英语原文共 12 页
基于表面肌电信号的踝关节运动分类在康复机器人中的应用
作者：Maged S. AL‑Quraishi1 · Asnor J. Ishak1 · Siti A. Ahmad1 · Mohd K. Hasan1 · Muhammad Al‑Qurishi2 · Hossein Ghapanchizadeh1 · Atif Alamri2
接收: 22 August 2015 / Accepted: 13 July 2016 / 网上出版: 2 August 2016 copy; International Federation for Medical and Biological Engineering 2016
摘要
肌电图(EMG)控制是近年来假肢、矫形器等康复设备研究的核心。然而，由于EMG信号的复杂性，它很难作为控制信号使用。为了解决这个问题，研究人员使用了一种模式识别技术。EMG模式识别主要包括四个阶段:信号检测、预处理特征提取、降维和分类。特别地，任何模式识别技术的成功都依赖于特征提取阶段。本文对改进的时域特征集和对数转移时域特征集(LTD)进行了评价，并与传统的时域特征集(TTD)进行了比较。采用线性判别分析(LDA)、k近邻和朴素贝叶斯三个分类器对这两个特征集进行评价。结果表明，新时域特征集有限公司的分类精度优于传统的时域特征集TTD，平均分类精度为97.23%。此外，LDA分类器的性能优于本研究中考虑的其他两个分类器。
关键词： 肌电图；康复；踝关节运动；信号处理；模式识别
1绪论
根据世界卫生组织的数据，在未来几年内，65岁以上老年人的比例将增加88%。因此，与年龄有关的疾病和障碍的发生率随着老年人口的增加而增加。这些疾病包括脑血管意外(中风)、脊髓损伤、脑瘫、帕金森病和多发性硬化症[24]。这些慢性病和意外事件影响了这一人群从事日常生活活动的能力。例如，中风患者的骨骼肌被削弱、未使用和缩短;结果，关节僵硬，以及[16]。在这个过程中，病人可能会失去活动和互动的能力。随着患有这些疾病和障碍的人口的增加，对康复和治疗方案的需求也在增加。康复训练对肢体功能的神经功能恢复具有重要影响[11,22,24]。传统上，这项任务可以由康复中心或医院的治疗师手工完成。然而，近年来，研究人员已经投入了大量的努力，以开发在发生缺陷时用于上肢和下肢康复过程的辅助装置。在康复机器人领域，技术和机电一体化被用来帮助残疾人通过工具，提高生活质量[24]。此外，这些设备有助于减少治疗师的重复性工作，恢复灵活性，缩短康复时间[16]。在过去的十年里，外骨骼机器人设备(可穿戴机器人)已经被开发成为治疗师处理受损问题的实用辅助系统关节或四肢。外骨骼指的是一种机械可穿戴设备，旨在模仿人体部位，如踝关节;当设备磨损时，执行器产生的扭矩传递到机体[11]。踝关节外骨骼机器人就是这种设备的一个例子，它可以用于不同的目的，如动力辅助、康复和运动辅助。由于踝关节在人体行走步态[11]时所做的机械功较大，因此选择踝关节作为当前研究的重点。外骨骼机器人可以通过不同的控制策略进行管理。这些技术可以根据人机交互的方法进行分类。此外，还测量了来自外骨骼的信号、人与外骨骼之间的相互作用力信号以及从人体接收到的信号[31]。人与机器人的交互作用是根据人体测量到的生物信号发展起来的。这些信号表示用户的运动意图。
因此，运动意图可以完全估计，没有数据丢失和延迟，不像其他方法[27]。该领域通常考虑的生物信号是表面肌电图(sEMG)[3,19,19,27]。已制订相应的控制战略，协助使用者进行日常活动和康复训练。目前研究的重点是肌电控制策略，即肌电控制。肌电图控制是近年来假肢、矫形器和外骨骼设备研究的核心。然而，由于几个原因，EMG作为控制输入信号在这类设备中很难使用:即使在一个人身上，对于相同的运动，也很难获得一个恒定的EMG信号。每个人都展示了他/她的个人肌肉活动水平和在特定运动中使用肌肉的不同模式。不止一块肌肉参与单个关节的运动，如踝关节。此外，没有单一的肌肉负责一定的运动[11]。上述大部分挑战都可以通过使用模式识别技术对不同的运动模式进行分类，并利用分类信号作为输入控制信号来操纵和驱动康复或外骨骼设备来克服。因此，基于EMG的控制系统的一个关键过程就是模式分类。然而，由于EMG信号的随机性，使用EMG信号的瞬时值并不是模式分类方法的实际输入。相反，在特征提取和模式分类过程[23]之前，数据的窗口处理是必不可少的。该领域使用两种类型的窗口:重叠窗口和相邻窗口。由于计算量大，系统的响应时间限制了系统的计算复杂度这必须保持在300毫秒以下，以尽量减少用户感知滞后[5]。因此，窗口大小应该足够短，以确保控制器不引入极端延迟;然而，只要足够长，就可以建立一个有效的决策[13]。报告的允许数据窗口大小的估计从50到400 ms[4]不等。然后从每个窗口中提取特征并反馈给分类器。模式分类中最重要的步骤是特征提取过程[3]。在这方面已经做了大量的研究，提出了许多特征提取算法[2,9,19,20,23,26,30,33,34,36]。然而，仍然需要确定一个易于实现和在低计算负载下运行的精确模式识别系统。因此，在这些过程中应该考虑以下因素:最大类可分性和计算复杂度。一个好的特征空间会导致集群具有最大的类可分离性或最小的重叠。此外，计算应保持简单，以方便有关程序的应用与负担得起的硬件实时[3]。
根据文献，肌电图的特征可以分为不同的组:时域(TD)、频域(FD)或时频域(TFD)。TD特征通常用于EMG分类，因为它们计算简单，易于实现[6,9,21]。此外，TD特征直接从原始数据中提取，不需要进行转换。Phinyomark等人在[26]中列出了30多个TD特征，用于评估EMG特征，以提高模式识别的鲁棒性。然而，以往相关工作中最常用的TD特征有:平均绝对值(MAV)、平均绝对值斜率(MAVS)、过零次数(ZC)、坡度符号变化(SSC)、波形长度(WL);这五个功能就是所谓的Hudgin的TD功能。一般来说，TD技术还没有发展到可以有效地评估非平稳信号。从静态和动态部分提取的TD特征都增加了方差[10,17]，从而降低了分类器的整体性能[12,30]。因此，为了使用TD技术来评估与肌电信号相关的活动，首先有必要使测量到的肌电信号在需要时更加平稳。然而，近年来对肌电信号平稳性的研究[25,35]表明，肌电信号的平稳性依赖于分析窗口大小、动作类型、肌肉收缩以及用来定义肌电信号的特征等诸多因素。本文给出了一个简单的非线性变换通过对TD特征的实现来提高分类精度，并利用不同的窗口长度来说明窗口长度对分类精度的影响。
2材料与方法
2.1研究对象
20名受试者(男性15名，女性5名)自愿参与本研究。向所有参与者分发了参与信息表，以概述收集程序和本研究涉及的运动类型。每位受试者还签署了一份同意书。表1列出了受试者的信息(身高、年龄、从膝盖到外侧踝的腿长)。只有两名参与者是左撇子。数据收集方案经马来西亚普陀大学伦理委员会批准。
2.2材料
本实验采用一次性Ag/AgCl胶接电极。酒精垫被用来清洁皮肤。采用自定义多通道EMG数据采集系统，增益可调(1000-2000)V/V，带宽频率为10-500 Hz，采样频率为2 kHz。在本实验中，增益调整为1000v /V。使用LabVIEW 2013 (National Instrument)和MATLAB 7.14 (MathWork Inc.)软件程序对记录的肌电信号进行显示和存储。
2.3膝盖以下肌肉
本文研究了四种膝关节以下肌肉:胫骨前肌(TA)、腓骨长肌(PL)、外侧腓肠肌(GL)和内侧腓肠肌(GM)。图1显示了这些肌肉的解剖结构。
2.4运动的选择
本文研究了图2所示的四种踝关节运动。踝关节背屈(DF)是其中之一
表1参与者信息
|
实验者 |
平均plusmn;误差 |
|
身高 |
174.15plusmn;3.38 |
|
年龄 |
29.63 plusmn; 3.87 |
|
腿长 |
42.52 plusmn; 2.75 |
图1膝盖以下肌肉
图2踝关节运动情况;a背屈，b足底屈，c内收，d外展
使脚和腿之间的角度最小的运动，使脚更靠近胫骨。踝关节足底屈曲(PF)是当脚踩汽车踏板时，增加脚和胫骨之间的角度的运动。踝关节内收(AD)是将脚向身体中部旋转的动作。踝关节外展(AB)是一种将脚从身体中部旋转出去的运动。由于这四个动作在人体行走姿态和姿态[7]中的重要性，我们考虑了这四个动作。
2.5数据采集流程
从皮肤表面的四个不同点采集肌电信号。记录受试者的四次静态肌肉收缩。在电极被定位到目标肌肉之前，皮肤必须准备好改善获得的信号的质量。因此，电极部位被剃去并用酒精垫清洁。为了提高电极与电极表面的电导率，采用塑料带固定电极。
2.5.1电极位置
根据肌电图用于肌肉工程无创评估(SENIAM)，定义了肌电图传感器的位置[14]。SENIAM推荐了几个步骤来确定粘接电极的放置位置。例如，电极的位置可以通过解剖图谱和手工触诊来确定肌腱远端和近端区域以及肌纤维的方向。电极直径不超过10毫米。此外，电极间距离应在20至30毫米之间。表2显示了膝盖以下肌肉的电极位置。在确定电极位置后，在每块肌肉上放置一对电极。参考电极位于骨区，如侧踝，如图3所示。此外，电极通过攻丝加强，以避免电极移位。黏附电极通过音频电缆连接到肌电图采集系统。在录音之前，每个被试都是面向四个动作的。一旦受试者理解了整个过程，记录过程就开始了。
2.5.2记录过程
将黏附电极放置在受试者腿上相应的位置后，开始记录。每位受试者坐在椅子上，将腿从地板上抬起，以确保脚踝的活动范围，如图4所示。肌电图系统启动，每个受试者被要求移动他/她的踝关节。第一个动作是DF，这个位置保持了5秒。每个5-s收缩被认为是一个试验在这个程序。其余的程序设置3到5秒，同样的动作重复5次。其他动作也重复同样的程序。因此，每次运动记录6次试验，每次收缩持续时间为5秒。因此，每个动作必须用30秒。记录的信号通过LabVIEW程序显示并存储。记录肌电图信号后，肌肉收缩间隔3- 4-s休息时间，如图4所示，每个通道代表一块肌肉;TA代表1频道，PL代表2频道，GL代表3频道，GM代表4频道。因此，收缩期必须与静止期分开。同样，每次收缩(试验)都是孤立的。首先，根据收缩幅度与静止幅度之比选择最具代表性的通道。然后确定四个通道的收缩开始时间。在开始模式分类过程之前，需要进行数据准备。数据集为分为两部分:培训和测试数据集。在这项工作中，数据被分离如下:三个训练试验和三个测试试验。运动被随机安排在训练和测试组。
表2四组肌肉电极位置
|
肌肉电极位置 |
|
TA最理想的位置是在47.5%的肌肉长度之间的界线的布拉和内踝的尖端[28] GM电极应该定位在肌肉隆起的区域[14] GL电极应该定位在肌肉隆起的区域[14] PL最好的电极的位置是在25%的肌肉长度之间的界线的负责人布拉的小费外踝[14] |
图3电极位置
图4踝关节DF运动时肌电信号的四通道
2.6模式识别方法
本节介绍了踝关节运动模式的识别方法。这个过程首先将EMG原始数据重采样到1khz，然后是数据窗口、特征提取和分类。
2.6.1数字信号处理
如前所述，数据采集过程中记录的信号采样于2khz。然而，根据奈奎斯特准则，采样率应该是信号最大频率的两倍。在以往的文献中，认可的表面肌电信号的最大频率为500hz[5,23]。因此，Nyquist频率为1000hz。因此，采样过程必须从2千赫降低到1千赫。采用四阶截止频率巴特沃斯带通滤波器对肌电图数据进行滤波;为了降低噪声水平，将高通截止频率和低通截止频率分别设置为10赫兹和500赫兹。
2.6.2数据窗口特性
本实验采用5种不同的相邻窗长(50、100、150、200和250)ms来说明窗长对分类精度的影响。
2.6.3特征提取
表3 TD和LTD的数学定义
研究了两个时域特征集。第一组由传统的时域TTD特征组成，包括主绝对值(MAV)、均方根(RMS)、波形长度(WL)和标准差值(SDV)。第二组通过非线性变换得到第一组的修正版本特征;所采用的特征可以看作是基于对数的时域特征(LTD)。采用对数变换对四种TTD特征进行修正;表3说明了每个组的数学模型。此外，非线性变换有助于增加类内距离，同时减少类间距离，这可以从变换后数据的特征空间中观察到，在特征空间中，集中点被分散开来，高度分散的数据被聚集在一起。图5和图6描述了这种情况。
图5具有TTD特征的四种踝关节运动特征空间
图6具有LTD
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
