, ,

(上海師范大學(xué) 信息與機(jī)電工程學(xué)院,上海 200234)

基于表面肌電的肘關(guān)節(jié)運(yùn)動(dòng)角度預(yù)測(cè)

井本成, 董海清,陳玉娟,張自強(qiáng)*

(上海師范大學(xué) 信息與機(jī)電工程學(xué)院,上海200234)

表面肌電信號(hào)(sEMG)由于能夠反映用戶的動(dòng)作意圖而被廣泛應(yīng)用在上肢康復(fù)治療系統(tǒng)中.針對(duì)目前上肢康復(fù)機(jī)器人的手臂關(guān)節(jié)運(yùn)動(dòng)控制不靈活的問(wèn)題,提出一種基于sEMG的肘關(guān)節(jié)運(yùn)動(dòng)角度預(yù)測(cè)方法.為解決單一的時(shí)域特征提取方法存在的時(shí)間效率高而穩(wěn)定性不足的問(wèn)題,從時(shí)域和頻域分別提取特征值,采用BP人工神經(jīng)網(wǎng)絡(luò)建立表面肌電信號(hào)與肘關(guān)節(jié)角度的映射模型,實(shí)現(xiàn)肘關(guān)節(jié)角度的預(yù)測(cè).實(shí)驗(yàn)結(jié)果表明,該模型的預(yù)測(cè)結(jié)果與真實(shí)角度值有高度的一致性,有助于提高上肢康復(fù)機(jī)械臂的靈活性.

表面肌電信號(hào); 上肢康復(fù);BP神經(jīng)網(wǎng)絡(luò); 肘關(guān)節(jié)角度

0 引 言

肢體康復(fù)是用來(lái)改善或恢復(fù)由于脊髓損傷(SCI)、創(chuàng)傷性腦損傷(TBI),或腦血管意外(CVA)引起的生理機(jī)能喪失的身體訓(xùn)練過(guò)程.在肢體康復(fù)系統(tǒng)方面,基于人體表面肌電信號(hào)的機(jī)器人輔助康復(fù)方法得到廣泛的發(fā)展[1-3].

肌電信號(hào)是一種可被記錄并用來(lái)評(píng)估人體骨骼肌肉的張力和控制相關(guān)運(yùn)動(dòng)的生物信號(hào),它還是可以直接反映用戶動(dòng)作意圖的最重要的生物信號(hào)之一[4-5].因此,肌電信號(hào)也被用來(lái)檢測(cè)動(dòng)作意圖,預(yù)測(cè)關(guān)節(jié)力矩和角度,合成機(jī)械手臂的運(yùn)動(dòng),進(jìn)而引導(dǎo)用戶癱瘓手臂的康復(fù)治療.

就手臂關(guān)節(jié)運(yùn)動(dòng)預(yù)測(cè)方法而言,Oyong等[6]提出了一種通過(guò)遺傳算法(GA)來(lái)估計(jì)肩關(guān)節(jié)和肘關(guān)節(jié)扭矩的方法.Edward等[7-9]提出了非線性動(dòng)態(tài)模型來(lái)估計(jì)肘關(guān)節(jié)扭矩.Ahmad等[10]提出了肘關(guān)節(jié)角度的估計(jì)方法,通過(guò)一個(gè)測(cè)角器量得實(shí)際的關(guān)節(jié)角度,以校準(zhǔn)和訓(xùn)練人工神經(jīng)網(wǎng)絡(luò),并通過(guò)肌電信號(hào)(EMG)估計(jì)肘關(guān)節(jié)角度.Masairo等[11]提出了另一種關(guān)節(jié)角度估計(jì)方法,關(guān)節(jié)角度通過(guò)“肌電信號(hào)—關(guān)節(jié)角”模型來(lái)估計(jì),它體現(xiàn)了肌電信號(hào)和關(guān)節(jié)角度的線性關(guān)系.本文作者提出了一種基于表面肌電信號(hào)(sEMG)的肘關(guān)節(jié)角度預(yù)測(cè)方法,用BP人工神經(jīng)網(wǎng)絡(luò)建立肘關(guān)節(jié)角度和表面肌電信號(hào)映射模型,實(shí)現(xiàn)對(duì)肘關(guān)節(jié)角度的預(yù)測(cè).

1 信號(hào)采集和處理

1.1實(shí)驗(yàn)的整體流程

圖1 實(shí)驗(yàn)整體流程

實(shí)驗(yàn)的整體流程(圖1)包含三步,其中步驟1涉及信號(hào)測(cè)量和處理,步驟2需要通過(guò)BP神經(jīng)網(wǎng)絡(luò)建立表面肌電信號(hào)和關(guān)節(jié)角度之間映射模型,步驟3根據(jù)采集的肌電信號(hào)使用訓(xùn)練好的模型進(jìn)行肘關(guān)節(jié)角度預(yù)測(cè),并驗(yàn)證預(yù)測(cè)效果.

1.2信號(hào)采集

圖2 電極貼片的位置

有兩種方法來(lái)獲得肌電信號(hào),一種是sEMG,借助于與用戶皮膚表面接觸的傳感器來(lái)采集;另一種是肌肉肌電信號(hào)(IEMG),用針電極通過(guò)皮膚插入肌肉組織進(jìn)行采集.本文作者采用了sEMG來(lái)提取肌肉活動(dòng)信息[12].使用安徽埃力科技有限公司生產(chǎn)的肌電采集儀采集肱二頭肌和肱三頭肌的表面肌電信號(hào).該設(shè)備可以通過(guò)有線或無(wú)線方式連接到電腦,攜帶方便,配置簡(jiǎn)單.采集時(shí)電極之間的距離一般設(shè)置為2 cm以防止肌肉串?dāng)_.電極的安放位置如圖2所示.

sEMG采集的同時(shí)要使用荷蘭Xsens公司開(kāi)發(fā)的三維慣性位置追蹤器采集手臂運(yùn)動(dòng)過(guò)程中的關(guān)節(jié)轉(zhuǎn)角信息.該設(shè)備通過(guò)Xbus系統(tǒng)集成了多個(gè)微機(jī)電系統(tǒng)(MEMS)運(yùn)動(dòng)傳感器,并通過(guò)USB或者無(wú)線藍(lán)牙連接PC機(jī).使用時(shí)調(diào)整傳感器佩戴位置,使手臂在鉛垂面運(yùn)動(dòng)時(shí),傳感器的x,y,z三個(gè)坐標(biāo)軸與實(shí)際的三維空間相對(duì)應(yīng),以便于計(jì)算關(guān)節(jié)轉(zhuǎn)過(guò)的角度.完整的信號(hào)采集方法如圖3所示,手臂在鉛垂面內(nèi)作屈伸運(yùn)動(dòng),先屈曲到一個(gè)指定的位置,再伸展回到起始位置,視為一次動(dòng)作結(jié)束,每次動(dòng)作保持速度緩慢、均勻.

1.3信號(hào)處理

1.3.1 表面肌電信號(hào)處理流程

通過(guò)肌電信號(hào)采集分析儀采集的兩個(gè)通道原始sEMG樣本,如圖4所示.

圖3 信號(hào)采集方法

圖4 兩個(gè)通道原始sEMG

圖5 信號(hào)采集與處理流程

信號(hào)被用于特征提取之前,先對(duì)它進(jìn)行預(yù)處理,增加信噪比.肌電信號(hào)處理的流程圖如圖5所示,將采集到的原始表面肌電信號(hào)經(jīng)過(guò)活動(dòng)段截取和濾波降噪處理,然后對(duì)濾波后的信號(hào)進(jìn)行歸一化并提取特征,作為BP人工神經(jīng)網(wǎng)絡(luò)的輸入樣本.

1.3.2 活動(dòng)段截取

由于采集到的肌電信號(hào)十分微弱,而且可能包含有MUAP還沒(méi)開(kāi)始募集的部分,所以截取信號(hào)中的有效片段至關(guān)重要.采用滑動(dòng)矩形窗從能量的角度對(duì)信號(hào)進(jìn)行分析,根據(jù)一個(gè)短時(shí)窗內(nèi)肌電信號(hào)能量和的大小來(lái)判斷是否處于無(wú)動(dòng)作狀態(tài).公式描述如下:

(1)

圖6 信號(hào)活動(dòng)段

其中Q是ti時(shí)刻的窗內(nèi)肌電信號(hào)信號(hào)能量值,Δt是滑動(dòng)時(shí)間窗的寬度,semg(t)為采集到的表面肌電信號(hào)隨時(shí)間變化的數(shù)據(jù).處理后的部分活動(dòng)段信號(hào)如圖6所示,圖6(a)、(b)分別對(duì)應(yīng)肱二頭肌和肱三頭肌的采樣通道.

1.3.3 信號(hào)濾波和歸一化

sEMG復(fù)雜并且微弱,在采集過(guò)程中極易受到干擾,所以需要對(duì)采集到的信號(hào)進(jìn)行濾波處理.sEMG的頻率區(qū)間主要能量集中在50～150 Hz范圍內(nèi),對(duì)于采集到的原始信號(hào),首先要濾除50 Hz工頻干擾,然后經(jīng)過(guò)一個(gè)通帶截止參數(shù)WP為(50,150),阻帶截止參數(shù)WS為(10,500)的二階巴特沃斯帶通濾波器.信號(hào)經(jīng)過(guò)濾波后,再進(jìn)行歸一化處理:

(2)

式中y的最大值ymax和最小值ymin分別設(shè)為+1和-1,x代表信號(hào)樣本的值,xmax和xmin代表信號(hào)的最大幅值和最小幅值,處理后的信號(hào)見(jiàn)圖7(a)、(b)分別對(duì)應(yīng)肱二頭肌和肱三頭肌的采樣通道.

圖7 處理后的sEMG

1.4特征提取

特征提取是sEMG進(jìn)一步運(yùn)用到神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的重要環(huán)節(jié),特征提取方法主要有時(shí)域法、頻域法、時(shí)頻域法、高階譜分析法等.相對(duì)于其他幾種特征提取方法,時(shí)域特征和頻域特征比較常用,時(shí)域特征計(jì)算量少而頻域特征穩(wěn)定性好,能滿足實(shí)際要求.本實(shí)驗(yàn)采用時(shí)域法和頻域法提取5種特征值:均方根值(RMS),過(guò)零點(diǎn)數(shù)(ZC),平均功率頻率(MPF),中位頻率(MF)和絕對(duì)平均值值(MAV)構(gòu)成特征向量.計(jì)算方法如下:

(3)

(4)

(5)

(6)

(7)

式中xi為樣本點(diǎn),N為樣本點(diǎn)數(shù).以均方根值(RMS)為例,肱二頭肌和肱三頭肌的RMS曲線如圖8所示.

圖8 肱二頭肌和肱三頭肌的RMS曲線

2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)實(shí)驗(yàn)

BP傳播神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督式的學(xué)習(xí)算法,其誤差反向傳播的含義為:根據(jù)輸出誤差來(lái)反復(fù)調(diào)整網(wǎng)絡(luò)中各層神經(jīng)元的連接權(quán)值,使網(wǎng)絡(luò)輸出誤差逐漸減小,并最終接近、達(dá)到期望輸出.當(dāng)網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時(shí)保存網(wǎng)絡(luò)的權(quán)值和偏差.

一般情況下,人工神經(jīng)網(wǎng)絡(luò)能夠處理例如預(yù)測(cè)、優(yōu)化、模式識(shí)別等一系列問(wèn)題,因此,采用BP神經(jīng)網(wǎng)絡(luò)來(lái)建立sEMG和上肢關(guān)節(jié)角度的模型.使用了三層的BP神經(jīng)網(wǎng)絡(luò)控制器,網(wǎng)絡(luò)結(jié)構(gòu)模型如圖9所示,第一層為輸入層,由兩個(gè)各含5個(gè)sEMG特征值的通道構(gòu)成,第二層是隱含層,設(shè)置了4個(gè)節(jié)點(diǎn),節(jié)點(diǎn)的個(gè)數(shù)

(8)

式中n為輸入單元數(shù),對(duì)應(yīng)10個(gè)特征值,m為輸出神經(jīng)元數(shù),對(duì)應(yīng)第三層輸出層的1個(gè)輸出,提供上肢關(guān)節(jié)角度的預(yù)測(cè)值.n1為隱含層神經(jīng)元個(gè)數(shù),a取1～10之間的整數(shù),根據(jù)公式和經(jīng)驗(yàn)可以設(shè)置n1=4.

圖9 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

圖10 BP預(yù)測(cè)結(jié)果與真實(shí)角度

將處理過(guò)的數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù),在Matlab中將訓(xùn)練數(shù)據(jù)作為BP網(wǎng)絡(luò)的輸入,角度信號(hào)作為輸出進(jìn)行訓(xùn)練.得到了輸入層到隱含層以及隱含層到輸出層的一種映射關(guān)系.這樣就建立了表面肌電信號(hào)與肘關(guān)節(jié)角度的預(yù)測(cè)模型,然后可以用測(cè)試數(shù)據(jù)作為輸入,預(yù)測(cè)結(jié)果與實(shí)際角度進(jìn)行對(duì)比來(lái)檢驗(yàn)預(yù)測(cè)效果,其結(jié)果如圖10所示.

由圖10可以看出,BP人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)曲線與實(shí)際角度值整體上有較高的一致性,預(yù)測(cè)結(jié)果比較符合真實(shí)曲線,但仍存在不可忽略的偏差,尤其是波峰波谷過(guò)渡處最為明顯,其原因是手臂的肘關(guān)節(jié)彎曲和伸展的過(guò)渡過(guò)程肌肉的運(yùn)動(dòng)狀態(tài)比較復(fù)雜,需要進(jìn)一步研究.

3 總結(jié)與展望

使用表面肌電信號(hào)采集分析儀和慣性位置追蹤器設(shè)計(jì)了一種角度預(yù)測(cè)方法.分別從時(shí)域和頻域提取特征,通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練,建立了表面肌電信號(hào)與肘關(guān)節(jié)角度的映射模型.實(shí)現(xiàn)了關(guān)節(jié)角度的預(yù)測(cè).該模型的預(yù)測(cè)結(jié)果與真實(shí)角度值有較高的一致性,平均誤差較小,但是對(duì)肘關(guān)節(jié)運(yùn)動(dòng)角度的預(yù)測(cè)結(jié)果仍有所偏離,有待改進(jìn).此外,為增強(qiáng)上肢康復(fù)系統(tǒng)的靈活性和實(shí)用性,接下來(lái)可以進(jìn)一步研究手臂的多自由度關(guān)節(jié)運(yùn)動(dòng)角度.

[1] Hsiu J L,Kuu Y Y.Upperlimb EMG based robot motiongoverningusing empiricalmode decomposition and adaptiveneural fuzzy inference system [J].Journal of Intelligent and Robotic Systems,2012,68(3-4):275-291.

[2] Jordan K,Sampson M,Hijmans J,et al.ImAble system for upper limb strokerehabilitation [C].Virtual Rehabilitation International Conference(ICVR),Zurich:IEEE,2011.

[3] 卜峰,李傳江,陳佳佳,等.基于ARM的肌電假肢手控制器 [J].上海大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,20(4):442-449.

Bu F,Li C J,Chen JJ,et al.Design of electromyography prosthesis controller based on ARM [J].Journal of Shanghai University(Natural Science),2014,20(4):442-449.

[4] Huang H,Wolf S,He J.Recent developments in biofeedback for neuromotor rehabilitation [J].Journal of NeuroEngineering and Rehabilitation,2006,11(3):11-12.

[5] 趙京東,姜力,金明河,等.基于肌電信號(hào)的仿人型假手控制 [J].機(jī)械與電子,2006(8):54-56.

Zhao J D,Jiang L,Jin MH,et al.Prosthetic hand control based on EMG signals [J].Machinery & Electronics,2006(8):54-56.

[6] Oyong AW,Parasuraman S,Jauw VL.Robot assisted stroke rehabilitation:Estimation of muscle force/joint torque from EMG using GA [C].Biomedical Engineering and Sciences (IECBES),Kuala Lumpur:IEEE,2010.

[7] Ullah K,Jung-Hoon K.A mathematical model for mapping EMG signal to joint torque for the human elbow joint using nonlinear regression [C].International Conference on Autonomous Robots and Agents(ICARA),Wellington:IEEE,2009.

[8] Clancy E A,Liu L,Pu L,et al.Identification of constant posture EMG-Torque relationship about the elbow using nonlinear dynamicmodels [J].Biomedical Engineering,2012,59(1):205-212.

[9] Mobasser F,Eklund JM,HashtrudiZ K.Estimation of elbow induced wrist force with EMG signals using fast orthogonal search [J].Biomedical Engineering,2007,54(4):683-693.

[10] Ahmad A B,Ahmad N,Mohd H M,et al.Characterization of surface electromyography using timedomain features for determining hand motion and stages ofcontraction [J].Australasian Physical and Engineering Sciences in Medicine,2014,37(1):133-137.

[11] Yoshikawa M,Mikawa M,Tanaka K.Hand pose estimation using EMG signals [C].Engineering in Medicine and Biology Society,Lyon:IEEE,2007.

[12] Yu H J,Lee AY,Choi Y.Human elbow joint angle estimation using electromyogram signal processing [J].Signal Processing,2011,5(8):767-775.

(責(zé)任編輯：包震宇)

Predictionofelbowjointmovementanglebasedonsurfaceelectromyography

Jing Bencheng,DongHaiqing,ChenYujuan,ZhangZiqiang*

(The College of Information,Mechanical and Electrical Engineering,Shanghai Normal University,Shanghai200234,China)

In the development of upper limb rehabilitation treatment system,surface electromyography (sEMG),with the capacity of reflecting users’ action intention,is widely used.Aiming at the problem that the arm joints of the upper limb rehabilitation robot are not flexible,this paper proposes a sEMG based elbow joint motion angle prediction method.To solve the problem that the stability of time domain feature extraction methodis insufficient,we use electromyography signal sampling analyzer and three-dimensional inertial position tracker acquire sEMG and the rotation information of the joint movement,extracting featuresfrom the time domain and frequency domain respectively,utilizing BP artificial neural network to establish the mapping relationship between sEMG and elbow angle.The experimental results show that the predictive results of this model are highly consistent with the true angle values,which is helpful to improve the flexibility of the upper limb rehabilitation manipulator.

surface electromyography; upper limb rehabilitation; BP neural network; elbow jointangle

2016-10-25

井本成(1990-)，男，碩士研究生，主要從事嵌入式與通信控制系統(tǒng)方面的研究.E-mail: jingbencheng@163.com

導(dǎo)師簡(jiǎn)介: 張自強(qiáng)(1958-)，男，教授，碩士生導(dǎo)師，主要從事控制理論及其應(yīng)用等方面的研究.E-mail:zhzq@shnu.edu.cn

TP274

:A

:1000-5137(2017)04-0571-06

*