劉二寧 鄒任玲 姜亞斌 胡秀枋 盧旭華 王海濱 范虓杰 張安林

摘 要：為提高基于表面肌電信號的人體腰背動作識別率，提出一種基于小波包能量與改進NARX神經(jīng)網(wǎng)絡(luò)的分類識別新方法。利用小波包變換對動作部位進行表面肌電信號特征提取，并采用改進NARX神經(jīng)網(wǎng)絡(luò)進行分類識別。選取8名實驗者分別在扭腰、彎腰、側(cè)彎腰3種動作下進行表面肌電信號數(shù)據(jù)采集，選擇db4小波包函數(shù)對信號進行6層分解，得到第6層64個頻帶的小波包分解系數(shù)，代表各個動作信息的特征向量，作為改進NARX神經(jīng)網(wǎng)絡(luò)的輸入進行分類識別。對照實驗組中，改進NARX神經(jīng)網(wǎng)絡(luò)的識別率較高，總體識別率達到96.7%。實驗結(jié)果表明，利用該識別方法對腰部動作進行分類識別，分類準確，且識別率更高。

關(guān)鍵詞：表面肌電信號;動作識別;小波包變換;改進NARX神經(jīng)網(wǎng)絡(luò)

DOI：10. 11907/rjdk. 201327????????????????????????????????????????????????????????????????? 開放科學（資源服務(wù)）標識碼（OSID）：

中圖分類號：TP301 ? 文獻標識碼：A ??????????????? 文章編號：1672-7800（2020）011-0071-04

A New Method for Recognition of Lumbar and Back Movements

Based on Surface EMG Signals

LIU Er-ning1， ZOU Ren-ling1，JIANG Ya-bin1，HU Xiu-fang1，LU Xu-hua2，WANG Hai-bin2，F(xiàn)AN Xiao-jie1，ZHANG An-lin1

（1. School of Medical Instrument and Food，University of Shanghai for Science and Technology，Shanghai 200093，China;

2. Shanghai Changzheng Hospital， Shanghai 200003， China）

Abstract： In order to improve the recognition rate of human low back motion pattern based on surface EMG， this paper proposes a new classification and recognition method based on wavelet packet energy and improved NARX neural network.The wavelet transform is used to extract the surface EMG signal features of the action part， and the improved NARX neural network is used for classification and identification. Eight experimental subjects were selected to perform surface EMG signal data acquisition under the lumbar motion of twisting， bending and side bending. The db4 wavelet packet function was used to decompose the signal in 6 layers to obtain the decomposition coefficient of the 64 wavelet band in the 6th layer. The coefficients represent the feature vector of each action information are used as an input to the improved NARX neural network for classification and recognition. In the control group， the improved NARX neural network has a higher recognition rate， and the overall recognition rate reaches 96.7%. The experimental results show that the waist movement is classified and recognized by this recognition method with accurate classification and higher recognition rate.

Key Words： surface EMG signal;motion recognition;wavelet packet transform;improved NARX neural network

0 引言

表面肌電信號是指通過表面肌電拾取方式采集肌肉活動產(chǎn)生的電信號，可在一定程度上反映神經(jīng)肌肉的活動。其借助于無創(chuàng)傷、使用方便等優(yōu)勢，在康復(fù)訓練中常被用來對患者動作進行分類與識別，從而實現(xiàn)智能控制，以進一步提高康復(fù)效果[1-3]。

利用表面肌電信號對人體動作進行分類識別，關(guān)鍵在于如何提高表面肌電信號的分類識別率。目前，國內(nèi)外學者利用人工神經(jīng)網(wǎng)絡(luò)、模糊熵判別法、神經(jīng)模糊熵判別法等算法，一定程度上提高了識別率[4-8]。其中具有代表性的有楊偉健等[9]提出的基于空域相關(guān)濾波的小波熵和近似熵特征提取與分類方法，實現(xiàn)了肩頸部肌電信號識別，可對輪椅進行智能控制;魏偉等[10]提出一種小波變換與粒子群優(yōu)化支持向量機（Particle Swarm Optimization-Support Vector Machine，PSO-SVM）相結(jié)合的模式分類方法，能夠成功識別表面肌內(nèi)翻、外翻，以及握拳、展拳動作;王紅旗等[11-12]提出一種將播報主元分析與線性判別分析相結(jié)合的表面肌電信號動作特征識別新方法，其將小波包系數(shù)矩陣由16維降到4維，對前臂4種動作模式（握拳、展拳、手腕內(nèi)翻和手腕外翻）的正確識別率平均可達98%，與傳統(tǒng)小波包變換相比識別率更高;Yogendra等[13]利用原始表面肌電圖（sEMG）信號特征的一階微分得到4個新的時域特征，與其它分類器相比具有更好的分類精度;Mane等[14]提出一種新的基于單通道的表面肌電信號識別算法識別表面肌電信號，利用小波變換與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法能更好地對表面肌電信號進行識別與分類。

傳統(tǒng)方法利用小波變換提取表面肌電信號特征向量，無法很好地分解與表示包含大量細節(jié)信息的表面肌電信號，而小波包變換是一種信號的時間—尺度分析方法，具有多分辨率分析的特點，在時、頻域具有較強的表征信號局部特征的能力。因此，為提高分類與識別的準確性，本文提出采用小波包變換法對動作部位的表面肌電信號進行特征提取，之后輸送到改進NARX神經(jīng)網(wǎng)絡(luò)進行分類與識別，并將該方法應(yīng)用于腰部腰方肌、豎脊肌的動作（扭腰、彎腰、側(cè)彎腰）識別。實驗結(jié)果表明，該方法可以顯著提高對腰背部動作的分類識別準確性，在康復(fù)訓練中可起到指導訓練、提高康復(fù)效果的作用。

1 小波包能量特征向量提取

小波變換原理：設(shè)ft是平方可積函數(shù)，φa，bt被稱為基本小波或母小波，定義如下：

φa，bt=1aφt-ba ?? （1）

則信號ft連續(xù)小波變換定義為：

Wφfa，b≤ft，φa，bt≥1a-∞+∞ftφ*t-badt???? （2）

式中，a>0，b∈R，a是尺度因子，b是伸縮因子，“<>”表示內(nèi)積，“*”表示共軛。信號ft的離散小波變換定義為：

Wf2j，2jk=2-j2-∞+∞ftφ2-jt-kdt ??? （3）

其逆變換為：

ft=f=-∞+∞k=-∞+∞wf2j，2jk？2j，2jkx ??? （4）

由式（2）可知，小波變換是先選定一個基小波函數(shù)φt，然后將信號ft在φt下展開。對于一個已知信號st進行小波變換，如式（5）所示。

st=AIt+I=1UDt=waIaIt+I=1UwdIt （5）

式中，AIt為第I級的低頻分量，DIt為第I級的高頻分量，waI為第I級的低頻小波系數(shù)，wdI為第I級的高頻小波系數(shù)，aIt與dIt是小波基。

由Parse-val定理得知，頻域計算信號與時域計算信號的能量相等，由此可知，分解后各個頻帶的能量為EI，以EI為元素可構(gòu)造特征向量：R=E1，E2，E3，？，EI，其中I=2i。再令E=sqrt（i=0I|EI|2），歸一化處理后的能量為R'=E1/E，E2/E，E3/E，？，EI/E，最后以R'作為神經(jīng)網(wǎng)絡(luò)的輸入進行動作識別。

設(shè)φ（x）、ψ（x）分別是尺度函數(shù)和小波函數(shù)，令：

ψ0（x）=φ（x）ψ1（x）=ψ（x） （6）

φ2l（x）=k=-∞+∞hkφl（2x-k）ψ2l+1（x）=k=-∞+∞gkφl（2x-k） ???????? （7）

則定義的函數(shù)ψn稱為關(guān)于尺度函數(shù)φ（x）的小波包。

利用小波包算法提取運動的表面肌電信號特征能量時，只要選擇合適的小波包函數(shù)和分解層數(shù)[15-16]，即可將進行不同運動時肌電信號中的各個頻段信息分解出來，最后得到一組代表各個動作信息的特征向量[17-19]。

2 NARX神經(jīng)網(wǎng)絡(luò)改進算法

NARX神經(jīng)網(wǎng)絡(luò)算法在通信隨機信號獲取特征值方面已取得較大進展，同樣也適用于處理肌電信號的隨機性，可用來識別不同的肌肉運動[20-21]。改進NARX神經(jīng)網(wǎng)絡(luò)在輸入延時環(huán)節(jié)上作了改進，隱層神經(jīng)元使用動態(tài)的激勵函數(shù)，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)更加簡單，能更好地滿足康復(fù)訓練對高精度控制的動態(tài)要求。因此，在小波包處理表面肌電信號基礎(chǔ)上采用改進NARX神經(jīng)網(wǎng)絡(luò)提高識別率。

NARX神經(jīng)網(wǎng)絡(luò)（見圖1）由輸入層、延時層、隱含層和輸出層、反饋環(huán)節(jié)構(gòu)成，是一種被廣泛應(yīng)用于動態(tài)非線性研究的反饋神經(jīng)網(wǎng)絡(luò)，也稱為實時遞歸網(wǎng)絡(luò)。

NARX 神經(jīng)網(wǎng)絡(luò)權(quán)值更新算法為：

ΔWkη？eTk？yk？w+dxykT ??? （8）

其中：

dxyk=dykdyk-1，dykdyk-2，...dykdyk-mT ? （9）

隱層神經(jīng)元激勵函數(shù)參數(shù)學習方法如下：

（1）參數(shù)α的學習算法。

Jk=12e2k;ek=dk-yk （10）

αi，k+1=αi，k-Δαi，k;Δαi，k=ηαdJkdαj，k （11）

dJkdαi，k=-ekdykdαi，k （12）

dykdαi，k=w1idzidαi，k=ziαi，kw1i （13）

zi=fivi，αi，βi=αi？eβivi-e-βivieβivi+e-βivi （14）

αi，k+1=αi，k+ηα？ek？ziαi，k？w1i （15）

其中，αi，k+1是第i個隱層神經(jīng)元激勵函數(shù)參數(shù)αi在k+1時刻的值，ηα是學習速率，w1i是第i層隱層神經(jīng)元到輸出層的連接權(quán)，zi是第i個隱層神經(jīng)元的輸出，vi是第i個隱層神經(jīng)元的輸入。

（2）參數(shù)β的學習算法。

βi，k+1=βi，k-Δβi，k;Δβi，k=ηβ？dJkdβi，k （16）

dJkdβi，k=-ek？dykdβi，k ??????? （17）

dykdβi，k=w1idzidβi，k=w1i？vi？αi，k？1-z2i （18）

βi，k+1=βi，k+ηβ？ek？w1i？αi，k？v？1-z2i ? （19）

其中， βi，k+1是第i個隱層神經(jīng)元激勵函數(shù)參數(shù)βi在k+1時刻的值，ηβ是學習速率。

改進NARX神經(jīng)網(wǎng)絡(luò)（見圖2）在輸入延時環(huán)節(jié)上作了改進，結(jié)構(gòu)上與傳統(tǒng)NARX回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)基本相同。改進NARX網(wǎng)絡(luò)在應(yīng)用時只需確定隱層神經(jīng)元數(shù)目，采用實時遞歸學習（Real Time Recurrent Learning， RTRL）算法，此時該網(wǎng)絡(luò)隱藏層具有動態(tài)的激勵函數(shù)。

3 動作識別實驗與結(jié)果分析

為驗證該方法對腰背部動作的識別率，本文將腰背動作分為易于識別的扭腰、彎腰、側(cè)彎腰3個動作。實驗采用芬蘭Mega公司開發(fā)的ME6000表面肌電測試儀，包含16通道的數(shù)據(jù)記錄器和無線遙控裝置，能夠精準測量與監(jiān)控表面肌電信號。本實驗設(shè)置的采樣頻率為1 000Hz，肌電信號高通濾波器截止頻率為20Hz，低通濾波器截止頻率為500Hz。實驗選取8名23-26周歲的大學生，身體健康且24h內(nèi)無腰背部劇烈運動，分別在其扭腰、彎腰、側(cè)彎腰3種動作下進行信號采集（見圖3）。實驗期間保證每位測試者在非疲勞情況下測試，每個動作時間為30s，且動作平穩(wěn)。

3.1 特征向量提取與神經(jīng)網(wǎng)絡(luò)構(gòu)建

選取腰背部3種動作的表面肌電信號，采用db4小波包函數(shù)對信號進行6層分解，得到第6層64個頻帶的小波包分解系數(shù)，之后計算出每個頻帶的信號能量，再將得到的能量進行歸一化處理，作為神經(jīng)網(wǎng)絡(luò)的輸入。

為區(qū)分腰背部的3個動作（彎腰、扭腰和側(cè)彎腰），設(shè)置3個對應(yīng)的輸出層節(jié)點：（1 0 0）表示彎腰動作，（0 1 0）表示扭腰動作，（0 0 1）表示側(cè)彎腰動作。

3.2 改進神經(jīng)網(wǎng)絡(luò)訓練與測試

改進NARX神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)包括3層前饋網(wǎng)絡(luò)與2個輸入，以及8個隱層神經(jīng)元。神經(jīng)網(wǎng)絡(luò)內(nèi)部運算函數(shù)使用Sigmoid函數(shù)，以提高計算速度。采用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱進行神經(jīng)網(wǎng)絡(luò)分析，并與經(jīng)典NARX神經(jīng)網(wǎng)絡(luò)進行比較。測試數(shù)據(jù)來源于此次試驗采集的數(shù)據(jù)，隨機產(chǎn)生240組輸入輸出數(shù)據(jù)對，其中前200組用于訓練，后40組用于測試。經(jīng)典NARX神經(jīng)網(wǎng)絡(luò)采用三階輸入延遲與一階輸出延遲，以及8個隱層神經(jīng)元;改進NARX神經(jīng)網(wǎng)絡(luò)采用一階輸出延時，以及8個隱層神經(jīng)元。使用240個數(shù)據(jù)集進行網(wǎng)絡(luò)訓練，兩種神經(jīng)網(wǎng)絡(luò)學習速率均為0.001，訓練1 000步，比較結(jié)果如圖4、圖5所示。其中，圖4為NARX神經(jīng)網(wǎng)絡(luò)MSE擬合圖，圖5為改進NARX神經(jīng)網(wǎng)絡(luò)MSE擬合圖。MSE用來表示訓練后輸出矩陣與目標矩陣的擬合曲線，R（相關(guān)度）的值越接近1，表示擬合效果越好。比較兩幅圖的結(jié)果得出，改進NARX神經(jīng)網(wǎng)絡(luò)相比傳統(tǒng)NARX神經(jīng)網(wǎng)絡(luò)，擬合度與識別率更高。

3.3 結(jié)果分析

將改進NARX神經(jīng)網(wǎng)絡(luò)與BP、Elman神經(jīng)網(wǎng)絡(luò)進行對比實驗。BP神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元為10，輸出神經(jīng)元為3，inputs輸入數(shù)據(jù)中70%用于訓練，15%用于擬合，15%用于測試，總體識別率為88.3%，說明其只能基本識別測試動作;Elman神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元為14，輸出神經(jīng)元為3，inputs輸入數(shù)據(jù)中70%用于訓練，15%用于擬合，15%用于測試，總體識別率為90%，表明Elman神經(jīng)網(wǎng)絡(luò)模式識別結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò);NARX神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元為8，輸入延時為2，輸出反饋延時為2，輸出神經(jīng)元為3，inputs輸入數(shù)據(jù)中70%用于訓練，15%用于擬合，15%用于測試，總體識別率為93.3%;改進NARX神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元為8，輸入延時節(jié)點數(shù)為0，輸出延時節(jié)點數(shù)為2，輸出神經(jīng)元為3，inputs輸入數(shù)據(jù)中70%用于訓練，15%用于擬合，15%用于測試，總體識別率為96.7%。根據(jù)幾組數(shù)據(jù)比較結(jié)果，改進NARX神經(jīng)網(wǎng)絡(luò)模式識別結(jié)果優(yōu)于傳統(tǒng)NARX神經(jīng)網(wǎng)絡(luò)。

從表1中可以看出，各組針對扭腰模式的識別效果相對較好，而針對彎腰與側(cè)彎腰的識別效果較差。其中，BP神經(jīng)網(wǎng)絡(luò)的識別結(jié)果最差，NARX神經(jīng)網(wǎng)絡(luò)識別結(jié)果最優(yōu)，改進NARX神經(jīng)網(wǎng)絡(luò)通過對輸入隱層神經(jīng)元的優(yōu)化，識別率得到了很大提升。

4 結(jié)語

本文提出一種基于小波包能量與改進NARX神經(jīng)網(wǎng)絡(luò)的分類識別新方法，利用小波包多分辨率的特點對表面肌電信號進行多維度分解與重構(gòu)，提取各個頻段歸一化能量作為腰背動作特征向量。實驗結(jié)果表明，改進NARX神經(jīng)網(wǎng)絡(luò)能夠?qū)ρ秤柧氈械?個動作進行有效分類，相比BP神經(jīng)網(wǎng)絡(luò)、ELMAN神經(jīng)網(wǎng)絡(luò)與NARX神經(jīng)網(wǎng)絡(luò)，分類結(jié)果更準確，識別率更高。但不足之處是該方法對彎腰和側(cè)彎腰動作識別率相對較低，未來研究方向是進一步提高每個動作的識別率，并測試將該方法應(yīng)用于下肢運動的動作識別中。

參考文獻：

[1] FELDNER H A，HOWELL D，KELLY V E，et al. “Look， your muscles are firing！”： a qualitative study of clinician perspectives on the use of surface electromyography in neurorehabilitation[J]. Archives of physical medicine and rehabilitation，2018，100（4）：663-675.

[2] ZHANG Z，YANG K，QIAN J，et al. Real-time surface emg pattern recognition for hand gestures based on an artificial neural network [J].? Sensors， 2019， 19（14）：3170-3185.

[3] ZHANG L，LIU G，HAN B，et al. sEMG Based Human Motion Intention recognition[J]. Journal of Robotics，2019（1）：1-12.

[4] 李明，楊漢生，楊成梧，等. 一種改進的NARX回歸神經(jīng)網(wǎng)絡(luò)[J].? 電氣自動化，2006，28（4）：6-8.

[5] 于亞萍，孫立寧，張峰峰，等. 基于小波變換的多特征融合sEMG模式識別[J]. 傳感技術(shù)學報， 2016， 29（4）：512-518.

[6] NOWAKOWSKI M，TRYBEK P. Correlation based analysis of sEMG signals during complex muscle activity. Feasibility study of new methodology[J].? Folia Medica Cracoviensia， 2017， 57（2）：41-52.

[7] 徐國慶，吳云韜.? 上肢殘肢肌電信號交互的實現(xiàn)[J].? 計算機工程與設(shè)計， 2015（12）：3344-3348.

[8] AI Q S，ZHANG Y N，QI WL，et al. Research on lower limb motion recognition based on fusion of sEMG and accelerometer signals[J].? Symmetry，2017，9（8）：1-19.

[9] 楊偉健，佘青山，張啟忠，等.? 一種肩頸部肌電信號識別的智能輪椅控制方法[J]. 上海交通大學學報， 2016， 50（6）：949-956.

[10] 魏偉，洪潔，王璐，等. 基于小波變換和PSO-SVM的表面肌動作模式分類[J]. 安徽工業(yè)大學學報（自然科學版），2016，33（3）：272-277.

[11] 王紅旗，李林偉，毛啊敏. 基于小波包主元分析的表面肌電信號特征識別[J]. 河南理工大學學報（自然科學版），2015，34（2）：249-252.

[12] 王紅旗，李林偉，毛啊敏. 基于小波包的表面肌電信號特征表示與識別[J].? 計算機工程與應(yīng)用，2015， 51（9）：217-220.

[13] YOGENDRA N，LINI M，CHATTERJI S.? sEMG signal classification with novel feature extraction using different machine learning approaches[J].? Journal of Intelligent & Fuzzy Systems，2018，35（5）：1-11.

[14] MANE S M，KAMBLI R A，KAZI F S，et al. Hand motion recognition from single channel surface emg using wavelet & artificial neural network[J].? Procedia Computer Science，2015， 49（1）：58-65.

[15] MARTELLO S，PISINGER D，TOTH P. New trends in exact algorithms for the 01 knapsack problem[J]. European Journal of Operational Research ，2000，123（2）：325-332.

[16] 洪潔，王璐，汪超，等. 基于人工魚群算法優(yōu)化SVM的手部動作sEMG識別[J].? 傳感器與微系統(tǒng)，2016，35（2）：23-25.

[17] DUAN F， DAI L，CHANG W， et al. sEMG-based identification of hand motion commands using wavelet neural network combined with discrete wavelet transform[J]. IEEE Transactions on Industrial Electronics， 2016， 63（3）：1923-1934.

[18] SHIGUANG W，F(xiàn)EI W，CHENGDONG W，et al. Human lower limb motion recognition based on translation invariance wavelet transform and RBF neural networks[C].? Chinese Control and Decision Conference， 2009.

[19] LIU Z H，LUO Z Z. Hand motion pattern classifier based on EMG using wavelet packet transform and LVQ neural networks[C].? IEEE International Symposium on IT in Medicine and Education， 2008：28-32.

[20] LI Z，HAYASHIBE M，F(xiàn)ATTAL C，et al. Muscle fatigue tracking with evoked EMG via recurrent neural network： toward personalized neuroprosthetics[J]. IEEE Computational Intelligence Magazine， 2014， 9（2）： 38-46.

[21] BU N，OKAMOTO M，TSUJI T. A hybrid motion classification approach for emg-based human-robot interfaces using bayesian and neural networks[J]. IEEE Transactions on Robotics， 2009， 25（3）： 502-511.

（責任編輯：黃 ?。?/p>