邹晓阳 雷 敏

(上海交通大学振动冲击噪声研究所，上海 200240)

引言

表面肌电信号与肌肉活动情况和功能特性之间存在着不同程度的关联性，在一定程度上反映了神经肌肉的状况和活动情况。动作表面肌电信号与肢体运动直接相关，肢体的不同动作具有不同的肌肉收缩模式.这些模式的差别反映在动作表面肌电信号特征的差异上，提取这些特征可以区分肢体的不同动作模式。因此，动作表面肌电信号的识别，对于如假肢控制和人-计算机交互系统等很多应用都非常重要［1－3］。表面肌电信号具有非周期、非随机、非线性和对初始条件敏感等混沌特性［4－5］。非线性指标用于动作表面肌电信号的模式识别得到了深入研究。例如，蔡立羽等利用掌长肌和肱桡肌两道表面肌电信号的分维数，对握拳、展拳、前臂旋前、前臂旋后等4类动作的识别率达90%以上［6］。针对表面肌电信号的非稳定特性，时频分析方法被广泛用于表面肌电信号的处理中［7－8］。罗志增等将时频分析方法用于动作表面肌电信号的模式识别，利用小波变换提取特征和隐马尔可夫模型分类，上翻、下翻、内旋和外旋4类动作的识别率均在 90% 以上［9］。

动作表面肌电信号的模式识别包含两个主要部分，一是提取有效的特征，二是形成分类决策的算法［10］。笔者在已有研究的基础上，提出将最大李雅普诺夫指数(the maximal Lyapunov exponent，MLE)和多尺度分析方法结合起来，形成多尺度最大李雅普诺夫指数(multi-scale maximal Lyapunov exponent，MSMLE)特征，并利用 MSMLE和支持向量机(support vector machine，SVM)，对人体前臂的内翻、外翻、握拳、展拳、上切和下切6类动作的表面肌电信号进行识别。……