[0002] 表面肌电信号(Surface electromyography,sEMG)是从人体骨骼肌表面通过表面肌电拾取电极记录下来的、与神经肌肉活动相关的生物电信号,其中蕴涵着很多与肢体运动相关联的信息,不同的肢体动作具有不同的肌肉收缩模式,肌电信号特征也将有所差异,通过对这些特征的分析就可以区分肢体的不同动作模式,因此,它不仅被广泛运用于临床诊断、运动医学等领域,还成为假肢控制和功能性神经电刺激的理想控制信号。随着对肌电信号产生机理的研究,研究者们发现sEMG具有非周期、非平稳、非线性等混沌特性,近年来运用非线性指标来识别动作表面肌电信号的模式也得到了深入的研究,例如王人成【1】等利用Hausdorff维区别了伸腕、屈腕和旋腕3个动作;胡晓【2】等利用GP算法的信息维识别了腕正旋、腕反旋两个动作;邹晓阳、雷敏【3】等将最大李雅普诺夫指数和多尺度分析方法结合起来,然后利用支持向量机较好的识别了人体前臂的内翻、外翻、握拳、展拳、上切和下切六类动作;澳大利亚皇家墨尔本理工大学的Naik,Genesh R.Kumar【4】,Dinesh K【5】等提取手部各类动作的肌电信号的分形维特征,然后结合支持向量机识别手部各个动作,取得了较高的识别率等。这些非线性算法都很好的解决了肌电信号的特征提取问题,然而这些特征提取方法需要长时间稳定的sEMG信号,抗噪能力较弱,对肌电假手就不能很好的实时控制。
[0003] 【1】王人成,黄昌华,常宇,等.表面肌电信号的分形分析[J].中国医疗器械杂志,1999,23(3):125-127.
[0004] 【2】胡 晓, 王 志 中 ,任 小 梅 .Classification of surface EMG signal with fractal dimension[J].Journal of Zhejiang University:Science B,2005,6(8):844-848.(浙江大学学报英文版)
[0005] 【3】邹晓阳,雷敏.基于多尺度最大李雅普诺夫指数的表面肌电信号模式识别[J].中国生物医学工程学报,2012,31(1):7-12.
[0006] 【4】Naik Ganesh R,Kumar Dinesh K,Arjunan Sridhar P.Towards classification of low-level finger movements using forearm muscle activation:A comparative study based on ICA and Fractal theory[J].International Journal of Biomedical Engineering and Technology,2011,6(2):150-162.
[0007] 【5】Arjunan Sridhar P,Naik Ganesh R,Kumar Dinesh K.A machine learning based method for classification of fractal features of forearm sEMG using Twin Support vector machines[C].2010 Annual International Conference of the IEEE Engineering in Medicine and Biology Society,EMBC,2010:4821-4824.发明内容
[0008] 为实现对残肢患者手腕运动模式的正确识别,快速精准的控制肌电假手,本发明提出了一种基于经验模态分解(Empirical mode decomposition,EMD)样本熵的肌电信号识别方法。首先从相关肌肉组上采集相应的表面肌电信号,然后运用能量阈值确定sEMG的动作信号进行经验模态分解(EMD),依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的内蕴模式函数(Intrinsic Mode Function,IMF)分量求和作为有效肌电信号,求取样本熵,然后将样本熵作为特征向量输入主轴核聚类分类器,实现肌电信号的上肢多运动模式识别。
[0009] 为了实现以上目的,本发明方法主要包括以下步骤:
[0010] 步骤(1).获取人体上肢肌电信号样本数据,具体是:首先通过肌电信号采集仪拾取人体上肢肌电信号,再运用能量阈值确定动作的起始位置和终止位置作为动作肌电信号。
[0011] 步骤(2).将步骤(1)获取的sEMG动作信号进行经验模态分解,然后依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的IMF分量进行迭加作为有效肌电信号。
[0012] 所述经验模态分解(EMD),具体算法如下:
[0013] EMD是一种自适应的信号处理方法,非常适合处理非线性非平稳信号,它基于一个基本的假设条件,即所要分析的信号是由许多不同的内蕴模式函数相互叠加而成。不同时间尺度的各种模式将会根据其自身的特征尺度进行分解,分解后的每种模式是相互独立的,在连续的过零点间不存在其他极值点。所以每一个IMF都要满足以下两个判断条件:整组IMF数据中极值点和过零点的数目相等或最多相差1;信号的局部极大值包络线和局部极小值包络线的均值为0。
[0014] 对信号x(t),用EMD分解成各IMF步骤为:
[0015] (1)首先确定信号x(t)的所有极值点,包括极大值点和极小值点。然后对所有极大值点和所有极小值点分别用三次样条插值曲线连接起来,这样便确定信号的上包络线xup(t)和下包络线xlow(t),记上、下包络线的均值为m11(t)。则
[0016] m11(t)=(xup(t)+xlow(t))/2 (1)
[0017] (2)用信号x(t)减去上、下包络线的均值m11(t)得到s11(t),即[0018] s11(t)=x(t)-m11(t) (2)
[0019] 此时看s11(t)是不是满足IMF的两个条件,满足则把s11(t)赋给c1(t);不满足则把s11(t)看作原始信号在重复以上过程,直至K次循环后得到的s1k(t)满足IMF的两个条件,并记:
[0020] c1(t)=s1k(t) (3)
[0021] (3)记剩余信号r1(t)=x(t)-c1(t),将其作为新的序列,重复上面步骤,直至提取出所有的IMF。此时原始信号最终分解为n个IMF和一个剩余分量。记:
[0022]
[0023] 式中:cj(t)为第j个IMF分量;rn(t)为余项。
[0024] 信号在分解的过程中保留了原来的特性,这些IMF分量频率从大到小,包含着不同的特征时间尺度,将信号的特征信息在不同的分辨率下表现出来,从而可以选取信号的IMF分量组成新的特征信息。
[0025] 所述频率有效度方法,具体算法如下:
[0026] 为了自适应的选取前若干个IMF分量,本发明采用了基于瞬时频率的有效信息统计法,定义第i层的内蕴模式分量IMFi的频率有效度Ei=ni/n。其中,ni为IMFi中瞬时频率落在20~350范围内的点数,n为总的信号采样点数,Ei表示在指定频率段的有效信息量。由于EMD分解的各层IMF分量的频率逐层减小,它们的频率有效度也各不相同,因而通过设定频率有效度Ei的值可以选取不同的前若干个IMF分量。
[0027] 步骤(3).将步骤(2)获取的肌电信号进行特征提取,求取其样本熵作为肌电信号特征。
[0028] 所述样本熵,具体算法如下:
[0029] 样本熵是在近似熵的基础上,Richman提出的一种改进的时间序列复杂度测量方法。本发明采用了快速样本熵,其计算步骤如下:
[0030] (1)设有效肌电信号时间序列{xi}含有N个数据,分别为x(1),x(2)…x(N)。
[0031] (2)将序列{xi}按顺序组成一组m维矢量,
[0032] X(i)=[x(i),x(i+1),…,x(i+m-1)] (5)
[0033] 式中,i=1~N-m+1;
[0034] 矢量X(i)与X(j)之间的距离dis[X(i),X(j)]用分量间的最大欧氏距离表示,即[0035]
[0036] (3)定义N×N的二值距离矩阵为D,D的第i行第j列为dij,给定阈值r(r>0),则:
[0037]
[0038] (4)利用矩阵中的元素计算 和
[0039]
[0040]m+1
[0041] (5)求所有的 的平均值记为Bm(r)及 的平均值B (r),
[0042]
[0043]
[0044] (6)肌电信号时间序列{xi}的样本熵可表示为:
[0045] SampEn(N,m,r)=-ln[Bm+1(r)/Bm(r)] (12)
[0046] 样本熵值显然与嵌入维数m和相似容限r的取值有关,在一般情况下,m取1或2,r取0.1~0.25倍的数据标准差。m的取值越大,算法所需要的数据量越大,计算时间也就越长;r取值越大,时间序列的细节信息损失越多,r取值越小,噪声对结果的影响越显著。
[0047] 步骤(4).以步骤(3)所求得的样本熵作为特征向量输入基于主轴核聚类算法的聚类分类器,获得识别结果。
[0048] 根据肌电信号样本熵分布特征,本发明设计了一种基于样本和核的相似性度量的算法—主轴核聚类算法,该算法用一个聚类主轴作为一类的代表,不仅能对类的自然分布为球状或接近球状的样本作有效分类,还能够对一些分布为非球状的样本尤其是那些椭球或近似椭球状的样本作出更有效的分类,算法思想简便,容易实现。
[0049] 设一个d维矢量样本集X={x1,x2,…xn},类别数为c,定义主轴核函数为:
[0050]
[0051] 式中: 设wj为第j类的子集,则 为子集wj的均值, 为wj的协方差矩阵,轴 是样本协方差矩阵 的dj个最大特征值所对应的本征向量系统,其中dj表示j类动作的维数。
[0052] 任一样本x与一个轴Uj之间的相似程度可以用x与wj类主轴之间的欧氏距离的平方来度量:
[0053]
[0054] 式中 是wj类样本的均值向量。
[0055] 任一样本与某个类主轴的欧氏距离不受特征量纲选取的影响,并且平移不变,而且也反应了特征的相关性。通过对训练数据的聚类分析,用已知动作训练集分别求取的每个动作的主轴核函数为相应类的聚类主轴,每个聚类主轴都是一个d维矢量。如果给定矢量属于第j类,那么它到第j类聚类主轴的欧氏距离最小;因此,如果要判定矢量属于哪一类,只要计算它到哪一类聚类主轴的欧氏距离最小即可。
[0056] 本发明与已有的诸多手部肌电信号动作识别方法相比,具有如下特点:
[0057] 样本熵能够从较短的时间序列中揭示动作表面肌电信号的复杂性,很好的表现肌电信号的细微变化情况,抗干扰能力强,算法简单,计算速度较快,特别适合肌电信号的实时处理。而对sEMG信号进行EMD分解后,依据频率有效度的方法选取包含肌电信号主要信息的若干个IMF分量进行迭加作为肌电信号,求其样本熵来进行复杂度分析的方法,很好的去除了肌电信号中的冗余信息,能够得到更好的样本熵特征分布,最后根据样本熵分布的特点,利用主轴核聚类分类器对四类前臂动作进行分类,取得了较为理想的效果。