表面肌电信号处理系统设计与实现文献综述
2020-04-21 16:30:54
| 1.1研究目的及意义 在生活中，人体的肢体会由于内在和外在的各种原因受到损伤，例如运动不当造成肌肉拉伤神经损伤，营养不良造成肌肉发育不健全，交通意外导致机体损伤。人体运动神经以及肌肉受损会引发多元的运动问题，造成肌肉收缩紊乱，肌肉硬化以及感官不灵敏等各种问题，影响人类最基本的行动能力，给人们的正常生活带来诸多的不便。由于社会中康复训练师的数量有限，为使这些行动能力受到限制的人群的机体的运动能力得到加强，这就需要一种运动辅助性的器械来帮助他们代替康复训练师。对于行动能力受到限制的这类人，最好的恢复方法是大量的重复运动和引导其自己主动做出反应。大量的重复运动帮助肌体的运动，使其不出现肌肉萎缩的现象。主动的反应，帮助运动神经记忆，记住运动的神经通路。康复训练辅助平台设定固定运动轨迹，指导重复运动，增强现有运动能力的情况下辅助肢体的运动，帮助进行辅助治疗。 肌电信号是能反映人体特征的一种信号，对肌电信号进行研究，能够得到人体神经和肌肉的一些信息。从这些信息中，可以了解到人体身体状况。它现在被广泛应用在临床检测，康复医学和仿生控制中。对肌电信号的采集主要有针电极和表面电极。用针电极采集得到的肌电信号虽然更准确，受到的干扰小，但是对人体是有创伤的，所以现在在康复工程和仿生控制中一般采用表面电极得到的表面肌电信号来进行康复和控制。
本次毕业设计的研究是提取人体表面肌电信号，对其进行预处理，提取其特征矢量，对其进行模式识别，从而实现信号处理各阶段多种算法的快速选择。该设计可以应用到临床检测、康复医学中，判断使用者的运动意图，引导使用者进行主动训练，恢复使用者受损的行动能力。 1.2 国内外研究现状 肌电信号预处理主要是信号的消噪问题。传统的消噪方法是根据肌电信号的频率范围，设计出滤波器进行滤波，比如卡曼滤波器，但是这种方法很粗糙。S.N.Kale尝试利用人工神经网络的方法来消除肌电信号中携带的各种噪声，他们利用迟滞集中递归神经网络成功地将肌电信号的噪声去除，使均方误差降到了0.000067。随着小波理论的发展，小波变换被国内外一些专家应用到sEMG的预处理中，有学者先后提出了小波阈值消噪，小波包消噪以及小波消噪的各种改进算法。当然利用小波阈值方法对基带信号进行去噪，这种方法结合适当的特征值和分类器最后的识别率达到了85%~97%之间。 特征值是能够反应肌电信号典型特征的物理量。特征值选取的好坏直接关系到动作分类的效果，肌电信号特征值的提取一直是众多专家重点研究的对象。早期，国内外特征值的提取主要是幅值直方图，积分值，功率谱提取，自回归模型参数的提取。国外Katsutoshi Kuribayashi等人使用积分值的方法提取sEMG的特征值，得到了比较好的效果；DANIEL GRAUPE等人首次成功提取出肌电信号的AR自回归模型参数，并达到识别率为85%。随后各国专家开始研究sEMG的时频特性。2001年，Kevin Englehart等首次提出了使用小波方法提取sEMG的时频特征值。近几年来，有些国内专家提出了肌电信号具有非线性动力学特征，因此不少学者都试图提取肌电信号的非线性动力学特征，复杂度，混沌与分形。 sEMG研究的最终目的是完成人体各种动作的识别，以此来控制机器运动。国内专家通过学习国外先进技术，从最基本的聚类分析算法，贝叶斯决策算法等方法开始研究，取得了一定的成绩，但是这些统计模式识别的方法对于肌电信号这样的复杂结构，抽取特征比较困难。之后，支持向量基的方法也被应用到人体动作的识别中，比如Ganesh R Naik等人使用支持向量基的方法对人手动作进行识别，得到了比较高的识别率。随着人工神经网路的发展，国内有人使用神经网络对肌电信号提取出的特征值进行分类，最后得到了较好的效果。 综合分析目前国内外对人体sEMG的研究现状，可以看出大部分研究者采用小波理论进行肌电信号消噪，但是这些小波分析的关键问题主要集中在选择合适的小波基函数和小波分解层数，没有从深层次上研究新的方法来获得更加干净的肌电信号，并且肌电信号的特征提取方法仍然不能满足较高的识别率。肌电信号的研究是为了达到更高的人体动作识别率，所以为了获得更高的动作识别率，有必要对sEMG处理的各个环节进行研究和分析，既要对现有的技术和方案进行研究，又要创新出新的思想和算法，同时设计出一套完整的体系，能够简单快速并且准确的完成人体肢体动作的识别，达到更好的效果。 |
2. 研究的基本内容与方案
{title}本文主要设计并实现表面肌电信号处理集成系统。在深入研究并总结肌电信号预处理方法、特征提取方法及模式识别方法的基础上，设计并开发出一套肌电信号处理方法集成系统，实现信号处理各阶段多种算法的快速选择，并通过动作识别实验验证系统的有效性。系统的整体设计方案是通过动作识别实验，采用Matlab软件验证各种信号处理算法的可行性，最后在Labview软件中开发信号处理方法集成系统，实现动作识别系统各阶段算法的快速选择。
图1 肌电信号识别算法路线
肌电信号的采集需要经过以下几个过程。首先，对信号进行预处理，其方法有利用卡曼滤波器去噪、HHT去噪以及小波去噪等。接着对信号进行加窗处理，主要有滑动叠加窗、滑动非叠加窗。然后进行特征提取，时域特征包括：平均绝对值、波形长度、幅值、过零点数、方差、符号改变率、均方根；频域特征包括：中值频率、自回归参数；时频域特征包括：小波变换、短时傅里叶变换。最后对信号进行模式识别，模式识别分类方法有：聚类分析（CA），人工神经网络（ANN）和支持向量机（SVM）等。
通过上述过程设计出一套肌电信号处理方法集成系统，实现信号处理各阶段多种算法的快速选择，达到最优的模式识别效果。最终通过提取人体上肢四个运动模式的sEMG，对其进行预处理、特征提取以及模式识别实验验证系统的有效性。
[1] 王景芳， 施霖. 基于人工神经网络对sEMG信号的手势动作识别[J]. 传感器与微系统，2017，36(6):63-65.
[2]卢英. 基于表面肌电信号的下肢动作识别研究[D]. 武汉理工大学，2013.
[3]Ahmet Alkan， Mücahid Günay. Identification of EMG signals using
discriminant analysis and SVM classifier[J]. Expert Systems With
Applications，2012，39(1):44-47.
[4]Naik G R, Arjunan S， Kumar D. Applications of ICA and fractal dimension in sEMG signal processing for subtle movement analysis: a review[J]. Australasian Physical amp; Engineering Sciences in Medicine，2011，34(2):179-193.
[5]Amir Pourmoghaddam.Measuring multiple neuromuscular activation using EMG – a generalizability analysis[J].Biomedical Engineering，2016.
[6]孙光林. 人体上肢表面肌电信号分析方法的研究[D]. 东北大学，2013.
[7]徐文良，孟明，马玉良.HHT方法在人体下肢表面肌电信号分析中的应用[J].传感技术学报，2010.
[8]罗志增，杨广映.表面肌电信号的AR参数模型分析方法[J].传感技术学报，2003.
[9]范影乐，俞祁焰，李轶，庞全.基于Hilbert-Huang变换的含噪语音特征分析[J].传感技术学报，2007.
[10]徐文良，孟明，马玉良.HHT方法在人体下肢表面肌电信号分析中的应用[J].传感技术学报，2010.
[11]席旭刚，李仲宁，罗志增.基于相关性分析和支持向量机的手部肌电信号动作识别[J].电子与信息学报，2008.
[12]Agnes Sturma.A surface EMG test tool to measure proportional prosthetic control[J]. Biomedical Engineering，2015
[13]Phinyomark A，Quaine F，Charbonnier S，et al. EMG feature evaluation for improving myoelectric pattern recognition robustness[J]. Expert Systems with Applications，2013.
[14]朱建瓴，刘成良.人体下肢康复机构设计及运动学仿真[J].计算机仿真，2007.
[15]徐文良，叶明.空域相关滤波在下肢表面肌电信号中的应用[J].机电工程，2009.
[16]侯文生，许蓉，郑小林，马丽.握力大小与前臂肌肉表面肌电活动模式的相关性研究[J].航天医学与医学工程，2007.
