基于肌電信號的行為識別的研究

1、廣東商學(xué)院2013-JX16-基于肌電信號的行為識別的研究廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院廣東商學(xué)院GUANQDQNGUNIVERSITYOFBUSINESSHUDIE5本科畢業(yè)論文（設(shè)計）基于肌電信號的行為識別的研究數(shù)學(xué)與計算科學(xué)學(xué)院信息與計算科學(xué)09信息與計算科學(xué)一班2013年月日畢業(yè)論文（設(shè)計）成績評定表廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究畢業(yè)論文（設(shè)計）指導(dǎo)教師評語及成績成績指導(dǎo)教師簽名年月日畢業(yè)論文（設(shè)計）復(fù)評教師評語及成績成績復(fù)評教師簽名年月日畢業(yè)論文（設(shè)計）答辯評語及成績成績畢業(yè)論文（設(shè)計）總成績（五級記分制）答辯委員會主席簽名年月院（系）負責(zé)人簽名年月日TITL

2、E:RecognitionResearchBasedOnTheBehaviorofTheEMGSignal基于肌電信號的行為識別的研究廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院MAJOR:InformationAndComputingScience基于肌電信號的行為識別的研究廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院內(nèi)容摘要本文對前臂肌肉群多個位置（包括肱模肌、模側(cè)腕屈肌、模側(cè)腕長伸肌、尺側(cè)腕伸肌、尺側(cè)腕屈?。┻M行表面肌電信號的采集，用RMS均方差）與AR莫型兩種方法分別對采集的肌電信號進行特征分析和特征提取，再通過不同的分類方法（包括監(jiān)督式學(xué)習(xí)、LDA#類算法）對現(xiàn)有的信號數(shù)據(jù)進行模式識別，區(qū)別屈肘、屈腕、屈指和前臂旋

3、轉(zhuǎn)等多種動作，最終使用MATLA厘驗軟件繪圖直觀表示各種分類方法的識別率，得到多種分類方法的優(yōu)劣程度并最終得出結(jié)論從而將該項的研究成果拓展到人體其他肌群及相關(guān)假肢的控制中，另外在仿生控制人工動力假肢研究領(lǐng)域同樣具有重要的意義。關(guān)鍵詞：特征提取模式識別MATLAB表面肌電信號AbstractInthisresearch,!collectthesurfaceEMGsinseveraloftheforearmmusclegroups(includingbrachioradialis、flexorcarpi、carpiradialislongus、extensorcarpiulnarisandflex

4、orcarpiulnaris).WiththemethodssuchasRMSandARmodel,IextractthefeaturefromtheEMGswhichhasbeencollected.Thenbyusingclassificationmethods(SupervisedLearning:TheLDAalgorithm),!usetheexistingEMGsinordertodifferentiatebetweenelbow、wristflexion,、flexorforearmrotationandsoon.Ialsousetwomoresignaloptimization

5、storaiserecognitionrate.Ultimately,weuseMATLABtoplotpicturesandintuitivelytoshowtherecognitionrate.Finallythebestrecognitionrateis98.611%.基于肌電信號的行為識別的研究廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院Keywords:PatternrecognitionFeatureextractionSEMG目錄1引言11.1 理論研究11.2 國內(nèi)外文獻綜述與研究現(xiàn)狀12表面肌電信號的采集32.1 肌電信號的模型說明32.2 肌電信號的數(shù)據(jù)說明42.2.1 肌電信號的拾取42

6、.2.2 肌電信號的位置52.2.3 動作展示63表面肌電信號的預(yù)處理84模式識別94.1 特征提取94.1.1 時域特征值：RMS勻方根94.1.2 頻域特征值：AR自回歸模型94.2 監(jiān)督式學(xué)習(xí)114.3 繪圖展示13廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究4.3.1 表面肌電信號134.3.2 RMSt征值144.3.3 AR模型特征155信號優(yōu)化處理165.1 MajorityVote與去噪函數(shù)165.2 繪圖展示176結(jié)論18參考文獻19附錄21基于肌電信號的行為識別的研究廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院1引言表面肌電信號（SurfaceElectromyography,

7、SEMG）1人自主活動中肌肉表層多個運動單位所發(fā)出的電位序列最終在皮膚表面通過電極檢測得到的時間與空間綜合疊加的結(jié)果10,是神經(jīng)肌肉系統(tǒng)活動時伴隨的生物電信號。由于它在一定程度上關(guān)聯(lián)著肌肉的活動狀態(tài)與功能狀態(tài)，因此也能夠反映一定的神經(jīng)肌肉活動狀況2,故在肌電信號在臨床醫(yī)學(xué)（如神經(jīng)肌肉疾病診斷）、康復(fù)醫(yī)學(xué)（如肌肉功能評價）、人機工效學(xué)（如肌肉工作的工效學(xué)分析）、體育科學(xué)（如疲勞判定、運動技術(shù)合理性分析、肌纖維類型和無氧閾值的無損傷性預(yù)測）、仿生學(xué)（如人體假肢控制具）13等方面均有重要的利用價值。1.1 理論研究近年來，基于表面肌電信號識別研究在醫(yī)學(xué)生物領(lǐng)域的作用越發(fā)凸顯，研究學(xué)者遍布全球，研究文

8、章也層出不窮，學(xué)者在對表面肌電信號進行識別研究時采用同樣的步驟，即肌電信號的采集、信號優(yōu)化處理，特征分析及提取、模式識別，但最主要的是肌電信號分析、特征提取與模式識別兩個方面。特征提取的目的在于通過研究表面肌電信號的時、頻域特征與肌肉結(jié)構(gòu)以及肌肉活動狀態(tài)和功能狀態(tài)之間的關(guān)聯(lián)性，從而利用SEMGJ變化有效反映肌肉的活動和功能，其研究分析主要集中在時域和頻域分析。特征提取就所利用的理論方法而言，可分為五個方面：時域法、頻域法、時域-頻域法、高階譜及混沌與分形等。特征提取是基礎(chǔ)，分類是關(guān)鍵，分類器可以為肌電假肢提供更可靠的控制信號。用于表面肌電信號的模式分類方法很多，其中模糊分類器和神經(jīng)網(wǎng)絡(luò)分類器的

9、應(yīng)用最為廣泛。1.2 國內(nèi)外文獻綜述與研究現(xiàn)狀在對表面肌電信號進行識別研究時，國內(nèi)外學(xué)者往往從單一的分析方法及單一的分類方法中得出識別率并將此應(yīng)用在實際生活的各個領(lǐng)域中。學(xué)者研究的思路大都相似，不同之處在于以下兩點：第一點是對采集的表面肌電信號進行特征提取的方法。在國外方面，20Disselhorst-Klug（2008）利用時域方法（平均值）提取出SEM特征值，用于研究SEMGT肌肉力之間的關(guān)系；22Reddy（2007）利用時域方法（均方根值RMS提取出SEMGJ特征值，用于研究SEMG運動位移的關(guān)系，從而實現(xiàn)了手指和腕關(guān)節(jié)模型的控制；21Sbriccoli（2003）分別利用時域方法（均

10、方根值RMS和頻域方法（中位頻率MF提取出SEMGJ特征值，用于研究肱二頭肌SEMGJ幅值和頻譜特征?；诩‰娦盘柕男袨樽R別的研究廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院而在國內(nèi)方面，4羅志增，楊廣映（2003）根據(jù)實際肌電信號的隨機性特征，對其建立AR真型，利用AR真型特征、參數(shù)與肢體運動的確定性關(guān)系實現(xiàn)仿生控制；15吳冬梅，孫欣，張志成，杜志江（2010）在人體屈伸肘部的過程中，選取人體上肢檢測表面肌電信號應(yīng)用不同的方法（均方根值RMS肌電值iMEG）對優(yōu)化后的表面肌電信號進行了特征提取。23羅志增，嚴庭芳（2008）利用時-頻域方法小波變換對SEM硬行特征提取，用于SEMGJ模式分類和肌電假肢的控制

11、。第二點是模式識別的方法。用于表面肌電信號的模式分類方法很多，如模糊分類器和神經(jīng)網(wǎng)絡(luò)分類器。模糊分類器已在自動控制、人工智能、圖像識別、農(nóng)作物選中、商品評價、化合物分類、地震、氣象預(yù)報、災(zāi)情預(yù)報、經(jīng)濟學(xué)、社會學(xué)、語言學(xué)、管理科學(xué)及醫(yī)學(xué)等諸多領(lǐng)域得到了廣泛應(yīng)用。在表面肌電信號信號識別方面，開始利用該分類器進行處理，如26E.Zahedi（1995）利用模糊K-均值策略進行了3個自由度的動作識別；27劉建成（1999）也利用模糊神經(jīng)網(wǎng)絡(luò)直接對殘肢的EMG動作進行識別，雖識別率70%上，但有更好的實際應(yīng)用價值；后者神經(jīng)網(wǎng)絡(luò)分類器在給足數(shù)量訓(xùn)練樣本的前提下，網(wǎng)絡(luò)就可以通過學(xué)習(xí)獲得對運動模式進行分類的能

12、力，如24王人成（1998）利用該網(wǎng)絡(luò)對屈腕、伸腕、向內(nèi)旋腕和向外旋腕四種運動進行識別，其識別率都在95現(xiàn)上；25WilliamPutnam（1993）分別利用單層感知器和多層感知器對屈臂和伸臂兩動作進行識別，識別率均可達95%28R.Knox（1994）年利用非參數(shù)線性分類器對屈、伸、內(nèi)旋和外旋四種動作進行識別，其識別率在89%上，其中特征矢量為ARRGCP、LAR等系數(shù)；29MichaelJ.Korenberg（1995）利用并串聯(lián)分類器對內(nèi)旋、外旋及內(nèi)-外旋等動作進行識別，識別率為100%,訓(xùn)練樣本數(shù)極少且而且訓(xùn)練速度快；30GuyCheron（1996）年利用動態(tài)神經(jīng)網(wǎng)絡(luò)識別在展臂畫“

13、8”字圖期間的EMG1號與手臂運動的關(guān)系。綜上所述，在特征提取方面，時域方法最早應(yīng)用于肌電信號分析，易提取、方法簡單；頻域方法提取的特征值較穩(wěn)定，使得頻域方法成為肌電信號處理技術(shù)的主流；而以小波變換為代表的時-頻分析方法因結(jié)合了時域、頻域兩方法的特性，在肌電信號分析方面頗有潛力。而在模式識別方面，人工神經(jīng)網(wǎng)絡(luò)求解肌肉的動作模式通過并行計算、分布式和自適應(yīng)學(xué)習(xí)，在提取信號的特征矢量（如ARlt征、譜特性）之后，將其作為網(wǎng)路輸入，通過訓(xùn)練實現(xiàn)分類，識別率得到很大提高，因而受到廣泛應(yīng)用。廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究2表面肌電信號的采集2.1肌電信號的模型說明信號處理的最終

14、結(jié)果與SEM筷型的設(shè)計緊密相連，良好的模型不僅能夠真實反映信號產(chǎn)生的機理，并且能夠指導(dǎo)完成信號檢測系統(tǒng)的設(shè)計。圖1是一個簡化的SEMG模型，其中，A為運動單位，B為肌纖維，C為差別放大器。一個能夠控制肌肉收縮的運動神經(jīng)元稱為運動單位。運動單位包括細胞體、軸突和樹突，在中樞神經(jīng)的控制下，通過運動單位的軸突發(fā)出的電脈沖沿著神經(jīng)延伸到該單位控制下的肌纖維處，并由終極電位與肌纖維產(chǎn)生興奮-收縮偶合，觸發(fā)肌膜的動作電位，引起肌纖維收縮而產(chǎn)生肌張力，從而產(chǎn)生肌肉收縮。時間（單位;毫秒）圖1.肌電信號模型Figure1.SEMGModel從上圖可以看出肌電圖是多個被記錄的肌膜動作電位序列的總和。由于肌膜動作

15、電位的必然結(jié)果是骨骼肌的興奮一收縮耦合，其肌電圖代表著肌肉的收縮，故SEMGS型向我們提供了一個觀察神經(jīng)系統(tǒng)的窗口。廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究2.2肌電信號的數(shù)據(jù)說明2.2.1 肌電信號的拾取SEMGF號的采集影響著信號分析及模式識別的精確性，是十分關(guān)鍵的過程。如圖2所示，采集SEMGF號可通過表面電極來拾取。運動單位傳播電脈沖的同時，在人體的軟組織中生成電流場，通過在靠近興奮性細胞膜的肌腹皮膚表面處放置電極，并在檢測電極間表現(xiàn)出電位差，便可記錄到以電壓/時間的形式表達的SEMG皮酷&面圖2.表面電極的原理Figure2.ThePrincipleofthe

16、Electricode表面電極作為生物信號與數(shù)據(jù)信號的傳輸媒介，其設(shè)計和所貼位置的重要性不得而知。通常表面電極組采用銅電極作為原材料，拾取電極大多呈圓形，每組銅電極是由柔性PET附銅板蝕刻得到，表面鍍銀，電極薄且有彈性，這樣設(shè)計可以獲得較好的電信號取向和降噪作用。目前廣為流用的有一次性參考電極、雙電級、三電級等，在圖3中展示了各種表面電極。廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究e.序考三厘圖3.電極Figure3.TheElectricode2.2.2 肌電信號的位置MF圖4.肌電信號的位置Figure4.ThepositionoftheEMGsignal如圖4所示，檢測系統(tǒng)

17、共有9個電極，1個參考電極（如圖3.e）以及8個雙電級（如圖3.d）,分別貼在手臂背部（主要對應(yīng)手部屈肌、伸指總肌）和手臂內(nèi)側(cè)（主要對應(yīng)肱二頭肌、旋前圓肌、槎側(cè)伸腕?。Ｆ渲校植壳?、伸指總肌控制手部手指伸直縮回，肱二頭肌、旋前圓肌控制前臂扭轉(zhuǎn)手掌轉(zhuǎn)向，槎側(cè)伸腕肌控制手腕旋轉(zhuǎn)方向。手臂兩側(cè)拾取SEMG勺電極通過屏蔽線輸入到信號處理電路。廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究關(guān)于參考電極與雙電級，這里作簡單的說明：雙電極，是專用于小肌群測試的電極。提供參考電位的電極稱為參考電極。由于我們處在一個無處不在的大電場（50Hz共模干擾）之中，人體變成一個大的電容，故體表就有一定的電

18、壓。為了排除非人體自主產(chǎn)生的電壓，這需要有一個基準電壓，這個電壓就是參考電壓，而參考電壓必須由參考電極檢測。參考電極可以擺放在體表的骨性標志上或不參加測試運動的肌肉的肌腱處，保證在測試中參考電極不能采集到自主運動的電信號。2.2.3 動作展示本文主要面向于右手前臂的動作識別，通過分析上面所述8個通道的肌電數(shù)據(jù)來識別以下動作：Rest休息，HandOpen手掌張開，HandClose手掌合閉,WristExtension手腕伸腕,WristFlexion手腕屈曲，Pronation手掌內(nèi)翻，Supination手掌外翻。如圖5所示。b.HandOpenistExtensionfLpronatio

19、nc.HwndClosee.WristFlexiong.supination圖5.實驗動作Figure5.TrialMovement接下來對肌電數(shù)據(jù)文件進行說明。本文將通過Matlab軟件對獲取的肌電信號數(shù)據(jù)進行處理，數(shù)據(jù)文件一共有六個，命名規(guī)則如下： 文件名根據(jù)測試者編號（N）和測試序號（T）命名。該實驗有多名試驗者，每名試驗者有多次試驗次數(shù)。本文采用測試者編號為4的數(shù)據(jù)，該文件包括6次試驗次數(shù)。每一個肌電數(shù)據(jù)文件包括一個信道數(shù)據(jù)文件和一個動作索引文件。其中前者后綴為daq,后者為mat,二者皆可用Matlab軟件處理。 Daq文件：這是肌電數(shù)據(jù)采集文件，使用Matlab函數(shù)”daqread

20、（）”讀取數(shù)據(jù)。該文件包含了8個通道的肌電數(shù)據(jù)。如圖4確定電極位置。 Mat文件：這是信道-索引動作，包括兩個變量motion與startjndex。變量motion即如上所述的動作，在文件中以數(shù)據(jù)編號對應(yīng)：基于肌電信號的行為識別的研究廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院HandOpen手掌張開HandClose手掌合閉WristFlexion手腕屈曲WristExtension手腕伸腕Supination手掌外翻Pronation手掌內(nèi)翻Rest休息例：在文件名為s#t$data.daq與s#t$index.mat的文件中，#表示測試者編號，$表示試驗次序。如s4t3data.daqpfs4t3in

21、dex.mat,前者表示肌電信號數(shù)據(jù)，后者表示信道-動作索引，數(shù)據(jù)來自編號為4的測試者的第3次試驗。注：在對右手前臂進行試驗的過程中，每次試驗都有額外的休息時間，以保證右臂在無肌肉疲勞的情況下進行試驗，確保數(shù)據(jù)的精確性，其中，每一個動作都執(zhí)行四次。廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究3表面肌電信號的預(yù)處理前文提到，SEMG一維電壓/時間序列信號，由于在拾取SEMG過程中存在多處干擾，包括人體自身、外界工頻干擾等等，都會在拾取過程中形成測量噪聲，具信號形態(tài)具有較強的隨機性和不穩(wěn)定性，故需要對拾取的SEMG號進行再處理。普通濾波器在進行濾波過程中通常會出現(xiàn)“相位偏移”，從而導(dǎo)致

22、最終的輸出信號序列存在相位失真現(xiàn)象，為了消除濾波過程中存在的相位失真問題，在此設(shè)計零相移數(shù)字濾波器對信號進行濾波處理。下圖可以直觀表現(xiàn)出零相移數(shù)字濾波器的原理：r、初始信號得到一次信號輸出序列得到二次信號輸出序列最終信號圖6.原始數(shù)據(jù)處理Figure6.Theoriginaldataprocessing基于肌電信號的行為識別的研究廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院零相移數(shù)字濾波器首先將預(yù)處理所得到的信號輸入序列通過前向濾波器，得到第一次的輸出信號序列，一次輸出序列進行時域翻轉(zhuǎn)后再次通過后向濾波器，將第二次的輸出信號序列再做一次時域翻轉(zhuǎn)便可得到最終的信號序列。其結(jié)果是相位特性精確的為零。廣東商學(xué)院數(shù)學(xué)

23、與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究4模式識別4.1 特征提取4.1.1 時域特征值：RMS均方根RMS全稱：RootMeanSquare,即均方根。SEMG號是人體自主產(chǎn)生的電信號，本身具有交流電的性質(zhì)，其電壓值是隨時間變化的函數(shù)，需要用表達式或者波形圖才可完整描述SEMG號。RMSU我們提供了一種方法，同時亦是一種分析SEMG號特征值的時域方法。RM的物理意義即周期有效電壓值，即：直流電電壓和交流電電壓各自在阻值相等的電阻上做功，在同樣的周期內(nèi)使得交流電電壓做的功與直流電電壓做的功相等，則稱此直流電電壓值為周期有效電壓。用公式表達如下：tTRMS=.1TSEMG2(t)d(t)本文利

24、用matlab數(shù)學(xué)軟件編程得到RM辨征信。4.1.2 頻域特征值：AR自回歸模型以隨機信號為對象建立參數(shù)模型是研究隨機信號的一種基本方法，稱之為參數(shù)模型法。參數(shù)模型法是分析SEMG電信號的一個重要途徑，其中最具代表性的方法為自回歸模型法，又稱AR真型法。AR真型法在一般情況下只要求信號滿足短時平穩(wěn)條件，即在某一時間段內(nèi)被分析的信號是平穩(wěn)的，而恰恰肌電信號滿足這一條件，故肌電信號可以看成是由白噪聲激勵某一確定系統(tǒng)所產(chǎn)生的隨機過程，即等價為零均值白噪聲過程激勵某一線性系統(tǒng)的輸出。在圖6中可以得到，最終信號y即研究的肌電信號，初始信號u(i)即零均值白噪聲過程，u(i)激勵一個線性系統(tǒng)的輸出便為y(

25、i)。總而言之,AR真型法的過程可以表述為：先有采集得到的數(shù)據(jù)通過激勵線性系統(tǒng)得到最終的肌電信號，再由肌電信號估計線性系統(tǒng)的系數(shù)，最后通過系統(tǒng)的系數(shù)來對應(yīng)各種動作。所以肌電信號的性質(zhì)可以用AR真型的參數(shù)來表示。具體地，對于每個動作可以假定其對應(yīng)一個AR真型：pym(i)='amjym(i一j)nm(i)(m±M)j=1io廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究M:動作的總個數(shù)ym(i):假肢的第冊動作肌電信號的第i個采樣值amj:AR模型的第j個系數(shù)nm(i)：白噪聲殘差p:AR模型的階數(shù)設(shè)y(i)為測量肌電的第i個采樣，建立AR真型：pV、二'aj

26、yi.jnij=i式中司即為要確定的參數(shù)。在求解AR真型系數(shù)的過程中，由于AR(數(shù)是由信號的頻域特征所決定的，故本文在處理肌電信號的過程中將信號分為多個窗口，窗口大小為256,這些窗口以128的問隔分隔開，AR真型最終確定使用的是Levinson-Durbin算法，令階數(shù)p為3,利用Levinson-Durbin算法求出最終的ARR數(shù)。4.2 監(jiān)督式學(xué)習(xí)監(jiān)督學(xué)習(xí)，又稱導(dǎo)師學(xué)習(xí)，英文：SupervisedLearning,是人工智能領(lǐng)域中模式識別的重要途徑之一。這里簡單闡述下監(jiān)督學(xué)習(xí)的過程：首先，存在有限個例子，稱為訓(xùn)練樣本，在訓(xùn)練樣本中學(xué)習(xí)乃至建立一個新的模式，其中，該模式包含隱藏在訓(xùn)練樣本中

27、的規(guī)律，根據(jù)這些規(guī)律推測出新的例子，構(gòu)成新的訓(xùn)練樣本。在監(jiān)督式學(xué)習(xí)中存在兩個關(guān)鍵詞，一個是訓(xùn)練樣本，一個是模式。訓(xùn)練樣本可分為輸入訓(xùn)練樣本與輸出訓(xùn)練樣本，前者簡稱為輸入向量，后者簡稱為預(yù)期輸出。三者的關(guān)系可以用函數(shù)的形式：f:xty來表示，f是模式，是一個監(jiān)督學(xué)習(xí)者的主要學(xué)習(xí)對象。x與y作為訓(xùn)練樣本集合域，是監(jiān)督學(xué)習(xí)者的觀察對象。對于每一個輸入向量xi,根據(jù),K式f都有相對應(yīng)的期望輸出X。綜上所述，一個監(jiān)督學(xué)習(xí)者的任務(wù)是在觀察完一些訓(xùn)練樣本(包括輸入向量和預(yù)期輸出)后，預(yù)測出模式函數(shù)，通過模式函數(shù)對任何即將出現(xiàn)的輸入向量預(yù)測新的預(yù)測輸出，即預(yù)測一個分類標簽，便可達到目的。為達到此目的，學(xué)習(xí)者必

28、須以合理的方式來從現(xiàn)有的訓(xùn)練樣本中一般化到非觀察到的情況，這其中包括以下幾個事項：確定訓(xùn)練資料的形態(tài)、確定訓(xùn)練樣本的形態(tài)、確定學(xué)習(xí)的函數(shù)模式、預(yù)測分類。接下來通過這四點內(nèi)容闡述本論文的監(jiān)督學(xué)習(xí)過程。11廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究 確定訓(xùn)練資料的形態(tài)：在本文中，肌電信道數(shù)據(jù)以及信道索引即為訓(xùn)練資料的初始形態(tài)。前者存儲在以Daq為后綴的文件當中，后者存儲在以Mat為后綴的文件當中，二者皆是通過醫(yī)學(xué)儀器以及電極在人體表面肌膚探測采集的電子數(shù)據(jù)。 確定訓(xùn)練樣本的形態(tài)：在第一步采集的訓(xùn)練資料中，肌電信道數(shù)據(jù)通過濾波處理變成肌電信號，但是由于模式函數(shù)的精確度與輸入向量如何表示

29、有很大的關(guān)聯(lián)度，且特征的個數(shù)不宜太多，模式函數(shù)才能準確的預(yù)測輸出。故處理肌電信號時用RMS寸域方法以及AR模型頻域方法提取特征值，以特征值作為訓(xùn)練樣本的輸入向量。而信道索引直接作為最后的預(yù)測輸出。 確定學(xué)習(xí)模式：在確定學(xué)習(xí)模式的過程中，本文采用LDA分類算法（LinearDiscriminantAnalysis,線性判別分析）在訓(xùn)練樣本中進行學(xué)習(xí)。將此前訓(xùn)練樣本中s4t1的肌電信號與信道索引作為學(xué)習(xí)對象，并且調(diào)整學(xué)習(xí)模式的參數(shù)。參數(shù)調(diào)整后，模式便可以在不同于訓(xùn)練集的測試集上運行。預(yù)測分類：將s4t3的肌電信號與信道索引作為測試對象，提取s4t3肌電信號的特征值，將此特征值作為模式的測試集，并在

30、模式上運行，得出新的信道索引。將新的信道索引與原先的信道索引進行誤差分析，以確定該學(xué)習(xí)模式的精確率。12廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究4.3繪圖展示4.3.1 表面肌電信號Sign西1Time/aSigfial2Sprwd1看&wixllsTime/sStQnai3苣dwujETim*/sSignal2laBdwpllls$Iime/s56Tim6/5StCPnai5AE3W山Sr-o505也蘭/©w山s45GTime向Signal345ETime/aSignal4At<5wLlJlsTimafsSignal5AWOF畝S5TimMsSigna

31、l6否WIJJS3434169Time看Signal75Iime/sSignalfi苣卑ms1fld音序蒞as,；1廠1-：5*；卜膽，；，肛河；i；i：34£«7SS56Time/sSignal7Tiritc/gSignal866709TirUg/e1010101010iaa.s411EMGSTime/sSignalB5Tinw/sh.s4t3EMG圖7.表面肌電信號Figure7.SEMGs4t3為編號4號實驗者注：s4t1為編號4號實驗者第1次試驗的肌電數(shù)據(jù),第2次試驗的肌電數(shù)據(jù)。前者為訓(xùn)練對象，后者為測試對象。13廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的

32、研究4.3.2RMS特征值nwcnwxSigns11Signal2Q12D«*5G7Q01005!"|rribjfr|i»»（）01234TimersSignal3Tinw/sSignal504u?0TlmafsSignal3.J*J0123i0;k二申1K二":01234567BTime/sSignal®金；b4小k血七爪bdd012345673TimsesSiqnsl7*E防ZCE工J1234567BTimfi/sSignal8a.s4t1KMSTime/sS*gr>3l4Time/sSignal601134TimWsSig

33、nal7Time/sIs至比b,s4t3KMs圖8.時域特征值均方根Figure8.RMS14廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究4.3.3AR模型特征AR-防特征伯甘明，a£-5f-sAR二階特征值I小小杷小沔費"1人勒卒飛A比三階特怔伯Jt.5Te、EdJ1I不四逑雨二二Iq.I：iiiiiiiQ1Z3«4ET?FQ設(shè)屬串的皿的蘋*耳叼5TimaJ.StfianTim&l4簞Mr;后西海中酒SKf/也+忖也D123456T!Tim%Ir；ri;z-；1ipHa曰*J；iiiiiiiai2Ja1t；flTmMTL|I>Rid&#

34、187;!1!BinaaBniaaBBLTWWISigrulJl.I；0IIII!IIII巾1?3i5$7$TimpJg5«F*5，適f叫帆惘酬m網(wǎng)加后劉科4-5-E79TifW'fr*3-1S67日Timiii&N，E1Tim*SiuiJTIe.2fi-«"imrriUBriiBHriiifiiii-riii-niiit-.i.>1)iariimri'i堤E味/4格"*/哂!："|11*134、匚-''!口IIIIIAl?一附特征值nw>3puiZT)Z*日2EI號"：彳41ii,

35、a123456Titatii8vtm31,1*沁myU*VvLF吟戶盧卜一r,；,Jflli2：)J66hg.S°i才12p；：；-i總”二001J34ETim增4iE7aTints工n.sltlARA康二階特征值1412J1£gTirwi'BSinaiZ2aI2J45G畫口3Tin*11SgIH'%Iiiiiii;i4HZiAH三階特征值A(chǔ)9ud9汨二百鼻:；*A1卡癡占二F七心出*7","iii*i2344TimortS:Im*81143TinaJkStrariE-4t余3:5EIbthJi.-I仲片¥爐廣*尸工1叫華*&q

36、uot;*5mnI'IIb.34t.3AR圖9.頻域特征值A(chǔ)R模型參數(shù)Figure9.AR15廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究5.信號優(yōu)化處理5.1 MajorityVote與去噪函數(shù)實驗者進行一次試驗時，動作的變換是連續(xù)不中斷的，故在肌電信號的提取過程中，動作轉(zhuǎn)換的信號數(shù)據(jù)也一并存儲在采集的肌電信號中。這是采集信號過程避免不了的信號干擾，我們稱之為噪音。噪音在肌電信號最終體現(xiàn)為分類標簽的過渡數(shù)據(jù)，如下所示：111111112222222233333333類向量中兩個箭頭間的數(shù)據(jù)為過渡數(shù)據(jù)，即噪音。為減小噪音影響，使得模式識別的精確率提高，本文將采取以下兩種方法

37、對噪音數(shù)據(jù)進行處理。MajorityVote:由上面可知，測試集通過模式識別得出的預(yù)期輸出是一個分類標簽，MajorityVote采取窗口=8的間距對分類標簽進行”多數(shù)表決處理”。即當窗口推移到過渡性數(shù)據(jù)時，采取“少數(shù)服從多數(shù)”的方式對過渡性數(shù)據(jù)進行類別優(yōu)化。去噪函數(shù)：該處理方式相對于MajorityVote較為簡單快捷，它直接將過渡性數(shù)據(jù)刪除，從而提高分類效率。16廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究5.2繪圖展示MajorityVoteError=4,8754%50007MajorityVote/NoTransitionsError=1,1389%NoTransitio

38、nsError=1,4893%4002000圖10.信號優(yōu)化處理優(yōu)劣對比三維圖Error=5.3025%86420Figure10MajorityVoteError=4.8754%01000200030000100020003000WindowNoTransitionsError=1.4893%8WindowMajorityVote/NoTransitionsError=1.1389%8I.M66一-2.0',0100020003000Window2-0''0100020003000Window圖11.信號優(yōu)化處理優(yōu)劣對比二維圖Figure1117廣東商學(xué)院數(shù)學(xué)與計算科

39、學(xué)學(xué)院基于肌電信號的行為識別的研究6.結(jié)論提取肌電信號的特征值圖12處理肌電信號流程圖Figure12TheFlowhartofsEMGprocessing如圖12所示，本文通過五個步驟對采集的表面肌電信號進行處理分析，分別是肌電信號的拾取、肌電信號的預(yù)處理、肌電信號的特征提取以及模式識別。首先對前臂肌肉群肱槎肌、槎側(cè)腕屈肌、槎側(cè)腕長伸肌、尺側(cè)腕伸肌、尺側(cè)腕屈肌等8個位置進行表面肌電信號的采集，然后采用RMS均方差）與AR真型兩種方法對采集的肌電信號進行特征分析和特征提取，再通過監(jiān)督式學(xué)習(xí)、LD吩類算法對肌電信號進行模式識別，區(qū)別屈肘、屈腕、屈指和前臂旋轉(zhuǎn)等多種動作。論文的最后還采用了Majo

40、rityVote以及去除噪音函數(shù)對分類標簽進行優(yōu)化處理,并使用MATLAB驗軟件繪圖直觀表示分類方法的識別率。其中，通過LD吩類算法得到的分類標簽誤差為5.3025%;僅對分類標簽進行MajorityVote優(yōu)化處理之后得到的誤差為4.8754%；僅對分類標簽進行去噪函數(shù)優(yōu)化處理得到的誤差為1.4893%;同時采用MajorityVote以及去除噪音函數(shù)則使得誤差最低,為1.1389%18廣東商學(xué)院數(shù)學(xué)與計算科學(xué)學(xué)院基于肌電信號的行為識別的研究參考文獻1王健.sEMG信號分析及其應(yīng)用研究進展.體育科學(xué)，SPORTSCIENCE2000,20(4):56-60.2王健，金小剛.表面肌電信號分析及

41、其應(yīng)用研究.中國體育科技，CHINASPORTSCIENCEANDTECHNOLOGY2000,36(8):26-28.3雷敏，王志中.肌電假肢控制中的表面肌電信號的研究進展與展望.中國醫(yī)療器械雜志CHINESEJOURNALOFMEDICALINSTRUMENTATION2001,25(3):156-160.4羅志增，楊廣映.表面肌電彳t號的AR參數(shù)模型分析方法.傳感技術(shù)學(xué)報CHINESEJOURNALOFSENSORSANDACTUATORS2003,16(4):384-387.5蔡立羽，王志中，張海虹等.基于小波變換的肌電信號識別方法研究.數(shù)據(jù)采集與處理JOURNALOFDATAACQU

42、ISITIONANDPROCESSING2000,15(2):255-258.6羅志增，任曉亮.肌電信號的拾取和預(yù)處理.傳感技術(shù)學(xué)報CHINESEJOURNALOFSENSORSANDACTUATORS2004,17(2):220-223.7楊廣映，羅志增.肌電信號的功率譜分析方法.傳感技術(shù)學(xué)報CHINESEJOURNALOFSENSORSANDACTUATORS2004,17(3):355-358.8王人成，鄭雙喜，蔡付文等.基于表面肌電信號的手指運動模式識別系統(tǒng).中國康復(fù)醫(yī)學(xué)雜志,CHINESEJOURNALOFREHABILITATIONMEDICINE2008,23(5):410-41

43、2.儀器儀表學(xué)報,CHINESE.中國組織工程研究與臨床TISSUEENGINEERING9羅志增，王人成.基于表面肌電信號的前臂手部多運動模式識別JOURNALOFSCIENTIFICINSTRUMENT2006,27(9):996-999.10盧蕾，殷濤，靳靜娜等.采集表面肌電信號應(yīng)用于動作識別的可行性康復(fù),JOURNALOFCLINICALREHABILITATIVERESEARCH2011,15(22):4103-4106.11胡曉，王志中，任小梅等.基于分形維前臂動作表面肌電信號的分類.東南大學(xué)學(xué)報(英文版),JOURNALOFSOUTHEASTUNIVERSITY(ENGLISHE

44、DITION)2005,21(3):324-329.12李醒飛，朱嘉，楊晶晶等.基于肌電信號的人手運動狀態(tài)的辨識.中國生物醫(yī)學(xué)工程學(xué)報,CHINESEJOURNALOFBIOMEDICALENGINEERING2007,26(2):166-169.13李醒飛，張國雄，裘祖榮等.利用肌電信號實現(xiàn)仿生肘關(guān)節(jié)運動控制的研究.機械工程學(xué)報,CHINESEJOURNALOFMECHANICALENGINEERING2004,40(4):32-35.14蔡華.多道前臂肌電信號集中參數(shù)模型系統(tǒng)的確定.生物醫(yī)學(xué)工程學(xué)雜志1999,(1):57.15吳冬梅，孫欣，張志成等.表面肌電信號的分析和特征提取.中國組織

45、工程研究與臨床康復(fù),JOURNALOFCLINICALREHABILITATIVETISSUEENGINEERIN(KESEARCH2010,14(43):8073-8076.16 GRAUPED.FunctionseparationofEMGsignalsviaARMRidentificationmethodsforprosthesiscontrolpurposesJ.IEEETrans.Syst.ManCybern.1975,5:252259.17 KELLYM.Theapplicationofneuralnetworkstomyoelectricsignalanalysisprelimi

46、narystudyl,J.IEEETran.Biomed.Eng.,1990,37:221229.18 UNSERM,AIDROUBIAAreviewofwaveletsinbiomedicalapplicationsc.Proc.OftheIEEE,1996,84(4):626-638.19JANGGCHUsingtimefrequencyanalysistechniqueintheclassificationofsurfaceEMGsignalsA.AnnualInt.Conf,oftheIEEEEngineeringinMedicine&BiologySociety.1994,16:12421243