基于肌电信号的手部动作模式识别新思路

基于肌电信号和加速度信号的动态手势识别方法谢小雨;刘喆颉【期刊名称】《计算机应用》【年(卷),期】2017(37)9【摘要】为了增强手势识别的多样性和简便性,提出了一种基于肌电信号(EMG)和加速度(ACC)信息融合的方法来识别动态手势.首先,利用MYO传感器采集EMG和ACC的手势动作信息;然后分别对ACC和EMG信号作特征降维和预处理;最后,为减少训练样本数,提出用协作稀疏表示分类器来识别基于ACC信号的姿态手势,用动态时间规整(DTW)算法和K-最邻近分类器(KNN)来分类EMG信号的手形手势.其中在利用协作稀疏表示分类器识别ACC姿态信号时,通过对创建字典最佳样本个数以及特征降维的维数进行研究来降低手势识别的复杂度.实验结果表明,手形手势的平均识别率达到了99.17％,对于向上向下、向左向右4种姿态手势平均识别率达到96.88％,而且计算速度快;对于总体的12个动态手势,其平均识别率达到96.11％.该方法对动态手势的识别率较高,计算速度快.%To enhance the diversity and simplicity of hand gesture recognition,an approach based on ElectroMyoGraphy (EMG) and ACCeleration(ACC) signals was proposed to recognize dynamic gestures.Firstly,the gesture related information was collected by MYO sensors.Then,the dimensionality of ACC signal was reduced and the preprocessing of EMG was done.Finally,to reduce the number of training samples,the posture based on ACC signal was recognized by using Collaborative Sparse Representation (CSR) and the gesture based on EMG signal was classified by using Dynamic TimeWarping (DTW)algorithm and the K-Nearest Neighbor (KNN) Classifier.When the ACC signal was identified by using CSR,the optimal number of samples and the dimensions of the dimensionality reduction were studied to reduce the complexity of gesture recognition.The experimental results show that the average recognition accuracy of the EMG for the hand gesture tested reaches 99.17％;the ACC signal for four postures achieve 96.88％.The recognition accuracy for the 12 dynamic gestures reaches 96.11％.This method has high recognition accuracy and fast calculation speed for dynamic gestures.【总页数】5页(P2700-2704)【作者】谢小雨;刘喆颉【作者单位】太原理工大学物理与光电工程学院,太原030024;太原理工大学物理与光电工程学院,太原030024【正文语种】中文【中图分类】TP391.4【相关文献】1.基于DTW算法的肌电信号手势识别方法 [J], 谢小雨;刘喆颉2.一种基于表面肌电信号及三轴加速度信号的步态识别方法 [J], 郝静涵; 杨鹏; 陈玲玲; 耿艳利3.一种基于表面肌电信号及三轴加速度信号的步态识别方法 [J], 郝静涵; 杨鹏; 陈玲玲; 耿艳利4.基于肌电信号稀疏特征的手势识别方法研究 [J], 李赵春; 顾权; 王玉成5.基于双流卷积神经网络的肌电信号手势识别方法 [J], 卫文韬;李亚军因版权原因，仅展示原文概要，查看原文内容请购买。

0 引言目前，表面肌电（Surface Electromyography，sEMG）信号作为一种神经电信号，能够反映出肌肉的收缩状态，具有无创、操作简单、超前肢体动作的优势，在临床诊疗、医疗康复辅助机器人等领域应用广泛。

康复训练是恢复患者运动能力的一种有效手段[1-3]，但目前存在人力耗费高、工作强度大、效率低等问题。

近年来，逐渐兴起的基于sEMG 信号的智能康复技术，能够为病情诊断/康复疗效客观评估提供有效手段，并实现康复机器人顺应性控制。

因此，研究基于sEMG 信号的智能康复技术具有非常重要的研究意义和应用价值。

然而，现有的综述多将关注点放在基于sEMG 信号的运动意图识别上[4-6]，尤其缺少sEMG 信号在智能康复技术领域中的相关综述。

因此，本文聚焦基于sEMG 信号的智能康复技术的研究进展，从应用领域以及关键技术两个层面进行详细分析与介绍，剖析与讨论当前存在的挑战，并展望未来发展方向。

基于表面肌电信号的智能康复技术□文/张松1a,1b,2，游煜根1a,1b,2, 林家能1a,1b,2，王鸿鹏1a,1b,2，秦岩丁1a,1b,2，韩建达1a,1b,2，于宁波1a,1b,2*（1.南开大学 a.人工智能学院；b.机器人与信息自动化研究所，天津 300350；2.天津市智能机器人技术重点 实验室，天津 300350）摘要：作为近年来新兴的康复技术手段，基于表面肌电（Surface Electromyograph，sEMG）信号的智能康复技术，能够有效地支撑量化诊断和康复疗效客观评估，并辅助康复机器人实现安全、自然的人机交互。

本文旨在总结sEMG 信号在智能康复技术领域中的研究现状，并对未来技术发展进行了展望。

首先，介绍了sEMG 信号在量化诊断/康复疗效评估、智能假肢，以及康复辅助机器人中的应用。

然后，从智能评估、运动意图，以及人机交互控制策略三个方面对基于sEMG 的智能康复关键技术进行综述。

人体肌电信号识别技术综述人体肌肉是人体活动的重要部分，肌肉的活动能够产生电信号，因此研究肌电信号可以帮助我们理解人体的运动状态和功能特性。

肌电信号的采集和识别技术已经得到了广泛的研究和应用，在医疗、康复和运动等领域都有着重要的应用价值。

一、肌电信号的基础知识肌电信号是肌肉活动时产生的电信号，由肌肉纤维的电活动驱动而产生。

肌电信号分为表面肌电信号和深部肌电信号，表面肌电信号可以通过皮肤采集传递，深部肌电信号需要进一步侵入肌肉组织才能采集到。

表面肌电信号可以通过表面电极或贴片电极进行采集，深部肌电信号需要通过细针电极或肌电棒进行采集。

肌电信号的主要特征是振幅和频率，振幅反映了肌电信号的强度和频率反映了肌电信号的节律。

肌电信号的频率范围在0-500Hz之间，常用的筛选频率在20-500Hz之间，低于20Hz的频率往往是由噪声造成的，高于500Hz的频率往往是无用信号。

肌电信号的振幅和频率与肌肉的活动强度和速度有关系，因此肌电信号可以反映出肌肉的运动状态。

二、肌电信号识别方法1.表面肌电信号识别表面肌电信号是指肌肉表面电活动产生的电信号，可以通过电极贴片（electrode patch）或表面电极（surface electrode）进行采集。

表面肌电信号的主要应用领域为肌肉疲劳监测、肌肉训练、人体姿态控制、人机交互等领域。

表面肌电信号的识别方法包括幅值控制法、时域特征法、频域特征法、时频域特征法等。

幅值控制法是指通过设定幅度阈值的方式对肌电信号进行筛选。

时域特征法是指通过提取肌电信号的幅度、包络线、斜率和平均值等特征来进行识别。

频域特征法是指通过提取肌电信号的功率谱、频率成分来进行识别。

时频域特征法是指同时提取肌电信号的时域和频域信息，利用小波分析等方法进行识别。

2.深部肌电信号识别深部肌电信号是指肌肉组织内部产生的电信号，深部肌电信号的采集需要通过细针电极或肌电棒进行。

相对于表面肌电信号，深部肌电信号更能够反映肌肉组织内部的电活动情况，较为精细和准确。

第45卷 第4期华北理工大学学报(自然科学版)V o l .45 N o .42023年10月J o u r n a l o fN o r t hC h i n aU n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y (N a t u r a l S c i e n c eE d i t i o n )O c t .2023 收稿日期:2023-03-09 修回日期:2023-09-29基金项目:国家青年科学基金(E 51505124);河北省自然科学基金(E 2017209252);河北省高等学校科学技术研究重点项目(Z D 2020151)㊂华北理工大学重点科研项目(Z D -Y G -202306-23)㊂ 第一作者:邓嘉,男,四川遂宁人,硕士研究生㊂ 通讯作者:崔冰艳,女,辽宁沈阳人,博士,教授㊂研究方向:机械设计及理论㊁机器人应用㊂ D O I :10.3969/j .i s s n .2095-2716.2023.04.012文章编号:2095-2716(2023)04-0091-08基于A F S A -S VM 的手势识别方法邓嘉,崔冰艳,张祥(华北理工大学机械工程学院,河北唐山063210)关键词:人工鱼群算法;支持向量机;表面肌电信号;时间滑动窗口摘 要:为了提高表面肌电信号(s E MG )对手势识别的准确率,提出了一种人工鱼群算法优化支持向量机分类器(A F S A -S VM )方法㊂采集了10位受试者手势动作的s E MG 信号,对s E MG 信号进行预处理后,进行时域信号积分肌电值(i E MG )和均方根值(R M S )的特征提取,使用特征进行分类㊂实验结果表明,在特征i E MG 上A F S A -S VM 与S VM 平均分类准确率分别为88.21%与84.29%,A F S A -S VM 提高了3.92%;在特征R M S 上A F S A -S VM 与S VM 平均分类准确率分别为86.85与83.69%,A F S A -S VM 提高了3.16%㊂因此,A F S A -S VM 相对S VM 分类器的识别准确率更高,并且时域特征i E MG 相对R M S 更具识别度㊂中图分类号:T P 391.41 文献标识码:A引言脑卒中通称中风,发病机制是脑部缺血或出血性损伤诱发㊂80%~90%的患者会存在手部运动功能障碍症,脑卒中患者腕部功能障碍主要表现为腕部僵硬,腕自由度的缺失[1]㊂根据临床调研发现,患者的主动康复训练更有助于康复[2],因此智能化上肢康复训练系统具有发展性㊂目前,针对s E MG 分类的方法有:张龙娇等人提出一种融合卷积神经网络(C N N )和长短时记忆(L S T M )网络的神经网络[3],将MY O 臂环采集到的8通道s E MG 数据进行分类,实验结果表明,手势识别准确率为91.6%㊂江茜等人,提出一种以多通道相关性为特征的肌电手势识别方法,实验结果表明,在采集的健康受试者8种手势数据集上平均识别准确率达到94%[4]㊂来全宝等人为提高手势识别的准确率,提出一种基于人工鱼群算法优化的极限学习机(A F -S A -E L M )分类模型,实验结果表明,A F S A -E L M 分类模型对多种手势的平均识别准确率高达97.4%,比B P 神经网络分类模型和未优化的E L M 分类模型分别提高3.5%和1.6%[5]㊂C h e n 等人设计了一种改进的基于多策略的麻雀搜索算法(M S I S S A )用于提高人体上肢运动模式识别分类[6]㊂结果表明,基于M S I S S A 算法优化的分类器准确度相对单一的分类器提升了2.835%㊂K a r n a m 等人提出了一种用于s E MG 分类的能量特征集合[7],其原理是将能量特征与运动力建立关系,使用N i n a P r oD B 1s E MG 手势数据集,其中K N N 分类器达到了88.8%的最高验证准确率㊂J i a n g ,X Y 等人使用H D -s E MG 从20名受试者获得了35个手势分类任务的结果[8]㊂结果表明,使用滑动窗口和数据增强有助于提高分类精度㊂对于11个选定的日常常用手势的分类,支持向量机分类器使用13个特征(每个从滑动窗口中提取)的最佳组合,实现了91.9%的最高分类准确率㊂A l O m a r i ,F i r a s 等人将遗传算法(G A )和粒子群优化(P S O )2种进化算法与支持向量机(S VM )相结合,构建了一个新的模型(G A P S O -S VM )[9]㊂在手势分类实验中,G A P S O -S VM 比S VM ㊁L S -S VM 和K N N 分类模型的分类准确率更高㊂张杨等人采用双群粒子群优化算法改进的支持向量机(D P -Copyright ©博看网. All Rights Reserved.P S O -S VM )构建分类识别器[10]㊂采用D P -P S O -S VM 算法比标准粒子群S VM (P S O -S VM )算法分类识别精度提高4%,达到96.7%㊂为了实现手势动作识别,该项目对基于表面肌电信号的手势识别技术进行了研究㊂首先对肌电信号(s E MG )进行数据分割,然后为了探索不同特征提取和不同手势的分类效果,该项研究特征提取采用积分肌电值和均方根值㊂最后提出了人工鱼群支持向量机分类算法(A r t i f i c i a l f i s hs w a r ma l g o r i t h m -S u p p o r t v e c -t o rm a c h i n e s ,A F S A -S VM )对s E MG 信号进行运动动作分类,得到了每种特征提取方法的识别精度㊂1表面肌电信号预处理1.1 信号去噪s E MG 是幅值仅为u V 级的微电信号,它具有非线性与非平稳特点㊂s E MG 分布在500H z 以下的频带范围内,其中主要频率集中在10~300H z ,核心能量集中在20~150H z ㊂基于s E MG 信号的特点,可知它极易受到噪声的干扰,因此在使用s E MG 信号之前必须滤除其中的噪声㊂考虑巴特沃斯滤波器比切比雪夫滤波器具有更平滑的滤波特性,所以选用巴特沃斯滤波器去噪㊂使用巴特沃斯滤波器(B u t t e r W o r t hF I l t e r )和切比雪夫滤波器,现对s E MG 信号进行截止频率为10H z 的巴特沃斯高通滤波去除低频噪声,截止频率为500H z 的巴特沃斯低通滤波去除高频噪声㊂该研究选择三阶巴特沃斯高通滤波器进行信号去噪㊂一个N 阶低通巴特沃斯滤波器频率响应的模平方公式如式(1)所示㊂ A (ω2)=H (ω)2=11+(ωωc)2N =11+ɪ2(ωωp )2N (1)式中,N 表示滤波器的阶数,N 越大通带和阻带的近似性越好,过渡带也会越陡;ωc 表示截止频率;ωp 表示通频带边缘频率;11+ε2表示H (ω)2在通频带边缘的数值㊂1.2 数据分割在采集动作的s E MG 信号时,获得的数据量较大,如果直接使用原始s E MG 信号,会大大降低效率,增加计算机的负荷和计算时间,合理的数据分割十分重要㊂滑动窗口技术作为一种流控制技术,最早用于网络通信的数据处理㊂在图像处理技术的不断发展过程中,滑动窗技术在图像处理和其它一些算法的设计中得到了广泛的应用㊂在处理数据结构时,滑动窗口技术可被运用来处理的一维数组㊂s E MG 信号属于时间序列的一维数据,符合使用滑动窗口技术对其进行数据分割㊂采用滑动窗口的方法来处理数据流,处理滑动窗口内同一时段各序列之间的关联关系,当移动一个基本窗口时,就能够对下一时刻序的数据进行处理㊂该项研究采用时间滑动窗口对表面肌电信号进行数据分割,时间滑动窗口[11]是指使用固定的长度窗口来包含一段时间序列数据,然后提取并计算窗口内的数据特征,其工作原理如图1所示㊂图1 时间滑动窗口29 华北理工大学学报(自然科学版) 第45卷Copyright ©博看网. All Rights Reserved.图1中核心是找到合适的滑动窗口宽度(W )与滑动增量(W d ),从而达到良好的数据分割,增加数据的辨识度㊂为了避免使用者察觉明显的操作延时,通常肌电系统的控制周期应小于300m s [12]㊂该项研究设计的表面肌电采集系统的采样频率f s =2000H z ,采样周期T s =0.5m s ,所以数据窗口宽度应满足W <300/T s =600的基本要求,所以W 采集数为600㊂当W d =8时,该段数据的处理时间为4m s ,且数据量较大,使特征提取和分类器处理的时间加大,并对计算机性能的要求很高,还会限制算法的复杂性,数据量过少会导致分类模型过拟合㊂因此,选择W d 为16㊁32和64对数据量的影响较小,但过大的W 会使信号的细节特征被吞没,所以选择W 为32㊁64和128㊂考虑计算机处理数据的机制,将滑动窗口大小限定为2的整数次幂进行验证选择㊂考虑窗口宽度的数据包容量与数据间隔问题,选择W =128㊁W d =64作为数据分割的参数㊂2特征提取目前,表面肌电信号特征计算方法主要包括时域㊁频域㊁时频域和非线性动力学分析㊂时域特征提取通常采取均方根(R o o t M e a nS q u a r e ,R M S )㊁肌电积分值(I n t e g r a t e d E MG ,i E MG )㊁平均绝对值(M e a n A b s o l u t eV a l u e ,MA V )㊁过零点数(Z e r oC r o s s i n g ,Z C )㊁波形长度(W a v e f o r m L e n gt h ,W L )㊁斜率符号变化数(S l o p eS i g nS h a n g e ,S S C )㊁方差(V a r i a n c e ,V A R )㊁对数特征(L o g )㊁威尔逊赋值(W i l l i s o n A m p l i t u d e ,WAM P )和幅值立方均值(A m p l i t u d eC u b i cM e a n ,A C M )等方法,为增强数据特征的可靠性,该项研究选用时域信号中的积分肌电值和均方根值㊂2.1 积分肌电值积分肌电值(I n t e g r a t e dE MG ,i E MG )表示肌纤维的电荷活动程度[13],所有整流曲线下面积,能够体现肌电值的波动和能量熵㊂积分肌电值公式如(2)所示: i E MG =ðNi =1x i ˑΔt (2)式中,N 表示信号数㊂Δt 表示信号点之间的时间差,x i 为信号值㊂以受试者2手掌伸展原始表面肌电信号为例,其积分肌电值处理结果如图2所示㊂图2 积分肌电值图2中,i E MG 1_1表示1号动作手掌伸展的1号肌电传感器肌电积分值,i E MG 1_2表示1号动作手掌伸展的2号肌电传感器肌电积分值㊂由图2可以看出,图中其中通过时域积分肌电特征提取后的2个传感器采集信号具有明显的起伏规律,具有良好的区分度㊂2.2 均方根值均方根值(R o o tM e a nS q u a r e ,R M S )与肌电信号的能量直接联系[14],它表示表面肌电信号在单位时间内的变化,可以反应肌肉的活跃程度㊂均方根值公式如式(3)所示㊂ R M S =1N ðN i =1x 2i (3)39 第4期 邓嘉,等:基于A F S A -S VM 的手势识别方法Copyright ©博看网. All Rights Reserved.式中,N表示信号总数;x i为信号值㊂以受试者2手掌伸展原始表面肌电信号为例,其积分肌电值处理结果如图3所示㊂图3均方根值图3中,R M S1_1表示1号动作手掌伸展的1号肌电传感器均方根值,R M S1_2表示1号动作手掌伸展的2号肌电传感器均方根值㊂由图3可以看出,图中其中通过时域均方根特征提取后的2个传感器采集信号具有明显的起伏规律,具有良好的区分度㊂3分类算法3.1人工鱼群算法人工鱼群算法[15](A r t i f i c i a l F i s hS w a r m A l g o r i t h m,A F S A)最早是由李晓磊等人提出㊂其原理是模拟鱼的觅食㊁聚群和追尾行为,通过鱼群中每个个体的局部寻优,循循渐进从而得到全局最优值,主要内容如下:(1)觅食行为:初始鱼的位置状态在其视野范围内随机选择另一新位置状态,若该位置判定是更接近食物,则朝该方向移动一步㊂否则,在其视野范围内重新随机选择另一状态位置,判断是否满足前进条件㊂如果仍然不能移动,则随机移动一步;(2)聚群行为:鱼在当前位置状态,在其视野范围内搜索鱼群数目和中心位置,若位置状态较优且不太拥挤,则向中心位置移动一步,否则执行觅食行为;(3)追尾行为:鱼在当前位置状态,在其视野范围内搜索最优的伙伴,如果最优鱼群不太拥挤,则向此方向移动一步,否则执行觅食行为㊂3.2支持向量机支持向量机(S VM)的多分类是在二分类的基础上发展来[16],1964年前苏联学者V.N.V a p n i k首次提出支持向量机,它的提出解决了在小样本中特征为非线性关系和特征维数较高等分类应用场景㊂S VM以结构风险最小化原则为基础,在实质上有别于传统神经网络㊂它改善了传统神经网络过学习的问题和收敛于局部极小值点的不足,具有全局优化㊁模型训练时间短㊁通用性能好以及适应性强等优点,因此,它被广泛应用于机器学习领域的二分类问题㊂支持向量机常常被用于肌电信号的模式识别,而传统的神经网络不具备支持向量机的一些优点,例如:S VM中的网络结构分类使用的支持向量由自身来决定,而传统神经网络则是不断地迭代试错;S VM即使在非大样本的条件下,也能获得全局最优的结果,然而,与之形成鲜明对比的是,传统神经网络需要更多的数据才能获得全局最优的结果;在S VM中,支持向量的选取直接决定了最后的判决函数的求解难度,降低了因数据的维数而产生的误差㊂通过核函数和松弛变量将样本映射到高维空间,超平面间将空间划分为多个区域进行分类㊂该项研究选择高斯核(G a u s s i a nk e r n e l)作为核函数,其公式如式(4)所示:K(x1,x2)=e x p(- x1-x2 22σ2)(4) 49华北理工大学学报(自然科学版)第45卷Copyright©博看网. All Rights Reserved.式中,σ核函数参数影响着样本映射到高维空间后的分布㊂S VM 分类的目标是使超平面间隔最大化,总误差12 2+C ðn i =1ξi 最小化,其中 为超平面法向㊂ξi 为松弛变量表示对于第i 样本点的分类损失(i =1,2, ,n ),c 为惩罚因子㊂因此本研究选择人工鱼群算法对核函数参数进行优化,寻找最优的(c ,σ),从而提高识别的准确率㊂4实验结果与分析目前获取人体肌电信号的方法一般有2种:一种是通过电极针刺入皮肤来获得肌肉的电信号,另一种是在皮肤表层放置肌电传感器电极来获取肌肉的电流变化㊂因此,肌电信号属于生物电信号㊂因为,表面肌电信号源自于表层肌肉群,所以称其为表面肌电信号㊂肌肉是人体的基本结构之一,它是联接骨骼和支撑器官的关键组织,肌肉通过收缩运动产生力和动作㊂当大脑发送肢体运动指令,神经元传递来的电信号控制肌肉纤维中的收缩机制,这些电信号会引起肌细胞中的离子产生运动,使离子不均匀,分布在细胞膜内外两侧,从而产生电场,此时使用肌电传感器可以记录肌电表面上2个电极之间的电压差,电压差大小可以用来表示该肌肉的激活程度㊂由神经冲动引起的肌肉电势变化被称为肌肉动作电位(MA P ),其幅度㊁频率和持续时间与肌肉收缩的性质㊁强度和时序有关㊂肌电信号的大小和形状很大程度取决于肌电传感器电极的放置位置,也与人体的肌肉形状和尺寸有关,以及其他外界因素,如皮肤表面的水分和体毛㊁不同人体皮肤的电导率等㊂在表面肌电信号采集实验过程中使用的设备为D e l y s i sT r i gn o TM 无线肌电仪,它具有16路无线传感器,可同时采集16块肌肉的肌电信号和3轴加速度㊂在整个实验过程中,受试者坐在符合人体工程学的椅子上,以稳定的人体姿势进行手势动作㊂在实验中,采集10位受试者日常8种手势动作的表面肌电信号,受试者使用右手进行如图4所示的手腕动作,为了排除肌肉疲劳对表面肌电信号的影响,受试者在任何2个动作之间都会休息2~5s ㊂实验期间,实验员分别以2s 和5s 的运动周期完成至少6次同一手部运动㊂图4 手部运动示意图根据局部解剖学原理,手臂的屈伸运动主要由上臂肌肉区控制,握拳和伸肌主要由前臂肌肉群控制[17]㊂根据该项实验的动作,选择指浅屈肌与指伸肌作为表面肌电信号的来源,如图5所示㊂图5 指浅屈肌与指伸肌位置示意图59 第4期 邓嘉,等:基于A F S A -S VM 的手势识别方法Copyright ©博看网. All Rights Reserved.利用A F S A 对S VM 径向基核函数参数(c ,σ)寻优,当寻优次数达到所设的最大迭代数时,寻优终止并输出最优的(c ,σ),采用交叉验证方法来证明所识别分类模型的实际识别率,随机选取70%的样本作为训练集,30%的样本作为测试集,将运行10次分类模型识别结果的平均值作为评估结果㊂表1与图6为实验采集的10位受试者的8种手势的识别准确率,其中A F 表示A F S A -S VM ㊂表1 8种手势的平均分类准确率编号动作A F (i E M G )S VM (i E M G )A F (R M S )S VM (R M S )1展拳88.5185.885.386.852握拳88.8791.1385.3886.953右旋手掌83.1172.6175.1482.094左旋手掌91.2483.1187.2384.385下弯手掌94.894.4293.3886.076上弯手掌93.9287.7590.2890.047右摆手掌89.0586.8489.4584.728左摆手掌90.1584.9787.3683.96图6 8种手势动作平均识别率 其中,A F -i E MG 表示A F S A -S VM 分类器对积分肌电特征值的分类,S VM -i E MG 表示S VM 对积分肌电特征空间分类,A F -R M S 表示A F S A -S VM 分类器对均方根特征值的分类,R M S 表示S VM 对均方根特征值的分类㊂由表1和图6可知,其中手势动作下弯手掌,上弯手掌和左旋手掌具有较高的识别率,右旋手掌识别率最低㊂实验采集的10位受试者平均分类准确率见表2,其中A F 表示A F S A -S VM ㊂表2 受试者的平均识别准确率受试者A F (i E M G )S VM (i E MG )A F (R M S )S VM (R M S )10.94690.91850.96690.931520.81620.74920.84390.770030.87770.85690.85920.823940.93160.92620.92080.916250.94690.93190.92850.877760.87770.83380.80540.754670.90080.84150.85160.831580.71360.65690.67460.685490.87770.84920.92850.8854100.93150.86460.90540.8931平均准确率0.88210.84290.86850.8369 由表2可知,各受试者的平均分类准确率不同,受试者2,3和8的分类平均准确率较低,在不同受试者实验结果中,其中,相对于S VM ,A F S A -S VM 在手势分类的平均分类准确率上更具优势,并且相对均方根值,时域特征肌电积分值在同一分类模型中更具区分度㊂69 华北理工大学学报(自然科学版) 第45卷Copyright ©博看网. All Rights Reserved.5结论(1)i E MG 特征中A F S A -S VM 较S VM 平均识别率提高3.92%,在R M S 特征中A F S A -S VM 较S VM 平均识别率提高3.16%,因此使用A F S A -S VM 作为分类器比S VM 具有更佳的性能㊂(2)通过对比2种不同的时域特征方法,使用i E MG 特征的A F S A -S VM 较使用R M S 特征的A F S A -S VM 平均分类准确率提高了1.36%㊂表明时域特征i E MG 相对于R M S 更具区分度㊂(3)在表面肌电手势分类中,以i E MG 作为特征,采用A F S A -S VM 分类器具有良好的性能㊂该方法为上肢智能康复机器人的意图识别研究提供参考,为老年中风康复的智能人机交互过程提供了一条新途径㊂参考文献:[1] T ür k m e n ,C e y h u n ,K o n c aM.P r i o r i t i z a t i o no f n e u r o l o g i c r e h a b i l i t a t i o n i n t e r v e n t i o n s b y E L E C T R E -I I I a n a l y s i s i n s u b a c u t e s t r o k e p a -t i e n t s [J ].A c t aN e u r o l o g i c aB e l g i c a ,2022,123(1):1-9.[2] H a r w i n W S ,M u r g i aA ,S t o k e sEK.A s s e s s i n g t h e e f f e c t i v e n e s s o f r o b o t f a c i l i t a t e d n e u r o r e h a b i l i t a t i o n f o r r e l e a r n i n g m o t o r s k i l l s f o l -l o w i n g a s t r o k e [J ].M e d i c a l&b i o l o g i c a l e n g i n e e r i n g &c o m p u t i n g ,2011,49(10):1093-1102.[3] 张龙娇,曾晓勤.基于深度神经网络的s E MG 手势识别研究[J ].计算机工程与应用,2019,55(23):113-119.[4] 江茜,李沿宏,邹可,等.肌电信号多通道相关性特征手势识别方法[J ].计算机工程与应用:2023,59(07):102-1091.[5] 来全宝,陶庆,胡玉舸,等.基于人工鱼群算法-极限学习机的多手势精准识别[J ].工程设计学报,2021,28(06):671-678.[6] C h e nP ,W a n g H ,Y a nH.s E M G -b a s e du p p e r l i m bm o t i o n r e c o g n i t i o nu s i n g i m p r o v e d s p a r r o ws e a r c ha l g o -r i t h m [J ].A p p l i e d I n t e l l i -g e n c e ,2022,53(1):7677-7696.[7] K a r n a m N K ,T u r l a p a t y AC ,D u b e y SR.C l a s s i f i c a t i o n o f s E M Gs i g n a l s o f h a n d g e s t u r e s b a s e d o n e n e r g y f e a t u r e s [J ].B i o m e d i c a l S i g -n a l P r o c e s s i n g a n dC o n t r o l ,2021,70:102948.[8] J i a n g X ,L i uX ,F a n J ,e t a l .O p t i m i z a t i o no fH D -s E MG -B a s e dC r o s s -D a y H a n dG e s t u r eC l a s s i f i c a t i o nb y O p t i m a l F e a t u r eE x t r a c t i o n a n dD a t aA u g m e n t a t i o n [J ].I E E ET r a n s a c t i o n s o nH u m a n -M a c h i n eS y s t e m s ,2022,52(6):1281-1291.[9] A L OMA R I F ,L I UG H.N o v e l h y b r i d s o f t c o m p u t i n g p a t t e r n r e c o g n i t i o n s y s t e mS VM -G A P S O f o r c l a s s i f i c a t i o n o f e i g h t d i f f e r e n t h a n d m o t i o n s [J ].O p t i k ,2015,126(23):4757-4762.[10] 张杨,隋修武,万凯新.基于P S o C 和D P -P S O -S VM 的便携式假肢控制系统[J ].信息与控制,2019,48(04):486-493.[11] E n g l e h a r tK ,H u d g i n s B .Ar o b u s t ,r e a l -t i m e c o n t r o l s c h e m e f o rm u l t i f u n c t i o nm y o e l e c t r i c c o n t r o l [J ].I E E E t r a n s a c t i o n s o n b i o m e d i c a l e n g i n e e r i n g ,2003,50(7):848-854.[12] S e r g e y ,M ,P l i s ,e t a l .T r a c k i n g W h o l e -B r a i nC o n n e c t i v i t y D y n a m i c s i n t h eR e s t i n g S t a t e [J ].C e r e b r a l c o r t e x ,2014,24(3):663-676.[13] A d a m sG R ,D u v o i s i n M R ,D u d l e y G A.M a g n e t i c r e s o n a n c e i m a g i n g a n d e l e c t r o m y o g r a p h y a s i n d e x e s o fm u s c l e f u n c t i o n [J ].J o u r n a l o fA p p l i e dP h y s i o l o g y ,1992,73(4):1578-1583.[14] K h o k h a r ZO ,X i a oZG ,M e n o nC .S u r f a c eE M G p a t t e r n r e c o g n i t i o n f o r r e a l -t i m e c o n t r o l o f aw r i s t e x o s k e l e t o n [J ].B i o m e d i c a l E n g i -n e e r i n g On l i n e ,2010,9(1):41-41.[15] 李晓磊,邵之江,钱积新.一种基于动物自治体的寻优模式:鱼群算法[J ].系统工程理论与实践,2002,(11):32-38.[16] H s uC W ,L i nC J .Ac o m p a r i s o n o fm e t h o d s f o rm u l t i c l a s s s u p po r t v e c t o rm a c h i n e s [J ].I E E E t r a n s a c t i o n s o nN e u r a l N e t w o r k s ,2002,13(2):415-425.[17] H o uT ,Q i a nC ,L uY.T h eM a p p i n g B e t w e e nH a n dM o t i o nS t a t e s I n d u c e d b y A r m O p e r a t i o n a n dS u r f a c eE l e c t r o m y o g r a p h y [C ]//I n -t e r n a t i o n a l C o n f e r e n c e o nE n g i n e e r i n g P s y c h o l o g y a n dC o g n i t i v eE r g o n o m i c s .S p r i n g e r ,C h a m ,2018:317-329.79 第4期 邓嘉,等:基于A F S A -S VM 的手势识别方法Copyright ©博看网. All Rights Reserved.89华北理工大学学报(自然科学版)第45卷G e s t u r eR e c o g n i t i o n M e t h o dB a s e d o nA F S A-S V MD E N GJ i a,C U IB i n g-y a n,Z H A N G X i a n g(C o l l e g e o fM e c h a n i c a l E n g i n e e r i n g,N o r t hC h i n aU n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y,T a n g s h a nH e b e i063210,C h i n a)K e y w o r d s:a r t i f i c i a l f i s hs w a r m s a l g o r i t h m;s u p p o r t v e c t o rm a c h i n e;s u r f a c e e l e c t r o m y o g r a ms i g n a l;t i m e s l i d i n g w i n d o wK e y w o r d s:I no r d e r t o i m p r o v e t h e a c c u r a c y o f s u r f a c e e l e c t r o m y o g r a p h y(s E MG)f o r g e s t u r e r e c o g n i t i o n, a na r t i f i c i a l f i s hs w a r ma l g o r i t h mo p t i m i z e ds u p p o r t v e c t o rm a c h i n e c l a s s i f i e r(A F S A-S VM)m e t h o dw a s p r o p o s e d.T h e s E MGs i g n a l s o f g e s t u r em o v e m e n t s o f10s u b j e c t sw e r e c o l l e c t e d.A f t e r p r e p r o c e s s i n g t h e s E MGs i g n a l s,t h e t i m e-d o m a i n s i g n a l i n t e g r a t e dE MGv a l u e(i E MG)a n d r o o tm e a n s q u a r e v a l u e(R M S) w e r e e x t r a c t e d,a n dt h ef e a t u r e s w e r eu s e df o rc l a s s i f i c a t i o n.T h ee x p e r i m e n t a lr e s u l t ss h o w t h a tt h e a v e r a g e c l a s s i f i c a t i o na c c u r a c y o f A F S A-S VM a n dS VM o nt h ef e a t u r ei E MGi s88.21%a n d84.29% r e s p e c t i v e l y,a n dt h eA F S A-S VMi m p r o v e sb y3.92%;O nt h ef e a t u r eR M S,t h ea v e r a g ec l a s s i f i c a t i o na c c u r a c y o fA F S A-S VM a n dS VMi s86.85a n d83.69%r e s p e c t i v e l y,a n dt h eA F S A-S VMi m p r o v e sb y3.16%.T h e r e f o r e,t h e r e c o g n i t i o na c c u r a c y o fA F S A-S VMi s h i g h e r t h a n t h a t o f S VMc l a s s i f i e r,a n d t h e t i m e d o m a i n f e a t u r e i E MGi sm o r e r e c o g n i z a b l e t h a nR M S.Copyright©博看网. All Rights Reserved.。

燕山大学课程设计说明书题目：肌电信号分析及动作识别学院（系):电气工程学院年级专业：10级仪表三班学号：学生姓名：指导教师:教师职称: 教授讲师电气工程学院《课程设计》任务书基层教学单位：自动化仪表系指导教师:谢平张淑清目录第一章摘要 (2)第二章系统总体设计方案 (3)第三章肌电信号的时域参数处理及其分析 (4)第四章肌电信号的频域处理方法及其分析 (7)3。

1 FFT分析 (7)3。

2 功率谱分析 (8)3.3 倒谱分析 (9)3。

4 平均功率频率MPF和中值频率 (10)第五章Matlab程序及GUI (11)第六章系统整体调试及结果说明 (24)第七章学习心得 (24)参考文献 (25)第一章摘要肌电信号是产生肌肉力的电信号根源，它是肌肉中很多运动单元动作电位在时间和空间上的叠加,反映了神经，肌肉的功能状态,在基础医学研究、临床诊断和康复工程中有广泛的应用。

其种类重要有两种:一,临床肌电图检查多采用针电极插入肌肉检测肌电图，其优点是干扰小,定位性好，易识别，但由于它是一种有创伤的检测方法，其应用收到了一定的限制。

二,表面肌电则是从人体皮肤表面通过电极记录下来的神经肌肉活动时发放的生物电信号,属于无创伤性，操作简单,病人易接受，有着广泛的应用前景.主要应用领域有：一，仿生学。

提出肌肉生理模型来判别肌肉的动作以来, 电子假肢的研究进入了新的发展时期, 过去电子假肢的控制靠使用者人为开关和选择运动模式来完成, 现在则可通过检测人体残肢表面肌电信号, 提取出肢体的动作特征, 来自动控制假肢运动，利用残肢表面肌电信号的肌电假肢研制在国内外都取得较大进展。

二，康复工程.如利用表面肌电信号提取出的特征作为功能性电刺激的控制信号, 帮助瘫痪的肢体恢复运动功能。

通过检测表面肌电信号, 并将其作为反馈信号提供给病人和医生，便于进行合理的治疗和训练。

三,运动医学。

表面肌电信号在运动医学中也可发挥重要作用, 通过检测运动员运动时的表面肌电信号,及时反映出肌肉的疲劳和兴奋状态，有助于建立科学的训练方法。