一種用于人體下肢表面肌電信號的辨識方法
【專利摘要】本發明涉及一種用于人體下肢表面肌電信號的辨識方法。本發明主要步驟為：實時采集對應肌肉塊在活動動作刺激下的表面EMG信號；對采集的EMG信號進行預處理，獲得消除偽跡信號后的EMG信號；使用離散小波變換方法對獲得的EMG信號進行分解，分解后獲得低頻系數向量和高頻系數列；采用時、頻域結合的濾波方法，將獲得的小波分量進行奇異值分解，并將分解得到的奇異值構成特征矩陣；采用支持向量機對特征樣本進行訓練，并生成支持向量機分類器用于對盲樣本進行分類識別。本發明的有益效果為，相對于傳統技術，本發明提出了一種新的下肢EMG信號預處理方法。
【專利說明】
一種用于人體下肢表面肌電信號的辨識方法
技術領域
[0001 ] 本發明設計用于人體下肢的生物電信號中的表面肌電信號(E1 e c tr omy ograph i c Signal，EMG)的偽跡消除、特征提取與辨識技術領域。
【背景技術】
[0002] 據統計數據顯示，我國在21世紀初已正式邁入老齡化社會，且老齡化進程超過其 他國家，預計2020年我國老年人口會達到2.48億，2050年將達到4億。老年人及肢體殘疾人 在人口結構中正在迅速擴大，上述人群的顯著特點是其日常行為活動均需提供輔助幫助。 癱瘓是導致上述人群喪失運動能力的最常見原因之一，尤其是下身癱瘓，它涉及到肢體、軀 干的部分的或完全的功能喪失。目前臨床專家普遍認為，肢體運動康復被認為是一個有效 的解決方案，其要求受影響的下肢肢體主動地參與積極鍛煉。然而，對于肢體功能存在障礙 的人群，通常難以順利完成例如站立、下蹲、行走等下肢肢體運動。因此，通過EMG信號的研 究能夠幫助探索運動神經與肌肉組織的生物反饋機制，預測與感知肢體運動態勢，評估老 年人、殘疾人、以及亞健康人群的肌肉活動能力，為發展適用于老齡人和肢體殘疾人士的康 復下肢運動輔助設備提供理論依據與應用基礎。
[0003] 表面EMG信號是一種分析人體與日常生活活動相關的下肢肢體運動動作的生理信 息來源，該信號是通過電極引導、放大而從肌肉表面記錄下來的神經肌肉系統活動時的非 平穩一維時間序列生物電信號，它能夠反映肌肉強度和人的運動特征。人的運動意圖通常 通過神經興奮刺激肌肉細胞的收縮與舒張實現，由于不同的肢體運動中肌肉收縮的模式不 同，導致相應的表面肌電信號的特征也具有差異，在人的意圖控制下產生的表面EMG信號能 較好地反映出肢體運動或動作特征，評估人體運動意圖。人體運動意圖的實現主要通過肢 體完成，由于下肢EMG信號相對于上肢更為復雜，同時受到更大的噪聲干擾，因此對人體運 動的研究主要集中在上肢EMG信號，而對下肢EMG信號及其識別的研究需要進一步完善。目 前在EMG信號的識別中，常用的方法都是基于傳統的分類或聚類算法，如支持向量機、神經 網絡（Neural Network Algorithm，簡稱 "NNA"）、線性鑒別分析（Linear Discriminant Analysis，簡稱"LDA"）等。其中，LDA算法即可以識別單一的某種動作，也可以將多個動作加 上標簽作為特殊的一類進行識別。在下肢EMG信號的研究上，2016年，John A. Spanias等人 使用LDA算法，研究了只用EMG信號進行分類、以及將EMG信號和器械傳感器返回的其他類型 的數據一起進行分類的方法；2014年，AJ Young等人使用Sensor Time History的方法對 EMG信號進行分類，但該方法僅考慮了整個過程中信號的時間跨度。
【發明內容】
[0004] 本發明的目的，就是針對上述問題，提供一種用于人體下肢表面肌電信號的辨識 方法。
[0005] 通過實驗分析，發現下肢EMG信號尺度通常非常微弱，同時由于硬件局限性和肢體 移動等原因，也十分容易受到工頻、基線漂移和高斯白噪聲干擾，因此實驗所采集到的下肢 EMG信號偽跡嚴重，基于原始數據直接進行特征提取和分類識別是不現實的。傳統偽跡消除 方法是對原始信號進行帶通濾波處理(下肢EMG信號的主要成分集中分布在20~500Hz頻段 上）。本發明中分別對工頻干擾、基線漂移進行陷波濾波與低通濾波，根據本發明提出的工 頻干擾噪聲因子和基線漂移噪聲因子分別對下肢EMG信號進行評估，當噪聲的能量超出閾 值時，采用陷波和低通濾波，否則采用濾波前信號。而對于高斯白噪聲，首先計算下肢EMG信 號的過零點數，通過過零點數對下肢EMG時域信號進行區間劃分，再通過高斯白噪聲因子逐 次對每一區間的噪聲進行評估，當噪聲的能量超出閾值時，采用濾波結果，否則采用濾波前 的信號。在表面EMG信號具有非平穩性、非線性特點的前提下，本發明將離散小波變換 (Discrete Wavelet Transform，DWT)應用到下肢EMG信號的特征提取中，它是將時域、頻域 分析相結合對表面EMG信號的時間和頻率所包含的信息進行分析。而傳統的偽跡消除(如帶 通濾波器）、特征提取(如傅立葉變換、時域和頻域分析)方法僅僅獨立地在時域或者頻域中 分析數據，并將EMG信號視為平穩或者短時平穩信號進行處理，因此傳統的方法并不能準確 地獲取人體下肢肢體運動動作的EMG生理反應特征。奇異值分解（Singular Value DeC〇mp〇Siti〇n，SVD)是一種有效的代數特征提取方法，由于奇異值特征在描述信號數值上 比較穩定，且具有轉置不變性、旋轉不變形、位移不變性等重要性質，因此奇異值特征可以 作為信號的一種有效的代數特征描述。最后，本發明將離散小波變換(DWT)和奇異值分解 (SVD)相結合，基于新的下肢EMG信號預處理方法，進一步提出時、頻域結合的濾波方法，根 據上述得到的特征矩陣，采用支持向量機(Support Vector Machine，SVM)的方法對信號進 行分類識別。
[0006] 本發明的技術方案為:一種用于人體下肢表面肌電信號的辨識方法，其特征在于， 包括以下步驟：
[0007] a.將一次性肌電電極粘放至下肢肌肉組織表皮上，實時采集對應肌肉塊在活動動 作刺激下的表面EMG信號；
[0008] b.對步驟a中采集的EMG信號進行預處理，獲得消除偽跡信號后的EMG信號;所述預 處理方法包括工頻干擾濾波、基線漂移濾波和高斯白噪聲濾波;本步驟中，工頻干擾濾波、 基線漂移濾波和高斯白噪聲濾波的順序可以進行任意排列；
[0009] C.使用離散小波變換方法對步驟b獲得的EMG信號進行分解，分解后獲得低頻系數 向量cAl和高頻系數向量cDl;使用離散小波變換的方法對低頻系數向量cAl進行分解，獲得 低頻系數向量cA2和高頻系數cD2;繼續重復使用離散小波變換的方法對低頻系數向量進行 分解，直至獲得低頻系數向量cA5和5個高頻系數列cDl，cD2，cD3，cD4，cD5為止；
[0010] d.采用時、頻域結合的濾波方法，將步驟c中獲得的小波分量進行奇異值分解，并 將分解得到的奇異值構成特征矩陣；
[0011] e.以步驟d中獲得的特征矩陣為樣本，采用支持向量機對特征樣本進行訓練，并生 成支持向量機分類器用于對盲樣本進行分類識別。
[0012] 2、根據權利要求1所述的一種用于人體下肢表面肌電信號的辨識方法，其特征在 于，步驟b中所述預處理的具體方法包括：
[0013] bl.工頻干擾濾波;具體方法為:將步驟a中采集得到的EMG信號c(t)作為原始輸入 信號CPLI(t)進行陷波濾波，得到濾波結果為a(t)，定義工頻干擾因子e PLI，則ePLI可通過如下 公式1計算：
[0014]
[0015] 其中，var是信號方差算子，用于計算時間序列的方差，通過工頻干擾因子ePLI對濾 波結果進行修正如下公式2所示：
[0016]
[0017] 其中，sPLI(t)是濾除工頻干擾噪聲的最終結果，公式2表明如果工頻干擾噪聲的能 量占比超過原始信號能量的10%，則采用陷波濾波器的濾波結果；
[0018] b2.基線漂移濾波;具體方法為:將步驟bl獲得的信號SPLI(t)作為原始輸入信號CBW (t)進行低通濾波，濾波結果為d(t)，定義基線漂移因子為εΒν，則εΒνΡΤ通過如下公式3計算：
[0019]
[0020]根據基線漂移因子對濾波得到的基線漂移噪聲d(t)進行修正得到b(t)，其表達 式如公式4所示：
[0021]
[0022]最后，得到去除基線漂移噪聲后的信號SBw(t)如下公式5所示：
[0023] SBw(t) = CBw(t)-b(t) (公式 5);
[0024] b3.高斯白噪聲濾波;具體方法為:將步驟b2得到的信號sBW(t)作為原始輸入信號 CWCN(t)進行濾波;對時域信號CTCN(t)基于過零點進行區間劃分，再通過閾值判斷方法對信 號CTCN(t)進行高斯白噪聲濾波;具體為:假設信號內包含j個過零點 21(1 = 1，2，...，」），則 對于區間Zi<tj<Zi+1內的信號有：
[0025]
[0026] 其中，T為信號c (t)的閾值，t m為區間內的極值點；閾值T由如下公式7和公式8確 定：
[0027]
[0028] o=median( | CwGN(t) | :t = l，2, · · ·，L)/0.6745 (公式8)
[0029 ]此處，σ為輸入信號ctcn (t)的噪聲水平;L為信號ctcn (t)的長度，特別地對于離散信 號L即為離散點點數;median為信號中位數算子，用于獲取時間序列的中位數。
[0030] 本發明的有益效果為，相對于傳統技術，本發明提出了一種新的下肢EMG信號預處 理方法，同時基于偽跡消除后的下肢EMG信號特點，首先提出結合DWT和SVD，對下肢典型運 動動作的EMG信號如行走支撐、行走行走、下蹲和站立等進行特征提取，最后通過SVM對所提 出的特征矩陣進行分類辨識。
【附圖說明】
[0031] 圖1為本發明的流程圖；
[0032]圖2為利用小波函數對信號進行5層小波分解過程的邏輯框圖。
【具體實施方式】
[0033]下面結合附圖，詳細描述本發明的技術方案：
[0034]如圖1所示，本發明用于人體下肢表面肌電信號的辨識方法，主要包括以下步驟： [0035]步驟1)下肢動作原始EMG信號獲取：
[0036] 將一次性肌電電極粘放至下肢肌肉組織表皮上，實時采集對應肌肉塊在活動動作 刺激下的表面EMG信號c(t);
[0037] 步驟2)原始信號預處理(偽跡消除方法）：
[0038] 對采集得到的原始EMG信號進行偽跡消除，其包括對工頻干擾噪聲、高斯白噪聲、 基線漂移噪聲的濾除。本步驟中的三種噪聲的濾波沒有固定的先后順序，這里按工頻干擾 噪聲的濾波、高斯白噪聲的濾波、基線漂移的濾波這一順序進行描述;其次，在敘述上本文 中的"去噪"與"對噪聲的濾波"含義相同。
[0039] a)工頻干擾的去噪:將采集得到的表面EMG信號，c(t)，作為本次去噪過程的原始 輸入信號，cPLI(t)，進行陷波濾波，得到濾波結果，a(t)，同時定義工頻干擾因子，e PLI，如公 式(1)所示：
[0040] (1)
[0041] 其中，var是信號方差算子，用于計算時間序列的方差。通過工頻干擾因子ePLI對濾 波結果進行修正如下：
[0042] (2)
[0043] 其中，SPLI(t)是濾除工頻干擾噪聲的最終結果。公式(2)表明如果工頻干擾噪聲的 能量占比超過原始信號能量的10%，則采用陷波濾波器的濾波結果。
[0044] b)基線漂移的去噪:將進行工頻干擾濾波后得到的信號，sPLI(t)，作為本次去噪過 程的原始輸入信號，CBW(t)，進行低通濾波，濾波結果為d(t)。類似地，定義基線漂移因子， ￡bw，如公式（3)所不：
[0045] … (3)
[0046] 根據基線漂移因子，eBw，對濾波得到的基線漂移噪聲，d(t)，進行修正得到，b(t)， 其表達式如公式(4)所示：
[0047] (4)
[0048] 最后，得到去除基線漂移噪聲后的信號SBw(t)如下：
[0049] SBw(t) = CBw(t)-b(t) (5)
[0050] C)高斯白噪聲的去噪:將進行基線漂移噪聲濾波后得到的信號SBW(t)作為本次去 噪過程的原始輸入信號CTCN(t)進行濾波。對時域信號CTCN(t)基于過零點進行區間劃分，再 通過閾值判斷方法對信號C TCN(t)進行高斯白噪聲濾波。假設，信號內包含j個過零點21(1 =
[0051] 1，2,. . .，j)，則對于區間Zi<tj<Zi+1內的信號有：
(6)[0052]其中，T為信號c (t)的閾值，t m為區間內的極值點。閾值T由公式(7)和(8)確定：[0053]
(7)
[0054] o=median( | cwGN(t) | : t = 1，2，· · ·，L)/0·6745 (8)
[0055]此處，σ為輸入信號CWGN( t)的噪聲水平;L為信號cwgn( t)的長度，特別地對于離散信 號L即為離散點點數;median為信號中位數算子，用于獲取時間序列的中位數。
[0056] 步驟3)離散小波變換(DWT):
[0057] 小波變換是將時域分析和頻域分析相結合形成的一種新的分析方法，反映的是表 面肌電信號在時間和頻率兩個維度上所呈現的變化，因此該方法相對于以上兩種方法而言 理論上應具有一定的優勢，能夠充分利用表面肌電信號所包含的信息。小波分析是一種窗 口的大小固定、形狀可變的時頻局部化信號分析方法，即在低頻部分具有較高的頻率分辨 率和較低的時間分辨率，在高頻部分具有較高的時間分辨率和較低的頻率分辨率。
[0058]給定一個長度為N的信號S，離散小波分解(DWT)最多可以把信號分解成log2N個頻 率級。第一步分解開始于信號S，分解后分解系數由兩部分組成:低頻系數向量cAl和高頻系 數向量cDl，前者也被稱為近似(Approximation)成分，后者也被稱為細節(Detail)成分。向 量cAl是由信號S與低通分解濾波器經過卷積運算得到的，向量cDl是由信號S與高通分解濾 波器經過卷積運算得到的。在下一步分解中，用同樣的方法把低頻系數cAl分成兩部分，即 把上面的信號S用cAl代替，分解后返回尺度2的低頻系數cA2和高頻系數cD2,同時尺度1的 高頻系數cDl保持不變，依此類推繼續分解。最后得到一個低頻系數列cA5和五個高頻系數 列cDl，〇02,〇03,〇04,〇05，如圖2所不。
[0059]基于對下肢運動的EMG信號的分解得到的分量，我們在對其進行帶通濾波處理，使 得。01，。02，。03，。04^5的頻帶范圍分別是256-512抱、128-256抱、64-128抱、32-64抱以及 16-32HZ。
[0060] 步驟4)奇異值分解(SVD):
[0061]根據步驟3中的方法，下肢運動的EMG信號可以通過DWT方法進行分解，從步驟3中 得到的一個低頻系數列cA5和五個高頻系數列cDl，cD2，cD3，cD4，cD5中，選取5個數據來構 成矩陣表達式，如選擇:cD2，cD3，cD4，cD5和cA5構成矩陣，得到5 X I的矩陣表達如下，Mij = [d2i;d3i;d4i ;d5i;a5i]，i = l，2, · · ·，1，其中I為下肢運動動作樣本數，d2i、d3i、d4i、d5i和 a5i對應DWT分解獲得的系數，為了獲取能在SVM分類中能夠使用的特征值，這里將使用SVD 對Mij進行分解獲取奇異值。
[0062] 對于M，NeCmXn，如果存在m階酉矩陣U和η階酉矩陣V使得等式UTMV=N成立，則認為 矩陣Μ和N酉等價。如果ME >矽，則矩陣MTM的特征值應滿足以下關系：
[0063] λχ λ2 ^： · · · ^： λΓ λΓ+ι = · · · = λη=〇 (9)
[0064] 于是可得，矩陣Μ的奇異值為
[0065] 老
則一定存在m階酉矩陣U和η階酉矩陣V，使得矩陣Μ，矩陣U和
[0066] 矩陣V滿足公式(10):
(10)
[0067] Σ =^38(0^02, · · .or)，其中〇i(i = l，2, · · ·，r是矩陣 Μ 的非零奇異值；公式（10) 等價于公式(11):
[0068] UU
[0069] 這里，
[0070] U=MMT (12)
[0071] V=MTM (13)
[0072] 其中，公式（11)也被稱為矩陣Μ的奇異值分解(SVD)。
[0073] 步驟5)SVM分類：
[0074]為了對下肢運動進行分類，通過DWF分解得到的這些矩陣的奇異值，被用作下肢 EMG信號的時頻域特征矩陣。對于被選定的數據段，矩陣由以下公式確定：
[0075]
[0076] 其中，i是每次實驗(Trial)的數據的奇異值個數，j是EMG樣本個數。
[0077] Vapnik等人創建了支持向量機(SVM)方法。SVM的基本思想是將數據映射到高維空 間中，并找出具有最大決策邊緣的超平面。SVM公式所表征的風險最小化原則已被證明優于 其他傳統的經驗性的風險最小化原則。為了獲得一個魯棒性好的實時分類器，在本發明中， 用于SVM分類所需的特征值將從時域或頻域兩方面獲取，或使用時頻域相結合的分析方法。
[0078] 假設存在1個樣本的訓練向量^和相對應的分類標簽7^(~71)，...，（~71)￡1^ X {-1，1}，則SVM本質上是求解二次最優化問題：
[0079]
[0080] yi(w · Xi+b)^Ki，Gi>0(i = l，2, · · ·，1) (15)
[0081] 其中，C是常數是松弛變量，w是權重向量，b是偏差值。對于實例X，其判別函數 如下所5·
[_] (]6)
[0083]其中，Ns是支持向量的個數，cti是正的拉格朗日乘子，G(x，Xi)是核函數。SVM中最重 要的規則參數也由訓練集的十倍交叉驗證過程所決定。
[0084]本專利采用線性內核函數K處理特征矩陣M^，支持向量機的分類函數f(x)可描述 為：
[_5] (17)
[0086] η是樣本個數，幻是第j個樣本，η是第j個樣本的SVM輸出，K是用于數據變換的線性 內核函數，A是對偶優化問題的拉格朗日乘子。
[0087]樣本數據首先通過歸一化處理（零均值+單位標準偏差處理），然后通過十倍交叉 驗證技術評估分類辨識效果。本發明能夠使人體下肢肢體運動動作的識別準確率得到有效 提1?。
【主權項】
1. 一種用于人體下肢表面肌電信號的辨識方法，其特征在于，包括以下步驟： a. 將一次性肌電電極粘放至下肢肌肉組織表皮上，實時采集對應肌肉塊在活動動作刺 激下的表面EMG信號； b. 對步驟a中采集的EMG信號進行預處理，獲得消除偽跡信號后的EMG信號;所述預處理 方法包括工頻干擾濾波、基線漂移濾波和高斯白噪聲濾波； c. 使用離散小波變換方法對步驟b獲得的EMG信號進行分解，分解后獲得低頻系數向量 cAl和高頻系數向量cDl;使用離散小波變換的方法對低頻系數向量cAl進行分解，獲得低頻 系數向量cA2和高頻系數cD2;繼續重復使用離散小波變換的方法對低頻系數向量進行分 解，直至獲得低頻系數向量cA5和5個高頻系數列cDl，cD2，cD3，cD4，cD5為止； d. 采用時、頻域結合的濾波方法，將步驟c中獲得的小波分量進行奇異值分解，并將分 解得到的奇異值構成特征矩陣； e. 以步驟d中獲得的特征矩陣為樣本，采用支持向量機對特征樣本進行訓練，并生成支 持向量機分類器用于對盲樣本進行分類識別。2. 根據權利要求1所述的一種用于人體下肢表面肌電信號的辨識方法，其特征在于，步 驟b中所述預處理的具體方法包括： bl.工頻干擾濾波;具體方法為:將步驟a中采集得到的EMG信號c(t)作為原始輸入信號 CPLI(t)進行陷波濾波，得到濾波結果為a(t)，定義工頻干擾因子ePLI，則機河通過如下公式 1計算：其中，var是信號方差算子，用于計算時間序列的方差，通過工頻干擾因子ePLI對濾波結 果進行修正如下公式2所示：其中，sPLI(t)是濾除工頻干擾噪聲的最終結果，公式2表明如果工頻干擾噪聲的能量占 比超過原始信號能量的10%，則采用陷波濾波器的濾波結果； b2.基線漂移濾波;具體方法為:將步驟bl獲得的信號sPu(t)作為原始輸入信號cBW(t) 進行低通濾波，濾波結果為d(t)，定義基線漂移因子為εΒν，則εΒνΡΤ通過如下公式3計算：根據基線漂移因子ε?對濾波得到的基線漂移噪聲d(t)進行修正得到b(t)，其表達式如 公式4所示：最后，得到去除基線漂移噪聲后的信號SBW(t)如下公式5所示： SBW(t) = CBW(t)-b(t)(公式5); b3.高斯白噪聲濾波；具體方法為:將步驟b2得到的信號SBW(t)作為原始輸入信號CTCN (t)進行濾波;對時域信號CTCN(t)基于過零點進行區間劃分，再通過閾值判斷方法對信號 CWCN⑴進行高斯白噪聲濾波;具體為:假設信號內包含j個過零點21(1 = 1，2，...，」），則對 于區間Zi<tj<Zi+1內的信號有：其中，T為信號C(t)的閾值，U為區間內的極值點；閾值T由如下公式7和公式8確定：〇=mediarU I cwGN〈t川：t = U，· · ·，L)/0.6745(公式8) 此處，σ為輸入信號ctcn( t)的噪聲水平;L為信號ctcn( t)的長度，特別地對于離散信號L 即為離散點點數;median為信號中位數算子，用于獲取時間序列的中位數。
【文檔編號】A61B5/04GK105997064SQ201610326948
【公開日】2016年10月12日
【申請日】2016年5月17日
【發明人】張羿, 溫悅欣, 張向剛, 秦開宇
【申請人】成都奧特為科技有限公司