利用表面肌电信号对手部抓取动作分类的新型卷积网络模型

文章目录

利用表面肌电信号对手部抓取动作分类的新型卷积网络模型
- 一.相关研究
- 二.材料和方法
- - 2.1 数据集
  - 2.2 数据预处理
  - 2.3 DUAL-CNN
- 三.实验结果分析
- 四.相关研究对比
- 参考文献

一.相关研究

肌电信号号代表肌肉功能的特征，并提供肌肉活动的信息。分析这一信号可以为健康专家提供诊断信息，可以作为决定肌肉功能障碍[1]的适当治疗计划的有用工具；表面肌电图在过去已被用于评估健康受试者[2-4]的各种活动中的神经肌肉反应[5]；步态分析是临床医生治疗肌肉骨骼疾病的一种重要的诊断方法，表面肌电图结合运动学和动力学数据是决定治疗这类患者所需的适当方法的有用工具，几十年来，表面肌电图一直被用于评估一系列活动中的神经肌肉反应，并制定康复方案[6]。
文献[7]利用不同的肌电信号和脑电图进行步态相位识别，分析了斜率符号变化和平均工频特征；文献[8]提出了一种基于托克韦尔变换的时频分析方法，提高对前臂SEMG信号的手运动识别精度；文献[9]分析了11种特征提取方法，包括时域、频域、时频域和熵，提出了一种特征评价方法；文献[10]提出了一种基于形状的局部特征提取器，该模型通过迭代邻接成分分析（INCA）选择最佳特征向量；文献[11]介绍了收缩强度和比例控制对基于模式识别的假肢控制的影响,使用典型的模式识别数据收集方法以及实时位置跟踪测试来研究这些影响。
上述文献中大多采用的是传统机器学习方法和更多的电极通道来分析数据。在本研究中，提出一种新的卷积网络模型，该模型可以自动从表面肌电信号中提取特征，用于手部抓取类型的分类。特征处理使用小波阈值去噪方法，提出的11层新模型用于分类。本研究所使用的数据集[12-13]是采用两个电极收集肌电信号。因此，本方法的设计表明只使用一个通道也可以提高肌电信号分类的准确率，这项工作中没有涉及更复杂的步骤，只是需要更多的时间。

二.材料和方法

2.1 数据集

手部抓取动作主要包括6种：圆柱形、尖端、钩或扣、手掌、球形和横向，相关说明如图1所示，相关动作肌电信号见图2。
图1 6种手势抓握类型说明

图2 6种手部动作的肌电信号波形图:(a)Cylindrical,(b)Hook,©Tip,(d)Palmar,(e)Spherical,(f)Lateral

2.2 数据预处理

在本研究中采用小波阈值去噪[14]方法对信号进行去噪。
小波阈值去噪过程（见图3）为：(1)分解过程，即选定一种小波对信号进行n层小波分解；(2)阈值处理过程，即对分解的各层系数进行阈值处理，获得估计小波系数；(3)重构过程，据去噪后的小波系数进行小波重构，获得去噪后的信号。

图3 小波阈值去噪过程
本数据集去噪后的信号的一个示例如图4所示：

图4 原始信号与去噪信号的一个例子：(a)通道1,(b)通道2

2.3 DUAL-CNN

为了能够对表面肌电信号更好地分类，本研究重新设计了一种一维的卷积神经网络模型。设计的网络模型共有11层，包括输入层、输出层、卷积层、最大池化层、Flatten层以及全连接层。图5描述的就是所提出的新模型结构图。模型的第一层包含了初始的肌电信号，在卷积层使用32个3*3的卷积核对输入的信号进行卷积操作，形成输入数据的特征图；通过最大池化层对输入的数据取最大值，减少不必要的特征；Flatten层将特征图转换成向量序列的形式，与全连接层一一对应；Dense层中的激活函数一般是Softmax函数，这层最终会转为一维的运算，从而达到对输入数据分类的作用。在这一层中，输入的表面肌电图数据被分为球形、尖端、手掌、横向、圆柱形和钩形等类别。