肌電圖EMG(electromyography)是研究或檢測肌肉生物電活動，借以判斷神經(jīng)肌肉系統(tǒng)機(jī)能及形態(tài)學(xué)變化，并有助于神經(jīng)肌肉系統(tǒng)的研究或提供臨床診斷的科學(xué)。肌電信號(EMG)發(fā)源于作為中樞神經(jīng)一部分脊髓中的運(yùn)動神經(jīng)元，是電極所接觸到的許多運(yùn)動單元發(fā)放的動作電位的總和，反映了神經(jīng)肌肉的活動、功能狀態(tài)^[1]。表面肌電信號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。肌電信號不僅在臨床醫(yī)學(xué)、運(yùn)動學(xué)等領(lǐng)域被廣泛應(yīng)用，而且研究證實肌肉關(guān)節(jié)內(nèi)的生理肌電信號存在著相應(yīng)的語音信息^[2～3]。不同的肌肉運(yùn)動模式是由不同的肌群收縮產(chǎn)生的，其所伴隨的表面肌電信號是不同的。而發(fā)音時肌肉對應(yīng)著不同的運(yùn)動模式，完全有可能從不同的表面肌電信號特征中找到對應(yīng)的肌肉動作模式。隨著信號處理方法和計算機(jī)技術(shù)的發(fā)展，如何從生理肌電信號中識別出語音信號，已引起越來越多人的關(guān)注。
　　以前有些用肌電信號識別語音的研究，研究目的是使用肌電信號作為輸入來彌補(bǔ)語音信息。肌電語音識別系統(tǒng)與常規(guī)語音識別標(biāo)準(zhǔn)相比，識別準(zhǔn)確度較差，但準(zhǔn)確度遠(yuǎn)高于隨便猜測的準(zhǔn)確度。這表明在肌肉關(guān)節(jié)內(nèi)的生理肌電信號存在著語音信息。語音識別中使用肌電信號的優(yōu)點(diǎn)是能夠幫助發(fā)音障礙者交流；且信號不受聲音噪聲干擾；還有一些字在聲學(xué)上發(fā)音相似，但說話方式和嘴的位置不同，在表面肌電信號中信號的特征是有區(qū)別的。這意味著肌電信號能用來區(qū)別聽起來相似的字。Day^[3]研究表明，識別準(zhǔn)確度在聽起來相似和不相似的詞匯中保持相同。使用面部肌電信號的語音識別系統(tǒng)一個應(yīng)用是幫助操作高性能飛機(jī)的飛行員，一旦系統(tǒng)識別出飛行員講的話，能使用信息控制設(shè)備，如顯示器、雷達(dá)、無線電通信和飛行導(dǎo)航，但飛行艙內(nèi)是高噪聲的環(huán)境，聲學(xué)噪聲能掩蓋飛行員的所有口頭講話，嚴(yán)重降低了常規(guī)的語音識別系統(tǒng)的準(zhǔn)確度和性能，在飛行艙內(nèi)使用面部肌電信號能提高語音識別性能。
　　本文使用表面肌電信號(EMG)的語音信號識別系統(tǒng)改善噪聲條件下的聲音性能或幫助發(fā)音障礙的人。有些人發(fā)音有障礙，但講話時面部肌肉與正常人有同樣的動作模式，這樣使用表面肌電信號能幫助這些發(fā)音障礙的人發(fā)出簡單的指令，用來交流。
1 原理和方法
　　本研究只使用肌電信號的信息識別孤立的單詞、(0～9)十個數(shù)字。使用腦電圖儀EEG-1100K(electroencephalograph, EEG)采集肌電信號，采用雙極導(dǎo)聯(lián)模式，采樣頻率1000Hz。使用(0～9)十個單詞做試驗。在實驗中，受試者每10s重復(fù)詞匯表中的單詞，每個單詞重復(fù)10次。受試者以相似的方式重復(fù)講每個單詞，保持音量和語速最小變化。

　　表面肌電信號從五組面部肌肉中采樣，五路信號如圖1所示。提肌口(LAI)、顴肌部分(ZYG)、頸闊肌(PLT)、壓板口(DAO)、二腹的前面腹部(ABD)。使用五對表面電極采集肌電信號，每個電極用電極膏改進(jìn)電極—皮膚界面，降低電阻。參考電極放在鼻根部。圖2是部分?jǐn)?shù)字(0~3)的五路肌電信號(通道LAI、ZYG、PLT、DAO、ABD)時序圖。
　　肌電信號分析，首先對采集的信號進(jìn)行預(yù)處理，端點(diǎn)檢測。再使用短時傅里葉變換(STFT)處理數(shù)據(jù)，提取特征量。通過主成分分析(PCA)減少這些特征集系數(shù)的維度。5個肌電通道每個都保留6個PCA系數(shù)，這樣一共有30個特征量。使用線性判別分析分類器分類(0～9)十個數(shù)字。表面肌電信號中語音識別系統(tǒng)的構(gòu)成如圖3所示。

2 特征量提取
　　肌電信號本質(zhì)上是具有非平穩(wěn)特性的生理電信號，時頻分析是研究非平穩(wěn)信號的一種有效方法。該方法在時頻面上表述信號的時變特征，能夠更清晰地反映出信號的頻率特性隨時間的變化。本研究使用短時傅里葉變換方法對講不同詞的肌電信號進(jìn)行分析，由于變換后特征向量" title="特征向量">特征向量的維度很高，為了成功的分類需要采用合適的降維方法，本文通過主成分分析PCA(Principal Component Analysis)減少這些特征集系數(shù)的維度。
2.1 短時傅里葉變換
　　短時傅里葉變換基本原理：把信號劃分成許多小的時間間隔，分析每一個時間間隔，確定每個間隔存在的頻率，頻譜的總體表示頻譜在時間上的變化。
　　信號s(t)短時傅里葉變換定義為：
　　
2.2 主成分分析(PCA)
　　主成分分析(PCA)是總結(jié)多變量分析屬性的方法，經(jīng)常用于特征提取或數(shù)據(jù)壓縮上的線性變換。在統(tǒng)計模式識別方面，主成分分析提供降低維度的有效方式，有效地減少特征系數(shù)表示的數(shù)量^[4]。PCA是把特征映射到特征向量上，保留那些最大的特征值。
　　p維隨機(jī)向量x的n次采樣值構(gòu)成樣本陣X(n×p)，n個p維列向量z_i構(gòu)成矩陣Z，如式(1)。
　　Z＝XT＝(z₁ z₂ … z_p)　　　　(1)
　　式中 T＝(t₁ t₂ … t_p)為正交陣，其列向量ti為樣本方差矩陣的特征值λi所對應(yīng)的單位特征向量，且有λ₁≥λ₂…≥λp，則z₁，z₂，…，z_p分別為樣本陣X的第1主成分，第2主成分，…，第p主成分，而且主成分z₁表達(dá)了x最主要的信息，z₂表達(dá)了x次主要的信息，依次類推，前m個主成分一起表達(dá)x的主要特征。
3 特征分類
　　對肌電信號中的語音識別來說，特征提取是基礎(chǔ)，有效地進(jìn)行分類是關(guān)鍵。本文的模式識別分類采用線性判別分類LDA(linear discriminant analysis)，分類(0～9)十個數(shù)字。
　　線性判別分析，亦稱為Fisher線性判別，是較常用的方法^[5]。Fisher準(zhǔn)則函數(shù)就是為了發(fā)現(xiàn)使得樣本類間離散度和樣本類內(nèi)離散度的比值最大的投影方向。即在一投影方向上，同一個類的樣本聚集在一起，而不同類的樣本相對比較分散。
　　樣本類間離散度矩陣定義為:
　　
　　其中，μ_i是C_i類的均值，μ是所有樣本的均值，Pi是先驗概率。
　　樣本類內(nèi)離散度矩陣定義為:
　　
　　其中, Si=E[(x-μ_i)(x-μ_i)Tx∈C_i]投影后希望樣本類間離散度越大越好，而樣本類內(nèi)離散度越小越好。因此，如果Sω是非奇異矩陣，最優(yōu)的投影方向Wopt就是使得樣本類間離散度矩陣和樣本類內(nèi)離散度矩陣的行列式比值最大的那些正交特征向量。因此，F(xiàn)isher準(zhǔn)則函數(shù)定義為:
　　
　　通過線性代數(shù)理論知，W_opt就是滿足等式S_bW_i=λ_iS_wW_i(i=1,2,…,m)的解，對應(yīng)于矩陣S_w^-1S_b較大的特征值λ_i的特征向量。
4 實驗與結(jié)論
　　在實驗中，使用腦電圖儀(EEG-1100K)，采用五對電極從面部肌肉同時采集五路肌電信號，受試者每10s講(0～9)十個數(shù)字，每個數(shù)字重復(fù)講十次。對采集的肌電信號首先預(yù)處理端點(diǎn)檢測，然后對采集的五路肌電信號分別作短時傅里葉變換，分析窗選用矩形窗，窗寬為1024點(diǎn)。提取短時傅里葉變換頻譜圖的結(jié)果矩陣，做主成分分析降低維度，構(gòu)造特征矢量，輸入線性判別分析分類器進(jìn)行識別。
　　由于傅氏變換后特征向量的維度很高，為了成功地分類需要降低維度，通過主成分分析(PCA)減少特征集系數(shù)的維度。本文將不同數(shù)字的五路肌電信號的短時傅里葉變換的幅度矩陣進(jìn)一步做主成分分析降維，構(gòu)造相應(yīng)數(shù)字的特征矢量，x=[o11,…,o16,…,o51,…,o56]。其中o11,…,o16是第一路信號降維后的主成分；o51,…,o56是第五路信號降維后的主成分。

　　表1列出了實驗中(0～9)十個數(shù)字降維后ABD通道主成分的部分特征向量。從表1中的數(shù)據(jù)可以看出由信號傅里葉變換系數(shù)的幅度進(jìn)行主成分分析，提取的特征量具有很好的分離性。
　　本文線性模式分類采用基于fisher準(zhǔn)則的線性判別分析分類器，對特征矢量分別計算類間散度、類內(nèi)散度，尋求一最優(yōu)投影方向。圖4表明了(0～9)十個數(shù)字分類后的散點(diǎn)圖。經(jīng)過分類器的識別，對(0～9)十個數(shù)字的分類錯誤率在15%以下。