1、基于肌电复杂度和支持向量机的比例控制假手 席旭刚 杨晨 罗志增 张自豪 杭州电子科技大学智能控制与机器人研究所 摘 要： 为了提高肌电假手模式识别和速度比例控制准确率, 提出一种基于肌电复杂度特征和支持向量机的比例控制假手方法.提取能够表征动作复杂度的 Lempel-Ziv 复杂度和平均功率作为表面肌电特征, 输入支持向量机, 对握拳、伸拳、腕伸及腕屈四个动作进行识别, 同时通过三次样条插值方法对动作过程的肌电平均功率和动作速度进行拟合, 实现假手的速度比例控制.实验表明:该方法取得了 94.18%的动作模式平均识别率和 8%以内的比例控制误差.关键词： 表面肌电; 支持向量机; Lempel
2、-Ziv 复杂度; 比例控制; 假手; 作者简介：席旭刚 (1975-) , 男, 副教授, E-mail:.收稿日期：2017-03-30基金：国家自然科学基金资助项目 (61671197) Proportional control prosthetic hand based on electromyography complexity and support vector machineXi Xugang Yang Chen Luo Zhizeng Zhang Zihao Intelligent Control and Robotics Institute, Hangzhou Dianzi
3、 University; Abstract： In order to improve the accuracy of electromyography recognition and speed proportional control, aproportional control prosthetic hand based on EMG complexity and support vector machine (SVM) was proposed.The Lempel-Ziv complexity which could characterize the complexity of the
4、 action and the average power were extracted as the feature of surface electromyography.The support vector machine was employed to identify the four movements, which were hand close, hand open, wrist flexion and wrist extension.Meanwhile, the average power of the electromyography and the speed of mo
5、tion were fitted by cubic spline interpolation method to achieve the speed proportional control of the prosthetic hand.The experimental results show that the proposed method achieves 94.18%of action pattern recognition rate and smaller proportional control error of less than 8%.Keyword： surface elec
6、tromyography; support vector machine; Lempel-Ziv complexity; proportional control; prosthetic hand; Received： 2017-03-30肢体动作是在大脑指挥下, 经神经和肌肉共同作用的结果.表面肌电信号 (surface electromyography, sEMG) 是一种微弱的由肌肉收缩伴随产生的非平稳电信号, 包含着重要的神经肌肉信息, 被广泛地应用于人机接口1-2、康复医学等诸多领域中, 而且成为控制人工假手的理想信号3-5.目前智能肌电假手研究主要集中于肌电信号采样频率和窗口大小对
7、分类器的影响6-7、肌电信号滤波噪声消除算法8-10等.文献11-12提出不同的特征提取方法, 选择理想的模式识别分类器, 以此来提高肌电假手的动作模式识别率.目前, 对于智能肌电假手动作速度控制方面的研究很少, 因此根据肌电信号动作的特点, 提取理想的特征信息、建立控制肌电假手动作速度的模型, 是一个值得重视的研究方向.本研究从肌电信号的产生机理出发, 选择能够表征肌肉活动强弱的平均功率和动作复杂度的 Lempel-Ziv 作为特征, 使用 SVM (支持向量机) 模式分类器对握拳、伸拳、腕伸、腕屈四个动作做出判别, 利用自然三次样条插值函数对假手动作进行拟合, 建立比例控制模型, 达到肌电
8、假手动作速度比例控制的目的.1 系统方案与算法1.1 系统方案本研究的肌电假手系统如图 1 所示.选定前臂的尺侧腕伸肌和桡侧腕屈肌作为表面肌电信号的拾取肌肉, 通过在这两块肌肉处安放 sEMG 电极, 肌电信号经过放大、滤波、A/D 转换后输入嵌入式系统, 嵌入式系统对输入的信号提取特征, 完成对伸拳、握拳、腕伸、腕屈四个动作的模式识别, 根据识别结果将平均功率代入相应的动作速度拟合方程得出动作速度, 将速度值转化为对应的 PWM (脉冲宽度调制) 占空比控制两个驱动电路完成相应的动作, 实现肌电假手的实时比例控制.表面肌电信号特征选用 Lempel-Ziv 复杂度指标和平均功率 (avera
9、ge power, AP) , 用支持向量机作为分类器.与肌电假手动作速度相关的特征量由表面肌电信号的平均功率给出.图 1 肌电假手系统 下载原图1.2 Lempel-Ziv 复杂度Lempel-Ziv 复杂度是一种表征时间序列里出现新模式速率的方法, 用于计算随机序列的随机程度, 新模式出现速率越大说明动力学行为越复杂.研究者通常用Kaspar 和 Schuster 提出的算法计算此复杂度的值.归一化随机信号序列复杂度c (n) 为式中:n 为随机信号序列元素的个数;m 为随机序列中出现的新模式的个数;k 为粗粒化尺度 (粗粒化中常用的方法为二值化处理, 即取 k=2) .1.3 肌电信号平
10、滑窗平均功率由于采集到的肌电信号存在尖脉冲, 直接取信号的平均功率不能很好地反映肌电信号的真实情况, 因此首先对采集到的信号进行平滑窗 (smoothing windows) 滤波, 然后取平均功率, 平滑窗肌电信号平均功率 (smoothing window signal average power, SWAP) Psws定义为式中:y (j) (j=1, 2, , N) 为采集到的动作信号;L 为平滑窗的窗口长度.1.4 支持向量机支持向量机的主要思想是通过非线性变化将输入空间变换到一个高维空间, 然后建立一个分类超平面作为决策面, 使得两类间隔离边缘最大化.算法所寻求的最优分类超平面实质
11、是一个求解在约束条件下的二次规划问题, 判别函数为式中:n 1为训练样本的总数; i为最优分类面的权系数向量分量;y i为类别标号, yi+1, -1;x i为第 i 个训练样本;x 为测试样本集;b 为分类的阈值;K (x i, x) 核函数满足 Mercer 条件.2 肌电信号特征提取实验2.1 实验过程采用内置 10500 Hz 带通滤波器的表面肌电采集仪采集表面肌电信号.主操作者为 25 岁, 是体重为 85kg, 身高为 182.0cm 的健康男性, 先用酒精擦拭尺侧腕伸肌与桡侧腕屈肌皮肤表层, 增强肌电信号的提取能力, 减少干扰, 将两路sEMG 电极贴附于上述两块肌肉处.肌电信号
12、的记录频率为 1.0kHz, 测试者经过训练后分别完成握拳、伸拳、腕伸、腕屈四类动作, 每类动作重复 60 次.图 2为采集到的握伸拳动作两路肌电信号, 图中:A 为幅值;t 为时间.为了排除非实验要求肌肉疲劳的影响, 要求测试者在 24h 内不做剧烈运动, 进行上述实验.图 2 握伸拳动作表面肌电信号 下载原图2.2 Lempel-Ziv 复杂度特征提取Lempel-Ziv 复杂度的计算首先要对原始信号进行粗粒化, 二值化处理是目前常用的方法.二值化处理存在一定缺陷, 按照幅值对原始信号进行划分, 将丢失许多原始信号的细节信息, 造成过分粗粒化.为了克服这一弊端, 文献13提出将序列划分为多
13、个区域, 可以在二值化后的序列中体现出细节信息, 并可以改变所分区域的大小从而改变二值化尺度.本研究采用在二值化处理的基础上, 对大于和小于均值的区间重新进行划分, 把序列分成两个区域, 在每个区域分别用同样的二值化方法进行划分, 即把肌电信号划分为四个区域.将肌电信号粗粒化的结果用 0 或 1 二进制数进行编码.第一位数据表示区域 1 中的判别结果, 大于均值的用 1 表示, 反之用 0 表示, 同理在区域 2 中可以得到第二位数据的判别结果, 将得到的两位二进制数转化为用 03 表示的形式.按如下步骤计算复杂度.a.对原始信号按照上述粗粒化方法进行多尺度粗粒化.b.按照 Kaspar 和
14、Schuster 提出的算法计复杂度.对尺侧腕伸肌和桡侧腕屈肌各取 60 组四类动作数据计算复杂度.2.3 肌电信号特征提取实验结果通过实验发现:平滑窗平均功率的大小受窗口大小的影响, 在大量实验数据的基础上选择窗口长度 L=200.对尺侧腕伸肌和桡侧腕屈肌各取 60 组四类动作数据计算复杂度和平滑窗平均功率, 结果如表 1 所示, 表中数值为均值标准差的形式, n=60.表 1 复杂度和平滑窗平均功率计算结果 下载原表 肌电信号的平均功率是表征肌肉活动强弱的主要指标, 为实现肌电假手动作速度比例控制, 对肌电信号的平均功率做进一步研究, 测定了不同动作速度下尺侧腕伸肌和桡侧腕屈肌的平均功率.
15、图 3 和 4 给出了尺侧腕伸肌和桡侧腕屈肌的伸握拳速度的归一化平均功率曲线, 图中:v 1为伸拳速度, v 2为握拳速度, 分别为实验者手的长度 (14cm) 与张开或合拢所用时间的比值;P n1和 Pn2为对应的归一化平均功率值.由图 3 可以看出:当伸拳时, 伸拳速度和表面肌电信号的 SWAP近似为线性关系, 尺侧腕伸肌采集到的数据能够很好地反映伸拳速度与表面肌电信号 SWAP 的关系, 而桡侧腕屈肌在握拳的过程中变化十分微弱, 与文献14所得肌肉活动强度与肌电信号平均功率的关系曲线形态相似.由图 4 同样可以看出桡侧腕屈肌能够很好地反应握拳速度与表面肌电信号 SWAP 的关系.图 3
16、伸拳速度与平均功率 下载原图1尺侧腕伸肌;2桡侧腕屈肌 (下同) .图 4 握拳速度与平均功率 下载原图3 模式识别及肌电假手比例控制实验3.1 模式识别表面肌电信号的 Lempel-Ziv 复杂度和平均功率构成了四维特征向量, 将上述提取到的伸拳、握拳、腕屈、腕伸每个动作 60 组数据中的随机 30 组数据作为训练集, 剩余的 30 组数据作为测试集输入支持向量机.首先将同样的特征数据输入不同的核函数 (多项式核函数、径向基核函数、Sigmoid 核函数) 的支持向量机分类器进行试验, 试验结果显示径向基核函数的分类效果明显优于其余两种, 因此采用径向基核函数设计支持向量机分类器.在选定核函
17、数后, 还涉及到对控制错分样本惩罚程度的可调参数 C 和核函数中待定系数 的选择, 这两个参数在一定程度上直接影响最终的分类效果.本研究通过选定一定数据范围, 在该范围里, C 和 以固定步长逐渐增大, 根据计算的分类准确率来确定最佳的 C 和 .3.2 肌电假手比例控制上述研究表明表面肌电信号的平均功率是肌电假手速度比例控制的理想输入量.为了根据表面肌电信号的平均功率控制肌电假手的动作速度, 对图 3 和 4 中的数据进行拟合, 建立伸、握拳速度模型.在曲线插值拟合中, 线性插值、样条插值、立方插值是常用的插值方法.然而, 线性插值是最常用的曲线拟合方法, 它是预估两插值点间数值最易实现的方
18、法, 但线性插值曲线有不能显示连接两插值点间的凸状弧线, 估计远端曲线时会出现人为的“尖头”等缺点, 故更多地采用样条法来构造曲线, 三次样条是最常用的样条差值法.本研究选用最小二乘法和三次自然样条来对伸握拳过程进行拟合, 具体过程如下.a.设拟合曲线 v (s) =bs-cs+d 为操作者肌电信号 SWAP 与操作速度之间的关系, 其中:s 为归一化的 SWAP;v 为操作者速度;b, c 和 d 为待求系数.采用最小二乘法拟合, 伸拳过程尺侧腕伸肌与握拳过程桡侧腕屈肌的函数关系分别为:b.设表示 SWAP 与速度的三次自然样条函数为 v (s) =as+bs+cs+d, 其中 a 为待求系
19、数.伸拳过程尺侧腕伸肌与握拳过程桡侧腕屈肌的函数关系分别为:握拳过程拟合效果与伸拳类似, 为了比较两种插值方法的优劣, 将不同于上述插值点伸握拳速度对应的归一化 SWAP 代入上述两种插值方法建立的模型, 估计该点数据的误差.3.3 模式识别和比例控制实验结果表 2 显示了运用本研究所提出的 SVM 模式分类器的识别结果.平均识别正确率达到 90%以上, 满足本系统的要求.表 2 SVM 识别结果 下载原表 将所提取到的特征向量输入到常用的神经网络分类器进行比较, 识别效果见表3.可以看出本研究提出的 SVM 分类器分类效果明显优于传统的神经网络分类器.表 3 不同分类器的识别结果 下载原表
20、用最小二乘法和三次自然样条对伸握拳过程进行拟合, 伸拳过程拟合效果如图5 所示.两种拟合方法误差估计结果如表 4 和 5 所示.通常以绝对误差 E 及均方根误差RMSE作为检验标准.由表 4 和 5 可知三次样条插值的误差小于最小二乘法插值法, 显然拟合结果要比最小二乘法好, 由图 5 也可以看出:三次样条插值法拟合的曲线更加平滑, 更接近真实的观测数据.图 5 伸拳过程拟合结果 下载原图1原始数据;2三次样条;3最小二乘法.表 4 握拳两种插值法误差估计结果 下载原表 表 5 伸拳两种插值法误差估计结果 下载原表 4 软硬件实现为了验证本研究所提出的肌电假手比例控制方法的实用性, 搭建了基于
21、嵌入式的假手控制实验系统, 由 sEMG 传感器将肌电信号导入嵌入式硬件平台, 经串口软件 DNW 输入 Linux 虚拟机, 最终控制多自由度假手.假手控制实验系统的嵌入式硬件平台主要包括串口、J-TAG 下载调试口、以太网接口、电源转换电路、肌电信号 A/D 采集、滤波放大电路及直流电机比例控制电路等.软件部分主要包括:Linux 内核移植、配置和编译;各硬件功能模块驱动程序的编写与加载;本研究所提出的肌电信号特征提取、模式分类以及直流电机控制算法的软件实现.通过在搭建的平台上进行测试, 伸拳、握拳、腕伸、腕屈四个动作的平均识别率达到 88%, 比算法在 PC 端的平均识别率 (94.18
22、%) 略低.实际伸握拳速度误差在 8%以内, 在能承受的范围之内.5 结语用表面肌电信号的平均功率与 Lempel-Ziv 复杂度作为特征, 并在一定数据范围内以固定步长逐步增加参数值, 寻找最佳的参数, 将平均功率和 Lempel-Ziv 复杂度组成的四维特征向量输入到支持向量机, 对伸拳、握拳、腕伸和腕屈均取得了 90.0%以上的平均识别率, 明显高于传统神经网络的识别率.用三次自然样条函数对动作过程进行建模, 很好地逼近了真实的动作过程, 实现了对肌电假手的比例控制.搭建的基于嵌入式平台的假手控制实验系统也表明了本研究所提出的肌电假手比例控制的方案能够有效地实现假手的比例控制, 为后续更
23、多自由度肌电假手比例控制的研究奠定了基础.参考文献1JarrassN, Nicol C, Touillet A, et al.Classification of phantom finger, hand, wrist, and elbow voluntary gestures in transhumeral amputees with sEMGJ.IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2017, 25 (1) :71-80. 2Leonardis D, Barsotti M, Loconsole
24、C, et al.An EMG-controlled robotic hand exoskeleton for bilateral rehabilitationJ.IEEE Transactions on Haptics, 2015, 8 (2) :140-151. 3Stango A, Negro F, Farina D.Spatial correlation of high density EMG signals provides features robust to electrode number and shift in pattern recognition for myocont
25、rolJ.IEEE Transactions on Neural Systems&Rehabilitation Engineering, 2015, 23 (2) :189-198. 4Ortiz-Catalan M, Hakansson B, Branemark R.Realtime and simultaneous control of artificial limbs based on pattern recognition algorithmsJ.IEEE Transactions on Neural Systems and Rehabilitation Engineering, 20
26、14, 22 (4) :756-764. 5Duan F, Dai L, Chang W, et al.sEMG-based identification of hand motion commands using wavelet neural network combined with discrete wavelet transformJ.IEEE Transactions on Industrial Electronics, 2016, 63 (3) :1923-1934. 6Subramanian S, Hashemi H.Reconfigurable quantization of
27、oversampled signals under discrete-time filteringJ.IEEE Transactions on Circuits and Systems I:Regular Papers, 2014, 61 (11) :3193-3205. 7Ma K, Fan L, Zhang S.Compact multilayer selfpackaged filter with surface-mounted packagingJ.Electronics Letters, 2015, 51 (7) :匀564-566. 8罗志增, 李文国.基于小波变换和盲信号分离的多通
28、道肌电信号处理方法J.电子学报, 2009, 37 (4) :823-827. 9Romero F, Alonso F J, Cubero J, et al.An automatic SSA-based de-noising and smoothing technique for surface electromyography signalsJ.Biomedical Signal Processing and Control, 2015, 18 (4) :317-324. 10席旭刚, 武昊, 罗志增.基于 EMD 自相关的表面肌电信号消噪方法J.仪器仪表学报, 2014, 35 (11)
29、:2494-2500. 11Ding Q, Han J, Zhao X, et al.Missing-data classification with the extended full-dimensional gaussian mixture model:applications to EMG-based motion recognitionJ.IEEE Transactions on Industrial Electronics, 2015, 62 (8) :4994-5005. 12丁其川, 熊安斌, 赵新刚, 等.基于表面肌电的运动意图识别方法研究及应用综述J.自动化学报, 2016, 42 (1) :13-25. 13罗志增, 曹铭.基于多尺度 Lempel-Ziv 复杂度的运动想象脑电信号特征分析J.传感技术学报, 2011, 24 (7) :1033-1037. 14Fleischer C, Hommel G.A human-exoskeleton interface utilizing electromyographyJ.IEEE Transactions on Robotics, 2008, 24 (4) :872-882.
