基于人工神經網絡的表面肌電信號分類器研究進展

周小波，鄒任玲，盧旭華，王海濱，張俊翔

(1.上海理工大學 醫療器械與食品學院,上海 200093;2.第二軍醫大學附屬長征醫院,上海 200003)

表面肌電信號(Surface Electromyography，SEMG)是通過皮膚表面的干、濕電極測出的皮下肌纖維運動單位的動作電位，代表實時人體運動意圖[1]。隨著AI技術的發展，人機交互(Human-Computer Interaction，HCI)系統對提高人們生活質量和工作效率有重要的作用[2]?；赟EMG建立的HCI具有操作方便、對身體無侵入性、對運動無干擾等特點，有非常廣闊的應用前景。利用SEMG識別運動模式的方法主要可以分成兩類：一類是需要貼放多對電極，每對電極采集的SEMG分別對應一個動作。此類方法對電極采集到的肌電信號利用率低，往往需要多對電極才可以實現多個自由度的控制；另一種方法是對SEMG進行識別，從一個電極對采集的肌電信號中識別出多種運動模式。此類方法所用的電極數量少，對電極采集到的肌電信號利用率高，但是信號識別的方法復雜[3]?；赟EMG建立肢體康復動作識別系統，一般包括SEMG數據采集模塊、信號特征提取模塊、分類器模塊和機器控制命令輸出模塊。肢體康復動作識別系統很大程度上依賴于信號特征提取和分類器的使用。人工神經網絡(Artificial Neural Network，ANN)越來越多地被用于機器學習領域的模式識別和信號分類領域，其作為分類器，相較于傳統的分類器有著巨大的優越性[4]?，F將近幾年基于ANN構造的SEMG分類器的研究進展進行介紹和分析。

1 LVQ分類器

學習向量量化神經網絡(Learning Vector Quantization，LVQ)是Kohonen T等人在1988年提出的一種前向型神經網絡[5]。LVQ結合了有監督學習和競爭學習兩者的優點，在學習中克服了自組織網絡無監督學習算法帶來的缺乏分類信息的弱點。其最大的優點是不需要對輸入向量歸一化，缺點是訓練時間較長[6]。LVQ由輸入層、競爭層和輸出層3層神經元組成，結構如圖1所示。

圖1 學習向量量化網絡Figure 1. Learning vector quantization network

小波包變換(Wavelet Packet Transform，WPT)具有良好的時頻局部化特征特性，可以同時提取信號的時頻特性，克服了傅立葉變換時域無局部化特性的缺點，是一種良好的時頻分析工具。WPT分解樹如圖2所示[7]。

圖2 小波包變換分解結構樹Figure 2. Decomposition tree of WPT

2018年，Liu L和Song Y等人在已有的SEMG手勢分類器研究的基礎上，分別測試了BP網絡、ELMAN網絡、自組織競爭網絡等多種類型的神經網絡，在此基礎上設計出一種以WPT為特征提取的 LVQ分類器對下肢運動產生的表面肌電信號進行分類[7]。該實驗的對象為健康學生，實驗肌群為股直肌和長收肌，實驗動作為上樓、下樓、上坡和下坡4種下肢動作。實驗結果表明，采用該方法能很好地分類出腿部的四種運動模式，平均準確率達到96.00%，具有一定的實際運用價值。

2 ELM分類器

極限學習機(Extreme Learning Machine，ELM)，是Huang G B和 Zhu Q Y等人在2004年提出的一種單隱含層前饋神經網絡[8]。ELM學習速度比傳統的前向網絡學習算法快數千倍，同時具有更好的泛化性能。與傳統的學習算法相比，ELM不僅具有最小的訓練誤差，還具有最小的權值范數[6]。ELM由輸入層、競爭層和輸出層3層神經元組成，結構如圖3所示。

圖3 單隱含層前饋神經網絡Figure 3. Single-hidden layer feedforward neural networks

2017年，Anam K和Al-Jumaily A等人提出并評估了兩種ELM的實現：一種是基于節點的ELM，它依賴于節點的激活函數；另一種是基于內核的ELM，它依賴于競爭層的內核函數[9]。該研究的實驗對象為3名成年女性、6名成年男性和5名外傷性肘部以下截肢患者者。未截肢的受試者進行拇指外展、拇指彎曲、食指彎曲、中指彎曲、無名指彎曲和小拇指彎曲6種動作；截肢者想象著與未截肢者相同的手指動作。實驗結果表明，基于內核的ELM對截肢者的手指動作分類準確率達到98.55%，對健全者的手指動作分類準確率達到99.50%。同年，Wang J H和Qi L等人通過加Think技術公司研發的Flex Comp Infiniti系統采集了一名手臂完整的健康男性的SEMG，展開了ELM對上肢運動模式分類的實驗[10]。實驗肌群為肱二頭肌、肱三頭肌、肱肌和三角肌4塊肌群。識別動作為肘部彎曲、肩部伸展、肩部外展、提褲子和進食5種動作。實驗結果表明，該方法能夠較好地識別出上肢的5種運動模式，平均分類準確率達到99.26%。2019年，Kuo Y和Zhen Z等人的報告表明，通過對比實驗得出ELM與支持向量機(Support Vector Machine，SVM)的準確率相當，但比SVM類分類器更快[11]。

3 WNN分類器

小波神經網絡(Wavelet Neural Network，WNN)是由Zhang Q和Benveniste A等人在1992年基于小波分析研究領域的重大突破正式提出的一種前饋神經網絡[12]。WNN依據可靠的理論構建小波基元(WBU)和網絡結構，可以有效避免網絡結構設計的盲目性。由于WNN網絡權系數線性分布和學習目標函數的凸性，使網絡訓練過程中從根本上省略了局部最優等非線性化問題[13]。WNN主要由輸入層、隱含層和輸出層3層神經元組成，網絡結構如圖4所示。

圖4 小波神經網絡Figure 4. Wavelet neural network

2015年，Cheng R和Bai Y P等人利用WNN提高了工業機械假手的運動控制效果[14]。2016年，Duan F和Dai L等人提出了一種新穎的SEMG模式分類方法，在實驗中用3個表面肌電信號傳感器來識別6個手部運動模式[15]。實驗對象為7名23～26歲的女性，1名23歲的男性和1名36歲的男性。實驗肌群為橈側腕長伸肌、橈側腕屈肌和伸肌3塊肌群。實驗的動作為手閉合、手張開、手腕伸展、手腕彎屈、前臂旋前和前臂旋后6種手部運動動作。實驗結果表明， WNN分類器對6個手部運動動作分類的總體準確率為94.67%。在進一步實驗中，通過對2名左手腕關節處截肢的受試者進行相同的實驗，無法完成的動作用想象代替。最終結果顯示，對截肢者的動作分類準確率雖然低于對正常人的動作分類的準確率，但是整體分類準確率依然可以達到85.17%。從分類準確率可以看出，WNN分類器的性能不僅可以用于工業領域的運動控制，還可以用于基于SEMG的康復假肢控制。

4 ANFIS分類器

自適應神經模糊推理系統(Adaptive Network-based Fuzzy Inference System，ANFIS)，由Jang J S R在1993年正式提出[16]。ANFIS經典模型由模糊層、計算規則適用度層、適用度歸一化層、規則輸出層和輸出層5層神經元構成，網絡結構如圖5所示。

圖5 自適應神經模糊推理系統Figure 5. Adaptive network-based fuzzy inference system

自適應神經模糊推理系統是一種將模糊邏輯和神經元網絡結合的模糊推理系統，采用反向傳播和最小二乘法的混合算法調整前提參數和結論參數，能自動產生“如果-則”規則，既發揮了模糊邏輯和神經元網絡二者的優點，又彌補了各自的不足[17]。2017年，石紹應和王小謨等人提出了一種采用誤差反向傳播算法的自適應模糊分類器模型結構。對有x個特征向量、M種類別的分類問題進行分類時，需要學習調整參數的數目為2(2x+1)M[18]，模型結構如圖6所示。

圖6 自適應糊分類器模型Figure 6. Adaptive fuzzy classifier model

2015年，Fariman H J和Ahmad S A等人構建了一種利用ANFIS對SEMG進行分類的分類器[19]。實驗對象為4名健康的學生。實驗肌群是尺側腕屈肌和橈側腕長伸肌兩塊肌群。實驗的動作為腕關節彎曲、腕關節伸展、等張收縮和等長收縮4種手部運動動作。實驗結果表明，ANFIS分類器對4個手部動作的平均分類準確率為88.90%。Caesarendra W和Tjahjowidodo T等人于2018年利用MYO手鐲對健康的實驗室成員進行了手勢運動分類實驗[20]。實驗動作為：大拇指、食指、中指、無名指和小拇指彎曲5種手勢。實驗結果表明，對拇指動作分類的準確度最低，準確率為20.00%；對無名指和小拇指動作分類的準確率最高，平均分類準確率為72.00%。此類分類器的分類準確率有待進一步提高。

5 AlexNet分類器

AlexNet分類算法由Hinton G E和Krizhevsky A在2012年的ImageNet視覺挑戰大賽上首次應用[21]。AlexNet實質是一種卷積神經網絡(Convolutional Neural Network，CNN)。CNN具有非常好的目標信息處理能力，能夠自動提取目標的特征，已經被廣泛應用于圖像分類和目標識別等方面[22]。AlexNet是在LeNet的基礎上加深了網絡結構的卷積神經網絡，使用Relu為激活函數。AlexNet網絡結構有8層，卷積層由C1～C5共5層構成，全連接層由FC6和FC7兩層構成，最后一層為輸出層[23]，網絡結構如圖7所示。

圖7 AlexNet網絡Figure 7. AlexNet network

2019年，Akhundov R和Saxby D J等人基于Hinton G E的深度學習模型，進行了AlexNet分類器對SEMG圖像分類的評估實驗[24]。實驗的數據由墨爾本大學、查爾斯特大學和國防與退伍軍人服務部提供，包括腹直肌、股四頭肌、股直肌、半腱肌、股二頭肌、腓腸肌和臀大肌7塊肌群采集到的共87 000組SEMG數據。通過SEMG的過濾處理創建記錄圖像，并將這些圖像分為好、可用、噪聲和無信號4類。最后，用AlexNet分類器對圖像進行分類。評估實驗結果表明，AlexNet分類器對SEMG圖像分類的準確度高達99.55%。同年，Xingqun Z和Fei W等人利用MYO手環對7個健康的實驗室成員進行了手部運動SEMG采集，并用AlexNet作為分類器進行分類實驗[25]。實驗動作為彎手腕、握拳、張開手掌、揮手和比圓圈5種手勢。實驗結果表明，AlexNet分類器對5種手部運動動作的平均分類準確率為95.00%。卷積神經網絡不僅在圖像識別和信號處理上有出色的表現，也可以應用到文本和語音識別等領域。

6 GRNN分類器

廣義回歸神經網絡(General Regression Neural Network，GRNN)，由Specht D F在1991年正式提出[26]。GRNN屬于建立在數理統計基礎上的徑向基神經網絡(Radial Basis Function，RBF)。其理論基礎是非線性回歸分析，因此具有很強的非線性映射能力和很快的學習速度。GRNN 由輸入層、徑向基隱含層和線性輸出層3層神經元組成，網絡結構如圖8所示。

倒譜是一種信號的傅里葉變換經過對數運算后再進行的傅里葉反變換得到一種同態濾波，屬于非線性變換，用于對卷積信號的分離操作[27]。倒譜最初是為了描述地震和炸彈爆炸引起的地震回波而被提出的，其也是同態信號處理的一種表示，能夠將通過卷積結合起來的信號變換成各自的總和[28]。計算倒譜的一般流程如圖9所示。

圖8 廣義回歸神經網絡Figure 8. General regression neural network

圖9 計算倒譜的一般流程Figure 9. General block diagram for computing the cepsture

2019年，Yavuz E和Eyupoglu C通過計算MEL頻率倒譜系數(MFCCS)，利用倒譜分析技術來提取SEMG的時域特征，然后將其轉發給GRNN分類器進行分類，提出了一種全新的基于倒譜分析的手部運動SEMG分類器[29]。實驗對象為5名健康成年人，包括3名女性和2名年齡大致相同的男性。實驗肌群為尺側腕屈肌、橈側腕長伸肌和短伸肌。實驗動作為握圓管、手指拿小物品、提重物、抓物、手持球型物品和拿薄且寬的物品6種手部動作。實驗結果表明，GRNN分類器對每個人的6種手勢動作的平均分類準確率為99.34%；對5名實驗對象的所有數據進行混合而形成的數據集，進行分類的總體平均準確率為99.23%。該方法的成功是由于倒譜的特征能很好地表示生物電信號的特征，這種技術應用的領域可以擴展到各類生物電信號，例如心電圖(ECG)、眼動圖(EOG)、腦磁圖(MEG)和肌音信號(MMG)。

7 結束語

在大量的分類算法中，ANN算法與傳統的模糊識別算法(FRP)、SVM和線性判別算法(LDA)等相比，具有十分強的學習能力，能更好地解決復雜問題。近年來，隨著人工智能和控制領域的快速發展，基于ANN構建的分類器也不斷的成熟。構建準確且高效的ANN分類器，是現階段的研究熱點，有著廣闊的應用前景。通過對本文的6種ANN分類器的回顧，得出結論如下：

(1) 基于SEMG建立肢體動作識別系統，很大程度是依賴于分類器的使用。構建準確、高效的分類器十分關鍵。

表1 6種ANN分類器的分類結果

由表1可以看出本文所述的6種基于人工神經網絡的表面肌電信號分類器均有較高的分類準確率；

(2)以上6種ANN分類器都具有較好的分類準確率，但是存在實驗動作部位多為上肢動作、實驗的對象多為健康成人和實驗的樣本數量都比較小這3個問題，難以證明該分類器的具有普遍適用性。在豐富的樣本上進行多部位的多種動作驗證實驗，既是ANN分類器進一步完善的重點，也是難點所在；

(3)利用單一的信號特征提取方法提取SEMG，由ANN分類器進行單通道多模式的信號分類難以達到理想的分類準確率，在構建ANN分類器的時候，組建合適的特征集不僅是研究中的難點之一，也是弊端之一。特征提取方法依靠人工設計，不僅在信號預處理時計算量巨大，而且特征提取時會過濾掉部分信號。利用ANN構建一種可以直接利用原始SEMG的高效分類器，將從根本上避免這種缺陷，具有顯著的研究意義。