基于肌電信號的人體上肢運(yùn)動識別分析研究 通信工程管理專業(yè)

目錄TOC\o"1-1"\h\z\u\t"標(biāo)題2,1,標(biāo)題3,2"目錄 1摘要 1Abstract 3第1章緒論 51.1課題背景及研究意義 51.2國內(nèi)外研究現(xiàn)狀 71.2.1康復(fù)機(jī)器人系統(tǒng)研究現(xiàn)狀 71.2.2基于sEMG運(yùn)動意圖識別的研究現(xiàn)狀 91.2.3上肢剛度估計(jì)的研究現(xiàn)狀 101.3主要問題 111.4本文研究內(nèi)容 12第2章上肢表面肌電信號的采集及預(yù)處理 132.1肌電信號的產(chǎn)生機(jī)理 132.2肌電信號采集平臺及肌電實(shí)驗(yàn)設(shè)計(jì) 142.3小波變換理論基礎(chǔ)簡介 172.4小波閾值量化去噪 202.5本章小結(jié) 24第3章基于小波變換的特征提取和基于多類模式識別算法的運(yùn)動意圖識別 253.1常用特征提取方法 253.2基于小波變換的小波系數(shù)提取 273.3小波系數(shù)的特征對比與分析 293.4離線分類 333.4.1距離判別算法簡介 333.4.2多類動作分類結(jié)果分析 353.5短時(shí)窗分類 373.5.1BP神經(jīng)網(wǎng)絡(luò)算法簡介 373.5.2搭建BP神經(jīng)網(wǎng)絡(luò)模型 393.5.3基于神經(jīng)網(wǎng)絡(luò)的短時(shí)窗分類實(shí)驗(yàn)結(jié)果 413.6本章小結(jié) 43第4章基于sEMG的BP神經(jīng)網(wǎng)絡(luò)估計(jì)剛度 454.1Hill-type肌肉模型建立 454.2肌肉剛度計(jì)算方法 464.3基于Hill-type模型和神經(jīng)網(wǎng)絡(luò)的剛度估計(jì) 494.4不同負(fù)載下的剛度變化對比 524.5本章小結(jié) 56第5章總結(jié)與展望 575.1全文總結(jié) 575.2未來展望 58參考文獻(xiàn) 59致謝 63附錄 64摘要人體表面肌電信號（SurfaceElectromyographic,sEMG）是一種伴隨著肌肉收縮而產(chǎn)生的生物醫(yī)學(xué)信號，具有無創(chuàng)測量、擾動噪聲相對較小等優(yōu)點(diǎn)，能夠反映人體運(yùn)動意圖和相關(guān)的肌肉剛度信息，現(xiàn)已成為上肢康復(fù)假肢的理想控制信號源。本文結(jié)合肌電信號的研究背景，自主設(shè)計(jì)動作模式肌電實(shí)驗(yàn)范式并完成了采集。在此基礎(chǔ)上展開預(yù)處理、特征提取、模式識別等步驟。論文主要內(nèi)容如下：1.本文對肌電信號的實(shí)驗(yàn)設(shè)計(jì)以及數(shù)據(jù)分析進(jìn)行了系統(tǒng)的研究，自主設(shè)計(jì)了10個(gè)動作模式的肌電實(shí)驗(yàn)，在表面肌電采集系統(tǒng)上自主選取了8個(gè)肌肉通道進(jìn)行表面肌電信號的采集。2.在信號預(yù)處理方面，為了能夠最大程度地去除噪音并保留有效信息，選擇了具有多分辨率的小波變換算法，對比了默認(rèn)閾值去噪、強(qiáng)制閾值去噪和給定軟閾值去噪三種方法的去噪效果，最終得出使用給定軟閾值去噪方法的去噪信號信噪比高、均方根誤差小、去噪效果好的結(jié)論，為表面肌電信號特征提取與分類識別做了充分的婢準(zhǔn)備。3.研究并實(shí)現(xiàn)了基于小波系數(shù)的特征提取方法，并對比了小波系數(shù)多種特征值的可分性和表征信號的能力，最終用小波系數(shù)的奇異值和最大值作為表征信號的特征向量。接著對比了多種線性距離判別、BP神經(jīng)網(wǎng)絡(luò)等多種分類算法。選擇了Fisher線性判別對信號特征進(jìn)行離線分類，實(shí)現(xiàn)了8通道正確率96.75%和2通道正確率93.25%的十類動作意圖識別。在實(shí)際應(yīng)用中，相較于離線分析肌電信號，我們需要更快更高效地短時(shí)窗處理和分析肌電信號，故將原始信號分成200ms的小窗輸入BP神經(jīng)網(wǎng)絡(luò)，識別率高達(dá)97.6%，能夠?qū)崿F(xiàn)對動作意圖的高正確率分類的目的。4.研究了經(jīng)典的Hill-type肌肉模型以及基于sEMG的肌肉剛度推導(dǎo)公式，搭建了基于sEMG的神經(jīng)網(wǎng)絡(luò)用來估計(jì)肌肉剛度，并對比了神經(jīng)網(wǎng)絡(luò)預(yù)測的剛度曲線與肌肉模型估計(jì)出的剛度曲線。重新設(shè)計(jì)針對不同力負(fù)載的剛度實(shí)驗(yàn)范式，對比不同力負(fù)載下的肌肉剛度估計(jì)。本文系統(tǒng)地研究了肌電信號的實(shí)驗(yàn)范式設(shè)計(jì)與采集、信號預(yù)處理、特征提取算法以及分類算法等，實(shí)現(xiàn)了高正確率的多類運(yùn)動意圖識別，并較為準(zhǔn)確地基于sEMG估計(jì)對應(yīng)的肌肉剛度，為之后的上肢假肢控制打下了堅(jiān)實(shí)的基礎(chǔ)。關(guān)鍵詞：表面肌電信號，小波變換，BP神經(jīng)網(wǎng)絡(luò)，剛度估計(jì)

AbstractSurfaceElectromygraphic(sEMG)isabiomedicalsignalgeneratedwithmusclecontraction.Ithastheadvantagesofnon-invasivemeasurement,relativelysmalldisturbancenoise,etc.Itcanreflectthehumanmovementintentionandrelatedmusclestiffnessinformation.Ithasbecomeanidealsourceofcontrolsignalsforupperlimbrehabilitationprostheses.Thisarticlecombinestheresearchbackgroundofmyoelectricsignalsandindependentlydesignstheactionpatternofmyoelectricalexperimentparadigmandcompletestheacquisition.Onthisbasis,thepre-processing,featureextraction,patternrecognitionandotherstepsarecarriedout.Themaincontentofthepaperisasfollows:1.Thisarticlesystematicallystudiedtheexperimentaldesignanddataanalysisofmyoelectricsignals,andindependentlydesigned10motionpatternsofmyoelectricityexperimentsbasedontheexistingMyoSystem-1400AsurfaceelectromyographytestsystemoftheUSNoraxonbrand.Eightmusclechannelswereindependentlyselectedfortheacquisitionofsurfacemyoelectricsignals.2.Intermsofsignalpreprocessing,wavelettransformalgorithmwithmulti-resolutionwasselectedtomaximizethenoiseremovalandpreserveeffectiveinformation.Thedefaultthresholddenoising,forcedthresholddenoising,andgivensoftthresholddenoisingwerecompared.Thedesiccationeffectofthesemethodsfinallyleadtotheconclusionthatgivensoftthresholddenoisingmethodhadhighsignal-to-noiseratio,smallroot-mean-squareerror,andgooddesiccationeffect,anditprovidedsufficientpreparationforthefeatureextractionandclassificationrecognitionofsurfaceEMGsignals.3.Thefeatureextractionmethodbasedonwaveletcoefficientsisstudiedandimplemented.Theeigenvalues??ofwaveletcoefficientsandtheirabilitytocharacterizesignalsarecompared.Finally,thesingularvalueandthemaximumvalueofwaveletcoefficientswereusedasfeaturevectorstocharacterizethesignal.Thenthepapercomparedwithavarietyoflineardistancediscrimination,BPneuralnetworkandotherclassificationalgorithms.Fisherlineardiscriminantwasusedtoclassifythesignalfeaturesoff-line,andthetentypesofmotionintentrecognitionwereachievedwiththecorrectrateof96.75%for8channelsand93.25%for2channels.Finally,thesignalwasdividedinto200mssmallwindowandinputBPneuralnetwork,therecognitionrateofupto97.6%,canachievethepurposeofhighaccuracyrateofactionintheclassification.4.ThepaperstudiedtheclassicalHill-typemusclemodelandthesEMG-basedmusclestiffnessderivationformula.ThesEMG-basedneuralnetworkwasusedtoestimatethemusclestiffness.Thepredictedstiffnesscurveandthecalculatedstiffnesscurvewerecompared.Redesigntheexperimentalparadigmsfordifferentforcesandcomparethemusclestiffnessperformanceunderdifferentforces.Thispapersystematicallystudiedtheexperimentalparadigmdesignandacquisition,signalpreprocessing,featureextractionalgorithms,andclassificationalgorithmsofmyoelectricsignals,andrealizedhigh-accuracymultitypesofmotionintentionrecognition,andaccuratelyestimatedthecorrespondingmusclestiffnessbasedonsEMG.Itprovidedasolidfoundationforthecontroloftheupperlimbprosthesis.Keywords:surfaceelectromygraphic,wavelettransform,BPneuralnetwork,stiffnessestimation

第1章緒論1.1課題背景及研究意義根據(jù)第二次全國殘疾人抽樣調(diào)查結(jié)果顯示，截止到2006年，我國有2412萬肢體殘疾人，占總?cè)丝跀?shù)的29.07%。他們因?yàn)閼?zhàn)爭、交通事故、疾病或者工傷等原因而落下殘疾。根據(jù)我國卒中協(xié)會2015年首次發(fā)布的中國卒中流行報(bào)告顯示，我國每年新腦卒中患者約270萬，每年死于腦卒中患者約130萬，每12秒就有一人發(fā)生腦卒中，每21秒就有人死于腦卒中。腦卒中是腦部血管因急性損傷而導(dǎo)致大腦神經(jīng)功能缺損后形成的疾病，存活下來的腦卒中患者會留下不同程度的后遺癥，使患者在日?；顒又惺プ灾鬟\(yùn)動能力，表現(xiàn)為偏癱、語言表達(dá)障礙、面癱等REF_Ref514095541\r\h[1]REF_Ref514095547\r\h[2]。肢體殘疾不但對患者自身帶來極大的生理和心靈上的創(chuàng)傷，也對家庭和社會增加了沉重的經(jīng)濟(jì)壓力和負(fù)擔(dān)。因此對于偏癱患者的及時(shí)治療和康復(fù)訓(xùn)練顯得尤為重要。傳統(tǒng)的康復(fù)訓(xùn)練主要是由經(jīng)驗(yàn)豐富的醫(yī)師對患者進(jìn)行早期的基礎(chǔ)護(hù)理、中期的針灸和推拿以及后期的針刺療法REF_Ref514255093\r\h[3]REF_Ref514255095\r\h[4]，這種一對一的康復(fù)訓(xùn)練對于雙方都是一個(gè)枯噪乏味的過程。其訓(xùn)練效果很大程度上取決于康復(fù)醫(yī)師的臨床經(jīng)驗(yàn)、技術(shù)嫻熟程度。傳統(tǒng)療法不僅效率低下，而且醫(yī)師的體能狀況和主觀判斷以及其手法都會對康復(fù)訓(xùn)練效果起到相應(yīng)的制約，這些弊端往往導(dǎo)致大量患者錯(cuò)失最佳的康復(fù)時(shí)機(jī)REF_Ref514255230\r\h[5]。近年來，康復(fù)機(jī)器人已經(jīng)成為備受關(guān)注的康復(fù)治療新技術(shù)。康復(fù)機(jī)器人能讓患者自主地進(jìn)行康復(fù)動作訓(xùn)練，從而大大減少了醫(yī)療師護(hù)理師等人工資源，為康復(fù)醫(yī)學(xué)、神經(jīng)生理學(xué)等領(lǐng)域的研究和應(yīng)用提供了創(chuàng)新點(diǎn)REF_Ref514255280\r\h[6]。隨著生物信號的檢測技術(shù)及信號分析方法的不斷完善，基于生物信號反饋的康復(fù)機(jī)器人變得備受關(guān)注，該類機(jī)器人能夠?qū)⑷梭w運(yùn)動意圖和肌肉剛度等生物信息運(yùn)用于機(jī)器人控制策略，具有高效智能、個(gè)體適應(yīng)性強(qiáng)與主動參與性等優(yōu)勢，成為康復(fù)機(jī)器人的研究熱點(diǎn)。經(jīng)研究發(fā)現(xiàn)，表面肌電信號（Surfaceelectromyographysignal,sEMG）在一定程度上能反映人體肌肉的功能狀態(tài)和運(yùn)動意圖，它是通過表面電極貼片從人體肌肉表面采集到的神經(jīng)肌肉活動時(shí)候發(fā)出的生物電信號，具有信號明顯、獲取方便、擾動噪聲相對較小等優(yōu)點(diǎn)，被逐漸應(yīng)用于康復(fù)醫(yī)學(xué)、運(yùn)動檢測等領(lǐng)域?；谀Ｊ阶R別的肌電信號控制的康復(fù)機(jī)器人，其基本原理如圖1-1所示。圖1-1基于模式識別的肌電信號控制康復(fù)機(jī)器人的原理框圖首先用肌電信號采集裝置通過表面電極貼片采集患者上肢運(yùn)動時(shí)產(chǎn)生的肌電信號，經(jīng)過短時(shí)窗的去噪預(yù)處理、特征提取后輸入分類器，識別出患者的上肢運(yùn)動意圖，控制器根據(jù)不同的動作模式對康復(fù)機(jī)器人發(fā)出相應(yīng)的控制指令，機(jī)器人按控制指令帶動患者上肢進(jìn)行康復(fù)訓(xùn)練REF_Ref514255319\r\h[7]。同時(shí)，利用sEMG的特征建立與肌肉剛度的關(guān)聯(lián)，使機(jī)械臂能夠更逼真地做出動作。從不同患者的肌電信號中直接識別出患者的運(yùn)動意圖，有很強(qiáng)的個(gè)體適應(yīng)性，能夠更快速有效地幫助患者康復(fù)，使其早日恢復(fù)獨(dú)立的生活能力，對提高我國殘疾人的康復(fù)治療水平、推動我國康復(fù)醫(yī)療事業(yè)的發(fā)展進(jìn)步具有重大理論意義和應(yīng)用價(jià)值。人體的關(guān)節(jié)和肌肉具有剛度自然可調(diào)的特性,使得上肢在運(yùn)動中自然柔順。當(dāng)一個(gè)人做手臂運(yùn)動時(shí)，會隨著任務(wù)條件的改變來調(diào)制阻抗。雖然我們能夠?qū)⒆R別出的運(yùn)動意圖結(jié)果用于機(jī)械臂控制,但機(jī)械臂還不能達(dá)到剛度柔性變化的要求。為了能夠針對特定任務(wù)調(diào)節(jié)與人類相似的關(guān)節(jié)阻抗，在任務(wù)期間估計(jì)人體關(guān)節(jié)阻抗是至關(guān)重要的REF_Ref514255333\r\h[22]。1.2國內(nèi)外研究現(xiàn)狀由于肌電信號的諸多優(yōu)點(diǎn)，它在康復(fù)領(lǐng)域中得到了很好的應(yīng)用，現(xiàn)已有各個(gè)國內(nèi)外研究機(jī)構(gòu)和科研院校對表面肌電信號進(jìn)行了在康復(fù)機(jī)械臂控制、運(yùn)動意圖識別方面的研究。接下來介紹肌電信號在相關(guān)方面中的研究現(xiàn)狀。1.2.1康復(fù)機(jī)器人系統(tǒng)研究現(xiàn)狀上世紀(jì)末期，英、美、日等發(fā)達(dá)國家相繼開展了康復(fù)機(jī)器人的研發(fā)工作。外骨骼式上肢康復(fù)機(jī)器人產(chǎn)品主要有ARMinREF_Ref514256139\r\h[8]REF_Ref514256141\r\h[9]、（CADEN)-7REF_Ref514256149\r\h[10]REF_Ref514256150\r\h[11]等，部分典型產(chǎn)品如圖1-2所示。ARMin蘇黎世大學(xué)ARMin蘇黎世大學(xué)(CADEN)-7華盛頓大學(xué)圖1-2典型外骨骼上肢康復(fù)機(jī)器人在2007年，英國蘇格蘭科技公司“觸摸仿生公司”(TouchBionics)研制的i-Limb仿生手，是世界上最先進(jìn)的走向市場的仿生手，有5根可自由轉(zhuǎn)動并且獨(dú)立活動的手指，可以讓使用者做出開鎖、開易拉罐、輸入密碼等精細(xì)動作，非常逼真靈活，如圖1-3所示。圖1-3圖1-3i-Limb仿生手2012年，日本學(xué)者KazuoKiguchiREF_Ref514256166\r\h[12]等人設(shè)計(jì)了一套力輔助上肢機(jī)器人系統(tǒng)，如圖1-4，此款上肢康復(fù)機(jī)器人通過采集患者的sEMG信號和連續(xù)運(yùn)動信息來估計(jì)電機(jī)需要的驅(qū)動力矩從而施加力輔助帶動患者運(yùn)動，同時(shí)對患者的運(yùn)動意圖進(jìn)行辨識，改變電機(jī)轉(zhuǎn)動方向，從而達(dá)到輔助患者康復(fù)運(yùn)功的目的。圖1-4上肢7自由度圖1-4上肢7自由度康復(fù)機(jī)器人在國內(nèi)，哈爾濱工業(yè)大學(xué)研制了新一代AR五指靈巧手REF_Ref514256177\r\h[14]，采集手部10通道sEMG信號特征并經(jīng)支持向量機(jī)對多種手部姿態(tài)進(jìn)行分類。如圖1-5所示。2015年，上海交通大學(xué)的姚鵬飛研制了基于表面肌電信號與近紅外光譜技術(shù)聯(lián)合解碼的仿人假肢控制系統(tǒng)REF_Ref514256196\r\h[15]，仿人假肢能夠完成手指五個(gè)動作模式（休息、握拳、伸食指、二指捏、三指捏）和手腕六個(gè)動作模式（內(nèi)、外旋，上、下切，內(nèi)、外翻）。如圖1-6所示。圖1-5AR康復(fù)機(jī)械手圖1-6圖1-6仿人假肢手手指手腕動作模式綜上所述，現(xiàn)有國內(nèi)外肌電控制康復(fù)機(jī)器人在一定程度上能夠基于人體運(yùn)動意圖的識別實(shí)現(xiàn)康復(fù)機(jī)構(gòu)的簡單控制，提高了康復(fù)機(jī)器人的靈活性和主動參與性，而如何提高肌電信號分析的可靠性以發(fā)出精準(zhǔn)的控制指令成為研究的重點(diǎn)。1.2.2基于sEMG運(yùn)動意圖識別的研究現(xiàn)狀基于表面肌電信號的運(yùn)動意圖識別，首先是對采集的肌電信號進(jìn)行去噪、分段等預(yù)處理，再進(jìn)行特征提取后輸入分類器來實(shí)現(xiàn)運(yùn)動意圖的識別。特征提取方法大致有時(shí)域特征、頻域特征、時(shí)頻特征等，如清華大學(xué)的王成人、羅志增等提出功率譜比值法來提取sEMG的特征向量，然后利用Bayes統(tǒng)計(jì)算法進(jìn)行模式識別，識別率達(dá)到了84%左右REF_Ref514256222\r\h[16]。馬文杰等人提出了HHT和AR模型相結(jié)合的特征提取方法，對屈腕、伸腕、展拳、握拳4種手部動作進(jìn)行模式分類，識別率達(dá)到91%REF_Ref514256229\r\h[17]。張啟忠、席旭剛等人基于表面肌電信號產(chǎn)生的機(jī)理提出運(yùn)用信號的形態(tài)特征表征表面肌電信號，將關(guān)聯(lián)維和分維數(shù)作為特征向量，采用支持向量機(jī)進(jìn)行分類，對手部的張開、合攏及腕伸、腕曲的識別達(dá)91%REF_Ref514256236\r\h[18]。Micera等REF_Ref514256247\r\h[19]對原始肌電信號進(jìn)行主成分分析(PrincipalComponentAnalysis,PCA)，將對主成分貢獻(xiàn)多的肌電信號通道作為主通道，對信號特征向量進(jìn)行降維處理。李光林REF_Ref514256261\r\h[20]將一般人和截肢患者的肌電信號分割成一系列150ms小窗后，將4個(gè)時(shí)域指標(biāo)作為特征向量，再用線性分類進(jìn)行模式識別，截肢患者識別率達(dá)79%?？傊诩‰娦盘栠\(yùn)動意圖識別中，使用一些有效的特征提取方法如信息熵、小波系數(shù)等提取表面肌電信號的特征指標(biāo)，然后送入分類器進(jìn)行模式分類，識別效果良好。1.2.3上肢剛度估計(jì)的研究現(xiàn)狀國外的很多學(xué)者都對這方面研究較早。在1985年HoganREF_Ref514256275\r\h[24]提出了阻抗控制的概念，在同一年里Mussa-Ivaldi等學(xué)者REF_Ref514256285\r\h[23]提出了剛度橢圓理論，這為之后的人體剛度研究奠定了理論基礎(chǔ)。2009年，Kim等用人工神經(jīng)網(wǎng)絡(luò)的方法實(shí)現(xiàn)了基于EMG的關(guān)節(jié)剛度推算REF_Ref514256297\r\h[21]。2012年，Ajoudani等學(xué)者REF_Ref514256275\r\h[24]提出了一種遙阻抗控制的概念,研究者先將肌肉活躍度分解成正交的剛度空間與力空間,估計(jì)出未知環(huán)境中人體肢體末端的三維剛度,再利用估計(jì)的結(jié)果實(shí)現(xiàn)機(jī)器人阻抗控制。研究者將該方法應(yīng)用于控制機(jī)器人進(jìn)行穿孔和接球?qū)嶒?yàn),結(jié)果顯示機(jī)器人能夠有效模仿人肢體自然調(diào)節(jié)關(guān)節(jié)剛度的特性。2014年，中科院沈陽自動化所對人體上肢EMG進(jìn)行了研究，利用其計(jì)算剛度并辨識人體的運(yùn)動意圖REF_Ref514256330\r\h[25]。同年，Liang等學(xué)者REF_Ref514256319\r\h[26]基于EMG–剛度線性映射,提出了一種人操控阻抗的方法。利用EMG高頻段幅值來估計(jì)關(guān)節(jié)剛度增量,以補(bǔ)償模型的非線性余差,并降低了肌肉疲勞的影響。研究者利用估計(jì)的時(shí)變剛度控制Baxter機(jī)器人進(jìn)行消除外部擾動實(shí)驗(yàn),驗(yàn)證了提出方法的有效性。1.3主要問題由上綜述可知，關(guān)于肌電信號處理的分析方法層出不窮，各有各的特點(diǎn)，很難一一列舉，但針對肌電信號假肢控制的研究與實(shí)際應(yīng)用目前仍存在著一些問題，主要由：（1）在采集表面肌電信號的過程中存在各種原因的噪音污染，包括測量環(huán)境噪音、測量儀器本身噪音、50Hz工頻干擾、移動偽跡的干擾以及人體其他組織的生物電信號如腦電心電干擾等。（2）動作意圖識別率的高低很大程度上決定著上肢動作能否達(dá)到預(yù)期的效果。而動作的種類數(shù)、動作識別率以及數(shù)據(jù)分析的短時(shí)窗性三者難以兼顧。根據(jù)相關(guān)研究，動作種類越多，則識別難度越大。所截取的肌電信號長度越長，識別率就越高，但信號分析過程勢必會降低短時(shí)窗性。如何權(quán)衡這三者效果的研究，尚有許多需要深入探討。（3）剛度與肌肉的生理特性相關(guān)聯(lián)，是人體肢體的內(nèi)在屬性，難以直接測量。因此剛度與sEMG的數(shù)學(xué)關(guān)系模型多是在人體靜態(tài)姿勢下近似擬合的，受模型的局限性。1.4本文研究內(nèi)容本文是在可靠精確的表面肌電信號采集設(shè)備的基礎(chǔ)上，分別采集人體上肢8個(gè)肌肉通道的表面肌電信號，提取有效的特征值后，識別直臂向上、直臂向右等十個(gè)動作的高準(zhǔn)確率的分類。再用已測的上肢表面肌電信號計(jì)算出相應(yīng)的肌肉剛度，并建立上肢表面肌電信號和上肢肌肉剛度的數(shù)學(xué)回歸模型從而通過肌電信號來預(yù)測肌肉剛度。各章的主要內(nèi)容如下：第一章闡述了機(jī)械臂和表面肌電信號研究的背景和意義，介紹了國內(nèi)外的研究現(xiàn)狀和成果，并說明本論文的主要研究內(nèi)容。第二章介紹了采集裝置和實(shí)驗(yàn)范式，并簡單介紹小波閾值去噪方法，再對比三種閾值去噪方法的去噪效果，最終得到信噪比較高的表面肌電信號。第三章介紹了常用的提取特征方法并提取了表面肌電信號小波系數(shù)的奇異值、最大值、均值和標(biāo)準(zhǔn)差特征進(jìn)行比較，實(shí)驗(yàn)結(jié)果顯示，前兩者對于sEMG具有較好的可分性，故組合前兩者來作為sEMG的特征向量。接著，闡述了馬氏距離判別、Fisher判別和線性二次判別分類的原理并對比了上述三種算法對sEMG離線分類的正確識別率，再比較了8個(gè)通道和2個(gè)通道的正確識別率。再介紹了BP神經(jīng)網(wǎng)絡(luò)的原理，并用神經(jīng)網(wǎng)絡(luò)對分成小窗的肌電信號進(jìn)行短時(shí)窗分類。第四章介紹了經(jīng)典的Hill-type肌肉模型，再介紹了從sEMG信號計(jì)算肌肉剛度的流程，最后通過已有的sEMG信號數(shù)據(jù)和計(jì)算出的剛度搭建BP神經(jīng)網(wǎng)絡(luò)模型，并將預(yù)測曲線與計(jì)算出的剛度做了對比。最后自主設(shè)計(jì)針對不同力作用下的剛度實(shí)驗(yàn)范式，并對比分析實(shí)驗(yàn)結(jié)果。第五章對全文進(jìn)行了總結(jié)，簡略回顧本文的研究內(nèi)容，并提出了基于表面肌電信號的康復(fù)機(jī)器人系統(tǒng)研究的展望。

第2章上肢表面肌電信號的采集及預(yù)處理表面肌電信號具有無創(chuàng)測量、測量方便、擾動噪聲相對較小等優(yōu)點(diǎn)，能很好地反映人體動作意圖和肌肉剛度信息。但sEMG的微弱幅值、非平穩(wěn)等特點(diǎn)，在信號分析中會被淹沒在各種噪聲和干擾中，因此對sEMG進(jìn)行有效的去噪預(yù)處理，這對之后的肌電信號特征提取和模式識別至關(guān)重要。首先，本章介紹了肌電信號采集平臺的硬件和軟件，其次根據(jù)選取的肌肉通道設(shè)計(jì)合適的實(shí)驗(yàn)范式，最后對采集的數(shù)據(jù)進(jìn)行去噪預(yù)處理，為后續(xù)的信號處理奠定基礎(chǔ)。2.1肌電信號的產(chǎn)生機(jī)理肌肉能夠?yàn)槿梭w的各種動作提高機(jī)械能，肌肉的興奮和收縮與肌電信號有著密切聯(lián)系。肌電信號發(fā)源于脊髓中的運(yùn)動神經(jīng)單元，其中軸突與肌纖維相連，肌纖維與終板區(qū)相連。綜合這部分構(gòu)成下圖的運(yùn)動單元。圖2.1運(yùn)動單元肌細(xì)胞未受刺激時(shí)保持相對穩(wěn)定的狀態(tài)，靜息電位約10uV至100uV之間，此時(shí)細(xì)胞處在“極化”狀態(tài)。而當(dāng)肌細(xì)胞變得興奮時(shí)出現(xiàn)“去極化”現(xiàn)象，在大腦中樞神經(jīng)系統(tǒng)的作用下產(chǎn)生電脈沖，通過軸突傳到肌纖維并引起脈沖序列，使得肌纖維收縮而產(chǎn)生肌肉張力，同時(shí)產(chǎn)生的電位波動向細(xì)胞膜周圍擴(kuò)散，最終產(chǎn)生一個(gè)電場。我們將電極貼片置于其中，就能采集到表面肌電信號。2.2肌電信號采集平臺及肌電實(shí)驗(yàn)設(shè)計(jì)本實(shí)驗(yàn)采用了8通道的肌電信號采集系統(tǒng)，該系統(tǒng)由硬件部分和軟件部分組成。硬件部分主要包括了肌電電極和采集設(shè)備，軟件是MRXP1.06MasterEdition。表面肌電電極本文采用的電極為表面肌電電極貼片，相比于針式電極的與肌肉組織接觸面小、基線漂移大、對肌肉有創(chuàng)傷、不易長時(shí)間使用等缺點(diǎn)，表面肌電電極使用方便，無創(chuàng)傷、無痛苦，信號源產(chǎn)生的干擾小，能夠較全面反映整塊肌肉的動作信息。該電極貼片由北京市奧納科技有限公司制造的SKINTACT心電監(jiān)護(hù)電極，如圖2.2所示。放置電極時(shí)需注意以下幾點(diǎn)：用Nuprep凝膠去掉表皮的角質(zhì)層，用酒精擦拭干凈。合理安放參考電極，減少干擾。電極的放置要順著肌肉纖維的方向即電極長軸與肌纖維長軸方向平行。相應(yīng)的電極導(dǎo)線要固定好，最好能用固定帶進(jìn)行固定。圖2.2實(shí)驗(yàn)范例肌電采集設(shè)備本文采用的是美國Noraxon牌MyoSystem-1400A型號的表面肌電測試系統(tǒng)如下圖所示。由于肌電信號比較微弱且易受外界噪音干擾，該設(shè)備內(nèi)部有放大和濾波電路，最高可將微弱信號放大至5000倍，并在一定程度上去除部分噪音。該設(shè)備采集到的肌電信號輸入阻抗>100Mohm,共模增益>100dB，采樣頻率為2000Hz。圖2.3MyoSystem-1400A采集裝置軟件該系統(tǒng)的軟件部分主要是基于MRXP1.06MasterEdition平臺的肌電信號采集界面如下圖所示，主要包括數(shù)據(jù)接收、數(shù)據(jù)保存、肌電波形的顯示等等。圖2.4軟件采集界面通過以上設(shè)備，本文采用8通道對大臂小臂同時(shí)抬至水平、大臂豎直小臂抬至水平、手腕逆時(shí)針轉(zhuǎn)動、手腕順時(shí)針轉(zhuǎn)動、直臂向上、直臂向前、直臂向右、直臂向左、肩逆時(shí)針轉(zhuǎn)動、肩順時(shí)針轉(zhuǎn)動這10個(gè)動作模式進(jìn)行數(shù)據(jù)采集。每個(gè)動作主要用的肌肉如下表：表2.1不同動作需要的肌肉動作所用肌肉大臂小臂同時(shí)抬至水平肱二頭肌、肱肌大臂豎直小臂抬至水平手腕逆時(shí)針轉(zhuǎn)動旋前圓肌、旋前方肌手腕順時(shí)針轉(zhuǎn)動肱橈肌直臂向上三角肌、肱三頭肌直臂向前直臂向右三角肌中部、岡上肌直臂向左三角肌前部、胸大肌、肩胛下肌肩逆時(shí)針轉(zhuǎn)動肩胛下肌、大圓肌肩順時(shí)針轉(zhuǎn)動岡內(nèi)肌、小圓肌結(jié)合以上分析，本文選擇了方便給志愿者貼肌電片的8個(gè)通道，依次為尺側(cè)腕屈肌、肱橈肌、肱二頭肌、肱三頭肌、三角肌前部、三角肌中部、三角肌后部和岡上肌。試驗(yàn)中每一個(gè)被試每組動作采集10組信號，每位志愿者共采集100組數(shù)據(jù)；實(shí)驗(yàn)過程中，志愿者全身放松，右手自然下垂，用1秒完成動作后，保持動作3秒，再花1秒恢復(fù)到初始狀態(tài)，如此重復(fù)10次，每做完1組動作放松休息1分鐘。本實(shí)驗(yàn)共采集了4位被試。2.3小波變換理論基礎(chǔ)簡介表面肌電信號是一種比較微弱、信噪比低的信號，其幅值在600uV以內(nèi)，主要能量集中在20Hz到200Hz頻段，在它的產(chǎn)生和采集過程中，會受到各種不可避免的噪聲干擾，包括測量環(huán)境噪音、測量儀器本身噪音、50Hz工頻干擾、移動偽跡的干擾以及人體其他組織的生物電信號干擾等。因此，我們需要對采集的肌電信號進(jìn)行去噪處理，為后續(xù)更好地對表面肌電信號進(jìn)行特征提取做好鋪墊。小波變換理論產(chǎn)生于20世紀(jì)80年代中期，它建立在傅里葉變換的基礎(chǔ)上。它的基本思路是給信號加一個(gè)小窗，信號的小波變換主要集中在窗內(nèi)的信號進(jìn)行變換，而且窗口的大小和形狀能隨著頻率和時(shí)間而變化，具有很強(qiáng)的表征信號局部特征的能力。小波分析能同時(shí)在時(shí)頻域內(nèi)對信號進(jìn)行分析，由于它具有多分辨力特性，在高頻部分具有較高的時(shí)間分辨力，在低頻部分具有較高的頻率分辨力，對于傳統(tǒng)方法有著獨(dú)特的優(yōu)越性，其應(yīng)用領(lǐng)域也越來越廣泛。對于連續(xù)小波變換，設(shè)是平方可積函數(shù)，被稱為母小波，定義：（2.1）則信號的連續(xù)小波變換定義為：（2.2）式中，，，是位移，是尺度因子，“”表示共軛，“”表示內(nèi)積，如果滿足如下允許性條件：（2.3）其中，為的傅里葉變換，則連續(xù)小波的逆變換為：（2.4）其中，小波基函數(shù)具有兩個(gè)參數(shù)尺度和平移，在小波基上展開函數(shù)，即投影一個(gè)時(shí)間函數(shù)到時(shí)間—尺度平面上。尺度能夠反映信號的頻率信息，比如低頻對應(yīng)于較大的尺度。根據(jù)兩個(gè)參數(shù)的取值不同，能夠得到信號在不同時(shí)域和頻域的有用信息，從而達(dá)到局部分析信號的效果。從實(shí)現(xiàn)結(jié)果可知，變換得到的小波系數(shù)具有較大的冗余量，該特性可被利用于實(shí)現(xiàn)信號的去噪和信號重構(gòu)。1988年MallatREF_Ref514256376\r\h[27]提出了分辨率的概念，從空間的角度上形象說明了小波的多分辨率特性，給出了構(gòu)造正交小波的科學(xué)方法以及該小波變換的快速算法——Mallat算法，該算法在小波分析中至關(guān)重要。對連續(xù)信號進(jìn)行離散采樣，得到相應(yīng)的離散信號，其小波變換為：(2.5)式中，為小波系數(shù)，用Mallat算法實(shí)現(xiàn)小波變換如下：(2.6)相應(yīng)地，重構(gòu)公式為：(2.7)其中和分別是尺度函數(shù)和小波函數(shù)對應(yīng)的低通和高通濾波器，為原始信號，為小波系數(shù)，為尺度系數(shù)。2.4小波閾值量化去噪通過對現(xiàn)有的信號去噪方法進(jìn)行分析，大致上能將表面肌電信號的去噪方法分為兩類：其一為硬件預(yù)處理去噪，即在信號的采集過程中，通過對采集儀器性能的優(yōu)化和提升，包括采集信號后的濾波電路和放大電路的設(shè)置，實(shí)現(xiàn)高信噪比的信號采集；另一種方法為軟件算法預(yù)處理去噪，該方法的應(yīng)用非常廣泛，傳統(tǒng)方法是使用巴特沃斯濾波器或切比雪夫?yàn)V波器來去除噪聲，一般來說易將有用信息與噪音一并濾除，使得預(yù)處理后的信號信息不夠完整。從小波變換理論特性來看，其具有選小波基靈活性、時(shí)頻局部化等優(yōu)點(diǎn)，小波變換的這些特點(diǎn)能夠在濾除信號噪音的同時(shí)，較好地保留信號的突變部分和有用信息。一個(gè)含噪的一維離散信號模型可表示為如下形式：(2.8)其中，為含噪信號，為有用信號，為一個(gè)高頻噪聲信號。由小波變換的線性性質(zhì)可得，經(jīng)變換后的小波系數(shù)仍由信號對應(yīng)的小波系數(shù)和噪聲對應(yīng)的小波系數(shù)兩部分組成。肌電信號的有效部分通常是50HZ-200Hz之間的平穩(wěn)信號。我們需要盡可能地抑制信號中的噪音部分的同時(shí)保留信號中的有效信息。因此，我們可以利用閾值量化函數(shù)對得到的小波系數(shù)進(jìn)行處理，然后重構(gòu)信號即可達(dá)到對信號的消噪之目的。此過程可分為如下三個(gè)步驟：將原始信號作小波變換，得到小波系數(shù)。對進(jìn)行閾值量化處理，得出估計(jì)小波系數(shù)，并且使得盡量小。利用進(jìn)行小波重構(gòu)，所得到估計(jì)信號，即為去噪后的信號。在這三個(gè)步驟中，最關(guān)鍵的就是如何量化閾值以及選擇閾值函數(shù)，這在某種程度上關(guān)系到信號去噪的質(zhì)量。選取閾值常用的有4種規(guī)則：Rigrsure規(guī)則：基于Stein的無偏似然估計(jì)原理的自適應(yīng)閾值選擇。sqtwolog規(guī)則：固定閾值，閾值。heursure規(guī)則：最優(yōu)預(yù)測變量閾值minimax規(guī)則：用極大極小原理選擇閾值。在小波消噪過程中，無論選擇哪種閾值規(guī)則，都必須根據(jù)具體應(yīng)用來選擇一種合適的閾值來達(dá)到理想的消噪效果。閾值函數(shù)是對小波系數(shù)的處理，常用的有以下三種方法：默認(rèn)閾值消噪處理，該方法利用函數(shù)產(chǎn)生信號的默認(rèn)閾值。強(qiáng)制閾值消噪處理，該方法把小波分解后的高頻部分全部濾除掉。給定軟閾值的消噪處理。其中，硬、軟閾值函數(shù)公式如下：硬閾值函數(shù)：(2.9)軟閾值函數(shù)：(2.10)強(qiáng)制閾值消噪后的信號比較平滑，但會丟失信號中的有用信息。在實(shí)際應(yīng)用中，還可以通過經(jīng)驗(yàn)公式獲得閾值，且這種閾值有較高的可信度。經(jīng)過多次實(shí)驗(yàn)比較，本文采用db4小波作為小波基函數(shù)并將信號分解成4層，閾值按照“sqtwolog”規(guī)則取了固定閾值。已知采樣頻率為2000Hz。而原始無噪肌電信號頻率主要集中在50Hz到200Hz以內(nèi)。下面分別用默認(rèn)閾值消噪方法、強(qiáng)制閾值消噪方法、給定軟閾值的消噪方法對直臂向上這組動作的10組信號的第三通道（肱二頭肌通道）進(jìn)行去噪，并引入2個(gè)量化指標(biāo)信噪比SNR、均方根誤差RMSE作為評判去噪效果的標(biāo)準(zhǔn)。SNR越大，RMSE越小，則信號的去噪效果就越好。圖2.5原信號與三種方法的去噪信號圖2.6原信號與三種方法去噪信號的頻譜圖表2.2去噪信號的信噪比與均方根誤差默認(rèn)閾值強(qiáng)制閾值給定軟閾值SNR2.56975.70496.6893RMSE4.67702.38562.1925實(shí)驗(yàn)結(jié)果顯示，無論是波形圖和頻譜圖上還是從SNR和RMSE上看，給定軟閾值去噪方法均優(yōu)于默認(rèn)閾值去噪方法和強(qiáng)制去噪方法，能夠更好地保留表面肌電信號的有效信息以及較好的平滑性，克服二者存在的問題，故按照“sqtwolog”規(guī)則選用給定軟閾值的小波變換進(jìn)行肌電信號的去噪預(yù)處理，能得到滿意的去噪信號。2.5本章小結(jié)本章首先介紹了本實(shí)驗(yàn)采集肌電信號所采用的硬件設(shè)備和軟件，再介紹了實(shí)驗(yàn)所采用的實(shí)驗(yàn)范式，接著介紹小波變換的基本理論，并引入小波閾值去噪的原理，再對比默認(rèn)閾值去噪、強(qiáng)制閾值去噪和給定軟閾值去噪三種方法的去噪效果，最終得出使用給定軟閾值去噪方法的去噪信號信噪比高、均方根誤差小、去噪效果好的結(jié)論，為表面肌電信號特征提取與分類識別做準(zhǔn)備。

第3章基于小波變換的特征提取和基于多類模式識別算法的運(yùn)動意圖識別表面肌電信號具有無創(chuàng)測量、測量方便、擾動噪聲相對較小等優(yōu)點(diǎn)，在康復(fù)領(lǐng)域有很廣泛的應(yīng)用，然而sEMG是非平穩(wěn)、非線性的，因此需要選擇合適的特征提取方法，使得特征能夠更好地表征肌電信號的有效信息，從而更好地體現(xiàn)出人體的運(yùn)動意圖。本章介紹了sEMG特征提取方法，包括時(shí)域法、頻域法和時(shí)頻分析方法，并最終選取了適合非平穩(wěn)非線性信號的小波變換方法。之后，詳細(xì)闡述了線性分類器和BP神經(jīng)網(wǎng)絡(luò)的基本算法，并用這兩類算法對sEMG進(jìn)行離線分類和短時(shí)窗分類。3.1常用特征提取方法提取信號的特征指標(biāo)是非常重要的一個(gè)環(huán)節(jié)，具有良好表征能力和可分性強(qiáng)的特征向量對之后模式識別的分類效果起到了至關(guān)重要的作用。好的特征指標(biāo)通常奇異性強(qiáng)、算法簡單、魯棒性好，能較好地表征不同動作的肌肉狀態(tài)，從而能大大提高模式識別的正確率?；镜募‰娦盘柗治龇椒ò〞r(shí)域、頻域、時(shí)頻域分析方法。時(shí)域法對sEMG信號進(jìn)行時(shí)域特征提取時(shí)，通常把該信號看作為均值為零隨機(jī)信號。時(shí)域特征的提取較為簡單，常為統(tǒng)計(jì)參數(shù)，如信號的均值、方差、均方根值、絕對值積分平均值等。假設(shè)為某時(shí)段的采樣點(diǎn)數(shù)，為信號樣本，則常用的時(shí)域特征的計(jì)算方法如下：均值（3.1）均方根（3.2）標(biāo)準(zhǔn)差，為樣本均值（3.3）過零點(diǎn)數(shù)（3.4）絕對值積分平均值（3.5）方差（3.6）頻域法時(shí)域分析法是將表面肌電信號看成時(shí)間函數(shù)，雖然容易提取，但當(dāng)表面肌電信號幅值稍有變化，這些時(shí)域特征值變化較大，而通過快速傅里葉變換將信號轉(zhuǎn)化為頻率域內(nèi)的頻譜或功率譜，能發(fā)現(xiàn)其波形比較穩(wěn)定，也可以觀察各個(gè)頻段內(nèi)的肌電信號變化情況。目前頻域內(nèi)的特征值有峰值頻率、中值頻率和平均功率頻率等。設(shè)表面肌電信號的功率譜函數(shù)為，各參數(shù)的計(jì)算公式如下：平均功率：（3.7）中值頻率：（3.8）3.2基于小波變換的小波系數(shù)提取小波分析的方法已在第二章里詳細(xì)描述了。小波變換理論已經(jīng)成為現(xiàn)代信號分析的重要工具之一，具有良好的時(shí)頻局部化特性，對處理非平穩(wěn)時(shí)變信號具有獨(dú)特的優(yōu)勢，因而小波分析被譽(yù)為“數(shù)學(xué)顯微鏡”，它是時(shí)間和頻率的局域變換，能通過伸縮和平移等運(yùn)算功能對信號或函數(shù)進(jìn)行多尺度細(xì)化分析，從中提取有效信息。本文利用小波變換算法提取信號分解后的小波系數(shù)作為表面肌電信號的特征向量以實(shí)現(xiàn)對運(yùn)動意圖的識別。圖3.1sEMG小波分解圖如圖3.1，本文在一系列小波基函數(shù)中選用db4小波將去噪后的表面肌電信號進(jìn)行4層分解，每個(gè)肌肉通道可得到5組小波系數(shù)。其中，a4為低頻系數(shù)段，d1、d2、d3、d4為高頻系數(shù)段。由圖3.2可知，d1、d2、d3、d4包含了原始信號s高頻細(xì)節(jié)的部分信息，而低頻小波系數(shù)a4的波形與原始信號s的曲線走勢較為接近。因此我們可以通過提取小波系數(shù)的特征來作為信號的特征向量，從而表征不同動作模式進(jìn)行分析。圖3.2小波系數(shù)圖3.3小波系數(shù)的特征對比與分析根據(jù)上一節(jié)的介紹，本實(shí)驗(yàn)主要考慮通過分析小波系數(shù)的特征值作為表征信號信息的特征向量。本實(shí)驗(yàn)采用db4小波將去噪信號進(jìn)行4層小波分解，一共能得到4個(gè)高頻小波系數(shù)和1個(gè)低頻小波系數(shù)。奇異值是關(guān)于矩陣的一個(gè)重要參數(shù)，能在一定程度上反映矩陣中的信息，又能有較好的穩(wěn)定性。最大值也能夠在一定程度上反映各個(gè)肌肉通道的不同信息。為了確定以上特征對信號的表征能力，本文取每位志愿者做的大臂小臂同時(shí)抬至水平、大臂豎直小臂抬至水平、手腕逆時(shí)針轉(zhuǎn)動、手腕順時(shí)針轉(zhuǎn)動、直臂向上、直臂向前、直臂向右、直臂向左、肩逆時(shí)針轉(zhuǎn)動、肩順時(shí)針轉(zhuǎn)動這10個(gè)動作模式每10組數(shù)據(jù)進(jìn)行小波分解，每一組數(shù)據(jù)的8個(gè)通道就可得到一組40維的小波系數(shù)作為特征矢量，將10個(gè)動作的第2通道、第5通道和第6通道的低頻小波系數(shù)的奇異值、最大值、標(biāo)準(zhǔn)差和均值進(jìn)行了比較，并以包含肌電信號最多信息的小波系數(shù)a4、d4為例。表3.1小波系數(shù)奇異值動作模式第三通道第五通道第六通道a4d4a4d4a4d41130.00995.252198.645566.904147.567234.4572139.156179.881144.953118.656138.908107.3163140.590222.955161.708260.698145.199166.9014299.396871.400147.759139.447140.705176.3515231.937603.453974.949877.682260.384700.7266230.108707.695275.294922.867155.757288.4567286.790819.445586.864726.493220.010600.5418137.859189.474285.538468.351164.419343.3989138.140157.547421.527568.353187.582458.81010131.537106.766194.762522.519178.290404.071表3.2小波系數(shù)最大值動作模式第三通道第五通道第六通道a4d4a4d4a4d417.8847.12727.65176.5259.44931.852218.47859.53511.1889.69210.41211.227310.16621.19810.93824.9778.36615.105431.996111.36711.41411.8158.93921.343558.289142.44991.180594.05616.73677.920628.668142.17818.05385.50010.12532.724727.207116.52153.229289.11617.64872.96788.76638.30831.644139.45510.46438.431910.37517.82833.258190.23613.42252.459107.8439.64314.14772.06112.01444.391表3.3小波系數(shù)標(biāo)準(zhǔn)差動作模式第三通道第五通道第六通道a4d4a4d4a4d4144.56349.02951.12425.58628.08415.788244.70046.38447.19322.03727.48615.015327.36514.47020.65622.54829.72621.299425.27215.48919.12921.58829.88218.252560.92751.702526.240348.667702.529436.715659.59045.089509.521345.234415.671484.636770.46249.192417.790259.819451.285360.304872.79254.087457.780256.962397.348357.515961.34645.371358.360226.043370.244290.8521060.82144.208357.423225.565368.679291.162表3.4小波系數(shù)均值動作模式第三通道第五通道第六通道a4d4a4d4a4d41-0.3880.129-1.804-0.162-0.4942.06920.556-0.2750.202-0.4660.3710.30131.272-0.400-0.2580.147-0.2500.8124-0.056-0.1760.584-0.099-0.8490.48950.772-1.526-2.313-52.523-3.911-1.6866-0.151-0.508-5.150-15.084-7.469-7.97873.380-2.5524.6315.5814.4424.72782.1211.3701.4534.7730.3184.8619-0.1501.389-1.588-1.434-0.429-0.615100.309-1.6002.351-0.5521.1493.780通過對比可知，在不同的表面肌電信號小波系數(shù)特征值中，小波系數(shù)的奇異值和最大值特征在不同動作之間的差別較大，而均值和標(biāo)準(zhǔn)差則差異不是很明顯，尤其是同組動作之間，比如第9個(gè)肩逆時(shí)針轉(zhuǎn)動和第10個(gè)動作肩順時(shí)針轉(zhuǎn)動動作的系數(shù)標(biāo)準(zhǔn)差相差幾乎在1之內(nèi)。因此，雖然這些特征有差異，但是并不能都能夠清楚地表征不同動作之間的差異。將奇異值和最大值的3個(gè)通道分別作為表征信號的特征矢量，建立三維直角坐標(biāo)系，如下圖所示：圖3.3小波系數(shù)奇異值散點(diǎn)圖圖3.4小波系數(shù)最大值散點(diǎn)圖由圖3.4可看出小波系數(shù)奇異值的10個(gè)動作之間比較分散，每組動作小波系數(shù)的奇異值之間差別很大，可分性強(qiáng)，而小波系數(shù)最大值的10個(gè)動作重合部分較少，能夠區(qū)分動作意圖，因此本文將小波系數(shù)的奇異值和最大值作為表征表面肌電信號的特征矢量。3.4離線分類目前應(yīng)用于模式識別的方法各種各樣，主要包括了聚類分析、貝葉斯判別、模糊模式識別、神經(jīng)網(wǎng)絡(luò)模式識別和支持向量機(jī)等REF_Ref514257175\r\h[29]。本文分別采用了馬氏距離判別、Fisher判別和二次判別的方法來對肌電信號的特征向量進(jìn)行模式識別。相比較于其他的分類器，這幾種分類方法不需要知道總體的分布類型，計(jì)算簡單迅速，結(jié)果清晰，適于運(yùn)動意圖的短時(shí)窗性分析。3.4.1距離判別算法簡介馬氏距離判別馬氏距離判據(jù)是將每個(gè)總體都假設(shè)為正態(tài)總體來進(jìn)行分析處理，是在歐式距離的基礎(chǔ)上再考慮了量綱的改變和數(shù)據(jù)的分散程度。此法的優(yōu)點(diǎn)在于：馬氏距離與變量單位比例無關(guān),只要求知道總體的特征值如均值和方差,不涉及總體的分布類型。在此討論的是兩個(gè)總體的距離判別。設(shè)和的均值向量分別為和，協(xié)方差陣分別為和，當(dāng)給一個(gè)樣本，則判斷來源于哪一個(gè)總體的判別準(zhǔn)則為(3.10)其中樣本與總體的Mahalanobis距離為(3.11)Fisher判別與二次判別Fisher判別又叫線性判別，與二次判別都是模式識別的經(jīng)典算法。Fisher判別的基本思想是投影，即將表面上不易分類的數(shù)據(jù)通過投影到某個(gè)方向上，使得投影類與類之間得以分離的一種判別方法。僅考慮兩總體的情況，設(shè)兩個(gè)p維總體為，，樣本的線性組合，其中a為p維實(shí)向量。設(shè)和的均值向量分別為和，且有公共的協(xié)方差矩陣，則定義判別函數(shù)為(3.12)那么Fisher判別規(guī)則為(3.13)當(dāng)不同樣本的協(xié)方差矩陣不相同時(shí)，就應(yīng)該使用二次判別方法。將模式識別運(yùn)用到康復(fù)機(jī)械臂上時(shí)還需考慮模式識別的快速性。快速性是過程控制系統(tǒng)最主要的特點(diǎn)之一，要求計(jì)算機(jī)控制系統(tǒng)能夠每時(shí)每刻監(jiān)測被控量，并立即給出控制信息，及時(shí)送到執(zhí)行機(jī)構(gòu)。因此希望用于模式識別的分類器能在開始動作的前1秒內(nèi)能識別出動作意圖，保證了系統(tǒng)的快速性。3.4.2多類動作分類結(jié)果分析實(shí)驗(yàn)分別用了馬氏距離判別、Fisher判別和二次判別進(jìn)行模式識別。從4個(gè)被試十個(gè)動作中的400組實(shí)驗(yàn)數(shù)據(jù)中依次選取1組作為測試樣本，其余的作為訓(xùn)練樣本輸入分類器。實(shí)驗(yàn)結(jié)果如下表所示。表3.5三種分類器的識別率對比馬氏距離Fisher判別二次判別182.5%95.0%90.0%285.0%97.5%87.5%380.0%97.5%90.0%480.0%100%92.5%590.0%100%85.0%692.5%100%95.0%777.5%95.0%90.0%890.0%92.5%90.0%980.0%97.5%82.5%1077.5%92.5%82.5%平均83.5%96.75%88.5%由上表可知，F(xiàn)isher判別分類器分類效果最好，平均正確率達(dá)到了96.75%。從實(shí)驗(yàn)結(jié)果來看，基于8個(gè)通道的特征矢量能夠很好地表征表面肌電信號的特性，模式識別結(jié)果較好。下面可以進(jìn)一步考慮減少使用的通道數(shù)目，即減少特征矢量的維數(shù)。通過對比8個(gè)通道的特征值，發(fā)現(xiàn)第五通道（三角肌前部通道）和第六通道（三角肌中部通道）的特征值能較好區(qū)分動作，故提取這兩個(gè)通道的小波系數(shù)奇異值和最大值構(gòu)建新的低維度特征矢量。從4個(gè)被試的400組數(shù)據(jù)中依次選取1組作為測試樣本，其余的作為訓(xùn)練樣本輸入Fisher判別分類器。對比8個(gè)通道特征矢量和2個(gè)通道特征矢量的識別正確率，實(shí)驗(yàn)結(jié)果如下表和圖所示。表3.6不同通道數(shù)的識別率對比動作8通道特征矢量2通道特征矢量195.0%95.0%297.5%92.5%397.5%90.0%4100%87.5%5100%100.00%6100%92.5%795.0%95.00%892.5%97.5%997.5%92.5%1092.5%90.0%平均96.75%93.25%圖3.5不同通道的識別率對比圖由上表可知，重選的2個(gè)通道特征矢量與原8個(gè)通道的特征矢量的識別正確率接近，平均正確率均高于90%，故第五通道和第六通道的小波分解系數(shù)奇異值和最大值就能很好地表征表面肌電信號的特性。3.5短時(shí)窗分類在實(shí)際應(yīng)用中，相較于離線分析肌電信號，我們需要更快更高效地短時(shí)窗處理和分析肌電信號，這對處理信號的方法有了更高的要求。本文將動作保持的表面肌電信號分成200ms的小窗，再通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行動作模式的識別。3.5.1BP神經(jīng)網(wǎng)絡(luò)算法簡介神經(jīng)網(wǎng)絡(luò)已經(jīng)在模式識別等領(lǐng)域有了廣泛的應(yīng)用，相比于線性分類方法具有以下優(yōu)點(diǎn)：能夠識別帶有噪聲的輸入信號，具有很強(qiáng)的容錯(cuò)性。具有較強(qiáng)的自適應(yīng)學(xué)習(xí)能力。并行分布式信息儲存和處理，識別速度快。輸入數(shù)據(jù)量級越大，神經(jīng)網(wǎng)絡(luò)的表現(xiàn)就越好。BP神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元互相連接而構(gòu)成的一種非線性系統(tǒng)，能夠?qū)W習(xí)和存儲較大量級的輸入-輸出模式映射關(guān)系，從而達(dá)到分類識別的功能。BP神經(jīng)網(wǎng)絡(luò)主要包含了輸入層、隱含層和輸出層，主要是基于誤差反向傳播算法，通過將信號輸入給網(wǎng)絡(luò)，正向傳播后得到輸出響應(yīng)，再由輸出的誤差值反向傳播到輸入層，不斷調(diào)整網(wǎng)絡(luò)中的權(quán)值和閾值，使得網(wǎng)絡(luò)的誤差函數(shù)達(dá)到最小。綜上所述，誤差反向傳播算法的步驟是：初始化網(wǎng)絡(luò)各層的權(quán)值及神經(jīng)元閾值；輸入訓(xùn)練數(shù)據(jù)集，即輸入數(shù)據(jù)和對應(yīng)的輸出標(biāo)簽；正向傳播，計(jì)算網(wǎng)絡(luò)的輸出及各隱層單元的狀態(tài)值；計(jì)算誤差值并進(jìn)行反向傳播，修正網(wǎng)絡(luò)權(quán)值和神經(jīng)元閾值；判斷誤差是否滿足要求，若滿足則訓(xùn)練結(jié)束，否則轉(zhuǎn)到步驟3。圖3.5BP神經(jīng)網(wǎng)絡(luò)在本實(shí)驗(yàn)中，選用如圖3.5所示的三層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)作為分類器，網(wǎng)絡(luò)由輸入層、一層隱含層、輸出層組成，將由8個(gè)通道的表面肌電信號分割成200ms的一系列小窗，再進(jìn)行小波變換得到小波系數(shù)的奇異值和最大值作為分類器的輸入，網(wǎng)絡(luò)反復(fù)利用訓(xùn)練樣本學(xué)習(xí)，直到輸出誤差達(dá)到0.01為止。3.5.2搭建BP神經(jīng)網(wǎng)絡(luò)模型確定參數(shù)表面肌電信號的輸入特征矢量，n代表一個(gè)樣本的特征個(gè)數(shù)。本文提取了4層bd4小波變換后的小波系數(shù)奇異值和最大值，故每一個(gè)通道有10個(gè)特征數(shù)，則n=80。初始化輸入層到隱含層的連接權(quán)值，，代表隱層單元個(gè)數(shù)。將輸出向量記為，本文是對大臂小臂同時(shí)抬至水平、大臂豎直小臂抬至水平、手腕逆時(shí)針轉(zhuǎn)動、手腕順時(shí)針轉(zhuǎn)動、直臂向上、直臂向前、直臂向右、直臂向左、肩逆時(shí)針轉(zhuǎn)動、肩順時(shí)針轉(zhuǎn)動這10個(gè)動作模式進(jìn)行分類，采用二進(jìn)制法進(jìn)行標(biāo)記動作類別。確定隱含層輸出向量。BP神經(jīng)網(wǎng)絡(luò)中隱含層的節(jié)點(diǎn)數(shù)對網(wǎng)絡(luò)的性能起到很關(guān)鍵的作用和影響。隱含層節(jié)點(diǎn)太少會導(dǎo)致網(wǎng)絡(luò)無法滿足問題要求，而隱含層節(jié)點(diǎn)過多又會產(chǎn)生網(wǎng)絡(luò)的過擬合現(xiàn)象而不能對新樣本進(jìn)行準(zhǔn)確輸出REF_Ref514257133\r\h[28]。因此，根據(jù)以下參考公式得出隱含層點(diǎn)數(shù)：(3.14)其中，為隱層單元數(shù)，為輸入單元數(shù)，為輸出神經(jīng)元數(shù)，為[1,10]之間的常數(shù)。計(jì)算結(jié)果得出，根據(jù)數(shù)次實(shí)驗(yàn)發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)為效果最佳。初始化隱含層至輸出層的連接權(quán)值，。確定期望輸出向量。確定輸出誤差目標(biāo)=0.01。輸入正向傳播計(jì)算隱含層神經(jīng)元的輸出(3.15)其中，代表隱含層第個(gè)節(jié)點(diǎn)的中間狀態(tài)，代表隱含層第個(gè)節(jié)點(diǎn)的閾值。變換函數(shù)選擇常用的S型函數(shù)，即(3.16)其中，代表隱含層第個(gè)單元的輸出值。計(jì)算輸出層各神經(jīng)元的輸出(3.17)(3.18)其中，代表輸出層第個(gè)節(jié)點(diǎn)的中間狀態(tài)，代表輸出層第個(gè)節(jié)點(diǎn)的閾值，代表輸出層第個(gè)節(jié)點(diǎn)的輸出值。輸出誤差的反向傳播計(jì)算輸出層和隱含層的校正誤差(3.19)(3.20)計(jì)算輸出層至隱含層和隱含層至輸入層的權(quán)值和閾值的校正量：(3.21)(3.22)其中，與是學(xué)習(xí)系數(shù)，簡單期間，令。然后，用上述公式來修正式(3.15)和式(3.17)中的權(quán)值和閾值：(3.23)、和的修正方式同式(3.23)。BP神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)系數(shù)取0.01。循環(huán)往復(fù)式(3.15)到式(3.23)，直到輸出誤差滿足要求(3.24)或者迭代次數(shù)達(dá)到最大值。此時(shí)神經(jīng)網(wǎng)絡(luò)已訓(xùn)練完成，之后可以將待測樣本輸入神經(jīng)網(wǎng)絡(luò)中進(jìn)行動作意圖的識別。3.5.3基于神經(jīng)網(wǎng)絡(luò)的短時(shí)窗分類實(shí)驗(yàn)結(jié)果本實(shí)驗(yàn)將動作保持的3s肌電信號分割成一系列窗長為200ms的小窗，再對小窗進(jìn)行預(yù)處理和特征提取，將得到1500個(gè)小窗的特征向量樣本，隨機(jī)取出1000個(gè)樣本作為訓(xùn)練集，剩下500個(gè)作為測試集輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識別。設(shè)置網(wǎng)絡(luò)的迭代次數(shù)為1000次，學(xué)習(xí)率為0.01，訓(xùn)練精度為0.01，最大誤差設(shè)為17，網(wǎng)絡(luò)迭代過程如下圖：圖3.6網(wǎng)絡(luò)訓(xùn)練過程圖可看出網(wǎng)絡(luò)在迭代1000次后停止訓(xùn)練，誤差曲線是收斂的，最小誤差為0.029，可見該網(wǎng)絡(luò)識別結(jié)果可靠。BP神經(jīng)網(wǎng)絡(luò)的識別結(jié)果如下：表3.7BP神經(jīng)網(wǎng)絡(luò)的識別率動作模式BP神經(jīng)網(wǎng)絡(luò)動作196%動作2100%動作3100%動作4100%動作594%動作696%動作796%動作896%動作998%動作10100%平均97.6%由上表可看出，神經(jīng)網(wǎng)絡(luò)的識別率高達(dá)97.6%，識別效果好，能夠?qū)崿F(xiàn)動作的高準(zhǔn)確率分類的要求。為了分辨神經(jīng)網(wǎng)絡(luò)不同參數(shù)對正確識別率的結(jié)果影響，改變網(wǎng)絡(luò)參數(shù)，識別結(jié)果如下：表3.8改變參數(shù)下的識別率訓(xùn)練集和測試集樣本數(shù)量迭代次數(shù)錯(cuò)誤個(gè)數(shù)識別率1000訓(xùn)練、500測試10001297.6%1000訓(xùn)練、500測試5001996.2%750訓(xùn)練、750測試5004893.6%由上表能看出，訓(xùn)練樣本的數(shù)量越多，迭代次數(shù)越多，識別率就越高。因此，設(shè)置訓(xùn)練集樣本為1000，測試集樣本為500，迭代次數(shù)為1000次時(shí)識別率最高。為了防止迭代次數(shù)過多而出現(xiàn)過擬合現(xiàn)象，在MatlabR2014B中設(shè)置了網(wǎng)絡(luò)確認(rèn)誤差，在網(wǎng)絡(luò)訓(xùn)練初始階段確認(rèn)誤差將減小，但當(dāng)網(wǎng)絡(luò)開始出現(xiàn)過擬合時(shí)，確認(rèn)誤差隨著迭代過程而上升，網(wǎng)絡(luò)會提前停止訓(xùn)練。通過該提前停止法能夠有效地防止過擬合現(xiàn)象。3.6本章小結(jié)本章首先論述了常用的特征提取方法，在介紹了本文所用的小波系數(shù)特征提取方法，并對比了小波系數(shù)的奇異值、最大值、標(biāo)準(zhǔn)差和均值的可分性和表征信號的能力，最終用小波系數(shù)的奇異值和最大值作為表征信號的特征向量。再介紹了Fisher判別分類和BP神經(jīng)網(wǎng)絡(luò)的算法理論，用Fisher線性判別分類器對大臂小臂同時(shí)抬至水平、大臂豎直小臂抬至水平、手腕逆時(shí)針轉(zhuǎn)動、手腕順時(shí)針轉(zhuǎn)動、直臂向上、直臂向前、直臂向右、直臂向左、肩逆時(shí)針轉(zhuǎn)動、肩順時(shí)針轉(zhuǎn)動這10個(gè)動作模式進(jìn)行離線分類，8通道識別率達(dá)到96.75%，2通道識別率達(dá)到93.25%。再將信號分成200ms的小窗輸入BP神經(jīng)網(wǎng)絡(luò)，識別率高達(dá)97.6%，能夠?qū)崿F(xiàn)對動作意圖的高正確率分類的目的。

第4章基于sEMG的BP神經(jīng)網(wǎng)絡(luò)估計(jì)剛度本章介紹了Hill-type肌肉模型和基于sEMG的剛度計(jì)算方法。利用本實(shí)驗(yàn)采集的肌電信號數(shù)據(jù)和計(jì)算出的估計(jì)剛度搭建訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，并驗(yàn)證sEMG-剛度估計(jì)預(yù)測模型是否有效可靠。由此基礎(chǔ)上重新設(shè)計(jì)實(shí)驗(yàn)范式，并對比了在不同力作用下肌肉的剛度值。4.1Hill-type肌肉模型建立1938年生物學(xué)家HillREF_Ref514256732\r\h[32]提出了Hill-type三元素肌肉模型學(xué)說，它是一種用于描述肌肉收縮行為的生理模型。Hill-type模型將骨骼肌簡化為三個(gè)主要元素：串聯(lián)彈性元（SeriesElasticElement：SE）、并聯(lián)彈性元（ParallelElasticElement：PE）和收縮元（ContractileElement：CE）。其中收縮元產(chǎn)生肌肉的主動張力，并聯(lián)彈性元產(chǎn)生肌肉的被動張力，一般計(jì)算中忽略串聯(lián)彈性元。Hill-type模型如圖4.1所示。圖4.1Hill-type模型圖肌肉主要有肌腹和肌腱組成，等效于上述的三個(gè)主要元素。根據(jù)Hill-type模型和上圖的結(jié)構(gòu)，可得出以下公式：(4.1)(4.2)(4.3)(4.4)式中，代表肌肉力，表示肌纖維的主動張力，為被動張力，表示肌肉長度，、和分別代表了并聯(lián)彈性元、主動收縮元和串聯(lián)彈性元的長度，代表肌腱長度。4.2肌肉剛度計(jì)算方法本文從采集到的表面肌電信號計(jì)算推導(dǎo)出上肢肌肉剛度，具體流程如下圖。圖4.2計(jì)算流程圖先將原始sEMG信號轉(zhuǎn)化成區(qū)間為[0,1]的肌肉活躍度，再利用Hill-type肌肉模型計(jì)算肌肉力，最后利用剛度定義求出肌肉剛度。計(jì)算肌肉活躍度好的sEMG信號幅值包絡(luò)曲線能夠包含原始信號的有效信息，又能夠使得阻抗包絡(luò)平滑連貫，增強(qiáng)實(shí)際機(jī)器人控制中系統(tǒng)的穩(wěn)定性?；谙嚓P(guān)文獻(xiàn)REF_Ref514257454\r\h[30]REF_Ref514257456\r\h[31]，本文使用一種原始sEMG信號幅值包絡(luò)算法。該算法的具體步驟如下：（a）原始信號經(jīng)過巴特沃斯帶通濾波器后，得到20Hz到500Hz的信號，再移除信號中的線性噪音。具體方法是將信號的幅值減去信號在窗口內(nèi)的均值，如下公式：(4.5)其中，為除去線性噪音的信號幅值，為經(jīng)巴特沃斯帶通濾波器去噪后的信號，為窗口大小，本文設(shè)為200ms，為sEMG的采樣點(diǎn)。（b）將得到的信號平方花，使得信號幅值全為非負(fù)值。(4.6)式中，為平方后的信號幅值，為平方系數(shù)，結(jié)合文獻(xiàn)和本實(shí)驗(yàn)采集的肌電信號幅值，取c=0.2。（c）將得到的信號經(jīng)過巴特沃斯低通濾波器，去除高頻噪聲，通過設(shè)計(jì)9階Butterworth濾波器來實(shí)現(xiàn)，得到信號。（d）對信號進(jìn)行平方還原，并取均值。(4.7)經(jīng)過這幾步驟處理的sEMG信號將會轉(zhuǎn)化成一條平滑的包絡(luò)曲線，能夠包含原始信號的有效信息，如肌肉的活動情況、外界噪音等因素的改變。上述流程圖如下：圖4.3包絡(luò)算法流程圖將處理過的信號通過以下公式計(jì)算出肌肉活躍度。(4.8)其中，A為非線性修正系數(shù)。A越趨于零時(shí)，該描述函數(shù)越趨于線性。根據(jù)不同的實(shí)驗(yàn)范式和被試志愿者力的大小，取A=3能夠使的肌肉活躍度在[0,1]區(qū)間。計(jì)算肌肉力被動張力和主動張力的計(jì)算公式如下：(4.9)(4.10)式中，為并聯(lián)彈性元最大彈性張力，為修正系數(shù)，為并聯(lián)彈性元的長度變化量，為并聯(lián)彈性元的最大長度變化量，a為肌肉活躍度，肌肉力和長度的關(guān)系可以表示為(4.11)式中，和為高斯函數(shù)的影響系數(shù)，為最佳肌纖維長度，為主動收縮元的長度變化量。肌肉力和速度的關(guān)系可表示為(4.12)式中，為主動收縮元最大收縮速度，為主動收縮元瞬時(shí)收縮速度。式(4.9)到式(4.12)中其他參數(shù)的確定有以下公式和相關(guān)文獻(xiàn)里的固定參數(shù)表給出：(4.13)(4.14)(4.15)表4.1已知參數(shù)值REF_Ref514256732\r\h[32]其他待定參數(shù)，根據(jù)現(xiàn)有研究給出的數(shù)據(jù)組進(jìn)行最小二乘線性擬合，得出=0.5，=50。剛度計(jì)算剛度定義為物體發(fā)生單位形變所需要的力的大小，即(4.16)式中為肌肉的長度變化量，為對應(yīng)的肌肉剛度。肌肉在運(yùn)動過程中的變化量隨著肌肉活躍度而變REF_Ref514256686\r\h[33]，如下式：(4.17)式中為肌肉活躍度。4.3基于Hill-type模型和神經(jīng)網(wǎng)絡(luò)的剛度估計(jì)以三通道肱二頭肌原始信號為例，按照4.2節(jié)的計(jì)算公式(4.5)-(4.15)進(jìn)行數(shù)據(jù)處理，得出的肌電信號幅值包絡(luò)曲線、肌肉活躍度和肌肉力如下圖所示。圖4.4肌電信號幅值包絡(luò)曲線圖4.5肌肉活躍度圖4.6肌肉力KimREF_Ref514256674\r\h[34]等人在2009年建立了以sEMG信號未輸入、肌肉剛度為輸出的神經(jīng)網(wǎng)絡(luò)模型。本文選取同一個(gè)動作的9組表面肌電信號幅值包絡(luò)值和肌肉力作為神經(jīng)網(wǎng)絡(luò)的輸入矩陣進(jìn)行訓(xùn)練，輸出對應(yīng)的肌肉剛度值，剩余1組數(shù)據(jù)作為測試。令神經(jīng)網(wǎng)絡(luò)迭代次數(shù)為1000次，最大允許誤差為7，目標(biāo)誤差為0.01，學(xué)習(xí)速率為0.01。通過BP神經(jīng)網(wǎng)絡(luò)得到的sEMG-估計(jì)剛度曲線和計(jì)算得到的剛度對比圖以及神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的誤差表現(xiàn)如下：圖4.7剛度對比圖4.8神經(jīng)網(wǎng)絡(luò)表現(xiàn)經(jīng)過計(jì)算得，兩種模型估計(jì)的剛度誤差均值為0.00085，方差為0.0089。由實(shí)驗(yàn)結(jié)果可知，神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練效果好，預(yù)測出的剛度估計(jì)曲線和計(jì)算剛度值曲線走勢基本相同。因此，sEMG信號作為輸入的BP神經(jīng)網(wǎng)絡(luò)能夠較為準(zhǔn)確的預(yù)測出對應(yīng)的肌肉剛度。4.4不同負(fù)載下的剛度變化對比根據(jù)相關(guān)文獻(xiàn)可知，上述實(shí)驗(yàn)范式和動作模式并不適合針對剛度估計(jì)的研究。因此，本文重新設(shè)計(jì)了更加能夠體現(xiàn)剛度變化的實(shí)驗(yàn)范式，如下：在實(shí)驗(yàn)中，本文選取肱二頭肌和肱三頭肌兩通道進(jìn)行采集。每一個(gè)被試一開始手臂自然下垂，聽到鼠標(biāo)點(diǎn)擊聲后在1s內(nèi)將小臂抬至水平處，大臂仍保持豎直，再次聽到鼠標(biāo)點(diǎn)擊聲小臂開始放下至初始狀態(tài)，重復(fù)上述過程60次。一共有三種不同的模式，分別為被試的手中不拿啞鈴、拿一個(gè)啞鈴和拿兩個(gè)啞鈴。單個(gè)啞鈴重為1kg。本實(shí)驗(yàn)被試為5人。實(shí)驗(yàn)情況如圖。圖4.9實(shí)驗(yàn)范例1圖4.10實(shí)驗(yàn)范例2本文同樣選取一個(gè)被試同一個(gè)動作的50組表面肌電信號幅值包絡(luò)值的均值和肌肉力的均值作為神經(jīng)網(wǎng)絡(luò)的輸入矩陣進(jìn)行訓(xùn)練，輸出對應(yīng)的肌肉剛度值，剩余10組數(shù)據(jù)作為測試。令神經(jīng)網(wǎng)絡(luò)迭代次數(shù)為1000次，最大允許誤差為7，目標(biāo)誤差為0.01，學(xué)習(xí)速率為0.01。以被試1的一組動作為例，得到通過BP神經(jīng)網(wǎng)絡(luò)得到的sEMG-估計(jì)剛度曲線和計(jì)算得到的剛度對比圖以及兩條曲線誤差的均值和方差如下：圖4.11三種負(fù)載作用下的剛度對比圖（圖中曲線從上到下依次是拿2個(gè)啞鈴、拿1個(gè)啞鈴和不拿啞鈴）表4.2兩種方法的誤差特征0個(gè)啞鈴1個(gè)啞鈴2個(gè)啞鈴均值0.00680.05590.1669方差0.01460.03020.0526從實(shí)驗(yàn)結(jié)果可知，隨著負(fù)載的增大，兩類算法的剛度估計(jì)隨之增加，神經(jīng)網(wǎng)絡(luò)的預(yù)測剛度與肌肉模型的估計(jì)剛度誤差的均值與方差也會增大。下面是所有被試在不同負(fù)載下的基于Hill-type肌肉模型算法和BP神經(jīng)網(wǎng)絡(luò)算法的剛度估計(jì)均值和上下標(biāo)準(zhǔn)差區(qū)間圖：圖4.12Hill-type肌肉模型的剛度估計(jì)圖4.13神經(jīng)網(wǎng)絡(luò)模型預(yù)測的剛度值表4.3所有被試的兩種方法誤差特征0個(gè)啞鈴1個(gè)啞鈴2個(gè)啞鈴均值0.00910.01200.0080誤差平方和（sse）0.88560.74133.4085實(shí)驗(yàn)結(jié)果顯示，Hill-type肌肉模型的估計(jì)剛度和神經(jīng)網(wǎng)絡(luò)預(yù)測剛度均值較為接近，且兩者的標(biāo)準(zhǔn)差區(qū)間也基本重合?？芍罱ǖ纳窠?jīng)網(wǎng)絡(luò)模型能夠基于sEMG較為準(zhǔn)確地預(yù)測出相關(guān)的肌肉剛度。4.5本章小結(jié)本章首先介紹了經(jīng)典的Hill-type肌肉模型，再介紹了從sEMG信號計(jì)算出肌肉剛度的原理和公式，最后通過已有的sEMG信號數(shù)據(jù)和計(jì)算出的剛度搭建BP神經(jīng)網(wǎng)絡(luò)模型，并將預(yù)測曲線與計(jì)算出的剛度做了對比，從兩條曲線走勢大致相同可知神經(jīng)網(wǎng)絡(luò)能夠較準(zhǔn)確地預(yù)測出了對應(yīng)的肌肉剛度，為后續(xù)的上肢假肢控制打下堅(jiān)實(shí)的基礎(chǔ)。

第5章總結(jié)與展望5.1全文總結(jié)表面肌電信號能夠反映人體運(yùn)動意圖和相關(guān)的肌肉剛度信息，已成為康復(fù)機(jī)器人理想的控制信號。本文結(jié)合肌電信號的研究背景，自主設(shè)計(jì)動作模式肌電實(shí)驗(yàn)范式，并通過自主試驗(yàn)完成了肌電信號的采集。在此基礎(chǔ)上展開預(yù)處理、特征提取、模