文摘

表面肌电图(表)信号的特征提取肌假肢控制的一个重要方面。提高肌假肢手的实用性,我们提出了一个面肌电信号的信号特征提取方法,利用小波加权排列熵(WWPE)。首先,使用小波变换分解和预处理面肌电信号采集的信号相关的上肢的肌肉获得小波分解在每一段频率。然后,加权排列熵(wp)的小波分解提取构造WWPE特性。最后,WWPE特性集作为输入到支持向量机(SVM)分类器和反向传播神经网络(摘要)分类器识别七手的动作。实验结果表明,该方法表现出显著的识别精度,优于单独的子频带特性集和常用的时域特性集。手部运动的最大识别准确率是100%,和支持向量机的平均识别准确率和摘要是100%和98%,分别。

1。介绍

肌电图(表)是一种表面电生理信号产生的运动单位在人体的肌肉活动。鉴于其优势的非侵入性和简单的操作,面肌电信号被广泛使用作为仿生理想的生物信号控制源康复设备和新的人机交互设备(1- - - - - -4]。由于事故,疾病,和其他原因,许多病人失去每年手或武器的一部分。上肢的缺乏或功能障碍给日常生活带来了许多不便和麻烦的禁用。收集表信号的研究从特定肌肉群识别手部运动逐渐出现,很多研究已经在智能假肢领域(5]。hand-action模式识别技术深入研究基于表获得高效、准确hand-action识别能力,和系统识别结果转化为控制指令驱动输出(6),具有非常重要的研究意义和应用价值的研究智能人工手。

作为肌表的一个典型应用,假肢手(4)由面肌电信号控制信号产生的截肢者的剩余的肌肉。随着科学技术的发展,越来越多的新技术和想法已经集成到假肢的应用(7- - - - - -9]。由于面肌的复杂性和手部运动的多样性,仍有许多问题和挑战,实现高效、准确的操作分析(10),如面肌电信号特征的选择和提取和识别行为的类型和数量有限。许多组织和研究机构施加了相当大的努力面肌电信号特征提取的信号来提高识别精度,因为这样的准确性很大程度上取决于提取特征(11- - - - - -14]。相关特征提取,模式识别的质量,是面肌电信号的分析和处理的关键。之前的研究使用流行的特征提取方法在时间和频率域,如均方根(RMS) (15)和中值频率(16),提取面肌功能。面对日益多样化的特征提取方法,目前只提供有限的神经肌电图特征提取方法/电机信息。一些功能可以充分反映表的详细特征信号(17]。的主要问题是从信号中提取有用的信息18,19]。

小波变换(WT) [20.)是一种时频分析技术,具有多分辨率特性。它有能力描述当地的信号在时域和频域特性。段et al。21)使用WT方法提取分析手部运动的时间和频率信息,取得了良好效果。大多数研究提供有限信息小波处理和信号重建而忽视小波分解后的识别研究。Subasi et al。22,23)使用离散WT (DWT)面肌电信号的信号分解为正交特征提取时间序列不同的频段。结果表明,面肌电信号的变化信号可以有效地由特征提取DWT的每个副环带。在[19,23,24),小波分解后的预处理和分解。这些研究同样表明,计算副环带参数是有用的在运动检测和其他相同的应用程序。的各种特征参数,熵指数用于衡量一个系统的复杂性。传统的熵只考虑信号的概率分布值,不考虑信号值的顺序结构。尽管有不同的对熵的定义和计算方法,各种各样的熵显示系统随机性和规律性25]。基于复杂性的非线性动态参数测量,排列熵(PE)已经逐渐应用于复杂的生物电子信号的分析。它可以描述时间序列的局部结构特性和放大信号的细微变化复杂性和较低的抗噪音的能力(19]。考虑EMG信号在不同的手部运动的复杂性,PE可以用来反映其内在复杂的特点。然而,除了序列结构、体育的另一个缺点是可能的损失相当大的振幅的时间序列中存在的信息(26]。法(27)提出了加权排列熵热电制冷,可以提取的序列结构时间序列和保持其振幅信息。从结构特征表示,热电制冷可以提取局部微观结构特性,以及小波变换可以提取全球宏观的结构特点。因此,小波分解后的组合分析和热电制冷可以全面描述功能,可以识别表信号的一种有效方法。在这项研究中,一个小波加权排列熵(WWPE)方法提出了手部动作识别。

2。材料和方法

2.1。数据采集

四个健康受试者(两个男人和两个女人;年龄:26年;身高:160 - 180厘米;重量:48 - 70公斤)参与实验通过执行指定的手的动作。所有受试者阅读并签署知情同意制度审查委员会批准。数据采集之前,受试者的皮肤与酒精擦拭,然后受试者被要求坐他们的手臂直和固定在一个位置,以避免不同肢体在面肌信号的影响。传感器被放置在每个主体的屈腕桡侧的(ch1) superficialis屈肌腱牵向前(ch2),屈肌全身长(ch3), (ch4)记录和伸肌肌腱牵向前四频道表(图信号1)。然后,以下7个日常手部运动进行:打开,关闭,点,是的,好的,三脚架,并控制(图2)。七个日常手部运动在日常生活中更常用的(28]。四个传感器使用Trigno™无线肌电图(Delsys Inc .)、纳蒂克,妈,美国)。这些传感器提供运动工件抑制(专利),可以自由移动,他们直接无线传输数据。这些传感器的参数如下:分辨率,16位;带宽、20 - 450赫兹;基线噪音,< 1.25μV (RMS);典型的操作范围,40米;通信协议、蓝牙®。在实验中,参与者每个动作重复30次。每个运动持续了3 s,每个动作的总数应该至少120。面肌电信号记录信号的采样频率1000赫兹使用EMGworks®4.0 (Delsys Inc .)、纳蒂克,妈,美国)。

2.2。算法流程图

在我们的研究中提出的方法认识到七基本使用面肌手部运动,包括以下步骤:小波分解,特征提取,组合特性,和分类。在图中详细说明的步骤3。在收集表信号,面肌电信号的特征向量应提取的信号。考虑时域和频域分析的优点,WT被用来进行预处理和分析表的信号。小波分解后的wp提取小波分解的基础上。WWPE wp的小波子频带信号在小波分解。最后,使用特性集作为支持向量机的输入和摘要实现面肌信号的模式识别分类器。

2.3。小波分解

WT为生物是一种强大的时频方法。在我们的研究中,表在每个频率信号分解为小波分解后段使用WT。WT分解的效率依赖于母亲的适当选择小波函数(21]。信号的识别精度取决于之间的相似度母小波函数和小波系数(29日]。之前选择的小波子频带,最大energy-to-Shannon熵率标准是用于小波基的选择。可以找到更详细的信息(19]。Daubechies (DbN)是正交和非对称紧凑支持功能(30.]。Symlet DbN (SymN)是一种改善;它可以减少相位失真信号分析或重建在一定程度上31日]。Sym8拥有近相似属性的匹配与这些生物。面肌电信号记录信号的采样频率1000赫兹使用EMGworks®4.0 (Delsys Inc .)、纳蒂克,妈,美国)。抽样定理是用来获得的最大频率500赫兹。由于面肌信号能量集中在30 - 200 Hz,根据频率分布,本文基础课进行小波分解。因此,面肌电信号通过基础课小波分解信号进行分析和处理与“sym8”作为母小波。如图4,我们提取5小波分解后(即。,a4, d1, d2, d3, and d4) to achieve better results in feature extraction with WPE algorithm. Here, “a” represents low frequency, “d” represents high frequency, and the number represents the number of decomposition layers. Now, we can calculate WPEs for each sub-band in the next level.

2.4。加权排列熵(热电)

体育主要是用来测量混沌信号的复杂性。的计算是基于相邻数据的比较,很简单。其抗噪声能力强,表现出良好的鲁棒性。

给定一个时间序列 长度为 ,的 - - - - - -在时间维的嵌入向量被定义为 在哪里延迟时间和吗嵌入维数。时间延迟信号的采样率有关。(32)表明,延迟的时间设置为1和嵌入维度设置为4。

的我- - - - - -th重建组件是重建的升序排序如下:

如果有相同的元素,它可以按照大小排序的 。换句话说,当 和 ,排序方法

因此,任何向量可以获得一个符号序列如下:

不同的符号序列 一共有米!的符号序列。

数字排列 ,让表示的频率j时间序列的排列。然后,每个符号序列的发生概率计算如下:

PE不同序列的符号定义如下:

体育提供了一个衡量一个非线性时间序列的复杂性所代表的顺序模式。然而,依照其定义、PE无视振幅差异相同的序列模式和失去了信号振幅信息。

振幅的差异的基础上或方差一定的模式,热电制冷分配一个权重值时每个提取的向量计算与每个符号相关的相对频率。重量值计算每个子序列的方差 。 表示为 在哪里是算术平均值如下:

数字排列 ,的频率jth排列在时间序列可以被定义为 在哪里 和是可能的时间序列的数量相同的顺序模式。加权相对为每个符号出现的概率

热电制冷的定义如下:

在这项研究中,我们记录4-channel EMG信号使用Trigno™无线肌电图(美国马Delsys Inc,纳蒂克)并提出面肌电信号特征提取的信号用小波加权排列熵(WWPE)方法识别七手部运动基于四个频道。我们使用面肌电信号及其分解提取热电制冷算法和小波分解作为输入的每个副环带热电制冷值计算。单个小波子频带的热电制冷是一个四维特性集。WWPE wp的小波子频带信号在小波分解下(即。,a4, d1, d2, d3, and d4), which is a 20-dimensional feature set. In other words, the WPEs of all sub-bands were combined into a feature set as WWPE feature set. Then, the WWPE feature set was used as the input to the SVM and BPNN classifiers to realize the pattern recognition of sEMG signals.

3所示。结果

3.1。小波分解

四通道生面肌手部运动的一组获得的信号从一个话题转图所示5。水平坐标表示样本点的数量,和纵向坐标代表面肌电信号的幅值信号。ch1在这个数字,ch2、甲基和ch4代表屈腕桡侧的,superficialis屈肌腱牵向前,如图长屈全身,伸肌肌腱牵向前1,分别。WT被用来分解和预处理面肌信号获取小波分解后在每个频率通过基础课段小波分解与“sym8”作为母小波。五个(即小波子频带信号。,a4, d1, d2, d3, and d4) of ch3 were extracted as shown in Figure6。水平坐标代表采样点的数量,和纵向坐标代表信号的振幅。明确表示在图7,不同的小波分解后不同的配置文件,因为他们带着不同程度的有效信息。面肌信号的其他渠道和主题表现出相似的特征。因此,计算小波热电制冷作为识别不同的运动特性是可能的。

3.2。特性分析

定性观察的特性分布的七手的动作,ch1和ch2的热电制冷和PE分布随机选择从一个主题的呈现在图7。在这个图中,横向坐标代表ch1面肌的熵值,和纵向协调是指那些来自ch2。这个数字表明,明确区分的七个动作不明显;然而,观察热电制冷略优于PE在集群仍然是可能的。此外,在数据点的分布7 (b),7 (c),7 (f)相当清晰,边界和分不同的运动更明显。的wp d2和d3实现更好的聚类性能比其他的分解。与PE和热电制冷的面肌电信号相比,d2和d3分解后的集群性能几乎一样好表。结果表明,特征提取的小波子频带可以用来区分行动。因此计算可在运动检测参数是非常有用的。

3.3。识别精度

三层摘要和支持向量机作为分类器的实验。我们所有的样品分为两组。一些样品是随机选择从所有训练数据作为训练集,其余作为测试集。说明PE和热电制冷的识别性能在不同的分解(即。a4, d1、d2、d3、d4),所有的PEs和wp被用作输入由SVM识别和摘要。表1提供不同的分解后的平均识别精度和面肌下七个动作。热电制冷达到更好的识别精度比SVM的PE和摘要。热电制冷的d3展品大大比其他分解后更好的识别性能。d3的平均识别精度达到87%,大约是10%高于其他的分解。此外,无显著差异的准确性之间观察到d3和面肌两个分类器。表2提供了热电制冷的详细识别结果和PE d3副环带和undecomposed面肌下七个动作。d3小波子频带的热电制冷可以分辨出每只手的运动精度高,可以达到100%。这些结果验证提取的合理性特征小波分解后的认可。

在这项研究中,一个小波加权排列熵(WWPE)方法用于识别。表3提供的平均识别精度特性。然而,热电制冷的d3展品大大更好的识别性能比其他分解后的表1。平均识别方法效果明显优于单一d3小波子频带特性。WWPE特性集的平均识别精度更好。从表可以看出3WWPE特性可以提供更高的分类精度达到100%,大约98%在SVM和摘要,分别。进一步说明WWPE特性的优越性在桌子上3,上面的识别方法的性能比较表的信号1。相比之下,在桌子上1,我们提出的方法表3可能导致增加大约15%的平均识别精度。中提供的详细的识别手部运动的结果表2和4。相同的结论可以得出,WWPE特性集要好得多的识别性能。虽然d3小波可比得上面肌电信号的性能,WWPE特性集是最好的。WWPE特性集获得最高的识别精度,因为WWPE特性集可以探索更多的信息比一个小波子频带特性。实验结果验证该方法基于WWPE特性集可以达到很高的识别精度。摘要使用WWPE手运动的特征提取识别展览一个显著的优势。

传统的时域特性集,由均方根(RMS),意思是绝对值(飞行器),波形长度(WL),零交叉(佐)和斜率变化(SSC),相比之下,我们建议的功能。传统的特性集的识别精度如表所示5。我们可以看到,该方法已经相当成功的活动分类。相比之下,表2、小波可识别精度的一些行动比传统的特性集。好的行动,d3的准确性小波可大于85%。为其他运动也存在类似的情况。这些结果验证提取的合理性特征小波分解后的认可。该方法基于WWPE达到最高的识别精度。

4所示。讨论

四个健康受试者参与的实验七手的动作。小波分析是结合熵的特性。WT被用来分解和预处理面肌电信号获取小波分解后的信号。然后,提取小波分解后的wp。WWPE wp的小波子频带信号在小波分解。进一步说明WWPE特性的优越性,其识别性能与热电制冷和PE面肌电信号相比,热电制冷,PE单一小波子频带和小波PE特性集。在我们的实验中使用面肌电信号模式识别信号,只考虑到整体识别的准确性。

详细的研究的结果发表在表2,4,5。结果表明,该方法取得了较好的性能,和识别精度可达100%,每只手的运动。小波分解后的表1,平均识别精度的d3副环带可以几乎一样好undecomposed面肌电信号。小波子频带d3可以区分手部运动精度高(87%)。运动的最高精度可达100%,表2。虽然d3小波子频带展品良好的识别精度,WWPE特性达到较高的识别精度和在摘要利用支持向量机可以达到100%和98%。基于手运动识别的最新实践相结合的理念通常采用时域特性来确定改善分类性能(肢体动作16]。五个常用的时域特性(RMS,飞行器,西城、佐和SSC)提取和合并面肌电信号相比,我们提出的功能。实验结果验证该方法基于WWPE比时域特性集可以实现识别精度高。此外,小波PE和WWPE由相同的想法也有类似的七个动作识别结果。然而,这是不可否认的,这种方法可以达到较高的识别精度。比单一小波分解后他们更有效和传统的时域特性集。

大多数研究提供有限信息小波处理和信号重建而忽视小波可识别。小波变换将宏观结构为特征的信息。宏观和微观结构信息和振幅信息都是由WWPE探索。结合宏观和微观结构信息,WWPE可以获得更好的性能。因此,结合小波子频带分析和热电制冷可以全面描述的特点和可以有效地描述表信号的非平稳和非线性特征。它证明了理性从小波分解提取特征的识别。小波子频带分析和熵的组合可以是一个有效的方法来识别面肌电信号的信号。

支持向量机和摘要有良好的学习和泛化能力。无论哪些特性,支持向量机和摘要呈现不同的识别结果。然而,它们之间的差别很小。因此,该方法基于WWPE手部运动展示了高潜力的未来。

这项工作的局限性是不可否认的,类似于其他方法,我们没有一个数据库,是适用于所有人。我们有限的实验对象健康的人,而不是截肢者。未来的工作可以专注于创建一个大型数据库的手部运动与多个动作类别和考虑招聘截肢者进一步验证该方法的性能,因为截肢者的目标用户是假肢装置,而不是只考虑健康受试者。此外,其他方法也可能获得更高的分类精度通过使用更多的计算资源。这个问题应该是未来研究的重点。

5。结论

相关特征提取,模式识别的质量,是面肌电信号的分析和处理的关键。本研究提出了使用WWPE面肌信号的特征提取识别基于四频道七手的动作。我们应用WT预处理和分析表的信号。然后,wp面肌电信号及其小波分解提取构造WWPE特性集。支持向量机(SVM)和反向传播神经网络(摘要)被用来分类手部运动。面肌电信号及其小波分解后的有效性识别日常手部运动进行了计算。实验结果表明,WWPE特性集提取更全面的功能信息,达到最高的识别精度。此外,WWPE特性优于单一子频带特性和常用的时域特性。证明它是合理的提取小波子频带的特征识别。小波子频带分析和熵的组合可以是一个有效的方法来识别表信号并有效地应用于模式识别手部运动。

数据可用性

所需的原始/处理数据复制这些发现也不能在这个时候作为数据共享一个正在进行的研究的一部分。

的利益冲突

作者声明没有潜在的利益冲突。

确认

这项工作得到了国家自然科学基金(61971169和61971169号),浙江省自然科学基金(没有。LZ17F030002),金华市科技局(no.2019 - 3 - 020)。