CN102961203A

CN102961203A - 基于emd样本熵的表面肌电信号识别方法

Info

Publication number: CN102961203A
Application number: CN2012105270135A
Authority: CN
Inventors: 席旭刚; 朱海港; 罗志增; 张启忠; 佘青山
Original assignee: Hangzhou Dianzi University
Current assignee: Hangzhou Dianzi University
Priority date: 2012-12-10
Filing date: 2012-12-10
Publication date: 2013-03-13
Anticipated expiration: 2032-12-10
Also published as: CN102961203B

Abstract

本发明提出了一种基于EMD样本熵的表面肌电信号识别方法。本发明首先从相关肌肉组上采集相应的表面肌电信号sEMG，然后运用能量阈值确定sEMG的动作信号进行经验模态分解，依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的内蕴模式函数分量进行迭加作为有效肌电信号，求取样本熵，最后将样本熵作为特征向量输入基于主轴核聚类算法的聚类分类器，实现肌电信号的上肢多运动模式识别。本发明中样本熵能够从较短的时间序列中揭示动作表面肌电信号的复杂性，很好的表现肌电信号的细微变化情况，抗干扰能力强，算法简单，计算速度较快，特别适合肌电信号的实时处理。

Description

基于EMD样本熵的表面肌电信号识别方法

技术领域

本发明属于模式识别领域，涉及一种肌电信号模式识别方法，特别涉及一种应用于肌电假手，基于肌电信号的上肢多运动模式识别方法。

背景技术

表面肌电信号(Surface electromyography，sEMG)是从人体骨骼肌表面通过表面肌电拾取电极记录下来的、与神经肌肉活动相关的生物电信号，其中蕴涵着很多与肢体运动相关联的信息，不同的肢体动作具有不同的肌肉收缩模式，肌电信号特征也将有所差异，通过对这些特征的分析就可以区分肢体的不同动作模式，因此，它不仅被广泛运用于临床诊断、运动医学等领域，还成为假肢控制和功能性神经电刺激的理想控制信号。随着对肌电信号产生机理的研究，研究者们发现sEMG具有非周期、非平稳、非线性等混沌特性，近年来运用非线性指标来识别动作表面肌电信号的模式也得到了深入的研究，例如王人成等利用Hausdorff维区别了伸腕、屈腕和旋腕3个动作；胡晓等利用GP算法的信息维识别了腕正旋、腕反旋两个动作；邹晓阳、雷敏等将最大李雅普诺夫指数和多尺度分析方法结合起来，然后利用支持向量机较好的识别了人体前臂的内翻、外翻、握拳、展拳、上切和下切六类动作；澳大利亚皇家墨尔本理工大学的Naik,Genesh R. Kumar, Dinesh K等提取手部各类动作的肌电信号的分形维特征，然后结合支持向量机识别手部各个动作，取得了较高的识别率等。这些非线性算法都很好的解决了肌电信号的特征提取问题，然而这些特征提取方法需要长时间稳定的sEMG信号，抗噪能力较弱，对肌电假手就不能很好的实时控制。

发明内容

为实现对残肢患者手腕运动模式的正确识别，快速精准的控制肌电假手，本发明提出了一种基于经验模态分解(Empirical mode decomposition, EMD)样本熵的肌电信号识别方法。首先从相关肌肉组上采集相应的表面肌电信号，然后运用能量阈值确定sEMG的动作信号进行经验模态分解（EMD），依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的内蕴模式函数(Intrinsic Mode Function，IMF)分量求和作为有效肌电信号，求取样本熵，然后将样本熵作为特征向量输入主轴核聚类分类器，实现肌电信号的上肢多运动模式识别。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1).获取人体上肢肌电信号样本数据，具体是：首先通过肌电信号采集仪拾取人体上肢肌电信号，再运用能量阈值确定动作的起始位置和终止位置作为动作肌电信号。

步骤(2).将步骤(1)获取的sEMG动作信号进行经验模态分解，然后依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的IMF分量进行迭加作为有效肌电信号。

所述经验模态分解（EMD)，具体算法如下：

EMD是一种自适应的信号处理方法，非常适合处理非线性非平稳信号，它基于一个基本的假设条件，即所要分析的信号是由许多不同的内蕴模式函数相互叠加而成。不同时间尺度的各种模式将会根据其自身的特征尺度进行分解，分解后的每种模式是相互独立的，在连续的过零点间不存在其他极值点。所以每一个IMF都要满足以下两个判断条件：整组IMF数据中极值点和过零点的数目相等或最多相差1；信号的局部极大值包络线和局部极小值包络线的均值为0。

对信号

，用EMD分解成各IMF步骤为：

(1)首先确定信号

的所有极值点，包括极大值点和极小值点。然后对所有极大值点和所有极小值点分别用三次样条插值曲线连接起来，这样便确定信号的上包络线

和下包络线

，记上、下包络线的均值为。则

(1)

(2)用信号

减去上、下包络线的均值

得到

，即

(2)

此时看

是不是满足IMF的两个条件，满足则把

赋给

；不满足则把

看作原始信号在重复以上过程，直至

次循环后得到的满足IMF的两个条件，并记：

(3)

(3)记剩余信号

，将其作为新的序列，重复上面步骤，直至提取出所有的IMF。此时原始信号最终分解为

个IMF和一个剩余分量。记：

(4)

式中：

为第

个IMF分量；

为余项。

信号在分解的过程中保留了原来的特性，这些IMF分量频率从大到小，包含着不同的特征时间尺度，将信号的特征信息在不同的分辨率下表现出来，从而可以选取信号的IMF分量组成新的特征信息。

所述频率有效度方法，具体算法如下：

为了自适应的选取前若干个IMF分量，本发明采用了基于瞬时频率的有效信息统计法，定义第

层的内蕴模式分量

的频率有效度

。其中，为中瞬时频率落在20~350范围内的点数，

为总的信号采样点数，

表示在指定频率段的有效信息量。由于EMD分解的各层IMF分量的频率逐层减小，它们的频率有效度也各不相同，因而通过设定频率有效度

的值可以选取不同的前若干个IMF分量。

步骤(3).将步骤(2)获取的肌电信号进行特征提取，求取其样本熵作为肌电信号特征。

所述样本熵，具体算法如下：

样本熵是在近似熵的基础上，Richman提出的一种改进的时间序列复杂度测量方法。本发明采用了快速样本熵，其计算步骤如下：

（1）设有效肌电信号时间序列

含有

个数据，分别为

。

（2）将序列

按顺序组成一组

维矢量，

（5）

式中，

=

；

矢量与

之间的距离

用分量间的最大欧氏距离表示，即

（6）

（3）定义

的二值距离矩阵为

，

的第

行第

列为

，给定阈值

（

），则：

（7）

（4）利用矩阵中的元素计算

和

，

（8）

（9）

（5）求所有的

的平均值记为

及

的平均值

，

（10）

（11）

（6）肌电信号时间序列

的样本熵可表示为：

（12）

样本熵值显然与嵌入维数

和相似容限

的取值有关，在一般情况下，

取1或2，取0.1~0.25倍的数据标准差。

的取值越大，算法所需要的数据量越大，计算时间也就越长；

取值越大，时间序列的细节信息损失越多，

取值越小，噪声对结果的影响越显著。

步骤(4).以步骤(3)所求得的样本熵作为特征向量输入基于主轴核聚类算法的聚类分类器，获得识别结果。

根据肌电信号样本熵分布特征，本发明设计了一种基于样本和核的相似性度量的算法—主轴核聚类算法，该算法用一个聚类主轴作为一类的代表，不仅能对类的自然分布为球状或接近球状的样本作有效分类，还能够对一些分布为非球状的样本尤其是那些椭球或近似椭球状的样本作出更有效的分类，算法思想简便，容易实现。

设一个

维矢量样本集

，类别数为，定义主轴核函数为：

（13）

式中：，设

为第类的子集，则

为子集

的均值，

为

的协方差矩阵，轴

是样本协方差矩阵

的

个最大特征值所对应的本征向量系统，其中表示类动作的维数。

任一样本

与一个轴之间的相似程度可以用

与

类主轴之间的欧氏距离的平方来度量：

（14）

式中是

类样本的均值向量。

任一样本与某个类主轴的欧氏距离不受特征量纲选取的影响，并且平移不变，而且也反应了特征的相关性。通过对训练数据的聚类分析，用已知动作训练集分别求取的每个动作的主轴核函数为相应类的聚类主轴，每个聚类主轴都是一个

维矢量。如果给定矢量属于第

类，那么它到第

类聚类主轴的欧氏距离最小；因此，如果要判定矢量属于哪一类，只要计算它到哪一类聚类主轴的欧氏距离最小即可。

本发明与已有的诸多手部肌电信号动作识别方法相比，具有如下特点：

样本熵能够从较短的时间序列中揭示动作表面肌电信号的复杂性，很好的表现肌电信号的细微变化情况，抗干扰能力强，算法简单，计算速度较快，特别适合肌电信号的实时处理。而对sEMG信号进行EMD分解后，依据频率有效度的方法选取包含肌电信号主要信息的若干个IMF分量进行迭加作为肌电信号，求其样本熵来进行复杂度分析的方法，很好的去除了肌电信号中的冗余信息，能够得到更好的样本熵特征分布，最后根据样本熵分布的特点，利用主轴核聚类分类器对四类前臂动作进行分类，取得了较为理想的效果。

附图说明

图1为本发明的实施流程图；

图2为本发明对动作肌电信号直接求取样本熵的特征分布图；

图3为本发明对动作肌电信号求EMD样本熵的特征分布图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。

如图1所示，本实施例包括如下步骤：

步骤一，获取人体上肢肌电信号样本数据，具体是：首先通过肌电信号采集仪拾取人体上肢肌电信号，再运用能量阈值确定肌电信号的动作信号。

（1）采集人体上肢的肌电信号。受试者分别进行腕上翻、腕下翻、展拳和握拳4种手前臂动作各80组，共320组数据，选用上肢尺侧腕伸肌和尺侧腕屈肌作为表面肌电信号来源。实验前先用酒精分别在受试者的尺侧腕伸肌和尺侧腕屈肌上擦涂去污，以增强信号拾取能力，采用MyoTrace 400肌电信号采集仪来拾取尺侧腕伸肌和尺侧腕屈肌对应的表面肌电信号。

（2）运用能量阈值确定动作的起始位置和终止位置作为动作肌电信号。

步骤二，将步骤一获取的sEMG动作信号进行经验模态分解，然后依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的IMF分量进行迭加作为肌电信号。

对动作信号进行EMD分解，将其分解为多个平稳的固有模态函数之和，依据基于瞬时频率的有效信息统计法，自适应的选取若干个包含肌电信号有效信息的IMF分量求和作为动作信号。本实例选取当频率有效度

时的前五个IMF分量进行迭加作为肌电信号。

步骤三，将步骤二获取的肌电信号进行特征提取，求取出其样本熵作为肌电信号特征。

求肌电信号的求样本熵，通过取不同的

和值计算肌电信号的样本熵值，大量实验证明当

不变时，

从0.1~0.25变化时，样本熵值成减小趋势，但变化很微小，对特征提取的影响不大。本实例中，取嵌入维数

=2，相似容限

=0.2，特征提取的效果较为理想。

表1为从受试者尺侧腕伸肌与尺侧腕屈肌上各80组肌电信号运用直接对动作信号求样本熵和EMD样本熵两种方法的统计数据

表1 4种动作肌电信号的样本熵和EMD样本熵统计特性

图2为运用对动作信号直接求取样本熵的方法，以屈肌样本熵为横坐标，伸肌样本熵为纵坐标建立直角坐标系的特征分布结果；图3为运用EMD样本熵方法的特征分布结果。

步骤四，以步骤三所求得的样本熵作为特征向量输入基于主轴核聚类算法的聚类分类器，获得识别结果。

本实例采用核聚类算法，核函数取主轴核函数。分类器的输入为尺侧腕伸肌及尺侧腕屈肌上肌号信号的样本熵。将每组动作的屈肌和伸肌的样本熵构成特征向量

，其中

是第

组屈肌信号的样本熵值，

是第

组伸肌信号的样本熵值。选取采集的每类动作信号的40组共160组表面肌电信号作为训练集，求取EMD样本熵获得特征向量，利用主轴核聚类算法分别求取各个特定动作的主轴核函数，然后将剩下的160组数据作为测试集，送入主轴核聚类分类器进行识别，若识别结果与测试目标一致，说明对测试的动作进行了正确归类，否则是错误归类。

表2为分别对动作信号直接求样本熵和EMD样本熵作为特征向量，输入基于主轴核聚类算法的聚类分类器进行模式识别的结果。表3为对动作信号求取EMD样本熵作为特征向量，运用基于K-均值的聚类分类器和基于距离测度的马氏距离分类器与基于主轴核聚类算法的聚类分类器进行对比的模式识别结果。

表2 两种特征提取方法的手部动作识别结果

特征提取方法	上翻	下翻	展拳	握拳	*平均识别率*
						样本熵	37	34	33	35	86.7%
EMD样本熵	40	37	36	39	95%

表3 用本发明的特征提取方法提取的特征向量输入不同的分类器得到的识别结果

模式分类器	上翻	下翻	展拳	握拳	*平均识别率*
						K-均值	82%	77%	77%	82%	79.5%
马氏距离	90%	80%	83%	85%	84.5%
						主轴核聚类	100%	92.5%	90%	97.5%	95%