基于肌电信号的行为识别的研究.docx
《基于肌电信号的行为识别的研究.docx》由会员分享,可在线阅读,更多相关《基于肌电信号的行为识别的研究.docx(25页珍藏版)》请在冰点文库上搜索。
基于肌电信号的行为识别的研究
基于肌电信号的行为识别的研究
广东
商学院
2013-JX16-
本科毕业论文(设计)
基于肌电信号的行为识别的研究
院(系)
数学与计算科学学院
专业
信息与计算科学
班级
09信息与计算科学一班
提交日期
2013年月日
毕业论文(设计)成绩评定表
毕业论文(设计)指导教师评语及成绩
成绩指导教师签名
年月日
毕业论文(设计)复评教师评语及成绩
成绩复评教师签名
年月日
毕业论文(设计)答辩评语及成绩
成绩答辩委员会主席签名
年月
毕业论文(设计)总成绩(五级记分制)院(系)负责人签名
年月日
TITLE:
RecognitionResearchBasedOnTheBehaviorofTheEMGSignal
MAJOR:
InformationAndComputingScience
内容摘要
本文对前臂肌肉群多个位置(包括肱桡肌、桡侧腕屈肌、桡侧腕长伸肌、尺侧腕伸肌、尺侧腕屈肌)进行表面肌电信号的采集,用RMS(均方差)与AR模型两种方法分别对采集的肌电信号进行特征分析和特征提取,再通过不同的分类方法(包括监督式学习、LDA分类算法)对现有的信号数据进行模式识别,区别屈肘、屈腕、屈指和前臂旋转等多种动作,最终使用MATLAB实验软件绘图直观表示各种分类方法的识别率,得到多种分类方法的优劣程度并最终得出结论从而将该项的研究成果拓展到人体其他肌群及相关假肢的控制中,另外在仿生控制人工动力假肢研究领域同样具有重要的意义。
关键词:
特征提取模式识别MATLAB表面肌电信号
Abstract
Inthisresearch,IcollectthesurfaceEMGsinseveraloftheforearmmusclegroups(includingbrachioradialis、flexorcarpi、carpiradialislongus、extensorcarpiulnarisandflexorcarpiulnaris).WiththemethodssuchasRMSandARmodel,IextractthefeaturefromtheEMGswhichhasbeencollected.Thenbyusingclassificationmethods(SupervisedLearning:
TheLDAalgorithm),IusetheexistingEMGsinordertodifferentiatebetweenelbow、wristflexion,、flexor、forearmrotationandsoon.Ialsousetwomoresignaloptimizationstoraiserecognitionrate.Ultimately,weuseMATLABtoplotpicturesandintuitivelytoshowtherecognitionrate.Finallythebestrecognitionrateis98.611%.
Keywords:
PatternrecognitionFeatureextractionSEMG
1引言···································································1
1.1理论研究····························································1
1.2国内外文献综述与研究现状·······················································1
2表面肌电信号的采集··································································3
2.1肌电信号的模型说明································································3
2.2肌电信号的数据说明································································4
2.2.1肌电信号的拾取··································································4
2.2.2肌电信号的位置··································································5
2.2.3动作展示··································································6
3表面肌电信号的预处理·······························································8
4模式识别····································································9
4.1特征提取·································································9
4.1.1时域特征值:
RMS均方根························································9
4.1.2频域特征值:
AR自回归模型····················································9
4.2监督式学习····································································11
4.3绘图展示····································································13
4.3.1表面肌电信号··································································13
4.3.2RMS特征值··································································14
4.3.3AR模型特征··································································15
5信号优化处理····································································16
5.1MajorityVote与去噪函数······················································16
5.2绘图展示·······················································17
6结论····································································18参考文献························································19
附录····························································21
1引言
表面肌电信号(SurfaceElectromyography,SEMG)是人自主活动中肌肉表层多个运动单位所发出的电位序列最终在皮肤表面通过电极检测得到的时间与空间综合叠加的结果[10],是神经肌肉系统活动时伴随的生物电信号。
由于它在一定程度上关联着肌肉的活动状态与功能状态,因此也能够反映一定的神经肌肉活动状况[2],故在肌电信号在临床医学(如神经肌肉疾病诊断)、康复医学(如肌肉功能评价)、人机工效学(如肌肉工作的工效学分析)、体育科学(如疲劳判定、运动技术合理性分析、肌纤维类型和无氧阈值的无损伤性预测)、仿生学(如人体假肢控制具)[13]等方面均有重要的利用价值。
1.1理论研究
近年来,基于表面肌电信号识别研究在医学生物领域的作用越发凸显,研究学者遍布全球,研究文章也层出不穷,学者在对表面肌电信号进行识别研究时采用同样的步骤,即肌电信号的采集、信号优化处理,特征分析及提取、模式识别,但最主要的是肌电信号分析、特征提取与模式识别两个方面。
特征提取的目的在于通过研究表面肌电信号的时、频域特征与肌肉结构以及肌肉活动状态和功能状态之间的关联性,从而利用SEMG的变化有效反映肌肉的活动和功能,其研究分析主要集中在时域和频域分析。
特征提取就所利用的理论方法而言,可分为五个方面:
时域法、频域法、时域-频域法、高阶谱及混沌与分形等。
特征提取是基础,分类是关键,分类器可以为肌电假肢提供更可靠的控制信号。
用于表面肌电信号的模式分类方法很多,其中模糊分类器和神经网络分类器的应用最为广泛。
1.2国内外文献综述与研究现状
在对表面肌电信号进行识别研究时,国内外学者往往从单一的分析方法及单一的分类方法中得出识别率并将此应用在实际生活的各个领域中。
学者研究的思路大都相似,不同之处在于以下两点:
第一点是对采集的表面肌电信号进行特征提取的方法。
在国外方面,[20]Disselhorst-Klug(2008)利用时域方法(平均值)提取出SEMG的特征值,用于研究SEMG与肌肉力之间的关系;[22]Reddy(2007)利用时域方法(均方根值RMS)提取出SEMG的特征值,用于研究SEMG和运动位移的关系,从而实现了手指和腕关节模型的控制;[21]Sbriccoli(2003)分别利用时域方法(均方根值RMS)和频域方法(中位频率MF)提取出SEMG的特征值,用于研究肱二头肌SEMG的幅值和频谱特征。
而在国内方面,[4]罗志增,杨广映(2003)根据实际肌电信号的随机性特征,对其建立AR模型,利用AR模型特征、参数与肢体运动的确定性关系实现仿生控制;
[15]吴冬梅,孙欣,张志成,杜志江(2010)在人体屈伸肘部的过程中,选取人体上肢检测表面肌电信号应用不同的方法(均方根值RMS、肌电值iMEG)对优化后的表面肌电信号进行了特征提取。
[23]罗志增,严庭芳(2008)利用时-频域方法小波变换对SEMG进行特征提取,用于SEMG的模式分类和肌电假肢的控制。
第二点是模式识别的方法。
用于表面肌电信号的模式分类方法很多,如模糊分类器和神经网络分类器。
模糊分类器已在自动控制、人工智能、图像识别、农作物选中、商品评价、化合物分类、地震、气象预报、灾情预报、经济学、社会学、语言学、管理科学及医学等诸多领域得到了广泛应用。
在表面肌电信号信号识别方面,开始利用该分类器进行处理,如[26]E.Zahedi(1995)利用模糊K-均值策略进行了3个自由度的动作识别;[27]刘建成(1999)也利用模糊神经网络直接对残肢的EMG动作进行识别,虽识别率70%以上,但有更好的实际应用价值;后者神经网络分类器在给足数量训练样本的前提下,网络就可以通过学习获得对运动模式进行分类的能力,如[24]王人成(1998)利用该网络对屈腕、伸腕、向内旋腕和向外旋腕四种运动进行识别,其识别率都在95%以上;[25]WilliamPutnam(1993)分别利用单层感知器和多层感知器对屈臂和伸臂两动作进行识别,识别率均可达95%;[28]R.Knox(1994)年利用非参数线性分类器对屈、伸、内旋和外旋四种动作进行识别,其识别率在89%以上,其中特征矢量为AR、RC、CP、LAR等系数;[29]MichaelJ.Korenberg(1995)利用并串联分类器对内旋、外旋及内-外旋等动作进行识别,识别率为100%,训练样本数极少且而且训练速度快;[30]GuyCheron(1996)年利用动态神经网络识别在展臂画“8”字图期间的EMG信号与手臂运动的关系。
综上所述,在特征提取方面,时域方法最早应用于肌电信号分析,易提取、方法简单;频域方法提取的特征值较稳定,使得频域方法成为肌电信号处理技术的主流;而以小波变换为代表的时-频分析方法因结合了时域、频域两方法的特性,在肌电信号分析方面颇有潜力。
而在模式识别方面,人工神经网络求解肌肉的动作模式通过并行计算、分布式和自适应学习,在提取信号的特征矢量(如AR特征、谱特性)之后,将其作为网路输入,通过训练实现分类,识别率得到很大提高,因而受到广泛应用。
2表面肌电信号的采集
2.1肌电信号的模型说明
信号处理的最终结果与SEMG模型的设计紧密相连,良好的模型不仅能够真实反映信号产生的机理,并且能够指导完成信号检测系统的设计。
图1是一个简化的SEMG模型,其中,A为运动单位,B为肌纤维,C为差别放大器。
一个能够控制肌肉收缩的运动神经元称为运动单位。
运动单位包括细胞体、轴突和树突,在中枢神经的控制下,通过运动单位的轴突发出的电脉冲沿着神经延伸到该单位控制下的肌纤维处,并由终极电位与肌纤维产生兴奋-收缩偶合,触发肌膜的动作电位,引起肌纤维收缩而产生肌张力,从而产生肌肉收缩。
图1.肌电信号模型
Figure1.SEMGModel
从上图可以看出肌电图是多个被记录的肌膜动作电位序列的总和。
由于肌膜动作电位的必然结果是骨骼肌的兴奋-收缩耦合,其肌电图代表着肌肉的收缩,故SEMG模型向我们提供了一个观察神经系统的窗口。
2.2肌电信号的数据说明
2.2.1肌电信号的拾取
SEMG信号的采集影响着信号分析及模式识别的精确性,是十分关键的过程。
如图2所示,采集SEMG信号可通过表面电极来拾取。
运动单位传播电脉冲的同时,在人体的软组织中生成电流场,通过在靠近兴奋性细胞膜的肌腹皮肤表面处放置电极,并在检测电极间表现出电位差,便可记录到以电压/时间的形式表达的SEMG。
图2.表面电极的原理
Figure2.ThePrincipleoftheElectricode
表面电极作为生物信号与数据信号的传输媒介,其设计和所贴位置的重要性不得而知。
通常表面电极组采用铜电极作为原材料,拾取电极大多呈圆形,每组铜电极是由柔性PET附铜板蚀刻得到,表面镀银,电极薄且有弹性,这样设计可以获得较好的电信号取向和降噪作用。
目前广为流用的有一次性参考电极、双电级、三电级等,在图3中展示了各种表面电极。
图3.电极
Figure3.TheElectricode
2.2.2肌电信号的位置
图4.肌电信号的位置
Figure4.ThepositionoftheEMGsignal
如图4所示,检测系统共有9个电极,1个参考电极(如图3.e)以及8个双电级(如图3.d),分别贴在手臂背部(主要对应手部屈肌、伸指总肌)和手臂内侧(主要对应肱二头肌、旋前圆肌、桡侧伸腕肌)。
其中,手部屈肌、伸指总肌控制手部手指伸直缩回,肱二头肌、旋前圆肌控制前臂扭转手掌转向,桡侧伸腕肌控制手腕旋转方向。
手臂两侧拾取SEMG的电极通过屏蔽线输入到信号处理电路。
关于参考电极与双电级,这里作简单的说明:
双电极,是专用于小肌群测试的电极。
提供参考电位的电极称为参考电极。
由于我们处在一个无处不在的大电场(50Hz共模干扰)之中,人体变成一个大的电容,故体表就有一定的电压。
为了排除非人体自主产生的电压,这需要有一个基准电压,这个电压就是参考电压,而参考电压必须由参考电极检测。
参考电极可以摆放在体表的骨性标志上或不参加测试运动的肌肉的肌腱处,保证在测试中参考电极不能采集到自主运动的电信号。
2.2.3动作展示
本文主要面向于右手前臂的动作识别,通过分析上面所述8个通道的肌电数据来识别以下动作:
Rest——休息,HandOpen——手掌张开,HandClose——手掌合闭,WristExtension——手腕伸腕,WristFlexion——手腕屈曲,Pronation——手掌内翻,Supination——手掌外翻。
如图5所示。
图5.实验动作
Figure5.TrialMovement
接下来对肌电数据文件进行说明。
本文将通过Matlab软件对获取的肌电信号数据进行处理,数据文件一共有六个,命名规则如下:
●文件名根据测试者编号(N)和测试序号(T)命名。
该实验有多名试验者,每名试验者有多次试验次数。
本文采用测试者编号为4的数据,该文件包括6次试验次数。
●每一个肌电数据文件包括一个信道数据文件和一个动作索引文件。
其中前者后缀为daq,后者为mat,二者皆可用Matlab软件处理。
●Daq文件:
这是肌电数据采集文件,使用Matlab函数”daqread()”读取数据。
该文件包含了8个通道的肌电数据。
如图4确定电极位置。
●Mat文件:
这是信道-索引动作,包括两个变量motion与start_index。
变量motion即如上所述的动作,在文件中以数据编号对应:
HandOpen——手掌张开
HandClose——手掌合闭
WristFlexion——手腕屈曲
WristExtension——手腕伸腕
Supination——手掌外翻
Pronation——手掌内翻
Rest——休息
例:
在文件名为s#t$data.daq与s#t$index.mat的文件中,#表示测试者编号,$表示试验次序。
如s4t3data.daq与s4t3index.mat,前者表示肌电信号数据,后者表示信道-动作索引,数据来自编号为4的测试者的第3次试验。
注:
在对右手前臂进行试验的过程中,每次试验都有额外的休息时间,以保证右臂在无肌肉疲劳的情况下进行试验,确保数据的精确性,其中,每一个动作都执行四次。
3表面肌电信号的预处理
前文提到,SEMG是一维电压/时间序列信号,由于在拾取SEMG的过程中存在多处干扰,包括人体自身、外界工频干扰等等,都会在拾取过程中形成测量噪声,其信号形态具有较强的随机性和不稳定性,故需要对拾取的SEMG信号进行再处理。
普通滤波器在进行滤波过程中通常会出现“相位偏移”,从而导致最终的输出信号序列存在相位失真现象,为了消除滤波过程中存在的相位失真问题,在此设计零相移数字滤波器对信号进行滤波处理。
下图可以直观表现出零相移数字滤波器的原理:
预处理
滤波器
时域翻转
初始信号
得到一次信号输出序列
得到二次信号输出序列
最终信号
时域翻转
滤波器
后处理
图6.原始数据处理
Figure6.Theoriginaldataprocessing
零相移数字滤波器首先将预处理所得到的信号输入序列通过前向滤波器,得到第一次的输出信号序列,一次输出序列进行时域翻转后再次通过后向滤波器,将第二次的输出信号序列再做一次时域翻转便可得到最终的信号序列。
其结果是相位特性精确的为零。
4模式识别
4.1特征提取
4.1.1时域特征值:
RMS均方根
RMS,全称:
RootMeanSquare,即均方根。
SEMG信号是人体自主产生的电信号,本身具有交流电的性质,其电压值是随时间变化的函数,需要用表达式或者波形图才可完整描述SEMG信号。
RMS向我们提供了一种方法,同时亦是一种分析SEMG信号特征值的时域方法。
RMS的物理意义即周期有效电压值,即:
直流电电压和交流电电压各自在阻值相等的电阻上做功,在同样的周期内使得交流电电压做的功与直流电电压做的功相等,则称此直流电电压值为周期有效电压。
用公式表达如下:
本文利用matlab数学软件编程得到RMS特征值。
4.1.2频域特征值:
AR自回归模型
以随机信号为对象建立参数模型是研究随机信号的一种基本方法,称之为参数模型法。
参数模型法是分析SEMG肌电信号的一个重要途径,其中最具代表性的方法为自回归模型法,又称AR模型法。
AR模型法在一般情况下只要求信号满足短时平稳条件,即在某一时间段内被分析的信号是平稳的,而恰恰肌电信号满足这一条件,故肌电信号可以看成是由白噪声激励某一确定系统所产生的随机过程,即等价为零均值白噪声过程激励某一线性系统的输出。
在图6中可以得到,最终信号
即研究的肌电信号,初始信号
即零均值白噪声过程,
激励一个线性系统的输出便为
。
总而言之,AR模型法的过程可以表述为:
先有采集得到的数据通过激励线性系统得到最终的肌电信号,再由肌电信号估计线性系统的系数,最后通过系统的系数来对应各种动作。
所以肌电信号的性质可以用AR模型的参数来表示。
具体地,对于每个动作可以假定其对应一个AR模型:
:
动作的总个数
:
假肢的第m个动作肌电信号的第i个采样值
:
AR模型的第j个系数
:
白噪声残差
:
AR模型的阶数
设
为测量肌电的第i个采样,建立AR模型:
式中
即为要确定的参数。
在求解AR模型系数的过程中,由于AR系数是由信号的频域特征所决定的,故本文在处理肌电信号的过程中将信号分为多个窗口,窗口大小为256,这些窗口以128的间隔分隔开,AR模型最终确定使用的是Levinson-Durbin算法,令阶数
为3,利用Levinson-Durbin算法求出最终的AR系数。
4.2监督式学习
监督学习,又称导师学习,英文:
SupervisedLearning,是人工智能领域中模式识别的重要途径之一。
这里简单阐述下监督学习的过程:
首先,存在有限个例子,称为训练样本,在训练样本中学习乃至建立一个新的模式,其中,该模式包含隐藏在训练样本中的规律,根据这些规律推测出新的例子,构成新的训练样本。
在监督式学习中存在两个关键词,一个是训练样本,一个是模式。
训练样本可分为输入训练样本与输出训练样本,前者简称为输入向量,后者简称为预期输出。
三者的关系可以用函数的形式:
来表示,
是模式,是一个监督学习者的主要学习对象。
与
作为训练样本集合域,是监督学习者的观察对象。
对于每一个输入向量
根据模式
都有相对应的期望输出
。
综上所述,一个监督学习者的任务是在观察完一些训练样本(包括输入向量和预期输出)后,预测出模式函数,通过模式函数对任何即将出现的输入向量预测新的预测输出,即预测一个分类标签,便可达到目的。
为达到此目的,学习者必须以合理的方式来从现有的训练样本中一般化到非观察到的情况,这其中包括以下几个事项:
确定训练资料的形态、确定训练样本的形态、确定学习的函数模式、预测分类。
接下来通过这四点内容阐述本论文的监督学习过程。
●确定训练资料的形态:
在本文中,肌电信道数据以及信道索引即为训练资料的初始形态。
前者存储在以Daq为后缀的文件当中,后者存储在以Mat为后缀的文件当中,二者皆是通过医学仪器以及电极在人体表面肌肤探测采集的电子数据。
●确定训练样本的形态:
在第一步采集的训练资料中,肌电信道数据通过滤波处理变成肌电信号,但是由于模式函数的精确度与输入向量如何表示有很大的关联度,且特征的个数不宜太