基于机器学习的多模式肌电信号识别算法研究_陆鑫.pdf

2023.4电脑编程技巧与维护1概述实际生活中，人手在抓取物体的过程中，往往是手势和手腕协同运动的结果。通过手指的协调配合，与被抓物体形成封闭空间，从而保证对物体的抓取，然后通过腕关节的调节，对抓取物体进行定位，实现精准抓取。为了能够识别手势、腕关节运动及抓取的负载，开展了由5种腕关节位置、4种抓取手势及3种抓取负载耦合组成的60种假手操作模式的分类识别。首先，分析前臂肌肉分布和各肌肉的功能，选择肌电测点位置并采集各操作模式对应的肌电信号；其次，根据肌电信号的频带分布及采集信号中运动伪迹的特点，对信号进行预处理，去除其中的无关成分；再次，采用滑动时窗的方式，计算各窗口内肌电信号的特征；最后，基于集成学习算法，构建了基于肌电信号的假手操作模式识别算法。2肌电信号的采集及处理人的前臂一共有19块肌肉，主要由3条神经进行支配。针对研究，需要寻找支配人体前臂各关节运动的功能肌肉并根据需要识别的动作确定电极设置位置。根据人手腕关节及手指运动相关的肌肉关系，选取在抓取手势及腕关节运动过程中起主要作用，并且体积相对较大，位于浅层的8块上肢前臂肌肉，分别为桡侧腕屈肌、尺侧腕屈肌、桡侧腕长伸肌、桡侧腕短伸肌、尺侧腕伸肌、拇长展肌、指伸肌、指浅屈肌。在肌电信号的采集过程中，不可避免地会受到噪声的干扰，如心电信号、工频信号的干扰等，同时采集肌电信号的仪器可能会产生一定程度的干扰。因此，需要去除包含在肌电信号中的噪声，以获得纯净的肌电信号。肌电信号频谱分布在20500Hz，且绝大部分频谱分布在20250Hz。可以使用4阶巴特沃斯滤波器对原始肌电信号进行20250Hz的带通滤波，去除无关信号的干扰，保留肌电信号的主要成分。为了利用肌电信号实时控制假手，需要从较短的肌电信号数据中快速提取有用的特征信息。常见的特征有时域特征、频域特征等。然而，肌电信号是一种非平稳信号1，且对有限的肌电信号数据进行傅里叶（Fourier）变换将会导致频率分辨率变低，得到的频域特征误差较大。相比于频域特征提取方法，时域特征提取方法计算速度快，有利于肌电信号的实时分析。根据对肌电信号的分析，可以发现在某个范围内，当抓取负载变大时，肌电信号的幅值增加，同时肌电信号在抓取开始阶段信号变化明显。基于此，提取了肌电信号幅值特征，例如均方根特征（RMS）和绝对均值特征（MAV），用于表征肌电信号能量，同时提取了肌电信号的方差特征（VAR），用于表示肌电信号的变化趋势。均方根特征提取，如公式（1）所示：（1）绝对均值特征提取，如公式（2）所示：（2）方差特征提取，如公式（3）所示：（3）其中，N为时窗内的数据量；xk为时窗内数据点的幅值。为了减小肌电信号分类的延迟，选取了窗长为40个数据的滑动窗口，在每个窗口中提取以上3种特征。其中，均方根特征和绝对均值特征变化相对同步，方差特征的变化稍滞后于幅值特征的变化，同时每一次动作都会引起肌电信号幅值和方差值极大的波动。3基于集成学习的肌电识别算法有监督学习算法的目标是通过学习得到一个稳定且在各分类上表现都较好的模型。然而实际情况往往比较基于机器学习的多模式肌电信号识别算法研究陆鑫，谢建斌，赵宇健（航空工业西安计算技术研究所，陕西 西安710065）摘要：肌电假手具有操控直观、本体感强的优点，成为智能假手领域的研究热点。考虑了影响肌电信号识别的主要因素，研究了由 3 种抓取负载、4 种抓取手势和 5 种腕关节位置复合构成的 60 种假手操作模式的肌电识别方法，实现了在运动耦合情况下对假手操作模式的准确识别。关键词：表面肌电信号；集成学习；特征提取123DOI:10.16184/prg.2023.04.0172023.4电脑编程技巧与维护复杂，得到的模型分类正确率较低或仅能大致判断弱监督分类结果。集成学习就是将多个弱监督模型分类结果，通过一定的规则进行集成，以期得到一个更好、更全面的强监督模型，即先通过数据训练，得到多个个体学习器，这些个体学习器往往在某方面表现较好。利用集成算法，将各个体学习器的分类结果组合，得到最终的分类结果2。与传统监督学习算法相比，利用集成学习算法训练得到的分类模型，具有良好的泛化能力，并且分类的正确率较高。在此由5种腕关节位置、4种抓取手势及3种抓取负载耦合构成的操作模式种类有60种。在每种操作模式中，驱动腕关节运动、手指抓取的肌肉相互影响，因此采集得到的肌电信号具有多样性，且在空间中分布相对不集中。使用传统机器学习算法得到的模型分类性能较差，如果使用深度网络，则势必会增加运算复杂度，降低分类的实时性。将60种假手操作模式分别按照腕关节位置、抓取手势及负载大小的不同，构建腕关节位置分类模型、抓取手势分类模型和负载分类模型。对于每个模型，都要考虑内外两方面因素的影响，从而保证了肌电信号数据的多样性。根据前文的特征提取方法，以150 ms为时窗长度，提取了60种假手操作模式对应肌电信号的3种特征，同时分别按照抓取负载、腕关节位置以及手势的不同，将60种操作模式的肌电信号特征对应的目标进行分类标记；基于集成学习的肌电识别方法，如图1所示。之后分别从各数据集中随机选取80%的数据作为训练集，将剩下的20%的特征作为测试模型的测试集，测试算法性能。基于Matlab R2019b中的统计与机器学习工具箱，对上述样本进行分类，根据模型要求，设置集成学习方法为“Bag”，设置学习周期数为100，设置弱学习器类型为决策树模型。在训练得到稳定模型后，检验模型在训练过程中是否达到预期效果，然后利用测试数据集对训练得到的模型进行测试。4实验验证与分析为了验证所使用算法的实际性能，招募了5名健康受试者，其中有4名男性受试者和1名女性受试者，受试者均为右利手，前臂及肌肉运动功能良好。在实验过程中，受试者需要按照顺序依次使用4种手势，承受抓取480g重物、960g重物及无抓取3种负载，并且使手腕保持在弯曲最大位置、伸展最大位置、内收最大位置、外展最大位置及中间位置。在每种假手操作模式下，受试者需要保持70s，与此同时，采集受试者前臂对应肌肉的肌电信号。实验中采集频率为1000Hz，随后利用WiFi将采集的肌电信号传输并保存至上位机电脑中。基于集成学习的算法，利用划分得到的肌电信号数据集，分别构建了负载大小分类模型、抓取手势分类模型、腕关节位置分类模型。之后利用测试数据分别验证了3个分类模型的分类效果。根据前文设置的模型参数，利用各受试者在假手操作过程中的肌电信号特征，对训练得到的模型进行了测试。从表1中可以看出，在5名受试者中，基于3种负载的平均识别正确率分别为98.57%、97.24%和98.14%，平均识别正确率为97.98%，这表明所研究的负载大小分类算法能够准确识别负载的大小。5名受试者4种抓取手势的分类结果如表2所示。综合5位受试者4种抓取手势的识别结果可知，4种抓取手势的平均识别正确率为98.32%，这表明训练得到的手势分类模型可以较为精确地识别抓取手势，实现对抓取手势的准确感知。图1基于集成学习的肌电识别方法受试者无抓取480g负载960g负载平均识别正确率S197.0693.2595.4495.25S297.3195.0095.8796.06S399.2599.6999.5099.48S499.7599.6999.9499.79S599.5098.5699.9499.33平均98.5797.2498.1497.98表15名受试者3种负载大小分类结果受试者八字伸展柱状抓取手指伸展两指对捏平均识别正确率S198.0894.9298.7598.3397.52S297.0096.8398.6798.5897.77S397.3397.0898.6797.7597.71S499.4299.6799.5899.6799.58S598.5899.0099.5899.0099.04平均98.0897.5099.0598.6798.32表25名受试者4种抓取手势的分类结果抓取负载抓取手势60种操作模式肌电信号特征数据集训练数据集测试数据集模型训练负载分类模型腕关节位置分类模型手势分类模型基于集成学习算法的假手操作模式的肌电识别模型基于集成学习算法的负载分类模型基于集成学习算法的腕关节位置分类模型基于集成学习算法的手势分类模型腕关节位置单位：%单位：%(下转第151页)1242023.4电脑编程技巧与维护单位：%5位受试者腕关节位置的分类结果如表3所示，可以看出对于5种腕关节位置的识别正确率都较高，其中，对弯曲最大位置的识别正确率平均可达98.23%，最高可达99.58%，这表明所提出的方法能够有效地识别腕关节位置。综合对5位受试者实验的统计结果，可以看出在3种抓取负载、4种抓取手势及5种腕关节位置耦合构成的60种假手操作模式下，虽然前臂肌肉在不同操作模式下相互影响，但研究的驱动假手操作模式的肌电识别算法仍能够准确识别出负载大小、手势及腕关节位置，显示了该方法的有效性。5结语首先，分析了肌电信号的产生过程与肌电感知机理，在此基础上通过分析前臂肌肉的功能，确定了肌电信号的测点位置；其次，根据肌电信号的特点及肌电信号的有效频率分布，利用4阶巴特沃斯滤波器对肌电信号进行带通滤波预处理，并提取肌电信号的均方根、绝对均值及方差特征；再次，根据驱动假手操作模式的肌电信号的特点，选用了集成学习算法，对假手操作模式进行分类识别；最后，开展了驱动假手操作模式的肌电识别实验，采集了由抓取负载、腕关节位置、抓取手势耦合组成的60种假手操作模式对应的肌电信号，进而对所提出的驱动假手操作模式的肌电识别方法进行验证。实验结果显示，对3种抓取负载、4种抓取手势及5种 腕 关 节 位 置 的 平 均 识 别 正 确 率 分 别 为97.98%、98.32%、97.36%，并在部分受试者中达到99%以上，这表明所研究的驱动假手操作模式的肌电识别方法能够在腕关节位置、负载及手势耦合构成的复杂操作模式下进行准确识别，有效性极佳。参考文献1谢作述.多通道肌电信号的神经接口与解码方法研究D.南京:南京航空航天大学,2021.2徐继伟,杨云.集成学习方法:研究综述J.云南大学学报（自然科学版）,2018,40(6):1082-1092.受试者弯曲最大位置中间位置伸展最大位置内收最大位置外展最大位置平均正确率S196.8895.4296.3594.7994.3795.56S297.8196.0497.6096.9897.1997.13S397.4096.2595.1096.8894.3796.00S499.5899.2799.3899.6910099.58S599.4898.9698.1297.8198.3398.54平均98.2397.1997.3197.2396.8597.36表35名受试者5种腕关节位置分类结果4结语将从Google Earth Engine网站下载的南极Sentinel-1SAR HH极化方式影像分为多景GeoTIFF格式数据，拼接后，其中最大的影像有112 688行112 688列，若直接使用IDL封装函数read_tiff读取，需要花费169 s，在硬件设备为i7CPU、安装内存为16GB的笔记本电脑中，占满内存，出现读取数据后无法进行运算的情况。开发了一种可以实现快速且准确获取行列数的算法，以便结合分块的影像提取冰山，在尺长参数设置为10 000时，运行速度为1s，大大减少了运行时间，稳定提升了处理效率。遥感影像提取算法研究需要快速获取影像的行列号，这个指标不易计算。因此，基于IDL设计了影像行列号快速获取的程序代码，在此基础上成功分块读取遥感影像。结果显示：代码运算准确高效。参考文献1张兵.遥感大数据时代与智能信息提取J.武汉大学学报（信息科学版）,2018,43(12):1861-1871.2韩培友.IDL可视化分析与应用M.西安:西北工业大学出版社,2006.3WILLIAMS R N,REES W G,YOUNG N W.A tech-nique for the identification and analysis of icebergs insy