基于肌肉協(xié)同的肌電模式識(shí)別方法研究與應(yīng)用探索.pdf

1、肌電信號(hào)(Electromyography,EMG)是伴隨肌肉活動(dòng)產(chǎn)生的一種重要電生理信號(hào)，可實(shí)時(shí)反映肢體的運(yùn)動(dòng)意圖和運(yùn)動(dòng)狀態(tài)。依據(jù)這一生理學(xué)基礎(chǔ)，通過放置在皮膚表面的電極采集到肌肉活動(dòng)的表面肌電信號(hào)(Surface EMG，sEMG)實(shí)現(xiàn)的肌電控制(Myoelectric Control)，成為一種重要的人機(jī)接口技術(shù)。按照所采取的控制策略，肌電控制技術(shù)經(jīng)歷了最初的“開關(guān)”控制、比例控制到目前主流的模式識(shí)別控制的發(fā)展過程。前兩種控制策略

2、通過在主動(dòng)肌-拮抗肌對(duì)和一個(gè)控制自由度間建立映射，實(shí)現(xiàn)的肌電控制系統(tǒng)功能單一，可控自由度數(shù)量受限。近年來，基于模式識(shí)別技術(shù)的肌電控制策略，由于其具有多功能和多自由度的優(yōu)勢成為研究熱點(diǎn)。然而，實(shí)際應(yīng)用中的各種因素嚴(yán)重制約著基于模式識(shí)別策略的肌電控制發(fā)展，使其在臨床和工業(yè)界一直沒有得到廣泛應(yīng)用。其中，傳統(tǒng)肌電模式識(shí)別方法僅從數(shù)據(jù)呈現(xiàn)運(yùn)動(dòng)模式，缺乏對(duì)形成運(yùn)動(dòng)的神經(jīng)肌肉調(diào)控機(jī)制的理解，導(dǎo)致所實(shí)現(xiàn)的肌電控制系統(tǒng)缺乏魯棒性和泛化能力。相比之下，肌肉

3、協(xié)同作為中樞神經(jīng)系統(tǒng)(Central Nervous System，CNS)募集骨骼肌完成各種肢體動(dòng)作的最小單位，可以解釋CNS對(duì)肌肉的控制機(jī)制，提供了一種從肢體運(yùn)動(dòng)產(chǎn)生的sEMG中準(zhǔn)確解碼神經(jīng)控制信息的新思路。
　　本文以神經(jīng)科學(xué)研究中揭示的運(yùn)動(dòng)調(diào)控的重要規(guī)律為基礎(chǔ)，將肌肉協(xié)同概念融入到傳統(tǒng)肌電模式識(shí)別框架中，提出一系列基于肌肉協(xié)同的肌電模式識(shí)別新方法。具體地，重點(diǎn)探索了肌肉收縮強(qiáng)度變化條件下的魯棒肌電模式識(shí)別，以及對(duì)新用戶能快

4、速定制和校準(zhǔn)的多用戶通用肌電模式識(shí)別控制。此外，本文還研究了基于肌電模式識(shí)別技術(shù)在神經(jīng)損傷患者康復(fù)訓(xùn)練中的應(yīng)用及其在工程化中需要解決的科學(xué)問題。本文的主要工作及創(chuàng)新點(diǎn)概括如下:
　　(1)對(duì)肌力變化信息魯棒的肌電模式識(shí)別方法。針對(duì)肌肉收縮強(qiáng)度變化引起的傳統(tǒng)肌電模式識(shí)別性能降低的現(xiàn)象，利用肌肉協(xié)同所呈現(xiàn)的力度不變性，提出一種將肌肉協(xié)同模型融合于肌電模式識(shí)別的新方法，以提高肌電模式識(shí)別在肌力變化信息下的魯棒性。具體地，分別提出了基于特

5、定任務(wù)肌肉協(xié)同(task-specific muscle synergy-based classification，TMSC)和基于任務(wù)間共有肌肉協(xié)同(shared muscle synergy-based classification，SMSC)的肌電模式識(shí)別方法。TMSC利用非負(fù)矩陣分解算法(non-negative matric factorization，NMF)對(duì)每個(gè)動(dòng)作提取任務(wù)特定協(xié)同，并依據(jù)特定任務(wù)協(xié)同重構(gòu)樣本特征的相似度

6、來決策最終的動(dòng)作類別。相比之下，SMSC對(duì)所有動(dòng)作樣本特征組成的特征矩陣?yán)肗MF提取任務(wù)間共有協(xié)同，可理解為一種特征轉(zhuǎn)換算法，再通過常規(guī)肌電模式識(shí)別模型對(duì)轉(zhuǎn)換后的樣本特征完成類別決策。為了驗(yàn)證所提算法框架的有效性，對(duì)健康受試者多種不同等級(jí)肌力條件下的多自由度手勢動(dòng)作分別采用TMSC和SMSC方法進(jìn)行識(shí)別，并與常規(guī)肌電模式識(shí)別算法做比較分析。此外，還考察了上述分類方法與傳統(tǒng)的肌電時(shí)域特征，以及國際上最新報(bào)道的對(duì)肌力變化信息魯棒的特征進(jìn)行

7、組合時(shí)，在多種不同的測試或訓(xùn)練方案下的分類表現(xiàn)。實(shí)驗(yàn)結(jié)果表明，當(dāng)采用某種力度下的數(shù)據(jù)訓(xùn)練但使用其他力度的數(shù)據(jù)測試時(shí)，兩種新方法的識(shí)別率相比于常規(guī)的肌電模式識(shí)別方法會(huì)明顯提高(7.53％～14.97％)。更進(jìn)一步地，TMSC的識(shí)別性能要優(yōu)于或無差異于其他兩種分類方法。研究成果可視為在新的分類器層面作出的努力，提供了一種對(duì)肌力變化信息魯棒的分類器方法。
　　(2)基于自適應(yīng)非負(fù)矩陣分解的多用戶肌電模式識(shí)別。針對(duì)新用戶使用肌電控制系統(tǒng)重

8、復(fù)訓(xùn)練的問題，借助肌肉協(xié)同相比肌電數(shù)據(jù)模式有更好的用戶通用性優(yōu)勢，進(jìn)一步擴(kuò)展前述基于特定任務(wù)協(xié)同的方法，提出了自適應(yīng)的非負(fù)矩陣分解算法，以實(shí)現(xiàn)在不同用戶間具有普適性和通用性的肌電模式識(shí)別方法。該方法首先預(yù)訓(xùn)練多用戶的模型參數(shù)作為新用戶模型參數(shù)更新的初始值，通過校準(zhǔn)樣本實(shí)現(xiàn)了對(duì)新用戶模型參數(shù)的自適應(yīng)更新。具體包括兩種方法:一種是預(yù)訓(xùn)練多用戶共享的特定任務(wù)協(xié)同，將其作為預(yù)訓(xùn)練用戶與新用戶共享的協(xié)同，并通過自適應(yīng)方式獲取新用戶個(gè)性化的特定任務(wù)

9、協(xié)同，將兩者相加作為新用戶的特定任務(wù)協(xié)同;另一種是首先對(duì)每位用戶預(yù)訓(xùn)練特定任務(wù)協(xié)同，通過自適應(yīng)方式學(xué)習(xí)這些預(yù)訓(xùn)練模型的加權(quán)系數(shù)，最終以線性組合的特定任務(wù)協(xié)同作為新用戶的分類器。為了驗(yàn)證所提方法的有效性，對(duì)12名健康受試者的21個(gè)手指手勢動(dòng)作的高密度肌電信號(hào)進(jìn)行分析，并采用留一法進(jìn)行算法性能評(píng)估，實(shí)驗(yàn)結(jié)果表明在校準(zhǔn)樣本數(shù)量較少的情況下便可獲取滿意的識(shí)別效果。
　　(3)肌電模式識(shí)別方法在運(yùn)動(dòng)康復(fù)中的應(yīng)用。以腦卒中患者作為研究對(duì)象，探

10、索了基于模式識(shí)別的肌電控制策略擴(kuò)展應(yīng)用于神經(jīng)損傷患者康復(fù)訓(xùn)練中的問題與解決方案。一方面，針對(duì)腦卒中后神經(jīng)-肌肉傳導(dǎo)信息受阻，有效神經(jīng)控制信息提取受限的問題，借助高密度電極陣列最大程度捕獲豐富的肌肉活動(dòng)信息，提出基于高密度電極陣列信號(hào)采集和基于肌電小波包分解的特征提取方法，最大化捕獲并解析有效的神經(jīng)控制信息。另一方面，針對(duì)偏癱患者因不同程度的肢體功能障礙導(dǎo)致無法依據(jù)常規(guī)解剖學(xué)知識(shí)確定合理的肌電電極位置（肌電控制源）的問題，將小波包特征優(yōu)選

11、算法擴(kuò)展為有效的肌電通道優(yōu)選方法，不僅能夠從高密度陣列中選擇有效的肌電控制源，所選的較少數(shù)量的肌電通道又可以提高肌電控制技術(shù)在臨床康復(fù)中的實(shí)用性。不僅如此，在前述肌電模式識(shí)別控制策略研究基礎(chǔ)上，為偏癱上肢康復(fù)治療提出一種可支持比例控制的多自由度肌電模式識(shí)別控制方法。通過對(duì)腦卒中患者的實(shí)驗(yàn)數(shù)據(jù)分析，結(jié)果驗(yàn)證所提方法的有效性。在基于模式識(shí)別控制策略的同時(shí)支持力度變化的比例控制策略，可為患者康復(fù)訓(xùn)練提供更自然的運(yùn)動(dòng)反饋信息，有助于中樞神經(jīng)重塑