, ,

(上海師范大學(xué) 信息與機電工程學(xué)院,上海 200234)

基于表面肌電的肘關(guān)節(jié)運動角度預(yù)測

井本成, 董海清,陳玉娟,張自強*

(上海師范大學(xué) 信息與機電工程學(xué)院,上海200234)

表面肌電信號(sEMG)由于能夠反映用戶的動作意圖而被廣泛應(yīng)用在上肢康復(fù)治療系統(tǒng)中.針對目前上肢康復(fù)機器人的手臂關(guān)節(jié)運動控制不靈活的問題,提出一種基于sEMG的肘關(guān)節(jié)運動角度預(yù)測方法.為解決單一的時域特征提取方法存在的時間效率高而穩(wěn)定性不足的問題,從時域和頻域分別提取特征值,采用BP人工神經(jīng)網(wǎng)絡(luò)建立表面肌電信號與肘關(guān)節(jié)角度的映射模型,實現(xiàn)肘關(guān)節(jié)角度的預(yù)測.實驗結(jié)果表明,該模型的預(yù)測結(jié)果與真實角度值有高度的一致性,有助于提高上肢康復(fù)機械臂的靈活性.

表面肌電信號; 上肢康復(fù);BP神經(jīng)網(wǎng)絡(luò); 肘關(guān)節(jié)角度

0 引 言

肢體康復(fù)是用來改善或恢復(fù)由于脊髓損傷(SCI)、創(chuàng)傷性腦損傷(TBI),或腦血管意外(CVA)引起的生理機能喪失的身體訓(xùn)練過程.在肢體康復(fù)系統(tǒng)方面,基于人體表面肌電信號的機器人輔助康復(fù)方法得到廣泛的發(fā)展[1-3].

肌電信號是一種可被記錄并用來評估人體骨骼肌肉的張力和控制相關(guān)運動的生物信號,它還是可以直接反映用戶動作意圖的最重要的生物信號之一[4-5].因此,肌電信號也被用來檢測動作意圖,預(yù)測關(guān)節(jié)力矩和角度,合成機械手臂的運動,進而引導(dǎo)用戶癱瘓手臂的康復(fù)治療.

就手臂關(guān)節(jié)運動預(yù)測方法而言,Oyong等[6]提出了一種通過遺傳算法(GA)來估計肩關(guān)節(jié)和肘關(guān)節(jié)扭矩的方法.Edward等[7-9]提出了非線性動態(tài)模型來估計肘關(guān)節(jié)扭矩.Ahmad等[10]提出了肘關(guān)節(jié)角度的估計方法,通過一個測角器量得實際的關(guān)節(jié)角度,以校準(zhǔn)和訓(xùn)練人工神經(jīng)網(wǎng)絡(luò),并通過肌電信號(EMG)估計肘關(guān)節(jié)角度.Masairo等[11]提出了另一種關(guān)節(jié)角度估計方法,關(guān)節(jié)角度通過“肌電信號—關(guān)節(jié)角”模型來估計,它體現(xiàn)了肌電信號和關(guān)節(jié)角度的線性關(guān)系.本文作者提出了一種基于表面肌電信號(sEMG)的肘關(guān)節(jié)角度預(yù)測方法,用BP人工神經(jīng)網(wǎng)絡(luò)建立肘關(guān)節(jié)角度和表面肌電信號映射模型,實現(xiàn)對肘關(guān)節(jié)角度的預(yù)測.

1 信號采集和處理

1.1實驗的整體流程

圖1 實驗整體流程

實驗的整體流程(圖1)包含三步,其中步驟1涉及信號測量和處理,步驟2需要通過BP神經(jīng)網(wǎng)絡(luò)建立表面肌電信號和關(guān)節(jié)角度之間映射模型,步驟3根據(jù)采集的肌電信號使用訓(xùn)練好的模型進行肘關(guān)節(jié)角度預(yù)測,并驗證預(yù)測效果.

1.2信號采集

圖2 電極貼片的位置

有兩種方法來獲得肌電信號,一種是sEMG,借助于與用戶皮膚表面接觸的傳感器來采集;另一種是肌肉肌電信號(IEMG),用針電極通過皮膚插入肌肉組織進行采集.本文作者采用了sEMG來提取肌肉活動信息[12].使用安徽埃力科技有限公司生產(chǎn)的肌電采集儀采集肱二頭肌和肱三頭肌的表面肌電信號.該設(shè)備可以通過有線或無線方式連接到電腦,攜帶方便,配置簡單.采集時電極之間的距離一般設(shè)置為2 cm以防止肌肉串?dāng)_.電極的安放位置如圖2所示.

sEMG采集的同時要使用荷蘭Xsens公司開發(fā)的三維慣性位置追蹤器采集手臂運動過程中的關(guān)節(jié)轉(zhuǎn)角信息.該設(shè)備通過Xbus系統(tǒng)集成了多個微機電系統(tǒng)(MEMS)運動傳感器,并通過USB或者無線藍(lán)牙連接PC機.使用時調(diào)整傳感器佩戴位置,使手臂在鉛垂面運動時,傳感器的x,y,z三個坐標(biāo)軸與實際的三維空間相對應(yīng),以便于計算關(guān)節(jié)轉(zhuǎn)過的角度.完整的信號采集方法如圖3所示,手臂在鉛垂面內(nèi)作屈伸運動,先屈曲到一個指定的位置,再伸展回到起始位置,視為一次動作結(jié)束,每次動作保持速度緩慢、均勻.

1.3信號處理

1.3.1 表面肌電信號處理流程

通過肌電信號采集分析儀采集的兩個通道原始sEMG樣本,如圖4所示.

圖3 信號采集方法

圖4 兩個通道原始sEMG

圖5 信號采集與處理流程

信號被用于特征提取之前,先對它進行預(yù)處理,增加信噪比.肌電信號處理的流程圖如圖5所示,將采集到的原始表面肌電信號經(jīng)過活動段截取和濾波降噪處理,然后對濾波后的信號進行歸一化并提取特征,作為BP人工神經(jīng)網(wǎng)絡(luò)的輸入樣本.

1.3.2 活動段截取

由于采集到的肌電信號十分微弱,而且可能包含有MUAP還沒開始募集的部分,所以截取信號中的有效片段至關(guān)重要.采用滑動矩形窗從能量的角度對信號進行分析,根據(jù)一個短時窗內(nèi)肌電信號能量和的大小來判斷是否處于無動作狀態(tài).公式描述如下:

(1)

圖6 信號活動段

其中Q是ti時刻的窗內(nèi)肌電信號信號能量值,Δt是滑動時間窗的寬度,semg(t)為采集到的表面肌電信號隨時間變化的數(shù)據(jù).處理后的部分活動段信號如圖6所示,圖6(a)、(b)分別對應(yīng)肱二頭肌和肱三頭肌的采樣通道.

1.3.3 信號濾波和歸一化

sEMG復(fù)雜并且微弱,在采集過程中極易受到干擾,所以需要對采集到的信號進行濾波處理.sEMG的頻率區(qū)間主要能量集中在50～150 Hz范圍內(nèi),對于采集到的原始信號,首先要濾除50 Hz工頻干擾,然后經(jīng)過一個通帶截止參數(shù)WP為(50,150),阻帶截止參數(shù)WS為(10,500)的二階巴特沃斯帶通濾波器.信號經(jīng)過濾波后,再進行歸一化處理:

(2)

式中y的最大值ymax和最小值ymin分別設(shè)為+1和-1,x代表信號樣本的值,xmax和xmin代表信號的最大幅值和最小幅值,處理后的信號見圖7(a)、(b)分別對應(yīng)肱二頭肌和肱三頭肌的采樣通道.

圖7 處理后的sEMG

1.4特征提取

特征提取是sEMG進一步運用到神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的重要環(huán)節(jié),特征提取方法主要有時域法、頻域法、時頻域法、高階譜分析法等.相對于其他幾種特征提取方法,時域特征和頻域特征比較常用,時域特征計算量少而頻域特征穩(wěn)定性好,能滿足實際要求.本實驗采用時域法和頻域法提取5種特征值:均方根值(RMS),過零點數(shù)(ZC),平均功率頻率(MPF),中位頻率(MF)和絕對平均值值(MAV)構(gòu)成特征向量.計算方法如下:

(3)

(4)

(5)

(6)

(7)

式中xi為樣本點,N為樣本點數(shù).以均方根值(RMS)為例,肱二頭肌和肱三頭肌的RMS曲線如圖8所示.

圖8 肱二頭肌和肱三頭肌的RMS曲線

2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測實驗

BP傳播神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督式的學(xué)習(xí)算法,其誤差反向傳播的含義為:根據(jù)輸出誤差來反復(fù)調(diào)整網(wǎng)絡(luò)中各層神經(jīng)元的連接權(quán)值,使網(wǎng)絡(luò)輸出誤差逐漸減小,并最終接近、達(dá)到期望輸出.當(dāng)網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時保存網(wǎng)絡(luò)的權(quán)值和偏差.

一般情況下,人工神經(jīng)網(wǎng)絡(luò)能夠處理例如預(yù)測、優(yōu)化、模式識別等一系列問題,因此,采用BP神經(jīng)網(wǎng)絡(luò)來建立sEMG和上肢關(guān)節(jié)角度的模型.使用了三層的BP神經(jīng)網(wǎng)絡(luò)控制器,網(wǎng)絡(luò)結(jié)構(gòu)模型如圖9所示,第一層為輸入層,由兩個各含5個sEMG特征值的通道構(gòu)成,第二層是隱含層,設(shè)置了4個節(jié)點,節(jié)點的個數(shù)

(8)

式中n為輸入單元數(shù),對應(yīng)10個特征值,m為輸出神經(jīng)元數(shù),對應(yīng)第三層輸出層的1個輸出,提供上肢關(guān)節(jié)角度的預(yù)測值.n1為隱含層神經(jīng)元個數(shù),a取1～10之間的整數(shù),根據(jù)公式和經(jīng)驗可以設(shè)置n1=4.

圖9 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

圖10 BP預(yù)測結(jié)果與真實角度

將處理過的數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù),在Matlab中將訓(xùn)練數(shù)據(jù)作為BP網(wǎng)絡(luò)的輸入,角度信號作為輸出進行訓(xùn)練.得到了輸入層到隱含層以及隱含層到輸出層的一種映射關(guān)系.這樣就建立了表面肌電信號與肘關(guān)節(jié)角度的預(yù)測模型,然后可以用測試數(shù)據(jù)作為輸入,預(yù)測結(jié)果與實際角度進行對比來檢驗預(yù)測效果,其結(jié)果如圖10所示.

由圖10可以看出,BP人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測曲線與實際角度值整體上有較高的一致性,預(yù)測結(jié)果比較符合真實曲線,但仍存在不可忽略的偏差,尤其是波峰波谷過渡處最為明顯,其原因是手臂的肘關(guān)節(jié)彎曲和伸展的過渡過程肌肉的運動狀態(tài)比較復(fù)雜,需要進一步研究.

3 總結(jié)與展望

使用表面肌電信號采集分析儀和慣性位置追蹤器設(shè)計了一種角度預(yù)測方法.分別從時域和頻域提取特征,通過BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行訓(xùn)練,建立了表面肌電信號與肘關(guān)節(jié)角度的映射模型.實現(xiàn)了關(guān)節(jié)角度的預(yù)測.該模型的預(yù)測結(jié)果與真實角度值有較高的一致性,平均誤差較小,但是對肘關(guān)節(jié)運動角度的預(yù)測結(jié)果仍有所偏離,有待改進.此外,為增強上肢康復(fù)系統(tǒng)的靈活性和實用性,接下來可以進一步研究手臂的多自由度關(guān)節(jié)運動角度.

[1] Hsiu J L,Kuu Y Y.Upperlimb EMG based robot motiongoverningusing empiricalmode decomposition and adaptiveneural fuzzy inference system [J].Journal of Intelligent and Robotic Systems,2012,68(3-4):275-291.

[2] Jordan K,Sampson M,Hijmans J,et al.ImAble system for upper limb strokerehabilitation [C].Virtual Rehabilitation International Conference(ICVR),Zurich:IEEE,2011.

[3] 卜峰,李傳江,陳佳佳,等.基于ARM的肌電假肢手控制器 [J].上海大學(xué)學(xué)報(自然科學(xué)版),2014,20(4):442-449.

Bu F,Li C J,Chen JJ,et al.Design of electromyography prosthesis controller based on ARM [J].Journal of Shanghai University(Natural Science),2014,20(4):442-449.

[4] Huang H,Wolf S,He J.Recent developments in biofeedback for neuromotor rehabilitation [J].Journal of NeuroEngineering and Rehabilitation,2006,11(3):11-12.

[5] 趙京東,姜力,金明河,等.基于肌電信號的仿人型假手控制 [J].機械與電子,2006(8):54-56.

Zhao J D,Jiang L,Jin MH,et al.Prosthetic hand control based on EMG signals [J].Machinery & Electronics,2006(8):54-56.

[6] Oyong AW,Parasuraman S,Jauw VL.Robot assisted stroke rehabilitation:Estimation of muscle force/joint torque from EMG using GA [C].Biomedical Engineering and Sciences (IECBES),Kuala Lumpur:IEEE,2010.

[7] Ullah K,Jung-Hoon K.A mathematical model for mapping EMG signal to joint torque for the human elbow joint using nonlinear regression [C].International Conference on Autonomous Robots and Agents(ICARA),Wellington:IEEE,2009.

[8] Clancy E A,Liu L,Pu L,et al.Identification of constant posture EMG-Torque relationship about the elbow using nonlinear dynamicmodels [J].Biomedical Engineering,2012,59(1):205-212.

[9] Mobasser F,Eklund JM,HashtrudiZ K.Estimation of elbow induced wrist force with EMG signals using fast orthogonal search [J].Biomedical Engineering,2007,54(4):683-693.

[10] Ahmad A B,Ahmad N,Mohd H M,et al.Characterization of surface electromyography using timedomain features for determining hand motion and stages ofcontraction [J].Australasian Physical and Engineering Sciences in Medicine,2014,37(1):133-137.

[11] Yoshikawa M,Mikawa M,Tanaka K.Hand pose estimation using EMG signals [C].Engineering in Medicine and Biology Society,Lyon:IEEE,2007.

[12] Yu H J,Lee AY,Choi Y.Human elbow joint angle estimation using electromyogram signal processing [J].Signal Processing,2011,5(8):767-775.

(責(zé)任編輯：包震宇)

Predictionofelbowjointmovementanglebasedonsurfaceelectromyography

Jing Bencheng,DongHaiqing,ChenYujuan,ZhangZiqiang*

(The College of Information,Mechanical and Electrical Engineering,Shanghai Normal University,Shanghai200234,China)

In the development of upper limb rehabilitation treatment system,surface electromyography (sEMG),with the capacity of reflecting users’ action intention,is widely used.Aiming at the problem that the arm joints of the upper limb rehabilitation robot are not flexible,this paper proposes a sEMG based elbow joint motion angle prediction method.To solve the problem that the stability of time domain feature extraction methodis insufficient,we use electromyography signal sampling analyzer and three-dimensional inertial position tracker acquire sEMG and the rotation information of the joint movement,extracting featuresfrom the time domain and frequency domain respectively,utilizing BP artificial neural network to establish the mapping relationship between sEMG and elbow angle.The experimental results show that the predictive results of this model are highly consistent with the true angle values,which is helpful to improve the flexibility of the upper limb rehabilitation manipulator.

surface electromyography; upper limb rehabilitation; BP neural network; elbow jointangle

2016-10-25

井本成(1990-)，男，碩士研究生，主要從事嵌入式與通信控制系統(tǒng)方面的研究.E-mail: jingbencheng@163.com

導(dǎo)師簡介: 張自強(1958-)，男，教授，碩士生導(dǎo)師，主要從事控制理論及其應(yīng)用等方面的研究.E-mail:zhzq@shnu.edu.cn

TP274

:A

:1000-5137(2017)04-0571-06

*