引用本文

丁其川, 赵新刚, 李自由, 韩建达. 基于自更新混合分类模型的肌电运动识别方法. 自动化学报, 2019, 45(8): 1464-1474. doi: 10.16383/j.aas.2018.c170301

DING Qi-Chuan, ZHAO Xin-Gang, LI Zi-You, HAN Jian-Da. An EMG-motion Recognition Method With Self-update Hybrid Classification Model. ACTA AUTOMATICA SINICA, 2019, 45(8): 1464-1474. doi: 10.16383/j.aas.2018.c170301

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170301

关键词

表面肌电，动作识别，模式分类，在线更新，肌肉疲劳 

摘要

传统基于肌电（Electromyography，EMG）的运动识别方法多是利用训练后的固定参数模型，分类已预先定义的有限个目标动作，但对肌肉疲劳导致的肌电变化，以及未定义的外部动作等干扰因素无能为力.针对这一问题，提出一种自更新混合分类模型（Self-update hybrid classification model，SUHC），该模型融合了用于排除外部动作干扰的一类支持向量机（Support vector machine，SVM），以及用于分类目标动作数据的多类线性判别分析（Linear discriminant analysis，LDA），并引入自更新机制以对抗肌电时变性干扰.通过手部动作识别实验验证提出方法的效果，在肌电大幅变化干扰下，SUHC的目标动作识别精度达到89%，对比传统的支持向量机、多层感知器（Multiple layer perceptron，MLP）和核线性判别分析（Kernel LDA，KLDA），提高了约18%，并且SUHC具备排除外部动作干扰能力，排除精度高达93%.

文章导读

基于表面肌电(Surface electromyography, sEMG)的运动识别(肌电运动识别)技术已被广泛用于实现假肢/假手、康复机器人、外骨骼机器人等辅助系统的交互控制[1-3], 其中融合动作分类方法设计的肌电假手作为一种典型应用, 受到了研究者更多关注.尽管肌电假手研究成果层出不穷, 但真正投入市场应用, 并被残疾人普遍接受的产品仍寥寥无几, 造成该现状的一个重要原因, 是在肌电时变性及外界干扰条件下, 现有假手系统的鲁棒性较差, 直接影响使用者的操控体验[4].

现有肌电假手所采用的动作分类方法, 一般是针对固定数量的已知动作类型, 先离线训练分类模型, 随后使用训练后的固定参数模型, 利用在线肌电数据识别出具体动作, 进一步利用识别结果控制假手执行相应运动[5-10].实际应用中存在的两类干扰必然会影响肌电假手的鲁棒性: 1) sEMG时变性干扰.用于训练分类模型的sEMG数据仅是有限量数据, 而sEMG是一种受肌肉即时状态影响的非平稳时变信号[11], 因肌肉疲劳等因素导致在线sEMG与离线训练数据存在较大差异时, 分类模型的动作识别性能会大幅降低[12]; 2)外部动作数据干扰.训练的分类模型是针对少量已知目标动作的, 其识别能力仅限于这些目标动作数据, 在线应用时, 若出现训练阶段未出现的动作数据, 会作为外部动作数据干扰, 直接影响模型识别的稳定性.

针对肌电时变性干扰, 研究者提出模型更新策略以提升分类模型的鲁棒性. Kato等[13]提出针对学习数据的自动增减及选择添加的在线管理方法, 依据使用者指令, 在线更新神经网络参数, 使之识别动作能力适应sEMG的时变特性; Yang等[14]利用自适应SVM识别9种手部姿势, 并引入遗忘因子降低过去sEMG数据的影响, 从而提高支持向量机(Support vector machine, SVM)长时动作识别的稳定性; Chen等[15]提出自增强线性判别分析(Linear discriminant analysis, LDA)/二次判别分析(Quadratic discriminant analysis, QDA)算法, 无需人工设置参数及大存储空间, 所建立的分类模型可以根据样本特性更新参数, 因此其长时识别性能不受sEMG变化影响, 从而提高肌电控制的鲁棒性.上述研究建立的自适应分类模型, 仅是针对已知/目标动作的sEMG变化进行参数更新[16], 并未考虑外部动作数据对模型识别的干扰.针对外部动作干扰问题, Scheme等[17]提出基于无关联线性判别分析(Uncorrelated LDA, ULDA)的多类1-vs-1分类策略, 对每个已知/目标动作的sEMG建立区间包络, 当新sEMG数据未进入任一包络区间, 便被判定为未知动作数据干扰, 该方法具备排除外部干扰的性能, 但需人为设置较多阈值参数, 影响其适用性; Li等[18]提出一种强化随机森林分类器, 通过调整后验概率平衡阈值, 其识别已知目标动作与排除未知外部动作的精度都能达到80%; 此外, 一类SVM与一类高斯分类器也用于排除外部动作干扰, 提高分类模型的鲁棒性[19-20].上述方法都是在训练阶段, 引入排除外部数据干扰的机制, 训练后的模型并未在线更新, 因此仅能排除外部动作数据, 无法将其作为新的目标动作数据加入到模型识别中, 同时这些方法也不能克服sEMG时变性干扰的影响.

为了同时克服这两种干扰, 并提升分类模型的在线识别能力, 提出一种自更新混合分类模型(Self-update hybrid classification model, SUHC), 用以实现肌电运动识别.本文的主要工作归纳为以下三点: 1)融合一类分类算法与多类分类算法, 提出一种混合分类算法框架; 2)结合一类SVM和多类LDA, 建立一个混合分类模型, 并引入了自更新策略; 3)利用提出的自更新混合分类模型, 建立可克服sEMG时变性与外部动作数据干扰的肌电运动识别模型.与已有的仅针对单一干扰的方法相比, 在基于SUHC的肌电动作分类中, 一类SVM用于排除外部动作数据干扰, 多类LDA用于分类目标动作数据, 而自适应更新机制用于克服sEMG时变性干扰, 并提高模型识别能力.通过手部动作识别实验验证本文提出方法, 结果显示提出的SUHC在抵抗sEMG时变性及外部动作数据干扰方面, 都表现出优越性能.

图 1  混合分类模型框架

图 2  肌肉收缩及静息状态下, 采集的连续sEMG

图 3  基于SUHC的肌电运动识别算法

针对肌电运动识别过程中, 因肌电时变特性及外部动作干扰导致识别效果差的问题, 提出一种自更新混合分类模型SUHC, 通过对动作分类结果的在线评估, 实现SUHC参数调整, 以适应sEMG的变化; SUHC具备排除外部动作干扰的能力, 并能将外部动作类作为新的目标动作类加入到运动识别模型中, 实现了其识别能力的增量增长.应用SUHC时, 设置合适的在线评估参数(即式(16)中η1, η2和η3)十分重要, 直接决定了模型更新次数及分类效果, 需要根据实际应用寻求合适阈值.

在验证算法性能的实验中, 测试者尽可能使用最大力执行动作, 短时内造成肌肉疲劳, 导致sEMG有较大波动, 结果显示提出的SUHC能克服sEMG短时大幅波动的干扰, 保持动作识别的鲁棒性.不同于本文实验, 前期研究中, 多是探讨长期采集甚至隔天采集数据的变化对运动识别的影响[12, 15], 该过程中sEMG一般缓慢时变, 针对该情形如何设置SUHC的评估参数下一步要探讨的问题.在存在外部动作干扰时, 传统的SVM, MLP和KLDA都不具有排除外部动作数据干扰的能力, 而对外部类数据的错误分配, 直接导致目标动作分类精度大幅降低; 提出的SUHC具备排除外部类干扰的能力, 其目标动作识别精度超过90%, 远高于SVM, MLP和KLDA, 而其外部动作排除精度为93%, 这两项指标也高于已有文献的结果, 如文献[18]中方法的两种精度都是80%, 文献[19]中方法的目标动作分类精度为87%.

本文实验仅考虑了sEMG时变性与外部动作干扰两种非理想情形, 实际上进行肌电运动识别时还有很多不确定因素, 如肌电数据丢失、电极位置偏移、皮肤汗液及外部电磁干扰等[30], 后续工作会继续改进提出的算法, 使之可以应对更多非理想情形, 从而提升实际肌电识别系统的综合性能.

作者简介

赵新刚

中国科学院沈阳自动化研究所研究员.2008年获得中国科学院沈阳自动化研究所博士学位.主要研究方向为机器人控制, 智能系统与康复机器人.E-mail:zhaoxingang@sia.cn

李自由   

中国科学院沈阳自动化研究所博士研究生.主要研究方向为生物电信号处理, 模式分类算法.E-mail:liziyou@sia.cn

韩建达   

南开大学计算机与控制工程学院教授, 中国科学院沈阳自动化研究所研究员.1998年获得哈尔滨工业大学博士学位.主要研究方向为可穿戴机器人, 智能系统, 移动机器人自主控制.E-mail:jdhan@sia.cn

丁其川   

中国科学院沈阳自动化研究所副研究员.2014年获得中国科学院大学博士学位.主要研究方向为生物电信号处理, 模式识别, 可穿戴机器人技术.本文通信作者.E-mail:dingqichuan@sia.cn