CN111973184B - 一种针对非理想sEMG信号的模型训练数据优化方法 - Google Patents

Abstract

本发明涉及一种针对非理想sEMG信号的模型训练数据优化方法，采集sEMG信号，对采集到的sEMG信号添加标签，并对添加标签后的sEMG信号进行滤波预处理；对滤波预处理后的sEMG信号通过最大面积法进行标签修正；对标签修正后的sEMG信号进行特征值提取，并对提取到的特征值进行归一化处理；通过LDA分类方法对归一化处理后的特征值进行降维，并训练分类模型。本发明实现对非理想sEMG数据的优化，使得所训练的模型更加准确。最后，通过实验组与对照组的对比实验，证明对于数据优化后所训练的模型而言，其训练时间、特征值维数、单次分类时间大大降低，分类正确率也取得了一定程度的提高，验证了所提出方法的有效性。

Description

一种针对非理想sEMG信号的模型训练数据优化方法

技术领域

本发明涉及生物信号识别技术与医疗康复训练机器人领域，具体地说是一种针对非理想sEMG信号的模型训练数据优化方法。

背景技术

脑卒中是一种较为常见的脑血管疾病，是由于出血而导致的急性的、局部的脑损害。脑卒中患者通常会并发神经功能损伤，其中最为常见的症状为偏瘫，即患侧麻木无力、半身不遂，严重影响了患者的生活自理能力。

医学研究表明，有效的康复训练能够刺激患者神经功能的恢复，加快患者康复治疗的进程。传统的康复治疗方法是由康复医师对患者的功能受损部位进行连续的康复屈伸训练，但这种重复性的工作不仅增加康复医师的工作负担，也加重患者的经济负担。由于康复机器人能够节约社会资源、节省人力、降低患者的治疗成本，目前已经成为了国际机器人领域的一个研究热点。

肌电信号是产生肌肉力的电信号根源，而人体表面肌电(SurfaceElectromyography，sEMG)信号是肌电信号于人体皮肤表面的外在表现，包含很多肌肉活动的重要信息，可以反映出人体肌肉的运动意图。由于sEMG具有实时、便捷、无创等特点，更适用于助老助残等康复领域，已经成为人机交互的重要方法之一。

在利用sEMG进行康复机器人的控制时，往往需要先采集sEMG完成模型的训练。但是，由于心电信号、环境干扰和工频干扰的存在，采集到的sEMG往往都具有很强的噪声存在。尤其是对于患者而言，其患侧sEMG幅值十分微弱，更易受到噪声的干扰；在利用sEMG进行人机交互时，首先需要利用采集到的sEMG数据进行分类模型的训练，得到的分类模型才能在线地进行运动意图的辨识，进而向康复机器人发送控制信号。但是，由于sEMG信号比较微弱，在采集过程中十分容易受到环境噪声、工频噪声等的干扰，尤其对于患者而言，其患侧的sEMG信号在采集时更易受到影响；另外，由于患者精神不集中、反应速度差、难以长时间控制患侧肢体保持在某一动作，致使采集到的sEMG信号极易出现标签与实际动作类别不一致的情况，严重影响训练模型所需数据的准确度，从而导致模型训练不准确，在线进行运动意图辨识时分类效果较差。

发明内容

针对现有技术的不足，本发明提供一种针对非理想sEMG信号的模型训练数据优化方法，可以提高动作分类模型的分类正确率。

本发明为实现上述目的所采用的技术方案是：

一种针对非理想sEMG信号的模型训练数据优化方法，包括以下步骤：

步骤1：采集sEMG信号，对采集到的sEMG信号添加标签，并对添加标签后的sEMG信号进行滤波预处理；

步骤2：对滤波预处理后的sEMG信号通过最大面积法进行标签修正；

步骤3：对标签修正后的sEMG信号进行特征值提取，并对提取到的特征值进行归一化处理；

步骤4：通过LDA分类方法对归一化处理后的特征值进行降维，并训练分类模型。

所述添加标签为：对于不同动作类别下采集到的sEMG信号，对应添加相应类别的标签，用于区分不同动作类别。

所述滤波预处理包括：使用限幅处理去除尖峰噪声，使用陷波器去除工频噪声以及使用巴特沃兹带通滤波器滤除sEMG信号中的高频噪声。

所述通过最大面积法进行标签修正包括：

步骤2.1:对滤波预处理后的sEMG信号取绝对值后求和，得到每一时刻的sEMG信号的总能量；

步骤2.2:在采集到的sEMG信号序列上，在设定修正时间窗下，以固定修正增量窗求取该修正时间窗内的能量总和，生成能量和序列；

步骤2.3:将能量和序列中最大值对应修正时间窗内的sEMG信号作为当前动作类别的有效sEMG信号，对其添加当前动作类别的标签，并将当前动作类别下除有效sEMG信号外的sEMG信号作为静息状态下的sEMG信号。

所述修正时间窗设定为略小于采集sEMG信号时当前动作的维持时间。

所述特征值提取包括：在设定时间窗下，以固定增量窗依次提取相应时间窗下的sEMG信号，对其提取均方根，零穿越次数，自回归模型二阶系数以及自回归模型三阶系数作为该时间窗内的特征向量。

本发明具有以下有益效果及优点：

本发明实现对非理想sEMG数据的优化，使得所训练的模型更加准确。最后，通过实验组与对照组的对比实验，证明对于数据优化后所训练的模型而言，其训练时间、特征值维数、单次分类时间大大降低，分类正确率也取得了一定程度的提高，验证了所提出方法的有效性。

附图说明

图1为本发明的方法流程图；

图2为本发明中进行方法说明与验证时sEMG采集电极的粘贴位置图；

图3为本发明中进行方法说明与验证时采集sEMG的流程图；

图4为标签修正预处理前后sEMG信号所加标签的对比图；

图5为“时间窗+增量窗”的特征值提取方式示意图；

图6为经过归一化处理后的特征值波形图；

图7为对该方法进行对比实验验证时的结果图。

具体实施方式

下面以基于脑卒中患者患侧sEMG的手部动作识别为例，结合附图及实施例对本发明做进一步的详细说明。

如图1所示为本发明的方法流程图。

一种针对非理想sEMG信号的模型训练数据优化方法，包括sEMG的信号采集、滤波预处理、标签修正预处理、特征值提取、特征选择与降维几个阶段。

进行sEMG信号的采集时，采用图片引导的方式指导受试者做出指定动作，以采集相应动作的sEMG信号。考虑到患者难以长时间保持某一动作，为了获得到足够的模型训练所需数据量，采用运动动作与放松状态交替进行的采集方式。在采集sEMG信号的同时，根据图片引导为采集到的sEMG信号添加标签，后期通过数据剪接的方式获得到相应动作类别的模型训练数据样本。

进行sEMG信号的滤波预处理时，首先使用限幅处理以去除尖峰噪声，然后使用陷波器去除50Hz的工频噪声干扰，最后使用巴特沃兹带通滤波器以滤除sEMG信号中的高频噪声。

由于由于患者精神不集中、反应速度差等原因，采集时为sEMG信号添加的动作类型标签往往与患者实际作出动作时的动作类别不一致。针对这一问题，提出最大面积法对标签加以修正，使得训练分类模型时所使用的数据标签更加准确，从而保证模型训练的准确性。

进行sEMG信号的特征提取时，使用“时间窗+增量窗”的方式，以保证提取特征值的连续性。这里使用到的特征值包括RMS、ZC和ARC二阶系数、ARC三阶系数，其定义如下：

其中|x_i-x_i+1|＞ε

其中a_k,k＝1,...,p是AR模型的系数，e_i表示高斯白噪声

对于提取到的特征值，采用min-max标准化对原始特征进行归一化处理，以确保各个特征之间不受量纲和数量级的影响。由于六个通道形成的特征向量为24维，为了防止模型训练的过拟合问题、节约在线判别阶段的计算资源和运算时间，利用皮尔逊相关系数衡量特征向量之间的相关性，对特征值进行遴选，以实现对特征向量的降维。

步骤1：sEMG的采集

在不同的肌电识别应用场景下，往往选择不同的动作类型进行识别，而针对不同的动作识别，电极的粘贴位置会很大程度上影响动作的识别正确率。这里选择识别的手部动作为握拳、伸掌、放松三个动作，粘贴电极的肌肉位置选择桡侧腕短伸肌、桡侧腕屈肌、肱桡肌、尺侧腕伸肌、指伸肌、指浅屈肌，如图2所示，这6个电极采集到的肌电信号数据依次代表6个通道C1、C2、C3、C4、C5、C6。

本发明中采用美国Delsys公司生产的Trigno无线肌电信号采集系统对受试者的前臂进行肌电信号的采集。该采集系统具有16个干电极，每个干电极的大小为37mm*26mm*15mm，重量为13g，采样频率为2000Hz。

采集肌电信号前，要求受试者6小时之内没有剧烈运动。令受试者静坐于座椅上，在目标肌肉处消毒后粘贴电极。采集程序在电脑屏幕中显示图片，引导患者依次做出相应的手部动作。考虑到患者对患侧肢体控制能力下降，难以长时间保持某一动作，该实验中要求受试者每个动作仅维持6秒，然后休息4秒，如此往复循环6次，以增大采集到的模型训练数据量，采集过程如图3所示。

步骤2：sEMG的滤波预处理

采用Delsys无线肌电信号采集系统采集到的数据虽然经过了硬件上的滤波、去噪等一系列的处理，但是仍然存在工频噪声、尖峰幅值等干扰，因此需要对原始肌电信号进行软件滤波处理。

首先对原始sEMG信号做限幅处理，用于去除尖峰噪声。具体操作为当某一时刻采样点幅值的绝对值超过0.001V时，取信号前一时刻的幅值。

之后，对信号进行FFT变换，利用陷波器滤除50Hz工频噪声。陷波器的系统函数为：

其中ω₀＝2πf₀/f_s，表示陷波数字频率(rad)，f₀表示陷波频率，f_s表示采样频率。为了保证在ω＝ω₀时信号无衰减，必须在ω₀附近配置两个极点使得|H(z)|≈1。

由于肌电信号的主要频率集中在10-300Hz，采用巴特沃兹带通滤波器滤除肌电信号的高频噪声。n阶巴特沃斯低通滤波器的频率响应的模平方公式为：

其中，ω_c是截止频率，n越大则通带和阻带的近似性越好，过渡带也会越陡。

步骤3：sEMG的标签修正预处理

肌电信号是由受试者根据电脑屏幕中的图片引导做出相应的动作，由于患者精神不集中、反应时间差等因素，可能会导致程序时间戳对应的动作类别标签与真实的动作类别标签不一致，真实的类别标签总是滞后于程序标注的类别标签，这也是导致分类模型识别准确率较低的最重要原因。针对类别标签不一致的问题，提出了最大面积法进行标签修正，具体的操作步骤如下：

3.1对6个通道的肌电信号取绝对值然后求和，得到每一时刻肌电信号的总能量；

3.2从sEMG采集的0时刻开始，每隔0.5秒(1000个采样点)求出接下来5s内的能量和；

3.3求出每10s内的能量和最大值，即为每次从休息状态到动作状态的切换时刻的起始点；

3.4从每次切换时刻的起始点开始的5s内的数据作为当前时刻动作标签的对应数据，其余时刻的数据作为休息状态。

三个动作类别的标签修前后对比图如图4所示，图中的不规则波形曲线即为不同动作下采集到的6个通道的sEMG信号叠加的效果。其中，黑色虚线框表示采集sEMG时标注的原始标签，可以看出原始标签中相对于实际采集到的sEMG信号在时间上有明显的向前移位。黑色实线框表示修正后的数据标签，可以看出该方法可以对错误标签进行有效的修正。

步骤4：sEMG的特征值提取

提取出肌电信号中隐藏的特征是进行动作意图识别的关键步骤，特征提取的好坏在很大程度上会影响动作识别精度。肌电信号在较短时间内是一种平稳信号，往往通过“时间窗+增量窗”的方式提取特征值，以保证提取到的特征值的连续性，该方法示意图如图5所示。这里选择将时间窗设置为100ms，增量窗设置为50ms，即前后两个时间窗的肌电信号有50％的重叠部分。

定义N表示时间窗内肌电信号采样点个数(采样频率为2000Hz，时间窗取100ms，即N的值为200)，x_i表示时第i个样本点的数值。提取受试者六个通道的RMS特征、ZC特征和ARC二阶系数、三阶系数特征，特征值定义如下：

4.1均方根(Root Mean Square，RMS)

4.2零穿越次数(Zero Crossings，ZC)

其中|x_i-x_i+1|＞ε

4.3自回归模型系数(Auto Regression Coefficient，ARC)

其中a_k,k＝1,...,p是AR模型的系数，e_i表示高斯白噪声。自回归模型将肌电信号作为时间序列信号进行预测，后面时刻的序列值由前面k个时刻的序列值预测得到，每一时刻的模型系数即为提取到的肌电特征。

为了使得提取到的各个特征之间不受量纲和数量级的影响，对提取到的特征值进行归一化处理。这里采用min-max标准化，也叫离差标准化，是对原始特征进行线性变换，使得结果映射到[0,1]之间，数学表达式为：

其中x_norm表示标准化之后的特征数据，x表示原始特征，x_min表示原始特征中的最小值，x_max表示原始特征中的最大值。以握拳状态为例，六个通道采集到的sEMG信号提取的RMS特征值归一化处理后如图6所示。

步骤6：实验结果验证

这里选择三位脑卒中患者进行上述方法的有效性验证。在确保患者了解实验流程的情况下，采用图片引导的方式引导患者依次完成患侧手部的握拳、伸掌、放松动作，循环进行6次以增加训练模型所需的数据量。对于实验组，使用以上方法进行数据的优化处理，得到降维后的特征向量；对于对照组，直接利用原始sEMG数据进行特征值的提取，形成24维的特征向量。二者均采用LDA分类方法进行分类模型的训练，之后使用测试集进行分类准确率的验证，实验结果如图7所示。

从图7可以看出，相比于对照组而言，实验组的模型训练时间更短，模型训练速度更快；特征值维数降低，从而使得单次分类时间也得到了缩短；最为重要的，经过上述方法的优化后，模型的分类正确率也得到了一定程度的提高，从而验证了所提出的数据优化方法的有效性。

Claims (4)

1.一种针对非理想sEMG信号的模型训练数据优化方法，其特征在于，包括以下步骤：

步骤1：采集sEMG信号，对采集到的sEMG信号添加标签，并对添加标签后的sEMG信号进行滤波预处理；

步骤2：对滤波预处理后的sEMG信号通过最大面积法进行标签修正；

步骤3：对标签修正后的sEMG信号进行特征值提取，并对提取到的特征值进行归一化处理；

步骤4：通过LDA分类方法对归一化处理后的特征值进行降维，并训练分类模型；

所述添加标签为：对于不同动作类别下采集到的sEMG信号，对应添加相应类别的标签，用于区分不同动作类别；

所述通过最大面积法进行标签修正包括：

步骤2.1:对滤波预处理后的sEMG信号取绝对值后求和，得到每一时刻的sEMG信号的总能量；

步骤2.2:在采集到的sEMG信号序列上，在设定修正时间窗下，以固定修正增量窗求取该修正时间窗内的能量总和，生成能量和序列；

步骤2.3:将能量和序列中最大值对应修正时间窗内的sEMG信号作为当前动作类别的有效sEMG信号，对其添加当前动作类别的标签，并将当前动作类别下除有效sEMG信号外的sEMG信号作为静息状态下的sEMG信号。

2.根据权利要求1所述的针对非理想sEMG信号的模型训练数据优化方法，其特征在于：所述滤波预处理包括：使用限幅处理去除尖峰噪声，使用陷波器去除工频噪声以及使用巴特沃兹带通滤波器滤除sEMG信号中的高频噪声。

3.根据权利要求1所述的针对非理想sEMG信号的模型训练数据优化方法，其特征在于：所述修正时间窗设定为略小于采集sEMG信号时当前动作的维持时间。

4.根据权利要求1所述的针对非理想sEMG信号的模型训练数据优化方法，其特征在于：所述特征值提取包括：在设定时间窗下，以固定增量窗依次提取相应时间窗下的sEMG信号，对其提取均方根，零穿越次数，自回归模型二阶系数以及自回归模型三阶系数作为该时间窗内的特征向量。

Images