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(jīng)肌肉活動發(fā)放的生物電信號[1]。隨著檢測技術(shù)、信號處理技術(shù)和模式識別技術(shù)的長足發(fā)展，國內(nèi)外學(xué)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(xiàn)[3]采用一種自適應(yīng)神經(jīng)模糊推理系統(tǒng)識別手部動作命令且動作識別率達(dá)到92%[3]；參考文獻(xiàn)[4]采用主成分分析提取SEMG信號的特征參數(shù)，進(jìn)而識別手部動作。參考文獻(xiàn)[5]采用小波變換和AR模型對SEMG進(jìn)行分析處理，利用RBF神經(jīng)網(wǎng)絡(luò)對SEMG信號進(jìn)行模式識別，動作識別率85%[5]；參考文獻(xiàn)[6]采用4通道采集SEMG信號，利用小波變換和BP神經(jīng)網(wǎng)絡(luò)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(shù)過高、數(shù)據(jù)冗余度大，分類器復(fù)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(jī)相結(jié)合的新方法。通過SEMG信號對前臂動作識別進(jìn)行研究，研究表明，該方法魯棒性好，成功實(shí)現(xiàn)了對前臂4種不同動作的模式分類。

1 SEMG信號采集系統(tǒng)平臺設(shè)計(jì)

　　整個(gè)系統(tǒng)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(jì)算機(jī)系統(tǒng)組成[8]。SEMG信號采集系統(tǒng)框圖如圖1所示。

　　在實(shí)驗(yàn)室條件下，用儀表放大器INA128和運(yùn)算放大器LM324，設(shè)計(jì)了一套差分輸入SEMG信號采集與調(diào)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(diào)理電路的放大倍數(shù)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(shí)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(chǔ)上將頻帶進(jìn)行多層次劃分，對小波分析沒有細(xì)分的高頻部分進(jìn)一步分解，根據(jù)信號特征，選擇相應(yīng)頻帶，達(dá)到與信號頻譜相匹配，提高時(shí)-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(shù)d計(jì)算出下一層尺度j+1下的系數(shù)d，即：

　　2.2 核主元分析

　　核主元分析(KPCA)多用于統(tǒng)計(jì)領(lǐng)域，它是常用的數(shù)據(jù)壓縮方法之一，采用KPCA能夠達(dá)到用較少的特征量對數(shù)據(jù)樣本進(jìn)行描述，實(shí)現(xiàn)了降低空間維數(shù)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(yùn)算量大大降低[11]。

　　設(shè)SEMG數(shù)據(jù)的特征總數(shù)目為M，樣本個(gè)數(shù)為N，樣本空間X=[x1,x2,…,xM]，經(jīng)KPCA處理后的矩陣為V。具體的 KPCA 分析步驟如下：

　　(1) 選取多項(xiàng)式核作為核映射函數(shù):

　　(2) 求在核空間下的協(xié)方差矩陣D:

　　對每一維m=1,2,…,M計(jì)算經(jīng)驗(yàn)均值，將計(jì)算得到的均值放入M×1維的經(jīng)驗(yàn)均值向量um中:

　　(3) 計(jì)算協(xié)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(gè)主元，根據(jù)式(6)計(jì)算主元的比率Z，按照比率大于等于95%，選取前P(P<M)個(gè)對偏差貢獻(xiàn)大的主元構(gòu)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(shí)現(xiàn)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(jīng)L層小波包變換(WPT)得到各個(gè)尺度下的小波系數(shù)的均方根 D1，D2，…，D，構(gòu)成小波系數(shù)特征矩陣y1、y2。各個(gè)尺度下的小波系數(shù)均方根為：

　　其中j=1,2,…,2L， dj,i為第j尺度下的數(shù)據(jù)，N為該段的采樣點(diǎn)數(shù)，這里選取N為100。

　　(2)將y1、y2經(jīng)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(yùn)動特征矩陣Y。得到運(yùn)動特征矩陣Y后進(jìn)行后續(xù)的動作識別。

　　4 基于SVM的SEMG信號動作識別

　　支持向量機(jī)(SVM)是統(tǒng)計(jì)學(xué)習(xí)理論發(fā)展的產(chǎn)物，其基本思想是將低維輸入空間中的數(shù)據(jù)通過非線性函數(shù)映射到高維屬性空間，將分類問題轉(zhuǎn)化為屬性空間中進(jìn)行，在屬性空間中求取樣本最優(yōu)分類面[12]。SVM算法克服了傳統(tǒng)統(tǒng)計(jì)學(xué)中經(jīng)驗(yàn)風(fēng)險(xiǎn)與期望風(fēng)險(xiǎn)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(qiáng)的泛化能力[13]。SVM通過構(gòu)造最優(yōu)超平面，在滿足經(jīng)驗(yàn)風(fēng)險(xiǎn)最小的條件下使得VC(Vapnik和Chervonnenkis)維置信范圍最小。最優(yōu)超平面的構(gòu)造問題實(shí)質(zhì)上是約束條件下求解一個(gè)二次規(guī)劃問題，以得到一個(gè)最優(yōu)分類函數(shù)：

　　其中ai*是拉格朗日系數(shù)，b*是閾值，Xi是第i個(gè)訓(xùn)練樣本，X是測試樣本，n為總體訓(xùn)練樣本數(shù)，K(Xi·X)為滿足Mercer條件的核函數(shù)。使用核函數(shù)能夠避免高維屬性空間中的直接運(yùn)算，大大降低了運(yùn)算量。一般應(yīng)用較多的核函數(shù)有下面4種：線性核函數(shù)、多項(xiàng)式核函數(shù)、RBF核函數(shù)和多層感知器核函數(shù)。此算法選用RBF函數(shù)作為核函數(shù)。

　　SVM多類分類器的基本構(gòu)造方法是通過組合多個(gè)二值分類器來實(shí)現(xiàn)的。具體的構(gòu)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(shè)計(jì)一個(gè)SVM分類器，通過設(shè)計(jì)k(k-1)/2(k為類別數(shù))個(gè)SVM分類器，設(shè)分類函數(shù)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(shí)，通過比較哪一類得票數(shù)最多，就把測試樣本歸于該類。在一對多的方法中，需要構(gòu)造k個(gè)SVM分類器，對于第i個(gè)SVM分類器，將第i個(gè)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(fù)類)，決策時(shí),將待測樣本x依次輸入到各個(gè)SVM分類器中,比較哪一個(gè)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(shí)現(xiàn),因此選用一對一的SVM分類器來構(gòu)造多類分類器。

5 實(shí)驗(yàn)結(jié)果分析

　　將差分式肌電信號采集電極粘貼在受試者的尺側(cè)腕屈肌和肱橈肌對應(yīng)的皮膚表面上，選取橈腕關(guān)節(jié)處的皮膚表面作為參考點(diǎn)接地，以消除共模信號。設(shè)置采樣頻率為2 000 Hz，當(dāng)手部做握拳、展拳、手掌內(nèi)翻和手掌外翻四種動作時(shí)，同時(shí)采集尺側(cè)腕屈肌和尺側(cè)腕伸肌兩路SEMG信號。每種動作采集5 s。前2.5 s作為訓(xùn)練樣本，后2.5 s作為測試樣本，則訓(xùn)練樣本和測試樣本都是5 000個(gè)數(shù)據(jù)。以100個(gè)數(shù)據(jù)為子樣本，每種動作有50組數(shù)據(jù)。

　　針對手部動作的SEMG，采用db08小波基，對預(yù)處理后的兩路肌電信號進(jìn)行3層小波包分解，得到各個(gè)尺度下的小波系數(shù)矩陣。圖4為握拳動作時(shí)，肱橈肌SEMG信號的3層小波包分解圖，經(jīng)小波包3層分解后得到8維小波系數(shù)矩陣。

　　由圖4可知，兩路SEMG信號經(jīng)小波包分解后構(gòu)成16維的小波系數(shù)矩陣。采用KPCA分別對兩路SEMG信號的小波系數(shù)矩陣進(jìn)行降維，去除數(shù)據(jù)間的冗余。圖5所示為肱橈肌和橈側(cè)腕屈肌的8維小波系數(shù)矩陣經(jīng)KPCA后的各主成分解釋方差貢獻(xiàn)率。

　　從圖5可以看出，經(jīng)WPKPCA的橈側(cè)腕屈肌和肱橈肌的SEMG小波系數(shù)矩陣中，主元1與主元2的累積貢獻(xiàn)率分別為98.42%和99.26%，其他6個(gè)主元的累積貢獻(xiàn)率不到2%，因此將后6個(gè)主元忽略，從而將16維的小波系數(shù)矩陣降至4維，得到運(yùn)動模式矩陣。將運(yùn)動模式矩陣輸入到SVM分類器中，其分類結(jié)果如表1所示。

　　從表1可以看出， LDA分類器分類結(jié)果中內(nèi)翻和展拳的正確識別率可達(dá)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(shí)域參數(shù)平均絕對值(MAV)和AR系數(shù)4種特征提取方法在LDA分類器中的分類結(jié)果。

　　從表2可以看出,SVM作為分類器時(shí)，選取WPKPCA對SEMG信號進(jìn)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(xì)節(jié)信息，與SVM分類器結(jié)合有更好的識別效果。采用SVM、K近鄰、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)對WPPCA獲取的運(yùn)動模式特征矩陣進(jìn)行動作識別，其分類結(jié)果如表3所示。

　　從表3可得，在應(yīng)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(jié)合的方法更能準(zhǔn)確地識別手部不同的運(yùn)動狀態(tài)。

　　通過采集橈側(cè)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(nèi)翻和手掌外翻)，采用小波包變換對SEMG信號進(jìn)行分析，將各頻段的子帶均方根作為每個(gè)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(dá)能力。運(yùn)用SVM分類器對所取特征進(jìn)行訓(xùn)練和分類時(shí)，取得優(yōu)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(shí)驗(yàn)表明，運(yùn)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(dá)到98％。

參考文獻(xiàn)

　　[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(xué)報(bào),2011,25(9):770-774.

　　[6] 侯秀麗, 宋愛國. 基于小波變換與BP網(wǎng)絡(luò)的四通道表面肌電信號模式識別[J].儀器儀表學(xué)報(bào),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(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng),2012,31(4):75-78.

　　[8] 張兢,盧鳳蘭,余成波.基于DAQ數(shù)據(jù)采集卡的虛擬儀器通用硬件平臺設(shè)計(jì)[J].重慶工學(xué)院學(xué)報(bào),2001,15(2):42-44.

　　[9] 陳珍萍. 基于自適應(yīng)提升小波變換的電能質(zhì)量檢測節(jié)點(diǎn)[J].電子技術(shù)應(yīng)用,2011,37(7):86-88.

　　[10] 左來. 基于小波包分析和LS-SVM的柴油機(jī)故障診斷方法[J]. 計(jì)算機(jī)測量與控制,2009,17(11):2150-2152.

　　[11] 周欣, 吳瑛. 基于KPCA和LDA的信號調(diào)制識別[J].系統(tǒng)工程與電子技術(shù), 2011,33(7):1611-1616.

　　[12]崔建國,王旭,李忠海,等．支持向量機(jī)在表面肌電信號模式分類中的應(yīng)用[J]. 東北大學(xué)學(xué)報(bào)(自然科學(xué)版), 2006,27(3):280-283.

　　[13]席旭剛,李仲寧,羅志增. 基于相關(guān)性分析和支持向量機(jī)的手部肌電信號動作識別[J].電子與信息學(xué)報(bào),2008,30(10) :2315-2319.