【文章內(nèi)容簡介】 176 結(jié)論18參考文獻 19附錄211引言表面肌電信號(Surface Electromyography，SEMG)是人自主活動中肌肉表層多個運動單位所發(fā)出的電位序列最終在皮膚表面通過電極檢測得到的時間與空間綜合疊加的結(jié)果[10]，是神經(jīng)肌肉系統(tǒng)活動時伴隨的生物電信號。由于它在一定程度上關(guān)聯(lián)著肌肉的活動狀態(tài)與功能狀態(tài)，因此也能夠反映一定的神經(jīng)肌肉活動狀況[2]，故在肌電信號在臨床醫(yī)學(xué)（如神經(jīng)肌肉疾病診斷）、康復(fù)醫(yī)學(xué)（如肌肉功能評價）、人機工效學(xué)（如肌肉工作的工效學(xué)分析）、體育科學(xué)（如疲勞判定、運動技術(shù)合理性分析、肌纖維類型和無氧閾值的無損傷性預(yù)測）、仿生學(xué)（如人體假肢控制具）[13]等方面均有重要的利用價值。近年來，基于表面肌電信號識別研究在醫(yī)學(xué)生物領(lǐng)域的作用越發(fā)凸顯，研究學(xué)者遍布全球，研究文章也層出不窮，學(xué)者在對表面肌電信號進行識別研究時采用同樣的步驟，即肌電信號的采集、信號優(yōu)化處理，特征分析及提取、模式識別，但最主要的是肌電信號分析、特征提取與模式識別兩個方面。特征提取的目的在于通過研究表面肌電信號的時、頻域特征與肌肉結(jié)構(gòu)以及肌肉活動狀態(tài)和功能狀態(tài)之間的關(guān)聯(lián)性，從而利用SEMG的變化有效反映肌肉的活動和功能，其研究分析主要集中在時域和頻域分析。特征提取就所利用的理論方法而言，可分為五個方面：時域法、頻域法、時域頻域法、高階譜及混沌與分形等。特征提取是基礎(chǔ)，分類是關(guān)鍵，分類器可以為肌電假肢提供更可靠的控制信號。用于表面肌電信號的模式分類方法很多，其中模糊分類器和神經(jīng)網(wǎng)絡(luò)分類器的應(yīng)用最為廣泛。在對表面肌電信號進行識別研究時，國內(nèi)外學(xué)者往往從單一的分析方法及單一的分類方法中得出識別率并將此應(yīng)用在實際生活的各個領(lǐng)域中。學(xué)者研究的思路大都相似，不同之處在于以下兩點：第一點是對采集的表面肌電信號進行特征提取的方法。在國外方面，[20]DisselhorstKlug（2008）利用時域方法（平均值）提取出SEMG的特征值，用于研究SEMG與肌肉力之間的關(guān)系；[22]Reddy（2007）利用時域方法（均方根值RMS）提取出SEMG的特征值，用于研究SEMG和運動位移的關(guān)系，從而實現(xiàn)了手指和腕關(guān)節(jié)模型的控制；[21]Sbriccoli（2003）分別利用時域方法（均方根值RMS）和頻域方法（中位頻率MF）提取出SEMG的特征值，用于研究肱二頭肌SEMG的幅值和頻譜特征。而在國內(nèi)方面，[4]羅志增,楊廣映（2003）根據(jù)實際肌電信號的隨機性特征，對其建立AR模型，利用AR模型特征、參數(shù)與肢體運動的確定性關(guān)系實現(xiàn)仿生控制；[15]吳冬梅，孫欣，張志成，杜志江（2010）在人體屈伸肘部的過程中，選取人體上肢檢測表面肌電信號應(yīng)用不同的方法（均方根值RMS、肌電值iMEG）對優(yōu)化后的表面肌電信號進行了特征提取。[23]羅志增,嚴庭芳（2008）利用時頻域方法小波變換對SEMG進行特征提取，用于SEMG的模式分類和肌電假肢的控制。第二點是模式識別的方法。用于表面肌電信號的模式分類方法很多，如模糊分類器和神經(jīng)網(wǎng)絡(luò)分類器。模糊分類器已在自動控制、人工智能、圖像識別、農(nóng)作物選中、商品評價、化合物分類、地震、氣象預(yù)報、災(zāi)情預(yù)報、經(jīng)濟學(xué)、社會學(xué)、語言學(xué)、管理科學(xué)及醫(yī)學(xué)等諸多領(lǐng)域得到了廣泛應(yīng)用。在表面肌電信號信號識別方面, 開始利用該分類器進行處理，如[26]E. Zahedi（1995）利用模糊K均值策略進行了3個自由度的動作識別；[27]劉建成（1999） 也利用模糊神經(jīng)網(wǎng)絡(luò)直接對殘肢的EMG動作進行識別, 雖識別率70%以上,但有更好的實際應(yīng)用價值；后者神經(jīng)網(wǎng)絡(luò)分類器在給足數(shù)量訓(xùn)練樣本的前提下，網(wǎng)絡(luò)就可以通過學(xué)習(xí)獲得對運動模式進行分類的能力，如[24]王人成（1998）利用該網(wǎng)絡(luò)對屈腕、伸腕、向內(nèi)旋腕和向外旋腕四種運動進行識別，其識別率都在95%以上；[25]William Putnam（1993）分別利用單層感知器和多層感知器對屈臂和伸臂兩動作進行識別，識別率均可達95%；[28]（1994）年利用非參數(shù)線性分類器對屈、伸、內(nèi)旋和外旋四種動作進行識別, 其識別率在89%以上, 其中特征矢量為AR、RC、CP、LAR 等系數(shù)；[29]Michael （1995）利用并串聯(lián)分類器對內(nèi)旋、外旋及內(nèi)外旋等動作進行識別, 識別率為100% ,訓(xùn)練樣本數(shù)極少且而且訓(xùn)練速度快；[30]Guy Cheron（1996）年利用動態(tài)神經(jīng)網(wǎng)絡(luò)識別在展臂畫“8”字圖期間的EMG信號與手臂運動的關(guān)系。 綜上所述，在特征提取方面，時域方法最早應(yīng)用于肌電信號分析，易提取、方法簡單；頻域方法提取的特征值較穩(wěn)定，使得頻域方法成為肌電信號處理技術(shù)的主流；而以小波變換為代表的時頻分析方法因結(jié)合了時域、頻域兩方法的特性，在肌電信號分析方面頗有潛力。而在模式識別方面，人工神經(jīng)網(wǎng)絡(luò)求解肌肉的動作模式通過并行計算、分布式和自適應(yīng)學(xué)習(xí)，在提取信號的特征矢量(如AR特征、譜特性)之后，將其作為網(wǎng)路輸入，通過訓(xùn)練實現(xiàn)分類，識別率得到很大提高，因而受到廣泛應(yīng)用。2表面肌電信號的采集信號處理的最終結(jié)果與SEMG模型的設(shè)計緊密相連，良好的模型不僅能夠真實反映信號產(chǎn)生的機理，并且能夠指導(dǎo)完成信號檢測系統(tǒng)的設(shè)計。圖1是一個簡化的SEMG模型，其中，A為運動單位，B為肌纖維，C為差別放大器。一個能夠控制肌肉收縮的運動神經(jīng)元稱為運動單位。運動單位包括細胞體、軸突和樹突，在中樞神經(jīng)的控制下，通過運動單位的軸突發(fā)出的電脈沖沿著神經(jīng)延伸到該單位控制下的肌纖維處，并由終極電位與肌纖維產(chǎn)生興奮－收縮偶合，觸發(fā)肌膜的動作電位，引起肌纖維收縮而產(chǎn)生肌張力，從而產(chǎn)生肌肉收縮。Figure Model從上圖可以看出肌電圖是多個被記錄的肌膜動作電位序列的總和。由于肌膜動作電位的必然結(jié)果是骨骼肌的興奮－收縮耦合，其肌電圖代表著肌肉的收縮，故SEMG模型向我們提供了一個觀察神經(jīng)系統(tǒng)的窗口。SEMG信號的采集影響著信號分析及模式識別的精確性，是十分關(guān)鍵的過程。如圖2所示，采集SEMG信號可通過表面電極來拾取。運動單位傳播電脈沖的同時，在人體的軟組織中生成電流場，通過在靠近興奮性細胞膜的肌腹皮膚表面處放置電極，并在檢測電極間表現(xiàn)出電位差，便可記錄到以電壓/時間的形式表達的SEMG。Figure 2. The Principle of the Electricode表面電極作為生物信號與數(shù)據(jù)信號的傳輸媒介，其設(shè)計和所貼位置的重要性不得而知。通常表面電極組采用銅電極作為原材料，拾取電極大多呈圓形，每組銅電極是由柔性PET 附銅板蝕刻得到，表面鍍銀，電極薄且有彈性，這樣設(shè)計可以獲得較好的電信號取向和降噪作用。目前廣為流用的有一次性參考電極、雙電級、三電級等，在圖3中展示了各種表面電極。Figure ElectricodeFigure 4. The position of the EMG signal如圖4所示，檢測系統(tǒng)共有9個電極，1個參考電極（）以及8個雙電級（），分別貼在手臂背部（主要對應(yīng)手部屈肌、伸指總?。┖褪直蹆?nèi)側(cè)（主要對應(yīng)肱二頭肌、旋前圓肌、橈側(cè)伸腕?。?。其中，手部屈肌、伸指總肌控制手部手指伸直縮回，肱二頭肌、旋前圓肌控制前臂扭轉(zhuǎn)手掌轉(zhuǎn)向，橈側(cè)伸腕肌控制手腕旋轉(zhuǎn)方向。