一种基于表面肌电信号的下肢动作识别分类方法

1.本发明属于肌电信号动作识别技术领域，是一种基于表面肌电信号进行 下肢动作识别分类方法。相比于其他肌电信号动作识别方法，该方法重点解 决以上识别过程中存在的复杂的降噪和滤波等预处理的问题。该方法使用滤 波后肌电信号进行包络线分析，并结合滑动窗口处理信号，对连续时间内的 信号进行分割，来提取特征向量的方法进行识别，在数据集上取得了良好的 分类准确率。


背景技术：

2.表面肌电(surface electromyography，semg)信号是肌肉收缩时所产生的电 波动，既与肌肉本身的组织生理特性有关，也与神经控制系统有关，它反映 了神经肌肉的活动和功能状态。因此，肌电信号已广泛应用于生理医学、康 复医学及运动医学等领域的研究，并且成为驱动机器人、控制假肢运动以及 功能性电刺激的理想控制信号。semg在测量上具有非侵入性、无创伤、操 作简单等优点。因而，semg在临床医学、康复医学以及体育科学等方面均有 重要的实用价值，并且semg是目前唯一能够让康复医生在动态情况下研究 患者肌肉功能实际情况的手段。近年来，随着人工智能的发展也为基于肌电 信号的动作识别研究提供了可靠的技术手段。
3.(1)现有技术存在以下缺点：
4.(2)传统的识别方法准确率跟肌电信号的预处理过程关系非常密切，但 是降噪过程是一个非常困难且复杂的过程。
5.(3)基于肌肉电信号的下肢动作识别的研究中，对于如何更加准确的计 算出肌电信号的特征值，到如何选取分类器和优化模式识别分类器的性能等 方面，还存在很多需要改进方面。比如肌肉电信号特性的研究，肌肉电信号 具有一种非稳定性和非线性的特点，导致分类模型和分类对象不一致的问题， 往往会忽略肌电信号最基本的生理信息，因此需要更加有效的方法来提取隐 藏的细节信息。


技术实现要素：

6.本发明的目的是针对现有技术方案的不足，提出了一种基于肌电信号 进行包络线分析来进行下肢动作识别的新方法。该方法主要是简化肌电信号 的预处理过程，提取有效频段范围内的信号信息，并提取信号的包络线。然 后再此基础上通过滑动窗口分割法进行特征提取和分类识别。同时，采用的 是含有两个隐含层的四层bp神经网络，以6通道的时域特征和频域特征的 融合特征向量作为输入，输入层的神经元数目与特征向量的维数一致。bp神 经网络具有较强的自适应学习能力，并且对信息采用分布式记忆，信息不易 丢失，具有良好的容错性和联想记忆能力。
7.本发明为解决其技术问题所采用的技术方案包括以下步骤：
8.步骤1、下肢表面肌电信号的采集：采用6通道电极帽采集受试者的下肢 肌电信号，采样率为2000hz的数据。
9.步骤2、下肢表面肌电信号的预处理：为加快计算速度，对步骤1采集的 肌电信号进行巴特滤波提取有效频段内的肌电信号、并利用陷波器去除50hz 及其倍频干扰信号、利用希尔伯特变换提取滤波后的肌电信号的包络线、肌 电信号取正便于后边滑动窗口分割处理、数据归一化等操作。
10.步骤3、滑动窗口分割处理：采用有重叠的滑动窗口法，在特定的小窗口 中提取特征变量，一方面可以降维，另一方面特征量相对原始数据更能体现 该段的特征。滑动窗口处理公式，如下：
[0011][0012]
其中，k表示信号通道；n表示滑动窗口长度；emg(i)表示滤波后的肌电 信号；f表示求取某种特征值函数，比如mav或者mf。
[0013]
步骤4、计算肌电信号的特征提取。肌电信号的非平稳随机性，不适合将 原始数据直接输入分类器进行训练和测试。一般情况下，与不同动作类型对 应的特征向量之间的差异越大，基于此特征向量训练获得模式分类器的识别 率越高。时域分析方面，绝对平均值(mav)可以反映出该段表面肌电信号 的平均强度和肌肉动作强度。频域分析方面，中值频率(mf)可以反映肌肉 收缩过程中电信号频率的中间值。所以选择时域特征绝对平均值mav和频域 特征中的中值频率mf，将时域特征和频域特征结合进行分类依据。
[0014]
步骤5、将绝对平均值和中值频率融合向量作为特征参数。时域特征容易 获得且计算量小，时间开销短，但是幅值变化大，波动性强，稳定性差。那 么结合频域特征就可以避免时域上的大量信息丢失。
[0015]
步骤6、定义bp神经网络模型结构：使用bp神经网络将肌电信号处理 后的样本数据输入模型中学习，训练模型参数。以时域、频域信号中的mav、 mf和融合特征作为模型的输入数据，输入层设置为m(m＝60)个神经元(6 通道)，输出层具有n(n＝6)个节点，根据经验公式：设置隐藏层神经元个数q(q＝10)。
[0016]
与已有技术相比，本发明的有益效果体现在：
[0017]
1、本发明提供了一种基于表面肌电信号的下肢动作识别分类方法，相比 于常规的使用人工神经网络仅使用肌电信号的过滤后的原始肌电信号进行分 类，该方法集成了避免了复杂的原始肌电信号的降噪和滤波过程，允许一定 频段的噪声存在，对滤波后肌电信号进行包络线分析，然后针对包络线利用 滑动窗口分割法进行特征提取，从而达到模型训练和分类识别。该方法使用 包络线法进行处理，使用时域特征和频域特征，以及时域和频域的融合特征 向量，并将特征向量输入到bp神经网络中学习时域和频域信息，训练得到时 域特征和频域特征的差异从而对不同的下肢动作进行分类。
[0018]
2、本发明为了在非平稳的肌电信号中尽可能保留人体运动信息，将一段 时间内的信号变化过程分割成几个微小的信号段，对于各信号段可能只有约 0.1-0.2s时间，在小的信号段内可以看成是一段相对稳定的信号，然后针对这 一小段过程进行各动作的信号检测和特征提取。选用有重叠的滑动窗口法， 在特定的小窗口中提取特征变量，逐个依次滑动处理。滑动平均处理，所有 的通道基本上可以实现对预处理后的肌电信号简约化，同时提取的特征也足 够用于分类判断，具有较好的分类效果。
附图说明
[0019]
图1为本发明具体实施方式的流程示意图；
[0020]
图2为本发明所使用的肌电采集的股直肌在平地行走时的semg图；
[0021]
图3为本发明滑动窗口分割法处理semg示意图；
[0022]
图4为本发明将semg进行特征提取后作为神经网络输入的信号图；
[0023]
具体实施方式
[0024]
本发明实施的具体流程如附图1所示，下面对具体的实施方式做详细描 述。
[0025]
步骤1、下肢表面肌电信号的采集：采用6通道电极帽采集受试者的腿部 semg，采样率为2000hz的数据。
[0026]
步骤2、肌电信号的预处理：为加快计算速度，对步骤1采集的肌电信号 进行巴特滤波提取有效频段内的肌电信号、利用陷波器去除50hz及其倍频干 扰信号、利用希尔伯特变换提取滤波后的肌电信号的包络线、肌电信号取正 便于滑动窗口处理、数据归一化等操作。
[0027]
步骤3、滑动窗口分割处理：参见图3，采用有重叠的滑动窗口法。主要 确定窗口大小n和窗口增量值m，然后利用滑动窗口处理公式，如下：
[0028][0029]
其中，k表示信号通道；n表示滑动窗口长度；emg(i)表示滤波后的肌电 信号；f表示求取某种特征值函数。
[0030]
步骤4、肌电信号的特征提取：在时域分析方面，主要包括绝对平均值 (mav)、均方根值(rms)、绝对值积分、过零点数、方差、willison幅值、 emg信号的时序模型以及emg直方图等。在频域分析方面，主要的分析方 法是对semg信号进行快速傅里叶转换，获得semg信号的频谱或功率谱， 它们可反映semg信号在不同频率分量的变化，故能较好地在频率维度上反 映semg的变化，常用的包括是肌电功率谱的均值频率(mpf)、倒谱系数和 中值频率(mf)。绝对平均值(mav)可以反映出该段表面肌电信号的平均 强度和肌肉动作强度。中值频率(mf)可以反映肌肉收缩过程中电信号频率 的中间值。
[0031]
步骤5、进行特征融合，将绝对平均值和中值频率两个特征值进行融合作 为特征参数。
[0032]
步骤6、定义bp神经网络模型结构：预处理完的样本数据输入到bp神 经网络模型中进行学习，不断训练模型参数，最大迭代次数1500次，最小梯 度变化1
×
10-10
。
[0033]
实施例1：
[0034]
1、肌电信号的采集：根据人体下肢肌肉分布图以及下肢动作和肌肉的对 应关系，本发明确定采集肌电信号的肌肉的种类分别是：股直肌、股二头肌、 半腱肌、胫骨前肌、外侧腓肠肌和内侧腓肠肌。肌肉对应通道分别为：通道1、 通道2、通道3、通道4、通道5、通道6。试验选择15个中国受试者(男性 7名，女性8名)，采集频率为2000hz，采集动作分别为在4km/h行走1分 钟、8km/h跑步1分钟、蹲起1分钟、5km/h上坡1分钟、5km/h下坡1分 钟以及上
下台阶5次。分别采集15个被试者6通道肌肉的肌肉电信号。
[0035]
2、肌电信号的预处理：人工去除20～450hz频段外的信号的干扰，对实 施1采集的肌电信号进行巴特沃斯带通滤波，提取20～450hz的肌电信号，陷 波器去除50hz及其倍频的干扰信号，然后在利用希尔伯特变换提取滤波后的 肌电信号的包络线，对提取的包络线的肌电信号进行取正处理和归一化操作。
[0036]
3、滑动窗口分割处理：采用有重叠的滑动窗口法，选择窗口增量12，在 120窗口大小的窗口中对时间段内的信号逐个滑动处理提取特征变量。滑动窗 口处理公式，如下：
[0037][0038]
其中，k表示信号通道；n表示滑动窗口长度；emg(i)表示滤波后的肌电 信号；f表示求取某种特征值函数
[0039]
步骤4、计算肌电信号的特征提取：绝对平均值和中值频率。其中：计算 绝对平均值的公式定义为如下：
[0040][0041]
其中,ns是semg通道总数，i为原始信号的采样点数，xi是某个信号肌 电信号数值。
[0042]
中值频率的公式为：
[0043][0044]
其中，fm是待求的中值频率，p(f)是肌电功率谱，可以通过快速傅里叶 转换，获得semg的功率谱。
[0045]
步骤5、将绝对平均值和中值频率进行特征融合，形成融合特征向量。
[0046]
步骤6、定义bp神经网络模型结构：将肌电信号处理后的样本数据输入 到bp神经网络模型中学习，模型中采用2层隐藏层，隐藏层中神经元个数分 别为12，8，最大迭代次数1500次，最小梯度变化为1
×
10-10
。
[0047]
步骤7、将测试样本输入到训练好的bp神经网络模型中，计算动作分类 识别准确率。
[0048][0049]
以上实施方式仅用于说明本发明，而并非对本发明的限制。本领域的技 术人员应当理解，对本发明的技术方案进行的各种组合、修改或者等同替换， 都不脱离本发明技术方案的范围，其均应涵盖在本发明的权利要求范围当中。