吳平平, 徐劍華, 杜明家, 王 勇

(合肥工業(yè)大學(xué) 機(jī)械工程學(xué)院,安徽 合肥 230009)

研制高性能智能假肢可以幫助截肢者重新融入社會,提高截肢者的生活質(zhì)量。假肢在平地行走、上下樓梯和上下坡等多種運動模式下的協(xié)調(diào)控制能力是評估智能假肢性能的重要指標(biāo)之一[1]。只有正確識別出截肢者下肢運動模式,才能采取有效的控制策略,因此,下肢運動模式識別方法的研究成為智能假肢的關(guān)鍵技術(shù)之一。

基于傳感器的下肢運動模式識別方法因其靈敏度高、不受環(huán)境因素制約等優(yōu)點而備受研究者青睞。在下肢步態(tài)識別研究中,為了獲取充足的人體運動信息,需要搭建多傳感器信息采集系統(tǒng)。多通道表面肌電信號被廣泛應(yīng)用于人體運動模式識別。文獻(xiàn)[2]采集了5通道表面肌電信號進(jìn)行步態(tài)識別,準(zhǔn)確率為96.67%;針對下肢運動特點,文獻(xiàn)[3]、文獻(xiàn)[4]分別使用了6通道、9通道表面肌電信號進(jìn)行步態(tài)識別;文獻(xiàn)[5]將4個柔性壓電傳感器放置于膝蓋和臀部處,步態(tài)識別率在93%以上;文獻(xiàn)[6]搭建了下肢多源運動信息系統(tǒng)以獲取下肢表面肌電信號、腿部角度信號和足底壓力信號,識別了平地行走、上樓梯和下樓梯,識別準(zhǔn)確率在95%以上;文獻(xiàn)[7]通過采集4通道表面肌電信號和腰部加速度信號識別了7個日常動作,平均識別率達(dá)到98.62%;文獻(xiàn)[8]將足底壓力信號和9通道表面肌電信號信息融合,對步態(tài)支撐期和擺動期進(jìn)行分類,準(zhǔn)確率在95%以上,并正確識別了步態(tài)相位的轉(zhuǎn)換。上述方法均需通過多個傳感器采集信息,由此產(chǎn)生了系統(tǒng)復(fù)雜、成本高、穿戴舒適性差等一系列問題,而且傳感器過多易造成信息冗余、分類模型建立困難。

目前,下肢運動模式識別常用的傳感器信息主要有表面肌電信號、足底壓力信號、關(guān)節(jié)角度信號和加速度信號。采集加速度信號的傳感器具有價格便宜、體積小、功耗低、運動信息豐富等優(yōu)點;表面肌電信號的采集只需將傳感器固定在相應(yīng)肌肉上,信號采集方便、靈活;加速度信號可以反映大尺度的人體運動信息,而表面肌電信號可以反映精細(xì)的肌肉活動信息[9],兩者融合更為合理。因此,為了減少穿戴的傳感器數(shù)量、克服多傳感信息采集系統(tǒng)的不足,本文只獲取單肌肉表面肌電信號和加速度信號來識別下肢不同步態(tài)模式。

1 系統(tǒng)設(shè)計

進(jìn)行步態(tài)試驗時,為了擺脫線纜束縛和空間制約,搭建了無線表面肌電和加速度信息采集系統(tǒng),系統(tǒng)包括固定在肌肉上的信號發(fā)射端和與PC連接的信號接收端,系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)

由信號采集模塊和無線模塊組成的信號發(fā)射端完成表面肌電和加速度信號的實時采集與無線發(fā)送。信號采集模塊通過肌電采集電路和加速度傳感器采集表面肌電和加速度信號,并輸入到單片機(jī)中,經(jīng)A/D轉(zhuǎn)換和IIC協(xié)議讀取后打包發(fā)送到無線模塊;無線模塊選用藍(lán)牙模塊將接收到的數(shù)據(jù)放入發(fā)送緩沖區(qū)準(zhǔn)備發(fā)送。肌電采集電路使用差分方式采集信號,由前級放大電路、低通濾波電路、二級放大電路、高通濾波電路組成,放大倍數(shù)為500倍,其中前級放大100倍,二級放大5倍,截止頻率為20～500 Hz;加速度模塊選擇MPU6050模塊將其固定在信號發(fā)射端。信號接收端通過與發(fā)射端配對的藍(lán)牙接收數(shù)據(jù),并傳輸?shù)絇C端實時顯示和儲存。系統(tǒng)實物圖如圖2所示。

圖2 系統(tǒng)實物圖

2 信號預(yù)處理及特征提取

2.1 肌肉選擇

下肢運動是多肌肉相互配合的結(jié)果,各個肌肉在下肢運動時的作用不完全相同,本文為了減少傳感器數(shù)量,只采集單肌肉表面肌電和加速度信號,因此選擇合適的肌肉至關(guān)重要。根據(jù)文獻(xiàn)[10-11],股直肌(vastus rectus,VR)、半腱肌(semitend inosus,SE)、腓腸肌(gastrocnemius,GA)、脛骨前肌(tibialis anterior,TA)和臀大肌(gluteus maximus,GM)等肌肉在下肢運動時都具有明顯的收縮,腿部肌肉位置如圖3所示。股直肌位于大腿前方,是人體最大、最有力的肌肉之一,具有伸小腿和屈大腿的運動功能,在步態(tài)變換中表現(xiàn)出敏感的特性,特別是在平地行走、上樓、下樓、上坡、下坡5種步態(tài)模式下的興奮程度要遠(yuǎn)大于其他肌肉[12],在下肢運動過程中起到非常重要的作用。綜合不同肌肉在人體下肢運動時的功能以及位置、長度、面積等因素,最終選定股直肌作為試驗相關(guān)肌肉,采集其表面肌電和加速度信號。

圖3 腿部肌肉位置

2.2 預(yù)處理

因為電阻阻值和電容容值的限制,實際設(shè)計的高通濾波電路和低通濾波電路的截止頻率會有一定誤差,所以使用數(shù)字濾波器對原始肌電信號再次濾波。設(shè)計二階巴特沃斯帶通濾波器對原始信號進(jìn)行濾波,高通截止頻率為20 Hz,低通截止頻率為500 Hz。平地行走時表面肌電信號濾波前、后的波形如圖4所示。由圖4可知，濾波后,去除了直流分量,噪聲和運動偽跡也明顯減少。

圖4 表面肌電信號預(yù)處理前、后波形的對比

人體在運動過程中,由于身體晃動、呼吸狀況等因素會產(chǎn)生非正常高頻噪聲混雜在加速度信號中,不利于后續(xù)的步態(tài)劃分和特征提取。小波去噪是將信號映射到小波域,根據(jù)有效信號的小波系數(shù)大于噪聲的小波系數(shù),經(jīng)過閾值處理后對小波系數(shù)重構(gòu),得到去噪后的信號[13],利用此原理小波去噪可以有效地消除加速度信號中的局部突變,經(jīng)過多次試驗,選取dB5小波作為基函數(shù),分解層次為4。

2.3 特征提取

人體步態(tài)運動是周期性過程,一個步態(tài)周期是步態(tài)識別的最小單元。因為單一的股直肌表面肌電信號無法反映所有的下肢運動信息,而加速度信號隨著下肢運動實時變化,所以可以利用加速度信號進(jìn)行步態(tài)周期劃分。一個步態(tài)周期中,垂直地面方向的加速度在后腳跟觸地到完全著地時會因為沖擊產(chǎn)生一系列極值點,這些極值點包含了豐富的動作轉(zhuǎn)換信息[14]。通過對比分析采集的試驗數(shù)據(jù)可知,若信號中的極大值與左右相鄰的極小值滿足以下關(guān)系，則將此極大值點作為周期分割點,依次進(jìn)行分割,相鄰周期分割點間的所有采樣點即為一個步態(tài)周期信號。滿足的關(guān)系為:

amax-amin≥ε

(1)

(amax-amin)/l≥σ

(2)

其中,amax為極大值;amin為極小值;l為極值點之間的數(shù)據(jù)長度;σ、ε為閾值(通過多次試驗數(shù)據(jù)對比總結(jié)所得)。根據(jù)垂直地面方向的加速度信號步態(tài)劃分結(jié)果,對其他信號進(jìn)行相同的切分處理,上樓步態(tài)模式下周期劃分的結(jié)果如圖5所示。

圖5 上樓步態(tài)模式下周期劃分結(jié)果

獲取一個步態(tài)周期信號后,為了識別下肢不同步態(tài)模式,需要提取有效的特征值。

在對加速度信號特征提取時,左、右方向的加速度信號是由人體運動時隨機(jī)擺動產(chǎn)生的,經(jīng)過多次特征值提取,目前還無法提取出有效的步態(tài)特征信息,因此本文考慮提取垂直地面方向和人體前進(jìn)方向加速度信號的特征值。人體在完成不同步態(tài)動作時,步頻、步幅、步行時相等都存在差異,因此選擇平均值、均方根、偏度以及相關(guān)系數(shù)作為時域特征[15],平均能量值EA作為頻域特征,其表達(dá)式為:

(3)

其中,n為一個步態(tài)周期的數(shù)據(jù)長度;Ak為離散傅里葉變換的系數(shù)。

股直肌在不同步態(tài)模式下的興奮持續(xù)時間和興奮程度各不相同,結(jié)合時域特征值的物理意義,選擇均方根、標(biāo)準(zhǔn)差和四分位間距作為時域特征值[15]。由于表面肌電信號屬于非平穩(wěn)信號,傳統(tǒng)的傅里葉變換并不適合于這類信號分析,而小波變換作為時頻分析方法,可以同時提供時域和頻域2個方面的信息,是分析表面肌電信號的一種有效手段[16]。因此本文通過Mallat快速算法將肌電信號分解到時、頻域,選取dB2小波作為小波基,進(jìn)行4層分解,提取第3層和第4層的細(xì)節(jié)系數(shù)分量。小波能量EWj的計算公式為:

(4)

其中,j為表示伸縮尺度的變量;k為時間的變量;dj,k為細(xì)節(jié)系數(shù)。

2.4 特征融合

特征融合的目的是盡可能保留原始特征向量中的有用信息,去除冗余信息。在提取表面肌電和加速度信號特征值時發(fā)現(xiàn),其在特征空間中的分布呈現(xiàn)非線性的本質(zhì),傳統(tǒng)的線性融合方法顯然不適用。核主成分分析(kernel principal component analysis,KPCA)是主成分分析(principal component analysis,PCA)的核版本,它將特征向量通過事先選擇的非線性映射函數(shù)映射到高維特征空間中,再使用PCA方法計算主元成分,既保持了PCA的優(yōu)點,又解決了非線性降維問題。由于不同信號提取的特征值尺度差異很大,在融合之前需要對特征值進(jìn)行歸一化處理,即

xnew=(x-μ)/σ

(5)

其中,xnew為歸一化后的特征值;μ、σ為數(shù)據(jù)的均值和方差。使用(5)式將特征向量歸一化成均值為0、方差為1的數(shù)據(jù)集。根據(jù)文獻(xiàn)[17]介紹的KPCA方法對特征向量進(jìn)行融合處理。

3 試驗結(jié)果及分析

試驗由5名健康受試者完成,其中4名男生、1名女生,年齡(24±2)歲,身高(170±13) cm,體質(zhì)量(55±10) kg,股直肌肌肉功能正常。使用上海勵圖醫(yī)療器材公司生產(chǎn)的Ag-AgCl心電電極片將信號發(fā)射端粘貼在股直肌上(加速度傳感器x軸垂直于地面),并利用綁帶進(jìn)行二次固定,以防止在人體運動時產(chǎn)生劇烈抖動。5種步態(tài)信號采集試驗如圖6所示。

圖6 5種步態(tài)信號采集試驗

每名試驗者需要在平地、上樓梯(臺階高為150 mm)、下樓梯、上坡(坡度約為15°)和下坡5種步態(tài)模式下進(jìn)行試驗,每進(jìn)行5次數(shù)據(jù)采集后休息5 min以消除肌肉疲勞,每種步態(tài)模式采集20組數(shù)據(jù)。試驗共得到500組數(shù)據(jù),其中350組作為訓(xùn)練數(shù)據(jù),150組作為測試數(shù)據(jù)。將每組數(shù)據(jù)預(yù)處理后進(jìn)行步態(tài)劃分,對劃分出的第1個步態(tài)周期信號提取特征值并進(jìn)行信息融合。分類算法的性能直接影響整個系統(tǒng)的識別準(zhǔn)確率,反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(support vector machine,SVM)是公認(rèn)性能較好的分類器,被廣泛應(yīng)用在模式識別領(lǐng)域,因此,本文分別使用BP神經(jīng)網(wǎng)絡(luò)和SVM對數(shù)據(jù)建模,根據(jù)其識別率和識別時間評價模型的性能，找出最優(yōu)分類模型。

核函數(shù)的選擇是影響KPCA性能的重要因素,常用的核函數(shù)有線性核函數(shù)、多項式核函數(shù)、高斯徑向基核函數(shù)和Sigmoid核函數(shù)。實際選取核函數(shù)時通常采用的方法有:① 利用先驗知識預(yù)先選定核函數(shù);② 試用不同的核函數(shù),選擇誤差最小的核函數(shù)。本文使用第2種方法確定最優(yōu)核函數(shù),選擇累計貢獻(xiàn)率大于90%的主成分代替原始特征向量,試驗結(jié)果見表1所列。

表1 不同核函數(shù)方法結(jié)果的比較

由表1可知,高斯徑向基核函數(shù)識別率最高,均方誤差也最小。這是由于通過改變寬度參數(shù)可以調(diào)整核函數(shù)的作用范圍,降低超過這個范圍的數(shù)據(jù)所帶來的影響,對數(shù)據(jù)中的噪聲具有很好的抑制能力,有利于減小步態(tài)識別中不同個體步態(tài)的差異性。

因此本文選擇高斯徑向基函數(shù)作為核函數(shù),其表達(dá)式為:

(6)

其中,x、y為樣本數(shù)據(jù);σ為寬度參數(shù)。

BP神經(jīng)網(wǎng)絡(luò)可以有多個隱含層,但是對于大部分問題單個隱含層即可滿足需求,而隱含層節(jié)點數(shù)卻對模型性能影響很大,因此本文嘗試不同的隱含層節(jié)點數(shù)和高斯徑向基核函數(shù)寬度參數(shù),尋找最優(yōu)結(jié)構(gòu)。

不同的隱含層節(jié)點數(shù)和寬度參數(shù)的選擇結(jié)果如圖7所示。從圖7可以看出,當(dāng)隱含層節(jié)點數(shù)為5、寬度參數(shù)為7時識別率最高,為91.33%,此時特征向量經(jīng)KPCA處理后的累計貢獻(xiàn)率如圖8所示。

圖8 累積貢獻(xiàn)率

圖7 不同隱含層節(jié)點數(shù)和寬度參數(shù)選擇結(jié)果

對于線性不可分問題,SVM通過非線性映射將低維輸入空間轉(zhuǎn)化到高維空間使其線性可分,通過計算核函數(shù)代替高維空間的內(nèi)積計算以減小計算量。因為高斯徑向基函數(shù)在步態(tài)識別中的優(yōu)越性能,所以依然選擇其作為SVM的核函數(shù),利用LibSVM工具包[18]通過網(wǎng)格搜索方法調(diào)整懲罰因子c和徑向基核函數(shù)寬度參數(shù)σ,當(dāng)c=3、σ=4時,識別率可達(dá)94.00%。

通過以上研究,得到了2種分類算法的識別率和分類時間,見表2所列。由表2可知,SVM不僅分類時間遠(yuǎn)小于BP神經(jīng)網(wǎng)絡(luò),而且識別率也更高。這是由于人體步態(tài)盡管在總體上呈現(xiàn)相似性,但個體間卻存在著明顯差異,表現(xiàn)在步幅和步頻等方面,SVM的理論基礎(chǔ)決定了它最終求得的是全局最優(yōu)值,而BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)解,對個體差異性比較敏感。因此,相對于BP神經(jīng)網(wǎng)絡(luò),SVM在步態(tài)識別中的性能更好。

表2 BP神經(jīng)網(wǎng)絡(luò)與SVM的識別結(jié)果比較

為了驗證表面肌電-加速度融合識別下肢步態(tài)模式的有效性,利用上述試驗數(shù)據(jù)對單一加速度信號、單一表面肌電信號和未融合的表面肌電-加速度信號特征值分別建立模型,識別率見表3所列。由表3可知,表面肌電-加速度融合方法的識別率大于其他方法。由于在上樓梯和下樓梯、上坡和下坡時腿部動作相似性很高,依靠單一加速度信號會將下樓或下坡誤分類為對應(yīng)的相似動作,導(dǎo)致上樓和上坡識別率很高,而下樓和下坡識別率很低,從加速度信號很難區(qū)分其差異性；但是上樓梯和上坡股直肌等肌肉的興奮程度要高于下樓梯和下坡,從表面肌電信號可以明顯區(qū)分開。根據(jù)下肢步態(tài)模式中表面肌電和加速度信息互補(bǔ)關(guān)系,特征值未融合時識別率高于單一信息源,再經(jīng)過特征融合、減少分類器輸入?yún)?shù)、去除冗余信息,可以進(jìn)一步提高不同步態(tài)模式的識別率。

表3 不同信息源識別率比較 %

4 結(jié) 論

本文針對多傳感器步態(tài)識別方法的不足,提出了一種簡單的、低成本的基于單肌肉表面肌電-加速度融合的步態(tài)識別方法。搭建了無線表面肌電和加速度信息采集系統(tǒng),選擇股直肌作為試驗相關(guān)肌肉,獲取單肌肉表面肌電和加速度信號,再對采集的信號預(yù)處理后提取特征值,采用KPCA方法對這些特征值信息融合；利用SVM、BP神經(jīng)網(wǎng)絡(luò)分別建模,步態(tài)識別率分別為94.00%、91.33%。不同信息源識別的結(jié)果驗證了本文信息融合方法的有效性。與多傳感器識別方法相比,本文方法雖然減少了傳感器數(shù)量,但是根據(jù)下肢步態(tài)模式中表面肌電和加速度信息互補(bǔ)關(guān)系依然取得了很高的識別率。

本文只對大腿的股直肌進(jìn)行了探究,在以后的工作中還需要解決以下問題:① 對小腿肌肉進(jìn)行分析,比較兩者的差異;② 改進(jìn)算法,進(jìn)一步提高識別率,并增加截肢患者為受試對象進(jìn)行分析。