文獻標識碼: A
文章編號： 0258-7998(2014)04-0084-04
表面肌電信號SEMG(Surface Electromyographic)是從人體骨骼肌表面通過電極記錄下來的神經肌肉活動發放的生物電信號[1]。隨著檢測技術、信號處理技術和模式識別技術的長足發展，國內外學者對表面肌電的特征提取和模式識別也有更加深入的研究[2]。參考文獻[3]采用一種自適應神經模糊推理系統識別手部動作命令且動作識別率達到92%[3]；參考文獻[4]采用主成分分析提取SEMG信號的特征參數，進而識別手部動作。參考文獻[5]采用小波變換和AR模型對SEMG進行分析處理，利用RBF神經網絡對SEMG信號進行模式識別，動作識別率85%[5]；參考文獻[6]采用4通道采集SEMG信號，利用小波變換和BP神經網絡來識別SEMG信號8種動作，動作平均識別率96.25%。但在SEMG信號的特征提取和動作模式識別中仍然存在特征向量維數過高、數據冗余度大，分類器復雜、魯棒性差和識別率低等問題[7]?；谝陨蠁栴}，提出了一種小波包核主元分析和支持向量機相結合的新方法。通過SEMG信號對前臂動作識別進行研究，研究表明，該方法魯棒性好，成功實現了對前臂4種不同動作的模式分類。
1 SEMG信號采集系統平臺設計
整個系統主要由表面肌電信號檢測電極、儀表放大電路、10~1 000 Hz帶通濾波電路、DAQ板卡以及LabVIEW框架下的計算機系統組成[8]。SEMG信號采集系統框圖如圖1所示。
在實驗室條件下，用儀表放大器INA128和運算放大器LM324，設計了一套差分輸入SEMG信號采集與調理電路。此電路具有高輸入阻抗、高共模抑制比，能夠很好地提取表面肌電信號。調理電路的放大倍數為250倍，通頻帶為10～1 000 Hz[9]。在采樣頻率為2 000 Hz，握拳動作時采集到的SEMG信號如圖2所示。
2 小波包分析與核主元分析
2.1 小波包分析
小波包分析(WPA)是在小波分析基礎上將頻帶進行多層次劃分，對小波分析沒有細分的高頻部分進一步分解，根據信號特征，選擇相應頻帶，達到與信號頻譜相匹配，提高時-頻分辨率的目的[10]。
小波包的分解算法為由尺度j下的系數d計算出下一層尺度j+1下的系數d，即：
![HY]WLRMRE07VW@)PFE_OBU3.png](http://files.chinaaet.com/images/2017/01/16/6362017870383353856639177.png "HY]WLRMRE07VW@)PFE_OBU3.png")
2.2 核主元分析
核主元分析(KPCA)多用于統計領域，它是常用的數據壓縮方法之一，采用KPCA能夠達到用較少的特征量對數據樣本進行描述，實現了降低空間維數的目的，并且在降維后，仍然保留了原始特征中主要的非線性信息，使處理運算量大大降低[11]。
設SEMG數據的特征總數目為M，樣本個數為N，樣本空間X=[x1,x2,…,xM]，經KPCA處理后的矩陣為V。具體的 KPCA 分析步驟如下：
(1) 選取多項式核作為核映射函數:
(2) 求在核空間下的協方差矩陣D:
對每一維m=1,2,…,M計算經驗均值，將計算得到的均值放入M×1維的經驗均值向量um中:
(3) 計算協方差矩陣D的特征向量和特征值，特征向量按照特征值由大到小排列的矩陣就是投影變換矩陣。在M維的樣本空間中，有M個主元，根據式(6)計算主元的比率Z，按照比率大于等于95%，選取前P(P<M)個對偏差貢獻大的主元構成向量D。
3 基于小波包核主元分析的SEMG特征提取
采用小波包核主元分析(WPKPCA)提取兩路SEMG信號特征矩陣過程如圖3所示。
由圖3可得具體的WPKPCA實現SEMG信號特征提取具體過程如下：
(1)將采集到的兩路SEMG信號X1、 X2分別經L層小波包變換(WPT)得到各個尺度下的小波系數的均方根 D1，D2，…，D，構成小波系數特征矩陣y1、y2。各個尺度下的小波系數均方根為：
![U6C56P]J30(_$$ENC[[18WO.png](http://files.chinaaet.com/images/2017/01/16/6362017882431553851763645.png "U6C56P]J30(_$$ENC[[18WO.png")
其中j=1,2,…,2L， dj,i為第j尺度下的數據，N為該段的采樣點數，這里選取N為100。
(2)將y1、y2經核主元分析后得到各路SEMG信號特征矩陣Y1、Y2；
(3)將Y1、Y2合并為運動特征矩陣Y。得到運動特征矩陣Y后進行后續的動作識別。
4 基于SVM的SEMG信號動作識別
支持向量機(SVM)是統計學習理論發展的產物，其基本思想是將低維輸入空間中的數據通過非線性函數映射到高維屬性空間，將分類問題轉化為屬性空間中進行，在屬性空間中求取樣本最優分類面[12]。SVM算法克服了傳統統計學中經驗風險與期望風險可能具有較大差別的不足，使得其在有限樣本下具有了較強的泛化能力[13]。SVM通過構造最優超平面，在滿足經驗風險最小的條件下使得VC(Vapnik和Chervonnenkis)維置信范圍最小。最優超平面的構造問題實質上是約束條件下求解一個二次規劃問題，以得到一個最優分類函數：
其中ai*是拉格朗日系數，b*是閾值，Xi是第i個訓練樣本，X是測試樣本，n為總體訓練樣本數，K(Xi·X)為滿足Mercer條件的核函數。使用核函數能夠避免高維屬性空間中的直接運算，大大降低了運算量。一般應用較多的核函數有下面4種：線性核函數、多項式核函數、RBF核函數和多層感知器核函數。此算法選用RBF函數作為核函數。
SVM多類分類器的基本構造方法是通過組合多個二值分類器來實現的。具體的構造方法有一對一和一對多兩種。一對一的方法中對兩類樣本設計一個SVM分類器，通過設計k(k-1)/2(k為類別數)個SVM分類器，設分類函數為fij(x)用于判別i和j兩類樣本。
若fij(x)>0，則x屬于第i類，記i類得一票，最后決策時，通過比較哪一類得票數最多，就把測試樣本歸于該類。在一對多的方法中，需要構造k個SVM分類器，對于第i個SVM分類器，將第i個模式的樣本作為一類(正類),剩下的k-1類樣本作為另一類(負類)，決策時,將待測樣本x依次輸入到各個SVM分類器中,比較哪一個SVM分類器輸出值最大，把測試樣本歸于該類?？紤]到SEMG樣本類別較少，而一對一的SVM分類器算法簡單，易于實現,因此選用一對一的SVM分類器來構造多類分類器。
5 實驗結果分析
將差分式肌電信號采集電極粘貼在受試者的尺側腕屈肌和肱橈肌對應的皮膚表面上，選取橈腕關節處的皮膚表面作為參考點接地，以消除共模信號。設置采樣頻率為2 000 Hz，當手部做握拳、展拳、手掌內翻和手掌外翻四種動作時，同時采集尺側腕屈肌和尺側腕伸肌兩路SEMG信號。每種動作采集5 s。前2.5 s作為訓練樣本，后2.5 s作為測試樣本，則訓練樣本和測試樣本都是5 000個數據。以100個數據為子樣本，每種動作有50組數據。
針對手部動作的SEMG，采用db08小波基，對預處理后的兩路肌電信號進行3層小波包分解，得到各個尺度下的小波系數矩陣。圖4為握拳動作時，肱橈肌SEMG信號的3層小波包分解圖，經小波包3層分解后得到8維小波系數矩陣。
由圖4可知，兩路SEMG信號經小波包分解后構成16維的小波系數矩陣。采用KPCA分別對兩路SEMG信號的小波系數矩陣進行降維，去除數據間的冗余。圖5所示為肱橈肌和橈側腕屈肌的8維小波系數矩陣經KPCA后的各主成分解釋方差貢獻率。
從圖5可以看出，經WPKPCA的橈側腕屈肌和肱橈肌的SEMG小波系數矩陣中，主元1與主元2的累積貢獻率分別為98.42%和99.26%，其他6個主元的累積貢獻率不到2%，因此將后6個主元忽略，從而將16維的小波系數矩陣降至4維，得到運動模式矩陣。將運動模式矩陣輸入到SVM分類器中，其分類結果如表1所示。
從表1可以看出， LDA分類器分類結果中內翻和展拳的正確識別率可達100%，外翻和握拳的正確識別率分別為94%和98%，總體平均識別率98%。表2所示為WPKPCA、WPT、時域參數平均絕對值(MAV)和AR系數4種特征提取方法在LDA分類器中的分類結果。
從表2可以看出,SVM作為分類器時，選取WPKPCA對SEMG信號進行特征提取，動作識別率最高。WPKPCA能夠更加有效地提取SEMG信號中的細節信息，與SVM分類器結合有更好的識別效果。采用SVM、K近鄰、BP神經網絡和RBF神經網絡對WPPCA獲取的運動模式特征矩陣進行動作識別，其分類結果如表3所示。
從表3可得，在應用WPKPCA來提取SEMG信號特征的情況下，采用SVM分類器動作率最高，效果最好。因此，WPKPCA與SVM相結合的方法更能準確地識別手部不同的運動狀態。
通過采集橈側腕曲肌和肱橈肌兩路SEMG信號來識別前臂4種動作(握拳、展拳、手掌內翻和手掌外翻)，采用小波包變換對SEMG信號進行分析，將各頻段的子帶均方根作為每個動作模式的特征向量并建立KPCA模型。在不同的SEMG信號特征提取方法下，WPKPCA具有良好的特征表達能力。運用SVM分類器對所取特征進行訓練和分類時，取得優良的分類效果。小波包核主元分析的特征提取方法與SVM分類器的組合是非常適合SEMG信號處理。實驗表明，運用此方法能夠較好地識別手部4種動作，動作平均識別率達到98％。
參考文獻
[1] FUKUDA O，TSUJI T.A human-assisting manipulator tel-eoperated by EMG signal and arm motion[J]. IEEE Trans-actions on Robotics and Automation, 2003,19(2):210-222.
[2] ZHAO Z Y, CHEN X, ZHANG X, et a1. Study on onlinegesture SEMG recognition[C]．Intelligent Computing (ICIC 2007), Lecture Note in Computer Science,2007,4681:1257-1265.
[3] KHEZRI M, JAHED M. A neuro-fuzzy inference systemfor sEMG-Based identification of hand motion commands[J].IEEE Transactions on Industrial Electronics, 2011,58(5):1952-1960.
[4] RYAIT H S. ARORA R A S, AGARWAL R. Interpreta-tions of wrist/grip operations from SEMG signals at differ-ent locations on arm[J]. IEEE Transactions on Industrial Electronics, 2010,4(2):101-111.
[5] 張毅, 連奧奇, 羅元. 基于小波變換及AR模型的EMG模式識別研究[J].電子測量與儀器學報,2011,25(9):770-774.
[6] 侯秀麗, 宋愛國. 基于小波變換與BP網絡的四通道表面肌電信號模式識別[J].儀器儀表學報,2007, 28(4):528-531.
[7] 李天博,陳玲,陳坤華,等.基于MSP430的肌電假手系統設計[J].傳感器與微系統,2012,31(4):75-78.
[8] 張兢,盧鳳蘭,余成波.基于DAQ數據采集卡的虛擬儀器通用硬件平臺設計[J].重慶工學院學報,2001,15(2):42-44.
[9] 陳珍萍. 基于自適應提升小波變換的電能質量檢測節點[J].電子技術應用,2011,37(7):86-88.
[10] 左來. 基于小波包分析和LS-SVM的柴油機故障診斷方法[J]. 計算機測量與控制,2009,17(11):2150-2152.
[11] 周欣, 吳瑛. 基于KPCA和LDA的信號調制識別[J].系統工程與電子技術, 2011,33(7):1611-1616.
[12]崔建國,王旭,李忠海,等．支持向量機在表面肌電信號模式分類中的應用[J]. 東北大學學報(自然科學版), 2006,27(3):280-283.
[13]席旭剛,李仲寧,羅志增. 基于相關性分析和支持向量機的手部肌電信號動作識別[J].電子與信息學報,2008,30(10) :2315-2319.