者步態(tài)康復(fù)訓(xùn)練機(jī)器人的設(shè)計(jì)及研發(fā)”項(xiàng)目（2013B010102010）。