陈健宁 刘蓉

摘要：本文以人体上肢动作的sEMG信号为例，提出了基于Noraxon无线表面肌电系统采集不同运动范式肌电信号，并对采集的信号进行特征提取和基于支持向量机算法的分类。经过实践测试，支持向量机算法可以很好地适应上肢康复训练所要求的动作分类要求，为上肢自主康复训练系统设计提供了分类算法支撑。

关键词： sEMG信号处理; 特征提取; 识别分类

【Abstract】 Taking the sEMG signal of human upper limb motion as an example， this paper proposes collecting different motion paradigm EMG signals based on the Noraxon wireless surface electromyography system， and performing feature extraction and classification based on support vector machine algorithm for the collected signals. After practical tests， the support vector machine algorithm can well adapt to the movement classification requirements of upper limb rehabilitation training， and provides a classification algorithm support for the design of an upper limb autonomous rehabilitation training system.

【Key words】  sEMG signal processing; feature extraction; recognition classification

0 引 言

表面肌电信号（sEMG）属于非侵入式采集方式，相对于侵入式采集（如针电极EMG）来说具有无创伤、操作灵活、易于采集，有利于肢患病人利用获取的表面肌电信号特征信息，实现有意识、有目的的运动康复。如何针对其采集数据进行特征提取和识别分类将直接影响肢体受损患者的自主康复训练效果。因此随着人工智能与传统信号检测技术的深度融合，基于sEMG的特征分类方法的研究与应用已经成为生物医学工程领域关注的热点问题。

1 上肢动作肌电信号的采集与处理实验方案设计

本实验设计思路按照采集、处理、识别与分析这条主线开展，其中sEMG信号采集主要借助Noraxon无线表面肌电系统来完成。获得采集数据后，要对数据进行软件滤波和动作起始点检测的预处理，这一步骤对于接下来的特征提取和识别分类至关重要，是后续工作的基础和支撑。具体实验方案设计如图1所示。

2 基于上肢动作状态的sEMG信号采集与预处理

2.1 上肢关节运动模式定义

本实验从对上肢康复训练普适性角度出发，引用了Sign Language库中常用肢体动作定义，对实验中的上肢动作进行动作模式设定，具体名稱和表述见表1[1]。这种设定既考虑了涵盖尽量多的肌肉群，同时也兼顾了中风、脑瘫等部分特殊群体的康复需求。

2.2 上肢动作sEMG信号采集

本实验肌电信号采集使用的前文所提的Noraxon无线表面肌电系统，采样速率参数设置为1 500 Hz。每一肌电通道的2个Ag/Ag Cl电极的间距是 2 cm。在使用前，先用酒精清洗。在肌电数据采集开始之前，向每位受试者展示每一个标准动作的样片，并告知尽量用恒定的力量完成每一个动作。在受试者熟悉任务后，自行练习受试的动作和熟悉流程，保证数据采集的合理性。每次动作采集均从IS状态选择开始，表1中所列的各运动模式作为一次动作的结束状态。

2.3 sEMG信号预处理

尽管肌电信号采集仪在信号输出前对采集到的信号做了硬件降噪和软件去噪处理，但sEMG信号易受手臂震颤、静电和工频等外界因素干扰。在特征提取之前，需要对获得的sEMG信号进行预处理。

这里拟对要进行特征提取的信号进行带通滤波和50 Hz工频陷波，带通滤波器主要为了滤除20 Hz以下和500 Hz以上的干扰，主要采用高阶巴特特沃斯数字滤波器来实现。

3 上肢动作sEMG信号特征提取

3.1 基于sEMG信号的上肢动作起始点检测

动作的起始点（发起）的准确检测是完成特征提取和动作识别与分类工作的前提，也是任何智能分类算法的起点。但是由于肌电信号具有微弱性、随机性和易干扰等现实问题，使得利用肌电信号进行上肢动作发起的精确检测成为一个难点问题。

6 结束语

本实验从上肢运动sEMG信号采集出发，经信号预处理、动作起始点判断及特征提取，并采用了泛化能力较强的SVM方法进行了训练和分类，较好地反映了采集的表面肌电信号和上肢动作特征提取与识别之间的客观映射关系，与表面肌电信号的生理特征是一致的，为后续开展用上肢肌电信号驱动外骨骼式自主康复训练奠定了理论基础。

参考文献

[1] 董海清，王朋，祈蒙，等. 基于表面肌电信号的上肢康复训练技术研究[J]. 仪表技术应用，2017（9）：17.

[2]赵漫丹，李东旭，范才智，等. 基于表面肌电信号进行手部动作发起检测方法[C]//中国电子学会电路与系统学会第二十五届年会. 成都：中国电子学会电路与系统学会，2016：1.

[3]陈歆普. 基于肌电信号的多模式人机接口研究[D]. 上海：上海交通大学， 2011.

[4]李林伟，王红旗，姜磊. 基于支持向量机的表面肌电信号动作模式识别[J]. 科学技术与工程，2014，14（7）：241.