基于ar和xmlq網(wǎng)絡的指力跟蹤表面肌電信號同步

基于ar和xmlq網(wǎng)絡的指力跟蹤表面肌電信號同步

1segm信號的運用開展人類運動功能研究主要包括對手指自由度、手指彎曲角度、手指力量、手的形狀、指示和握力的研究。這些信息對運動科學、人機、假肢控制、人體工效學和康復等研究具有重要的學術(shù)和實用意義。單個手指的力量和動作是反映手指協(xié)同運動,評價手部運動機能的一個重要參數(shù),由于食指、中指的動作受前臂指淺屈肌(flexdigitorumsuperficials,FDS)和指伸肌(extensordigitorum,ED)肌腱控制,所以單指的力量和動作在表面肌電信號(surfaceElectromyography,sEMG)信號特征上會有所反映,可以用sEMG信號來研究手指的運動機能。目前國內(nèi)外很多研究者都在利用sEMG信號進行上肢運動模式估計的研究,主要集中在以下幾個方面:研究sEMG信號與上肢疲勞的關(guān)系;研究運動功能受損者神經(jīng)肌肉系統(tǒng)功能評定;由操作鼠標時的前臂肌肉sEMG信號的特征對鼠標的設計進行人體工效學評價;由sEMG信號估計手的形態(tài)(如握拳,展拳,旋腕,伸指,屈指等);由sEMG信號控制機器手;由sEMG信號控制虛擬場景中的物體等。對于將力量與手指動作相結(jié)合的這一比較精細的動作的估計卻很少涉及,研究這些動作對于用肌電信號研究手的協(xié)同動作有著重要的意義,因此本文將AR模型與LVQ神經(jīng)網(wǎng)絡相結(jié)合,對單指(食指、中指)在4N、6N、8N力量水平下做按壓動作的肌電信號進行研究,對相同力量下食指、中指的動作進行了模式分類。2先測小道指力測試實驗對象為13名大學生志愿者。測試指按要求完成按壓指力計的動作。如圖1所示,實驗中要給受試者提供目標力量,并實時反饋出實際指力的大小,使其達到力量保持階段應該達到的目標力量,并且保持用力平穩(wěn)。先測食指再測中指,以完成一輪4N、6N、8N的指力測試為一組,重復5組,每組間隔1min。為避免實驗中受試者產(chǎn)生適應性,測試中完成動作的順序是隨機的。本實驗選擇將兩對電極分別貼于指淺屈肌(FDS)、指伸肌(ED),用RM6280C多道生理記錄儀的1,2通道記錄FDS、ED的肌電信號,記錄儀信號采樣率設為2000Hz。3資源提取和模式識別方法3.1ar模型的基本原理AR模型是一種基于參數(shù)模型的現(xiàn)代譜估計方法,常用于對隨機生理信號進行譜估計,表面肌電信號滿足短時平穩(wěn)條件,因此可用AR模型對表面肌電信號進行特征分析。由于AR模型系數(shù)ak是由信號的頻域特征所決定的,所以用ak來表征肌電信號所對應的不同動作是合理的,因此本文直接將參數(shù)ak作為判斷手指動作的表面肌電信號的特征。首先,可以將sEMG信號x(n)看成是方差為σ2的零均值白噪聲u(n)激勵一線性系統(tǒng)的輸出,如圖2所示,然后由已知的x(n)或自相關(guān)函數(shù)rx(m)來估計H(z)的參數(shù)ak,ak由(1)式Y(jié)ule-Walker方程解出:只要知道x(n)的前p+1個自相關(guān)函數(shù)rx(0),rx(1),…,rx(p),即可求出ak,σ2。AR模型階數(shù)p的選擇是一個重要問題,它與譜估計的質(zhì)量密切相關(guān),階數(shù)取得太高,譜估計會出現(xiàn)譜分裂現(xiàn)象,階數(shù)取得太低,又可能導致其分辨率不夠。有實驗表明,在肌電信號處理中AR模型階數(shù)取為4～6時,對信號的分析和識別性能是最好的,更高階數(shù)的模型不但不會改善分類結(jié)果,而且會加大運算量。因此本文采用4階AR模型。使用MATLAB工具箱中的函數(shù)armcov函數(shù)計算2000點sEMG信號的AR模型系數(shù)。3.2改善存在的隱蔽神經(jīng)元的分類學習向量量化(learningvectorquantization,LVQ)是一種用于訓練競爭層的有監(jiān)督學習(supervisedlearning)方法,由輸入層、隱含層、輸出層等三層神經(jīng)元組成。該網(wǎng)絡的隱含層和輸出神經(jīng)元之間的連接權(quán)值固定為1,輸入層和隱含神經(jīng)元間的連接權(quán)值建立參考矢量的分量。在網(wǎng)絡訓練過程中,當某個輸入模式被送至網(wǎng)絡時,參考矢量最接近輸入模式的隱含神經(jīng)元因獲得激發(fā)而贏得競爭,因而允許它產(chǎn)生一個“1”,其他隱含神經(jīng)元都被迫產(chǎn)生“0”。同時,與包含獲勝神經(jīng)元的隱含神經(jīng)元組相連接的輸出神經(jīng)元也發(fā)出“1”,而其他輸出神經(jīng)元均發(fā)出“0”。對相同力量水平下食指和中指動作進行分類,分別采用AR系數(shù)作為特征值。同一力量水平下,每位受試者食指、中指均進行5次實驗,隨機選取所有受試者的AR系數(shù)值40組作為神經(jīng)網(wǎng)絡的訓練樣本,將所有實驗得到的AR系數(shù)值作為測試樣本,利用LVQ網(wǎng)絡進行模式分類。以FDS,ED的AR系數(shù)為特征值LVQ網(wǎng)絡的訓練樣本輸入為P=[ARF1ARE1ARF2ARE2??ARFnAREn](2)Ρ=[ARF1ARF2?ARFnARE1ARE2?AREn](2)其中n=1,2……40,是隨機選取的所有受試者的40組AR系數(shù)值,ARF為FDS肌電信號的AR系數(shù)值,ARE為ED肌電信號的AR系數(shù)值,一個輸入樣本對應的目標值為T=[1;0]或者T=[0;1],其中T=[1;0]表示是食指動作,T=[0;1]表示是中指動作。設置網(wǎng)絡的學習率為0.1,學習函數(shù)為learnlv1,步長為100,4N動作時的誤差性能目標為0.175,6N、8N動作時的誤差性能目標為0.1,為了比較不同隱層對網(wǎng)絡的影響,對網(wǎng)絡隱層數(shù)為100,80,60的情況均進行運算。4不同力量水平下的分類運用上述的AR模型功率譜的計算方法,計算了一名受試者食指、中指在8N力量水平下FDS1秒鐘的肌電信號(2000點)的AR系數(shù)。圖3分別顯示的是食指、中指8N力量水平下由AR模型估計的FDS肌電信號的功率譜,橫坐標為歸一化角頻率,縱坐標表示指淺屈肌肌電信號的功率。食指譜峰值對應的歸一化角頻率為ω=0.141,中指譜峰值對應的歸一化角頻率為ω=0.091。中指動作時譜峰對應的頻率要低于食指動作時的頻率。以AR系數(shù)作為LVQ網(wǎng)絡的輸入,對不同力量水平的動作進行分類,結(jié)果如表1所示。由表1可以看出,4N力量水平下,隱層數(shù)為100、80、60時正確率均為86.67%;6N力量水平下,隱層數(shù)為100、80、60時正確率分別為85.71%,86.67%,86.67%;8N力量水平下,隱層數(shù)為100、80、60時正確率分別為85.71%,85.71%,86.67%。5分類識別效果分析從圖3所示的結(jié)果可以看出,食指和中指在輸出相同力量水平時,基于AR模型的功率譜估計存在明顯的差異,這說明食指和中指輸出相同力量時FDS的活動模式存在差異。同時,這種功率譜差異應該表現(xiàn)在AR系數(shù),由此推測前臂肌肉表明肌電信號的AR系數(shù)可用于表征肌肉活動水平。進一步以AR系數(shù)為特征值使用LVQ網(wǎng)絡對食指、中指在4N、6N、8N時進行按壓動作進行分類結(jié)果表明,AR系數(shù)在區(qū)分食指和中指活動模式時,正確率超過85%。由于不同手指的動作運動單位的募集和發(fā)放均有差異,雖然記錄的表面肌電信號經(jīng)過了時間及空間的疊加,但不同手指動作的肌電信號的特異性依然存在,本文以AR系數(shù)表征這些差異。同時,由于肌電信號具有非平穩(wěn)性,所以更適用現(xiàn)代譜估計的方法,而AR參數(shù)模型把肌電信號的隨機性和一定程度的可預測性結(jié)合起來,其中激勵白噪聲反映過程的隨機性,確定性模型反映過程的可預測性。另外,本文的結(jié)果(表1)說明LVQ神經(jīng)網(wǎng)絡在通過AR系數(shù)識別手指活動模式時有較高的識別效率。事實上,LVQ網(wǎng)絡具有很好的模式分類識別特性,它的網(wǎng)絡結(jié)構(gòu)簡單,而且它只通過內(nèi)部單元的相互作用就可以完成十分復雜的分類處理,也很容易將設計域中各種繁雜分散的設計條件收斂到結(jié)論上來。本文的研究表明,LVQ網(wǎng)絡隱層數(shù)選擇為60時分類效果最佳,繼續(xù)增加隱層數(shù)時識別的正確率相差不大,這可能與AR系數(shù)的自身特征有關(guān)。6肌肉組成識別各個手指在不同力量水平下動作時,需要肌肉的協(xié)調(diào)控制,所以肌電信號會體現(xiàn)出一些特征,采用本文的實驗方法