表面肌电信号采集及动作识别系统

本资料包含pdf文件1个，下载需要1积分

肌电即肌肉电信号，是由神经、肌肉兴奋从而发放生物电产生的，它是产生肌肉力的电信号根源。从 17世纪中叶，科学家发现电鱼的电能来源于-块高度特化的肌肉起，人类便开始了对肌电的研究。2O世纪中叶以来，伴随着计算机技术和神经生理学的飞速发展，基于肌电的技术被广泛而深入的应用在机电控制领域。当肌肉随意收缩时，表面肌电的积分肌电值与肌张力之间呈线性关系；当肌肉等张收缩时，肌电活动随肌肉缩短速度的增加而加强、随肌肉伸长的速度增加而下降fl1口由于肌电与肌肉力量有密切的关系，使肌电成为研究假肢控制的-个理想手段。

通过搭建-个肌电信号采集及动作识别系统，能够采集到微弱的表面肌电信号并根据肌电信号识别肘关节姿态，进而应用于控制机械手臂的运动。

2系统总体方案人体的肌电信号，需要通过电极来获龋针电极，获取的信号较好 ，但是需要介入人体，且对皮肤有伤害，增加被试人的痛苦。而表面电极与针电极相比采集到的信号微弱，且易受到外界干扰，但是其使用方便，无需介人人体，对皮肤无伤害。在具体实现中，我们采用了-次性 Ag/AgC1贴片式表面电极。由于电极采集的信号非常微弱、本身存在噪声，并且由于肌电信号非线性和随机性的特点，需要对获取的肌电信号进行适当的放大和降噪处理，才能被进行AD转换后为后续程序所处理。为此，我们选择了Pc平台上工作的数据采集卡来采集经过放大后的肌电信号，在LabVIEW软件上进行开发。

整个系统由数据获取硬件和信号采集软件两部分构成 ：硬件部分主要包括-次性贴片式表面电极 、生物电隔离放大器、MP422E型数据采集卡、PC机。软件部分在 LabVIEW平台下完成，主要包括：信号采集显示拈、特征提取拈以及动作识别模块。表面肌电信号采集及动作识别系统的工作流程图，如图1所示。其中，虚线内部分为软件实现部分。

团 匦亟乜亘· L-叫控制信号输出l I信号实时显示 I-J·： l - - 1 l图 l表面肌电信号采集分析系统工作流程图Fig.1 sEMG Acquisition and Analysis System Flow Chaa来稿日期：2012-10-14基金项目：上海市科学技术委员会重点科技攻关项目(10441900800)作者简介：张红奎，(1989-)，男，山东诸城人，在读硕士研究生，工学硕士，主要研究方向：嵌入式控制系统开发及助力机器人研究汪 地，(1968-)，男，浙江宁波人，副教授，硕士生导师，工学博士，主要研究方向：嵌入式控制系统开发机械设计与制造No.8Aug.201 3带上的投影存在较大差别，基于以上实验结果，本系统选择信号在各频带上投影的能量比值作为识别动作的特征矢量。

图5小波包分解示意图Fig.5 Schematic Diagram of Wavelet Packet Decomposition分解后得到肌电信号在个频带的投影能量比，如表 1所示。

由表 1数据可知，屈肘伸肘与前臂内、外旋在前两个节点能量比有较大差别，可以作为区分两类动作的特征矢量，而根据某-个或某几个节点例如第五节点可以分别区分屈伸肘和前臂内外旋。

表 1屈肘、伸肘、前臂内旋、前臂外旋在各个节点处的小波系数能量比Tab.1 1 Elbow Flexion，Elbo w，Forearm Pronation，Forearm SupinationS Wavelet Coeficients EnergyRaliO at Each Node4.3动作识别拈由于肌电信号具有非线性和随机性的特点，而人工神经网络所具有的非线性分类能力使其在模式识别等领域显示出非常好的性能。BP(Back Propagation)网络可以逼近任意连续函数，具有很强的非线性映射能力，BP算法的结构相对简单，可操作性强，所以选择 BP神经网络做动作识别。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。

本系统选用三层神经网络，将肌电信号在各频带投影的能量比作为 BP神经网络的输入 ，通过实验对 比分析，隐层节点数设定为 15，输出层节点数设定为3，用0、1的编码组合来表示具体的动作。其中010代表动作屈肘，01 1代表动作伸肘，100代表动作前臂内旋，101代表动作前臂外旋。LabVIEW实现神经网络的传统方法有两种：(1)通过调用Matlab Script节点实现。(2)利用 CN node调用外部已编译的 C或 c代码实现 。通过分析 BP神经网络并结合 LabVIEW图形化编程技术直接采用图形化编程的方法实现BP神经网络算法。采用图形化的编程方法，可以方便地实现BP神经网络算法，相比于其他两种方法更加直观、便于理解、易于修改。实现BP神经网络算法的LabVIEW程序框图，如图6所示。

图6实现BP神经网络算法的LabVlEW程序框图Fig.6 BP Neural Network AlgorithmProgramme by LabVIEW每个动作选取 l0个样本数据对此神经网络进行训练，直到网络实际输出与理想输出拟合曲线误差在0.01以内训练结束，经过 100次左右训练后，训练结束。经多次试验验证，经过此神经网络对于以上四类动作的识别准确率达到95%。

5结论通过实验表明，所介绍的肌电信号采集与动作识别方法是切实可行的，得到了较好的效果。由于系统是基于虚拟仪器的，只需搭建-次外围硬件设备便可实现对各种识别控制算法的验证，节省了开发的成本。经此系统输出的动作识别信号可作为控制仿人机械手臂运动的信号，为系统的进-步研究奠定了实践平台。