糜超 陳陽 鄒凌

摘 要： 為了利用表面肌電信號自動檢測肌肉疲勞狀態(tài)，設計一套8導聯(lián)表面肌電采集系統(tǒng)。該系統(tǒng)主要包括模擬前端放大電路、主控模塊和電源模塊三部分，并研究了肌肉疲勞與正常狀態(tài)下表面肌電信號的特征提取及分類方法。實驗表明：自行設計的放大器分辨率為38.1 μV，系統(tǒng)噪聲小于15.3 μV，采樣率達到1 000 Hz，功耗約為30.7 mW；使用該放大器采集肌肉疲勞與正常狀態(tài)下肌電信號，支持向量機分類的識別率高達98%。該系統(tǒng)具有體積小、精度高、功耗低及操作簡便等優(yōu)點，可用于家庭健康監(jiān)護領域。

關鍵詞： 表面肌電信號； 肌肉疲勞； 特征提??； 支持向量機； 放大電路； 健康監(jiān)護

中圖分類號： TN911.23?34； TP368.1； R318.6 文獻標識碼： A 文章編號： 1004?373X（2018）20?0078?05

Abstract： An 8?channel sEMG acquisition system is designed to automatically detect the muscle fatigue status by using sEMG signals. The system mainly consists of the analog front?end amplifying circuit， main control module and power supply module. The feature extraction and classification method of the sEMG signal at the muscle fatigue status and normal status are studied. The experimental results show that the designed amplifier has resolution rate of 38.1 μV， system noise of smaller than 15.3 μV， sampling rate of as high as 1 000 Hz， and power consumption of about 30.7 mW； when the amplifier is used to collect the sEMG signal at the muscle fatigue status and normal status， the recognition rate of support vector machine （SVM） classification is as high as 98%； the system has the advantages of small size， high precision， low power consumption and easy operation， and can be used in the field of family health monitoring.

Keywords： sEMG signal； muscle fatigue； feature extraction； SVM； amplifying circuit； health monitoring

0 引 言

肌肉疲勞是當肌肉不能滿足某一力量要求時的肌肉狀態(tài)。連續(xù)強烈的肌肉收縮是導致肌肉疲勞的主要原因[1]，如帕金森疾病、內(nèi)分泌紊亂、癌癥、營養(yǎng)不良，以及長時間使用肌肉電刺激儀等都會引起肌肉疲勞。

表面肌電信號（surface Electromyography，sEMG）是人體肌肉發(fā)生收縮活動時產(chǎn)生的一種生理電信號，經(jīng)常被用來評估肌肉活動狀態(tài)。1890年Etienne Jules Marey第一次記錄了肌肉活動的電信號。肌電信號是一種隨機生理電信號，具有以下特點[2?3]：

1） 微弱性。肌電信號幅度范圍一般在100～5 000 mV，均方根在0～1.5 mV；相比于針電極檢測的肌電信號，表面肌電信號的幅度更小。

2） 低頻特性。表面肌電信號能量主要集中在1 000 Hz以下，頻譜主要集中在20～500 Hz之間，功率譜通常處在30～300 Hz之間。

3） 高阻抗性。當皮膚干燥、無損的情況下，人體的電阻可高達40～400 kW。在肌肉處于疲勞狀態(tài)下時，功率譜密度會向低頻段漂移及在峰值上產(chǎn)生變化[4]。比如，在進行最大力負重練習后，肌電信號的峰值會變大，并且向低頻段漂移。

肌電是目前肌肉疲勞檢測中較為準確方便的測量方法。作為一種簡單、無創(chuàng)傷、可定量的研究方法，利用肌電圖研究肌肉疲勞是勞動生理學中常用的方法。表面肌電放大器的設計和基于表面肌電的肌肉疲勞檢測已經(jīng)取得了一定的進展，如周兵等人設計了基于ARM 7的表面肌電信號采集儀[5]；Koutsos E等采集表面肌電信號后，進行功率譜上的分析[6]。目前的檢測大都是基于觀測功率譜圖這一方法，需要一定的專業(yè)知識才能鑒別出肌肉狀態(tài)，不便于家庭化的推廣使用。

本文設計了一個高精度、便攜式、8導聯(lián)的表面肌電采集系統(tǒng)，利用該系統(tǒng)分別采集不同被試肌肉正常與疲勞狀態(tài)下的肌電信號。提取信號的有效特征，進行肌肉正常與疲勞狀態(tài)分類，實現(xiàn)肌肉疲勞的檢測。

1 肌電采集系統(tǒng)硬件設計

多通道肌電采集放大電路主要由模擬采集放大部分、主控芯片部分、電源部分三大塊組成。模擬前端主要對微弱的肌電信號進行兩次放大以及帶通濾波，拾取有效的肌電信號；經(jīng)過放大濾波的模擬肌電信號傳送給24位高精度的ADS1278模/數(shù)轉換芯片（Analog?to?Digital converter，ADC），得到穩(wěn)定的數(shù)字信號；主控芯片將數(shù)字信號進行存儲，同時發(fā)送給上位機，以便后期研究。

1.1 模擬前端電路設計

模擬前端需要對信號進行調理，將微弱的肌電信號放大至ADC可識別的電壓范圍之內(nèi)，同時最大程度地去除干擾噪聲，保留肌電信號有效成分。在設計模擬前端時，需要根據(jù)表面肌電信號的特性，完成共模抑制比、放大倍數(shù)等參數(shù)的計算。

假設肌電電壓的分辨率ΔVEMG為500 nV，當滿足式（10）時，最小增益[GAFEmin]為4.2。其中，LSB為ADC精度。

以上計算基于以下假設：

1） 放大器的量程FSR為5 V；

2） 電路中做了去直流處理；

3） 放大器具有大于75 dB的共模抑制比（50 Hz處）；

4） 結合ADS1278芯片手冊，假設信噪比失真參數(shù)SINAD為103 dB。綜上所述，前端模擬電路需要滿足如下要求：

綜合以上計算分析，本系統(tǒng)使用差分輸入的儀表放大器INA333進行5倍的前級放大，并且同時對信號高通濾波，截止頻率為6 Hz。為了有效去除直流成分，使用OPA333運算放大器進行去直流操作。使用差分輸出放大器THS4521對信號進行約40倍的后級放大，同時進行截止頻率為500 Hz的低通濾波。模擬前端電路設計參數(shù)及原理圖如表1、圖1所示。

1.2 電源及電平轉換電路設計

肌電信號采集系統(tǒng)需要低噪聲、高精度的供電模塊，本系統(tǒng)電源設計如圖2所示。ADC芯片的參考電壓直接決定了工作的精度和穩(wěn)定性。本系統(tǒng)中選用ISL21007?25（U3）穩(wěn)壓芯片來實現(xiàn)2.5 V的參考電壓值。該芯片具有低噪音（峰峰值4.5 mV），高精度（±0.5 mV），低漂移（3 ppm/℃）的特點。前端的模擬采集放大部分的供電使用±2.5 V的雙電源供電。2.5 V的電源使用具有低壓差線性穩(wěn)壓器的TPS79625（U2）實現(xiàn)；-2.5 V的電源首先使用高頻（2 MHz）逆向電源芯片MAX889T（U4）得到-3 V的電壓，再使用具有低噪音、高電源供電抑制比的TPS72325（U5）芯片得到-2.5 V的電壓。前端濾波和ADC內(nèi)部供電使用5 V的單電源供電，使用TPS79650（U1）芯片實現(xiàn)。數(shù)字信號電源部分和ADC的I/O口3.3 V供電，以及ADC的數(shù)字內(nèi)核1.8 V供電使用TPS79645（U6）實現(xiàn)。

1.3 ADC選擇及主控模塊設計

ADC芯片的選擇需要滿足如下要求：具有能夠連續(xù)采樣的多通道；支持使用SPI口與主控進行通信；較低的功耗。

基于以上幾點，本系統(tǒng)采用TI公司的ADS1278[8]芯片。該芯片能夠達到144 KSPS的采樣率，111 dB的信噪比，具有8個通道。

主控模塊采用STM32實現(xiàn)，主要功能是利用SPI接收來自ADC芯片的數(shù)字信號，將接收到的數(shù)據(jù)封裝成包，數(shù)據(jù)包大小為32 bit，包含一個8 bit的通道號和24 bit的肌電數(shù)據(jù)，并且將其通過USB口發(fā)送給上位機。主控程序的主要邏輯分為SPI總線控制、FIFO數(shù)據(jù)保存、USB數(shù)據(jù)發(fā)送三部分，如圖3所示。主控芯片通過SPI控制ADC芯片，設置定時器查詢ADC是否完成數(shù)據(jù)轉換，完成則循環(huán)讀取8次DOUT口數(shù)據(jù)，每次讀取1 bit，將STRB標志置為1。當主程序檢測到STRB置為1后，檢查FIFO是否已滿，若滿則將TH_FULL標志置為1；未滿則將已讀取的8 bit數(shù)據(jù)保存至FIFO。主程序檢測到TH_FULL為1后，則將FIFO里的數(shù)據(jù)通過USB口發(fā)送給與之連接的PC端，同時清空FIFO。

1.4 放大器主要性能指標

本文設計實現(xiàn)的表面肌電放大器實物尺寸為20 cm×10 cm×2 cm，體積較小。設備使用鋰電池進行供電，電極使用可插拔式的DIN2.0接口，數(shù)據(jù)利用USB傳輸。系統(tǒng)測量參數(shù)如表2所示。結果表明，自行設計的8導聯(lián)表面肌電放大器符合表2中的設計參數(shù)，具有較低功耗、較高共模抑制比和較高精度的特點。與國標相比[9]，共模抑制比、有效帶寬達到了要求；系統(tǒng)噪聲未能達標，但已經(jīng)滿足肌肉疲勞檢測的要求。

2 特征提取及分類

2.1 特征提取

提取有效的特征是疲勞檢測的基礎。肌電信號的特征提取主要分為三類方法：時域法，頻域法，時域?頻域結合法。表面肌電信號的時域特征與頻域特征或時?頻域特征相比，具有計算量簡單、獲取迅速等優(yōu)點，可以獲得相對較好的分類特性。本文提取平均絕對值 （Integrated Electromyogram，IEMG）、過零率（Zero Crossing，ZC）、符號改變斜率（Slope Sign Change，SSC）、波長（Waveform Length，WL）、4個時序上的肌電信號特征。

1） 平均絕對值

2） 過零率

3） 符號改變斜率

4） 波 長

2.2 分 類

本文使用4個分類算法來檢測肌肉的疲勞和非疲勞兩種狀態(tài)。其中，K近鄰（KNN）和支持向量機（SVM）是非參數(shù)方法；線性判別（LDA）和樸素貝葉斯（NB）為參數(shù)化方法。所有方法使用Python實現(xiàn)。

2.3 實驗結果與分析

本實驗采用自主設計的8導聯(lián)肌電采集系統(tǒng)，1 kHz的采樣率，設置放大倍數(shù)為200倍。擬選取平均年齡在25歲，平均身高在175 cm，平均體重在60 kg的被試10名。被試無神經(jīng)肌肉方面的疾病，以及沒有受過特殊的力量訓練。實驗要求被試在休息一段時間以后，將一次性心電電極放置在肱三頭肌附近，每個電極之間間隔10 mm。要求被試在站立狀態(tài)下，以2 s每次的速度舉啞鈴數(shù)次。實驗中，首先采集被試非疲勞狀態(tài)下的肌電信號，每次持續(xù)3 s。在被試負重訓練，手臂感到疲憊后，采集被試靜止狀態(tài)下的肌電信號，每次持續(xù)3 s。將采集到的肌電信號首先進行20～500 Hz帶通濾波，去除50 Hz工頻干擾[10]。肌肉正常狀態(tài)下和疲勞狀態(tài)下的肌電圖分別如圖4a）、圖4b）所示，功率譜對比如圖5所示。當肌肉處于疲勞狀態(tài)下時，表面肌電功率譜圖的峰值變大，向低頻段漂移，與已有的相關文獻報道相符[4]。

提取第2.1節(jié)中的平均絕對值、過零率、符號改變率、波長4個特征，使用K近鄰、支持向量機、線性判別和樸素貝葉斯分類器分類，分類結果如表3所示。

SVM分類時正確率達到了98%，能夠有效區(qū)分肌肉疲勞與正常兩種狀態(tài)。

3 結 語

本文研制了一套8導聯(lián)表面肌電采集系統(tǒng)。對10位被試肌肉疲勞與正常狀態(tài)下的表面肌電信號采集與分析，利用機器學習方法分類。實驗表明，本系統(tǒng)能很好地完成對肌肉疲勞的檢測任務，適用于家庭健康監(jiān)護等場景。為進一步提高系統(tǒng)性能，將在信號采集與分類算法上進行改進，使系統(tǒng)實現(xiàn)低功耗與小型化。

注：本文通訊作者為鄒凌。

參考文獻

[1] BOYAS S， GU?VEL A. Neuromuscular fatigue in healthy muscle： underlying factors and adaptation mechanisms [J]. Annals of physical & rehabilitation medicine， 2011， 54（2）： 88?108.

[2] NA Y， CHOI C， LEE H D， et al. A study on estimation of joint force through isometric index finger abduction with the help of SEMG peaks for biomedical applications [J]. IEEE transactions on cybernetics， 2016， 46（1）： 2?8.

[3] DASOG M， KOIRALA K， LIU P， et al. Electromyogram bandwidth requirements when the signal is whitened [J]. IEEE transactions on neural systems and rehabilitation engineering， 2014， 22（3）： 664?670.

[4] ROGERS D R， MACISAAC D T. EMG?based muscle fatigue assessment during dynamic contractions using principal component analysis [J]. Journal of electromyography and kinesiology， 2011， 21（5）： 811?818.

[5] 周兵，紀曉亮，張榮，等.基于嵌入式技術的表面肌電信號采集儀設計[J].現(xiàn)代電子技術，2010，33（6）：55?57.

ZHOU Bing， JI Xiaoliang， ZHANG Rong， et al. Design of surface EMG acquisition instrument based on embedded technology [J]. Modern electronics technique， 2010， 33（6）： 55?57.

[6] KOUTSOS E， GEORGIOU P. An analogue instantaneous median frequency tracker for EMG fatigue monitoring [C]// Proceedings of IEEE International Symposium on Circuits and Systems. Melbourne： IEEE， 2014： 1388?1391.

[7] VAN RIJN A C M， PEPER A， GRIMBERGEN C A. High?quality recording of bioelectric events [J]. Medical & biological engineering & computing， 1990， 28（5）： 389?397.

[8] Texas Instruments. ADS1278?HT： octal， simultaneous?sampling 24?bit analog?to?digital converter [EB/OL]. [2013?04?01]. http：//www.ti.com/lit/ds/symlink/ads1278?ht.pdf.

[9] Tianjin Quality Supervision and Inspection Center of Medical Device， CFDA. Myoelectric biofeedback equipment： YY/T 1095?2015 [S/OL]. [2015?03?02]. http：//www.168i.cn/soft/show.asp？id=218720.

[10] 湯烈，葛良全.一種濾除表面肌電信號中工頻干擾的新型方法[J].現(xiàn)代電子技術，2015，38（4）：30?34.

TANG Lie， GE Liangquan. A novel method of filtering the power?line interference in surface EMG signal [J]. Modern electronics technique， 2015， 38（4）： 30?34.