基于表面肌电信号的手腕动作模式识别.doc
《基于表面肌电信号的手腕动作模式识别.doc》由会员分享,可在线阅读,更多相关《基于表面肌电信号的手腕动作模式识别.doc(11页珍藏版)》请在三一文库上搜索。
1、基于表面肌电信号的手腕动作模式识别张启忠* 席旭刚 马玉良 罗志增 佘青山(杭州电子科技大学智能控制与机器人研究所, 杭州 310018)摘 要:基于表面肌电信号的肢体动作模式识别是假手仿生控制的基础。为提高动作模式识别率,论文从肌电信号的产生机理出发,选取分别表征肌电信号形态特征-细节复杂度和整体自似性的近似熵指标和分维数指标,作为模式识别的特征向量;同时提出了一种具有增量学习能力的K最近邻(KNN)模型增量学习算法作为模式识别的分类器。在对10位受试者手腕的四个精细动作腕伸、腕屈、腕内旋、腕外旋的识别实验中取得了92.5 %以上的正确识别率。论文同时对增量学习能力对分类器动作模式识别率的影
2、响做了对比实验,当假肢使用者生理变化时,以KNN模型增量学习算法作为分类器比采用不具增量学习能力的KNN模型算法的识别率高4.5%。上述实验表明,论文所提肌电信号动作模式识别方法方案合理,具有应用价值。关键词:肌电信号;肌电假肢;KNN模型增量学习算法;近似熵;分维数中图分类号:TP 241.3 文献标识码:AStudy on wrists multi-movement pattern recognition based on sEMGdoi:10.3969/j.issn.0258-8021.2013.03.000收稿日期:2012-00-00,录用日期:2013-00-00 基金项目:国家自
3、然科学基金(61172134);浙江省自然科学基金(Y1111189, LY12F03007); 浙江省科技计划项目(2012C33075)*通信作者。 E-mail: ZHANG Qi-Zhong XI Xu-Gang MA Yu-Liang LUO Zhi-Zeng SHE Qing-Shan (Institute of Intelligent Control and Robotics, Hangzhou Dianzi University, Hangzhou 310018,China)Abstract: Actionpatternrecognition of limbs using sE
4、MG is the basisforbionic control of a prosthetic hand.In consideration of the generationmechanism of sEMG, the approximateentropy and the fractal dimension, whichfeature the sEMGs morphological characteristics including complexity and overall self-similarity,was chosen as thefeature vectorof pattern
5、 recognition to improve action mode recognition rate.In the meantime, aKNearestNeighbor(KNN) model incremental learning methodwithincremental learning ability, waspresentedasaclassifier of pattern recognition. In pattern recognition experiment of classifying four finemovementsof the wrist (namely wr
6、ist extension, wrist flexion, wrist pronation, wrist supination) with 10 participants, the correct mode recognition rate is above 92.5%.Inacontrast experiment thatwas designed to evaluate theeffects ofthe increment learning ability to theactionmoderecognition rate, the correct recognition rate is 4.
7、5 percent higher than KNN mode arithmetic without incremental learning abilitywhen the prosthetic users changed physiologically.The above experimentalresult showsactionmoderecognition method based on the EMG is reasonable and practical.Key words: electromyography; myoelectric prosthesis; KNN model i
8、ncremental learning algorithm; Approximate Entropy; fractal dimension引言肌电信号(Electromyography,EMG)是一种伴随肌肉活动的生物电信号,是众多肌纤维中运动单元动作电位的叠加,蕴含了肌肉活动的各种信息。通过提取截肢者自身残端的EMG信号,利用其蕴含的动作模式信息可以达到假手智能控制的目的。目前肌电假手智能控制的研究主要集中在相关的基础领域,如肌电信号采样频率的确定和采样窗口范围变化对动作模式识别率的影响1-2,实时的肌电信号消噪方法3。也有研究从肌电信号中提取不同类型的特征,选用合适的分类器以实现精细动作模
9、式的区分,从而控制智能假手的动作4-5,然而从特征及分类器选取角度研究以提高动作模式识别率的并不多。往往只是采用在相关肌肉组上尽可能多地布置采样电极,从信号的时域或频域中提取简单特征,如信号的平均幅值(MAV)、过零点数(NZC)、波形长度(WL)、斜率符号变化数(SSC)等,最后用线性判别分类器等方法实现动作模式的识别6-8。这种方法,理论上能提高动作模式识别的实时性,然而,在实际使用中,特征信号的波动范围很大,识别率并不理想。而且,过多的采样电极,规模偏大的调理电路,让使用者穿戴不方便。因而,寻找理想的肌电信号动作模式特征,然后,设计分类能力强且具有增强学习能力的模式识别方法是值得重视的方
10、向。本研究是从肌电信号的产生机理出发,选取能从整体及细节两方面表征出肌电信号序列形态特征的非线性信息,设计具有增量学习能力的动作模式分类器。实现对手腕的4种精细动作模式腕右旋、腕左旋及腕伸、腕屈的识别,用于肌电假手的控制。1 表面肌电信号特征的选取特征选取是模式识别的核心问题。如果能从待识别对象中选取出所需的有效特征并且不同对象其特征差别较大,分类器就能比较容易地实现对不同模式的分类。论文从肌电信号的产生机理出发,寻找用于模式识别的特征信息。动作单元(motor unit, MU)是肌肉最小的收缩单位,由运动神经元、终板及多条肌纤维组成,如图1所示。运动神经元发放固定频率值40 Hz以下的脉冲
11、序列9-10,脉冲序列经轴突、终板传导到与之联结的肌纤维形成动作电位序列(MUAPT)。并引起肌纤维收缩而产生肌张力并带动各关节运动。此时,如果在对应组织处放置测试电极,则在检测电极与参考点(如,肘部)之间表现出电位差。检测电极所募集的各动作单元综合形成的动作电位即为表面肌电信号(sEMG)。图1 运动神经元与肌纤维的电剌激传播Fig. 1 The electrical stimulating propagation of motoneuron and muscle fibers从数学上描述,若令第个动作单元所产生的动作电位序列MUAPT为。则表面肌电信号是个MUAPT的总和: (1)由于单个
12、运动神经元释放的电信号为具有周期性的脉冲序列,多个运动神经单元的组合仍为周期性信号,因而,从形态上分析肌电信号具有明显的整体自相似性。同时,不同动作模式参与的运动神经单元、神经纤维、肌纤维的数目等都是有区别的,信号在细节上又有其自身的复杂性。复杂性和整体自相似性是肌电信号的两个重要特征。近似熵是表征信号复杂度常用的指标。由于近似熵算法具有下述特点11:1)只要比较短的数据就能得出比较稳健的估计值。2)有较好的抗噪及抗干扰能力。因而,是理想的计算肌电信号复杂度的算法。分形是研究具有自相似性、标度不变性的非线性复杂系统的有效方法。所谓自相似性是指某种结构或过程的特征从不同的空间尺度或时间尺度来看是
13、相似的,标度不变性是指在研究对象上任选一局部区域,对它进行放大又会显示原图的形态特征。肌电信号具有此特点,因而,用分形的概念来分析表面肌电信号是可行的。论文选用近似熵指标及分维数的概念分别表征时间序列信号的整体复杂度及自似性,能较完整地表达出信号的形态特征。2 特征计算及模式识别方法2.1 近似熵近似熵是Princus11在1991年定义的。时间序列信号的近似熵算法步骤如下:1)构造维矢量集合,其中, (2)2)计算矢量与之间的距离定义为 (3)3)给定阈值(为选定的相似容限,),对于每一个统计的数目,如果,那么就被认为是近似的,计算近似矢量个数与矢量总数的比值。 (4)式中,为Heavisi
14、de阶跃函数。4)定义为的平均值。 (5)5)对于,重复计算1-4步,得到。6)近似熵的定义为: (6)由于信号序列的值是有限的,因而近似熵用下式的统计数代替。 (7)相同的动作模式,肌电信号的波形具有较强的相似性,而细节却与手的动作速度、用力大小等因素有关,如用原始信号直接求取信号的复杂度,同一动作模式复杂度的值变动范围会较大。达不到理想的识别效果。因而,还需对信号做下述处理:1)求肌电信号的局部极大、极小值。通过插值函数获得信号的上下包络线。并对上下包络线求平均,记为。以包络线上同符号值 替代对应序列点上肌电信号原值,求信号与的差值,记为。以上,为肌电信号的序数,其值为1到,为信号的长度。
15、2)信号归一化:令 。最后,按幅度归一化 (8)肌电信号动作模式起跳时间的确定采用滑动窗的方法,窗内能量大于某阈值时,认为动作开始,取后继1024个采样点信号作为信号处理对象数据。预处理后计算信号的标准差,并取,,计算肌电信号的近似熵。采用了下述快速方法计算式(4)中的及。1)对点信号序列计算距离矩阵,其中元素的值为 (9)2)利用矩阵中的元素计算及。 (10) (11)2.2 分维数信号序列分维数的计算用改变粗视化程度的方法。针对已做时间与幅值归一化的时间序列信号,作者所设计的分维数计算方法如下:1) 选定步长,把时间序列信号分成等分。 (12)式中,代表上取整。段内平均,形成新的时间序列信
16、号,其中 (13) (14)2) 计算步长为时的曲线总长度: (15)分析可知,和是斜率为的直线关系,若能求得和,则用最小二乘法拟合这些点,即可得到。进而得到分维数。由于在近似熵计算时已对信号进行了幅值归一化,只须对信号进行时间坐标的归一化。设幅值归一化信号为,令第点的横坐标取为,则时间归一化后各点对应横坐标为:。分维数计算中的值可取,这样相邻点可两两相加取平均,以达到快速计算新的时间序列信号的目的。2.3 KNN模型增量学习算法K最近邻(KNN)法12是一种基于实例的分类算法,基本思想是,使用一种距离度量计算待分类样本与所有训练样本之间的距离,找到距离待分类样本最近的个近邻;然后根据这个近邻
17、所属的类别进行多数投票来确定待分类样本的类别。KNN法具有性能稳定、准确率高的优势。然而,KNN是一种懒散型的学习方法,也不是一种增量学习算法13-14。为解决KNN算法存在的缺陷,作者改进提出了一种具有增量学习能力的KNN模型增量学习算法,由样本点数据整理及KNN法分类两部分构成。算法的第一部分:构造一系列模型簇,以模型簇的中心点作为代表点用于新样本的KNN法分类。簇中的模型以五元组表示,其中,表示该区域中数据点的类别:表示区域的半径,即最远点到中心点的距离;表示区域的中心点本身,即这些样本点的均值;表示区域覆盖点的数量;则为构成簇的样本数据串。样本点数据整理,首先对每个类别中的样本点使用C
18、-均值聚类算法进行自动聚类,分成个簇。然后建立模型的五元组。为使分类器具有增量学习能力。对于后续使用中经模式识别得到验证准确识别的样本点,按距离度量最近的原则加到已有簇中。而识别结果不正确的样本点,则在模型簇中另建五元组。从而进一步改善学习样本集的分布状态使其更接近总体分布。当新增的样本点数达到一定量的累积时,可按实际需求踢除部分最早批次的样本点或保留所有样本点,然后用C-均值聚类算法重新聚类,重建模型簇。算法的第二部分:用K最近邻(KNN)法计算待分类样本与各类代表点之间的距离。在投票决定待识别样本的类别时,对每个代表点乘一权重系数,由加权后的数据投票确定待识别样本的类别。若在数据整理阶段,
19、使用过程中不对模型簇的样本点进行调整,则为不具增量学习能力的KNN模型算法。3 特征提取及模式识别结果3.1 动作表面肌电信号的采集人体的前臂肌肉群包括尺侧腕伸肌、尺侧腕屈肌、掌长肌等数十块肌肉。其主要功能是实现屈肘、屈腕、屈指和前臂旋转等,是人体中十分重要的部位,也是肌电假手的控制信息源。本文针对动作模式腕屈、腕伸、腕左旋及腕右旋的识别展开研究,结果用于自制肌电假手的控制。实验对象均为右手低位截肢志愿者,男性6名,年龄(405)岁,体重(65.05.0) kg,身高(170.0 5.0)cm。女性4名,年龄(355)岁,体重(52.06.0) kg,身高(162.0 5.0)cm。取6位男性
20、中的4位编号为#01#04,女性中的2位编号为#04#05,余下的2男2女编号为#07#10。实验前要求受试者24 h内未作剧烈运动,以排除非实验要求的肌肉疲劳影响。每次试验需记录受试者编号、开始时间、所采集肌电信号的时刻、受试者状态等信息,将所采集的表面肌电信号建立数据库。由于动作模式腕屈、腕伸、腕左旋及腕右旋主要与前臂肌肉群的尺侧腕伸肌与尺侧腕屈肌有关,因而,选取实验者右手上肢这2组肌肉表面作为sEMG的拾取位置,每组肌肉表面贴附一次性双极表面电极,选用由美国Noraxon公司研制的新型便携式MyoTrace400肌电信号采集仪来获取信号,采样频率为2500 Hz,仪器内置截止频率500
21、Hz的低通滤波器和截止频率为10 Hz的高通滤波器。图2为肌电信号测试实验,图3为腕右旋动作的肌电信号图。图2 肌电信号测试实验Fig. 2 Experiment on electromyogram(EMG) test 图3 腕右旋动作表面肌电信号。(a)尺侧腕伸肌;(b)尺侧腕屈肌Fig. 3 The surface electromyography(sEMG) of wrist supination.(a) extensor carpi ulnaris; (b) flexor carpi ulnaris理想的肌电假手应具有可推广性,也即产品参数的设置是基于部分受试者的,但结果对另一部分人群
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 表面 电信号 手腕 动作 模式识别
链接地址:https://www.31doc.com/p-2739133.html