基于表面肌电信号的连续运动估计之前言（一）

简介

肌电信号（electromyography，EMG）是众多肌纤维中运动单元动作电位（MUAP）在时间和空间上的叠加。表面肌电信号（surface electromyography，sEMG）是浅层肌肉EMG和神经干上电活动在皮肤表面的综合效应，能在一定程度上反映神经肌肉的活动；相对于针电极EMG，sEMG在测量上具有非侵入性、无创伤、操作简单等优点 。因而，sEMG在临床医学、人机功效学、康复医学以及体育科学等方面均有重要的实用价值。sEMG 是一种非平稳的微电信号，它比肢体运动一般超前 30~150ms 产生，其幅值在0~1.5mv，有用信号频率成分位于 0~500Hz，主要能量集中在 20~150Hz。

产生原理

表面肌电信号（EMG）是大多数运动单元发出的潜在动作序列，是人体皮肤表面在时间和空间上重叠的结果，而肌肉是运动系统的重要组成部分，将化学能转化为机械能与人体的各种运动或多或少地相关。兴奋和收缩是骨骼肌最基本的功能，是产生肌电信号的基础。记录不同操作条件下骨骼肌的潜在变化。这与肌肉结构，收缩强度和收缩过程中的化学变化有关，它源自脊髓的运动单元，如图1所示，它是中枢神经系统的一部分，运动神经元体位于其中，轴突延伸至肌肉纤维并与之连接。其具体产生过程可用图2表示。

表面肌电信号的获取

研究者们在对肌电信号深入研究的过程中，主要有两种肌电信号的获取方式，即植入式电极或表面电极。根据近年两种方法在肌电信号采集与分析中的表现，表面电极所获取的肌电信号(即sEMG)中包含丰富的信息能够反应肢体的运动意图和运动状态，且具有无创性，而植入式电极在采集过程中肌肉纤维间会产生过多的噪声串扰。当肌肉收缩时会释放0~1.5mv的电信号，sEMG的采集就是将电极贴在待测肌肉的皮肤表面来拾取这些电信号，如图3所示。

表面肌电信号优点

与传统的非生物电人机交互方式相比，基于 sEMG 的人机交互方式有以下优点：
(1) 可以对机器人实现自然控制（类似人脑控制肢体运动），交互方式更容易被使用者接受；
(2) sEMG 仅依赖于驱动关节运动的肌肉，不依赖于执行运动的肢体，因此也适用于肢体患病或残疾患者；
(3) sEMG 超前于人体实际运动，可以提供运动的提前预判；
(4) sEMG 包含的运动相关信息丰富（肌肉力、关节力矩、关节运动量等），可以实现多模式交互控制

表面肌电信号的应用

探索基于 sEMG 的人机交互方法，对于打破人机隔阂，实现人机自然交流具有重要意义，图4 给出了基于 sEMG 的人机交互图示，由图可知，构建肌电交互系统的核心技术是通过肌电信号解码出人的运动意图，通常讨论的运动意图解码包括两类，一类是基于肌电信号识别肢体离散动作模态，例如手部的握拳、伸掌等动作；另一类是基于肌电信号估计关节连续运动量，如关节力矩、关节角度等连续量。下面从这两方面出发，总结肌电分析方法研究现状。
!

离散运动模式分类

基于肌电的离散动作识别方法是目前研究最多，应用技术最成熟的方法 。一般流程是：首先采集肢体做不同动作时相关肌肉的 sEMG 信号；对信号进行去偏置/去噪预处理后，提取能表征肢体动作的特征信息；再利用 sEMG 特征组成的样本向量训练分类器，从而建立 sEMG 到动作模态的映射模型；利用已构建的运动模型对新样本进行分类，识别相应动作，识别结果将作为控制决策指令输入机器人，如图5所示。sEMG 特征提取和分类模型构建是实现该过程的两个最重要环节，其中 sEMG 特征包括时域特征（如绝对值积分、波形长等）、频率特征（如零穿越次数、中值频率、均值频率等）、时频特征（如小波变换系数、小波包变换系数等）以及非线性动力学特征等，而已应用的分类模型有 Fisher 线性判别、神经网络、支持向量机、多层感知器、K 近邻、高斯混合模型、隐马尔可夫模型、模糊分类等等。
当前基于sEMG的动作分类研究特点如下：

(1) 遴选sEMG特征及设计合适分类模型是大多数动作识别研究关注的重点；
(2) 合适的sEMG特征及分类模型能有效提高动作识别性能，比如可以识别8种以上动作，识别精度最高超过95%；
(3) 测试者体征（健康/残疾）直接影响动作分类效果，因此开发面向特定使用者的肌电系统（如肌电假肢）时，相应体征的测试者参与实验，获得的结果更具有参考价值；
(4) 由于手部动作类型繁多、精细控制复杂，手部动作识别是测试分类算法性能的最佳方案；又由于从手部残疾患者的残留肌肉易于复现手部动作，因此研发肌电假手受到了众多研究者的青睐，而肌电假手也最有可能成为肌电系统应用于实际的先导；
(5) 开发肌电系统时，系统的普适性和实时性是必须关注的两个方面。普适性是指构建的系统适用于不同使用者，而实时性既包括系统在线应用没有操作延时，又包括应用系统的前期训练时间尽量短；
(6) 合理的控制决策（如多数投票）有助于提高肌电系统的控制性能；
(7) 单自由度动作（单一动作模式）识别已获得了充分的研究，多自由度同步动作或组合动作模式识别是未来研究的重点，也是提高肌电系统实用性的关键点。

关节连续运动估计

基于 sEMG 的动作分类只能预测少数离散肢体动作，应用预测结果控制机器人，无法实现机器人关节像人体关节一样连续自如运动，而保证机器人运动与人体运动相匹配是实现多种新型服务机器人安全控制的先决条件，如应用于外骨骼机器人 、医疗康复机器人等，因此通过 sEMG 估计人体关节连续运动是近年来肌电分析研究的新热点 。利用sEMG 进行连续运动估计，通常要计算 sEMG 信号包络或提取肌肉活跃度作为预测输入，而估计的运动量包括肌肉力、关节力矩、关节角度/角速度等，估计结果便可以作为参考输入控制机器人，保证机器人执行相应运动的同时，为使用者提供辅助，图 6展示了基于 sEMG 的连续运动估计及辅助机器人控制框图 ，由图可知，精确估计人体连续运动量是实现肌电系统安全辅助功能的前提。

通过 sEMG 估计关节运动量，进而驱动辅助机器人系统执行相关任务，是实现与人体直接接触的机器人自然/安全控制的有效途径，与分类方法相比，基于连续运动估计的控制过程更能体现类人运动特征。当前研究主要有两种方法实现基于 sEMG 的关节连续运动量估计：

(1) 结合肌肉生理力学建立以 sEMG 为输入的关节动力学模型，进而计算关节力矩、角加速度、角速度等量，其中应有最多的 Hill 肌肉力模型，它是一种生理现象学模型，其中含有多个无法直接量测的生理参数，因此有效的参数辨识方法必不可少。另外关节运动量估计精度很大程度上依赖于模型的准确性，而精确的模型难以获得，现有的运动模型又多是无反馈的“开环”结构（特别注意：这里的“开环”是借鉴控制术语，指的是模型的前向无反馈的结构形式，而与控制学科中的开环控制不同），容易引起预测偏差，甚至发散；
(2) 直接建立关联 sEMG 和关节连续运动量的回归模型，其中神经网络应用最普遍，但是神经网络的结构形式对预测结果影响很大，却没有规范方法定义合适网络结构，并且网络参数确定过度依赖于学习数据，当测试数据和学习数据有差异时，易造成网络输出偏离真实值。与神经网络模型相比，线性结构的自回归或多项式模型稳定性高，但是难以准确确定模型阶数，而且模型对 sEMG 和关节运动量的非线性关系描述不充分，其泛化能力需要进一步提高。

最后说明

目前只写了前言部分，后续也会逐渐写一些信号采集，信号处理，特征提取，回归模型训练，连续运动估计总结等等。本人是一位新手，如有做得不对的地方，还望批评指正，多多交流，谢谢！