一种表面肌电信号的特征提取及动作模式识别方法

摘要

本发明一种表面肌电信号的特征提取及动作模式识别方法，它有五大步骤：步骤1.对采集到的不同动作的表面肌电信号进行分组；步骤2.对每组信号进行时域特征参数提取；步骤3.对提取的时域特征参数构建多参数的特征向量；步骤4.对不同动作的相同参数做横向比较并归一化处理；步骤5.用BP神经网络对特征向量进行训练和识别。本发明首先对表面肌电信号进行特征提取、构建多参数特征向量并进行横向归一化处理，在此基础上用BP神经网络进行模式识别，在一定范围内，使识别率达到100％。它在信号处理和模式识别领域里具有实用价值和良好的应用前景。

说明书

(一)技术领域

本发明涉及一种表面肌电信号(SEMG)的特征提取及动作模式识别方法，具体涉及 四种手部动作的前臂表面肌电信号的特征提取和模式识别，属于信号处理和模式识别领 域。

(二)背景技术

随着肌电信号检测、识别技术的不断发展，肌电信号在假肢控制、肌肉疾病诊断、 运动生物力学等得到了广泛的研究和应用。

表面肌电信号是人体浅层肌肉电信号和神经干上电活动的综合效应。相对于针形电 极测量的肌电信号，表面肌电信号在测量上具有非侵入性、无创伤、操作简单等优点， 因此成为人工假肢的理想控制信号。不同的肢体动作具有不同的肌肉收缩模式，这些模 式的差别反映在肌电信号特征的差异上，通过辨别出这些差异以区分不同的肌肉动作， 从而使假肢动作更自然，控制更方便。

但人体表面肌电信号是一种低频的微弱生物电信号，在本质上是一种具有非平稳、 非高斯特性的生理信号，必须通过合适的信号特征提取、模式识别分类方法来区分不同 的肌肉动作。因此肌电信号的动作模式识别的研究对假肢控制技术的发展具有重要的意 义。

(三)发明内容

1、目的：有鉴于此，本发明的目的是提供一种表面肌电信号的特征提取及动作模 式识别方法，它首先对表面肌电信号进行特征提取、构建多参数特征向量并进行横向归 一化处理，在此基础上用BP神经网络进行模式识别，在一定范围内，使识别率达到100％。

2、技术方案：为达到上述目的，本发明的技术方案是这样的：

本发明一种表面肌电信号的特征提取及动作模式识别方法，该方法包括以下步骤：

步骤1.对采集到的不同动作的表面肌电信号进行分组；

步骤2.对每组信号进行时域特征参数提取；

步骤3.对提取的时域特征参数构建多参数的特征向量；

步骤4.对不同动作的相同参数做横向比较并归一化处理；

步骤5.用BP神经网络对特征向量进行训练和识别；

其中，步骤1所述的信号分组是根据阈值法确定起始点，根据动作发生的时间确定 采样的点数及动作的终止点。

其中，步骤2所述的提取的时域特征参数为绝对值积分、方差和过零点数。三个时 域特征参数的定义及提取如下：

(1)绝对值积分(IAV)

其计算式为：

$\mathrm{IAV}=\underset{i=1}{\overset{N}{\Sigma }}\left|x_i\right|---\left(1\right)$

其中，i为每组的采样点数，x_i为表面肌电信号采样的数据点值。

(2)过零点数(ZC)

过零点数即信号中波形穿越零电平的次数，用来描述波形在幅度上变化的剧烈程 度，反映了信号的变化趋势，将其作为肌电信号的一个特征，其计算公式如下：

$\mathrm{ZC}=\underset{i=1}{\overset{N}{\Sigma }}\mathrm{sgn}(-x_i{x}_{i+1})---\left(2\right)$

$\mathrm{sgn}\left(x\right)=\left(\begin{array}{cc}1& \left(\begin{array}{cc}\mathrm{if}& x>0\end{array}\right)\\ 0& \mathrm{otherwise}\end{array}\right)---\left(3\right)$

其中，x_i为表面肌电信号采样的数据点值。

(3)方差(VAR)

其计算方式为：

$\mathrm{VAR}=\frac{1}{N-1}\underset{i=1}{\overset{N}{\Sigma }}{(x_i-\tilde{x})}^2---\left(4\right)$

它是信号功率的测量，其中为信号的平均值，N为每组的采样点数。

其中，步骤3所述的“对提取的时域特征参数构建多参数的特征向量”是指每个动 作两路信号共六个参数来构建一个特征向量。

其中，步骤4所述的对不同动作的相同参数做横向比较并归一化处理，即为对同一 个人的N种不同动作的相同参数作横向比较，进行归一化处理。归一化是一种无量纲处 理手段，使物理系统数值的绝对值变成某种相对值的关系。

其中，步骤5所述的BP神经网络即误差反向传播的神经网络，其算法的基本思想是 梯度下降法。它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均 方值为最小。神经网络不仅具有自学习、自组织和并行处理等特征，还具有很强的容 错能力和联想能力，故神经网络对输入输出数据具有模式识别的能力。

以平均值样本为例，用于训练的BP网络包括输入层神经元、隐层神经元和输出层 神经元，结构如图1所示。

BP网络的训练过程如下：正向传播是输入信号从输入层经隐层传向输出层，若输 出层得到了期望的输出，则学习算法结束；否则，转至反向传播。

网络的学习算法如下：

(1)前向传播：计算网络的输出。

隐层神经元的输入x_j为所有输入的加权之和：

$x_j=\underset{i}{\Sigma }{w}_{\mathrm{ij}}{x}_i---\left(5\right)$

隐层神经元的输出x′_j采用S函数激发x_j：

${x^{\prime }}_j=f\left(x_j\right)=\frac{1}{1+e^{-x_j}}---\left(6\right)$

则

$\left(\begin{array}{c}\frac{{\partial x^{\prime }}_j}{{\partial x}_j}={x^{\prime }}_j(1-{x^{\prime }}_j)---\left(7\right)\\ \frac{{\partial x^{\prime }}_j}{{\partial x}_j}={x^{\prime }}_j(1-{x^{\prime }}_j)---\left(8\right)\end{array}\right)$

输出层神经元的输出x_l：

$x_l=\underset{j}{\Sigma }{w}_{\mathrm{jl}}{x^{\prime }}_j---\left(9\right)$

网络第l个输出与相应理想输出的误差e_l为：

$e_l=x_l^0-x_l---\left(10\right)$

第p个样本的误差性能指标函数E_p为：

$E_p=\frac{1}{2}\underset{l=1}{\overset{N}{\Sigma }}{e_l}^2---\left(11\right)$

其中，N为网络输出层的个数。

(2)反向传播：采用梯度下降法，调整各层间的权值。权值的学习算法如下：

输出层及隐层的连接权值w_jl学习算法为：

${\mathrm{\Delta w}}_{\mathrm{jl}}=-\eta \frac{{\partial E}_p}{{\partial w}_{\mathrm{jl}}}={\mathrm{\eta e}}_l\frac{{\partial x}_l}{{\partial w}_{\mathrm{jl}}}={\mathrm{\eta e}}_l{x^{\prime }}_j---\left(12\right)$

w_jl(k+1)＝w_jl(k)+Δw_jl       (13)

隐层及输入层连接权值w_ij学习算法为：

${\mathrm{\Delta w}}_{\mathrm{ij}}=-\eta \frac{{\partial E}_p}{{\partial w}_{\mathrm{ij}}}=\eta \underset{l=1}{\overset{N}{\Sigma }}{e}_l\frac{{\partial x}_l}{{\partial w}_{\mathrm{ij}}}---\left(14\right)$

w_ij(k+1)＝w_ij(k)+Δw_ij      (15)

其中

$\frac{{\partial x}_l}{{\partial w}_{\mathrm{ij}}}=\frac{{\partial x}_l}{{{\partial x}^{\prime }}_j}·\frac{{{\partial x}^{\prime }}_j}{{\partial x}_j}·\frac{{\partial x}_j}{{\partial w}_{\mathrm{ij}}}=w_{\mathrm{jl}}·\frac{{{\partial x}^{\prime }}_j}{{\partial x}_j}·x_i=w_{\mathrm{jl}}·{x^{\prime }}_j(1-{x^{\prime }}_j)·x_i---\left(16\right)$

考虑上次权值对本次权值变化的影响，需要加入动量因子α，此时的权值为：

w_jl(k+1)＝w_jl(k)+Δw_jl+α(w_jl(k)-w_jl(k-1))    (17)

w_ij(t+1)＝w_ij(t)+Δw_ij+α(w_ij(t)-w_ij(t-1))    (18)

其中，η为学习速率，α为动量因子，η∈[0，1]，α∈[0，1]。

3、优点及功效：本发明一种表面肌电信号的特征提取及动作模式识别方法，它与 现有技术比，其主要优点是：(1)采用传统的时域方法对四种手部动作的SEMG信号进 行了分析，充分利用了时域方法算法简单、特征提取容易、特征值明显的优点，构建了 具有良好表达能力的特征向量。(2)不是简单进行时域特征值的提取，而是在时域提 取的基础上进行了横向归一化的处理，减弱了肌电信号的随机性和因人而异、普适性差 的缺点，提高了信号的稳定性。(3)对BP神经网络识别的结果进行判定，在一定范围 内识别率达到100％，对采用肌电信号控制的人工假肢有一定的参考价值。

(四)附图说明

图1BP神经网络结构示意图

图2时域多参数横向归一化特征值输入的BP神经网络训练收敛曲线示意图

图3是本发明流程框图

图中符号说明如下：

图1中，i为输入层神经元，j为隐层神经元，l为输出层神经元，x_i为输入，x_j为 隐层神经元的输入，x′_j为隐层神经元的输出，x_l为输出层神经元的输出，w_ij为隐层及输 入层连接权值，w_jl为输出层及隐层的连接权值。

图2中，k为迭代次数，E为误差指标。

(五)具体实施方式

见图3，本发明一种表面肌电信号的特征提取及动作模式识别方法，该方法包括以 下步骤：

步骤1.对采集到的不同动作的表面肌电信号进行分组；

步骤2.对每组信号进行时域特征参数提取；

步骤3.对提取的时域特征参数构建多参数的特征向量；

步骤4.对不同动作的相同参数做横向比较并归一化处理；

步骤5.用BP神经网络对特征向量进行训练和识别。

为使本发明的目的、技术方案和优点表达得更加清楚明白，下面结合附图及具体实 施例对本发明再作进一步详细的说明。

本发明的主要思想是充分利用时域方法算法简单、特征提取容易、特征值明显的优点 对表面肌电信号进行分析，构建具有良好表达能力的特征向量，将所得数值横向归一化 的处理。在此基础之上，与BP神经网络相结合对表面肌电信号的动作模式进行训练和 识别。

信号来源方面，本发明所用的表面肌电信号的采集设备为Bioforce公司生产的表 面肌电信号采集仪一台及肌电信号的数据传输电缆1根，表面电极若干，及计算机一台。 采集过程：选取1名受试者，受试者身体健康，无骨骼、肌肉等相关病史，根据实验要 求分别做握拳、伸腕、曲腕、前臂旋转共4种动作。

为了尽量减小心电信号的影响，实验选取受试者右上臂屈肌群和伸肌群作为提取肌 电信号的肌群。并选取这两个肌群中运动时，动作幅度最大的两块肌肉作为肌电信号的 采集源。实验之前，需要清理手臂的毛发保证受试者的上臂清洁，同时坐姿保持端正， 并使手臂处于放松状态，然后在信号源肌肉的皮肤表面处贴上两个表面电极，作为差分 电路的两个输入端，同时在手臂侧面也贴一处表面电极，作为参考点。最后将数据传输 电缆的两端分别同肌电信号采集仪和表面电极相连。接下来进行实验，通过计算机软件 采集并保存数据。

为了避免疲劳对测试数据的影响，我们以10次动作信号为一组，每种动作分别做4 组，并且每组动作后都休息半小时，放松手臂肌肉，避免肌肉疲劳。这样得到4种动作 各40组数据，再从40组数据中挑选出20组比较标准的数据存储于计算机中，以便后 续处理。

步骤1：对采集到的表面肌电信号进行分组，具体做法如下：

对信号的分组，这里采用阈值法，首先计算手部尚未动作时的肌电信号的平均值， 在平均值的基础上加上一个小的余量(实验测得)作为判断手部动作起始点的阈值，在 此基础上采集固定点数，作为数据组保存。由于动作所用时间不同，所以每个运动的一 组信号数据也就有不同的数据点数组成。实验所得握拳的数据点数为1000，伸腕的数据 点数为1000，曲腕的数据点数为2000，前臂旋转的数据点数为3000。

本发明中所采集的四种动作的表面肌电信号都为两路，一路采集尺侧腕伸肌，一路 采集尺侧腕屈肌，每路信号提取3个时域特征值，分别构成6维时域特征向量。

步骤2，3，4：特征值提取、向量的构建及其横向归一化的具体实现过程如下：

(1)求取第i种动作两路SEMG信号的绝对值积分IAV_ij、过零点数ZC_ij、方差 VAR_ij，i＝1，2，3，4；j＝1，2。

(2)构建时域特征向量X_i＝{IAV_i1，ZC_i1，VAR_i1，IAV_i2，ZC_i2，VAR_i2}；

(3)横向归一化处理后构造特征向量，具体如下，令

$I_j={\left(\underset{i=1}{\overset{N}{\Sigma }}{\left|{\mathrm{IAV}}_{\mathrm{i>}}\right|}^2\right)}^{1/2}---\left(19\right)$

$Z_j={\left(\underset{i=1}{\overset{N}{\Sigma }}{\left|{\mathrm{ZC}}_{\mathrm{i>}}\right|}^2\right)}^{1/2}---\left(20\right)$

$V_j={\left(\underset{i=1}{\overset{N}{\Sigma }}{\left|{\mathrm{VAR}}_{\mathrm{i>}}\right|}^2\right)}^{1/2}---\left(21\right)$

其中，j＝1，2；N＝4。

第i个动作第j路的横向归一化特征量可表示为

I_ij＝IAV_ij/I_j       (22)

Z_ij＝ZC_ij/Z_j        (23)

V_ij＝VAR_ij/V_j       (24)

则构建SEMG动作的的特征量为

L_i＝{I_i1，Z_i1，V_i1，I_i2，Z_i2，V_i2}     (25)

通过上述步骤所得的横向归一化后的特征向量均值样本如下列表1所示。

表1时域横向归一化特征值均值样本

步骤5：将上述构建的横向归一化特征向量作为BP神经网络的输入向量，输出向量 y1＝[0 0]，y2＝[0 1]，y3＝[1 0]，y4＝[1 1]，分别表示握拳、伸腕、屈腕、前臂旋转4种 状态。实验采用表中数据组的均值作为学习样本进行训练。训练效果如图2所示。图1 为BP神经网络结构示意图。

用80组信号作为测试样本，输入到已训练过的BP神经网络中完成识别，部分结果输 出(前40组)如下列表2所示。

表2横向归一化后时域特征向量的部分BP识别输出

输出的数据经函数判断，将状态0的范围设置为[-0.2，0.2]、状态1的范围设置为 [0.8，1.2]，识别结果如下列表3所示。

表3时域归一化后的BP神经网络识别结果

  动作模式   数据组数   识别组数   误识组数   识别率   握拳   20   20   0   100％   伸腕   20   20   0   100％   屈腕   20   20   0   100％   前臂旋转   20   20   0   100％

均取学习速率η为0.15，动量因子α为0.05，经训练后，识别结果表明，神经网络 对横向归一化后的数据组识别输出在一定范围内识别率均达到100％，识别效果良好。

最后所应说明的是：以上实施例仅用以说明而非限制本发明的技术方案，尽管参照 上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本 发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其 均应涵盖在本发明的权利要求范围当中。