朱明霞，葉 曄

(安徽工業(yè)大學(xué) 機(jī)械工程學(xué)院，安徽 馬鞍山 243002)

近年來(lái)，肌肉-計(jì)算機(jī)接口在上肢運(yùn)動(dòng)識(shí)別領(lǐng)域中得到了廣泛應(yīng)用[1-3]，但在踝足運(yùn)動(dòng)中還有待發(fā)展。踝關(guān)節(jié)運(yùn)動(dòng)的模式識(shí)別，可以作為踝關(guān)節(jié)康復(fù)機(jī)器人的控制指令[4-5]，用以對(duì)踝關(guān)節(jié)運(yùn)動(dòng)障礙的患者提供康復(fù)治療。踝關(guān)節(jié)運(yùn)動(dòng)的模式識(shí)別，還可以用于在手勢(shì)不方便的場(chǎng)合時(shí)用“腳勢(shì)”來(lái)代替，比如在舞臺(tái)上，吉他手想要的燈光效應(yīng)就可以用“腳勢(shì)”來(lái)被感應(yīng)。由此可見(jiàn)，對(duì)于踝關(guān)節(jié)的運(yùn)動(dòng)模式識(shí)別有著很大的現(xiàn)實(shí)需求。

在模式識(shí)別領(lǐng)域，特別是手勢(shì)識(shí)別領(lǐng)域，傳統(tǒng)的模式識(shí)別步驟是先對(duì)采集到的表面肌電信號(hào)進(jìn)行預(yù)處理和特征提取，再進(jìn)行模式識(shí)別[6]。在特征提取中，人工提取特征耗時(shí)長(zhǎng)，需要進(jìn)行反復(fù)地實(shí)驗(yàn)，以找到最能表征該動(dòng)作的特征值。隨著計(jì)算機(jī)性能的不斷發(fā)展，深度學(xué)習(xí)網(wǎng)絡(luò)應(yīng)運(yùn)而生。在深度學(xué)習(xí)網(wǎng)絡(luò)中，卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network，CNN)具有提取特征的功能。它的出現(xiàn)，使得研究者們從主要關(guān)注特征工程轉(zhuǎn)移到特征學(xué)習(xí)上[7]，研究者們可以專注網(wǎng)絡(luò)模型的設(shè)計(jì)。

CNN最初用在手寫(xiě)數(shù)字的識(shí)別中，隨后在圖像識(shí)別領(lǐng)域取得了巨大的成功[8]。在肌電信號(hào)分類領(lǐng)域中，一些研究人員已經(jīng)提出了基于CNN的手勢(shì)識(shí)別模型[9-10]，在踝關(guān)節(jié)運(yùn)動(dòng)模式分類中，使用CNN模型還較少。本文使用市場(chǎng)現(xiàn)有的表面肌電信號(hào)采集器，采集踝關(guān)節(jié)背曲、跖曲、內(nèi)翻、外翻的動(dòng)作信號(hào)，將原始信號(hào)輸入到CNN，使用CNN對(duì)原始踝關(guān)節(jié)4種動(dòng)作信號(hào)進(jìn)行特征提取和模式識(shí)別。

1 材料與方法

選擇ZJE-20D型無(wú)線肌電信號(hào)采集器2個(gè)，將采集器分別貼于小腿的比目魚(yú)肌和腓骨短肌的肌腹處，采集兩通道的數(shù)字化信號(hào)，采樣頻率設(shè)置為1 024 Hz。無(wú)線肌電信號(hào)采集器通過(guò)藍(lán)牙連接到電腦端，組裝圖如圖1所示。

由于每個(gè)個(gè)體的肌電信號(hào)幅值均不同，本實(shí)驗(yàn)選擇6名受試者，男生5名女生1名。實(shí)驗(yàn)受試者均為大學(xué)生，身體健康，均無(wú)任何神經(jīng)肌肉疾病史，實(shí)驗(yàn)前一天均無(wú)劇烈運(yùn)動(dòng)史。實(shí)驗(yàn)采集被試背曲、跖曲、內(nèi)翻和外翻的動(dòng)作信號(hào)[11]。實(shí)驗(yàn)得到了安徽工業(yè)大學(xué)生物醫(yī)學(xué)研究倫理委員會(huì)倫理審查批準(zhǔn)，所有受試者在實(shí)驗(yàn)前均已簽署知情同意書(shū)。實(shí)驗(yàn)的動(dòng)作示范如圖2所示。

(a)無(wú)線采集器所貼位置 (b)藍(lán)牙適配器與電腦連接

(a)背屈 (b)跖屈 (c)內(nèi)翻 (d)外翻

實(shí)驗(yàn)測(cè)試時(shí)，被試要求在膝關(guān)節(jié)彎曲呈90°的坐姿條件下實(shí)現(xiàn)以上4種動(dòng)作。規(guī)定放松-動(dòng)作-放松為一次完整的動(dòng)作，每次完整的動(dòng)作被要求在3 s內(nèi)完成，每種動(dòng)作完成50次后休息5 min，進(jìn)行下一個(gè)動(dòng)作的采集。每次動(dòng)作之間幅度和頻度大致相同。

2 卷積神經(jīng)網(wǎng)絡(luò)分類模型設(shè)計(jì)

2.1 卷積神經(jīng)網(wǎng)絡(luò)

CNN一般會(huì)包含卷積層、池化層和全連接層[12]。每一層的設(shè)計(jì)均有不同的目的。卷積層和池化層會(huì)交替出現(xiàn)，以達(dá)到特征提取的目的。特征提取后輸入到全連接層再進(jìn)行分類。CNN通過(guò)反向傳播優(yōu)化算法來(lái)不斷更新網(wǎng)絡(luò)學(xué)習(xí)的權(quán)重和偏置，這與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相似。CNN的輸入與傳統(tǒng)全連接神經(jīng)網(wǎng)絡(luò)有所不同，它的每一層都會(huì)使用同一個(gè)權(quán)重和偏置，即“權(quán)值共享”，這會(huì)大量減少網(wǎng)絡(luò)中需要更新的參數(shù)，從而提升計(jì)算速度，并減少了出現(xiàn)過(guò)擬合問(wèn)題的概率。

2.2 模型結(jié)構(gòu)

為了對(duì)踝關(guān)節(jié)運(yùn)動(dòng)中肌電信號(hào)進(jìn)行分類，考慮到肌電信號(hào)數(shù)據(jù)量小，且輸入數(shù)據(jù)為兩通道的原始肌電信號(hào)。將輸入數(shù)據(jù)信號(hào)當(dāng)成圖片信息來(lái)處理，設(shè)計(jì)3層卷積層對(duì)信號(hào)進(jìn)行特征提取，并采用3種尺寸的卷積核參與運(yùn)算。第一層卷積使用64個(gè)特征圖，第二層卷積和第三層卷積使用128個(gè)特征圖。對(duì)于第一層卷積層，卷積核采用矩形神經(jīng)元陣列形式，稱為1D卷積核，大小為50×1，第二層卷積核的大小為4×1，第三層卷積核的大小為3×1。卷積層的步長(zhǎng)均為(1,1)。卷積核在整個(gè)網(wǎng)絡(luò)中共享參數(shù)。在第一層、第二層和第三層卷積層后添加最大池化層，第一層池化區(qū)域設(shè)為(10,1)且池化層步長(zhǎng)為(10,1)，第二層池化區(qū)域?yàn)?4,1)且步長(zhǎng)為(4,1)，第三層池化區(qū)域?yàn)?2,1)且步長(zhǎng)為(2,1)。為了防止網(wǎng)絡(luò)過(guò)擬合，在第三層最大池化層后添加Dropout層，設(shè)置Dropout大小為p=0.5。信號(hào)經(jīng)CNN網(wǎng)絡(luò)進(jìn)行特征提取之后，輸入至全連接層，在全連接層后也添加一個(gè)Dropout層防止過(guò)擬合，設(shè)置Dropout大小為p=0.5。初始權(quán)重值在[-1,1]之間隨機(jī)選擇，初始偏差為0。嘗試了不同的超參數(shù)值，最終確定卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，如表1所示。

表1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)

2.3 實(shí)驗(yàn)數(shù)據(jù)的準(zhǔn)備

每個(gè)被試采集4種踝關(guān)節(jié)動(dòng)作，每種動(dòng)作信號(hào)50組數(shù)據(jù)，每組數(shù)據(jù)的采樣點(diǎn)為3 072，在進(jìn)行歸一化前，去除信號(hào)開(kāi)始后的前72個(gè)點(diǎn)后為3 000個(gè)采樣點(diǎn)。對(duì)原始數(shù)據(jù)進(jìn)行歸一化，將每組信號(hào)所具有的3 000個(gè)采樣點(diǎn)縮放到[0,1]的范圍內(nèi)。

對(duì)于處理后的信號(hào)，每個(gè)被試4種動(dòng)作共200組信號(hào)，每組信號(hào)有兩個(gè)通道，每個(gè)通道有3 000個(gè)采樣點(diǎn)，將數(shù)據(jù)轉(zhuǎn)換成200*3 000*2的三維數(shù)組形式。CNN最終輸出類別數(shù)：背曲是1類，跖曲是2類，內(nèi)翻是3類，外翻是4類。

3 實(shí)驗(yàn)結(jié)果與討論

卷積神經(jīng)網(wǎng)絡(luò)選用ReLU作為CNN層的激活函數(shù)。對(duì)于池化層，選擇最大池。選擇Softmax函數(shù)和交叉熵作為分類層的激活函數(shù)和CNN的損失函數(shù)。使用Adam算法更新權(quán)重和偏差，并將學(xué)習(xí)率設(shè)置為0.000 3，迭代次數(shù)設(shè)為150。

針對(duì)單個(gè)被試的動(dòng)作進(jìn)行分類，將每個(gè)被試200組數(shù)據(jù)按照4∶1分為訓(xùn)練集和測(cè)試集，采用5倍交叉驗(yàn)證法訓(xùn)練模型，得到單個(gè)被試的分類準(zhǔn)確率如圖3所示。從圖3中可以看出，6名被試的分類準(zhǔn)確率均在95%以上，最高分類準(zhǔn)確率為98.19%，平均分類準(zhǔn)確率為97.04%。

圖3 單個(gè)被試的分類準(zhǔn)確率

針對(duì)6名被試的動(dòng)作進(jìn)行整體分類，將6名被試4種踝關(guān)節(jié)動(dòng)作匯總得到1 200組數(shù)據(jù)，將1 200組數(shù)據(jù)和對(duì)應(yīng)的標(biāo)簽號(hào)全部打散，按照4∶1分為訓(xùn)練集和測(cè)試集，訓(xùn)練階段采用5倍交叉驗(yàn)證。整體分類識(shí)別的準(zhǔn)確率為95.11%。所有數(shù)據(jù)在CNN中的分類準(zhǔn)確率和損失函數(shù)曲線如圖4所示。6名被試整體數(shù)據(jù)分類的混淆矩陣如圖5所示，背屈、跖曲、內(nèi)翻和外翻之間有輕微的混淆。

(a)準(zhǔn)確率曲線 (b)損失函數(shù)曲線

圖5 全部被試分類的混淆矩陣

本文設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型和采用的表面肌電信號(hào)采集通道在踝關(guān)節(jié)運(yùn)動(dòng)分類上具有可行性。單個(gè)被試的分類結(jié)果優(yōu)于整體被試的分類結(jié)果，說(shuō)明表面肌電信號(hào)因人而異，個(gè)體之間存在一定的差異性。整體被試的分類結(jié)果達(dá)到了95%以上，說(shuō)明同種動(dòng)作的表面肌電信號(hào)在不同個(gè)體間存在共性，這正是踝關(guān)節(jié)動(dòng)作分類識(shí)別未來(lái)獲得應(yīng)用的基礎(chǔ)。

4 結(jié) 語(yǔ)

采用表面肌電信號(hào)采集器，采集健康人的小腿比目魚(yú)肌和腓骨短肌的表面肌電信號(hào)，對(duì)采集到的表面肌電信號(hào)進(jìn)行歸一化，并將采集到的信號(hào)逐條對(duì)應(yīng)踝關(guān)節(jié)背曲、跖曲、內(nèi)翻、外翻等4種動(dòng)作標(biāo)簽，將歸一化后的原始信號(hào)和所對(duì)應(yīng)的標(biāo)簽號(hào)作為CNN的輸入，進(jìn)行4分類識(shí)別。結(jié)果表明，本文提出的方法能有效分類出踝關(guān)節(jié)的上述4種動(dòng)作，充分說(shuō)明本文所選肌電信號(hào)采集通道的有效性和所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的可行性。