基于盲辨識模型和極限學習機的下肢假肢路況識別

發布時間：2020-04-22所屬分類：醫學職稱論文瀏覽：1次

摘 要： 摘要:針對大腿截肢者穿戴智能假肢路況識別準確率低的問題，提出了一種盲辨識理論和極限學習機相結合的路況識別方法。選擇肌電信號(EMG)作為路況識別信息源，提取肌電信號的盲辨識模型系數作為信號特征，為了能夠充分反映路況特征，比較了不同特征值，分析了

　　摘要:針對大腿截肢者穿戴智能假肢路況識別準確率低的問題，提出了一種盲辨識理論和極限學習機相結合的路況識別方法。選擇肌電信號(EMG)作為路況識別信息源，提取肌電信號的盲辨識模型系數作為信號特征，為了能夠充分反映路況特征，比較了不同特征值，分析了選取盲辨識模型系數作為路況識別特征值的合理性。為了克服極限學習機(ELM)分類器隨機產生的輸入權值只有少部分是比較優越的缺點，利用煙花極限學習機(FA-ELM)對平地行走、上樓、下樓、上坡、下坡、跑步6種路況進行分類。與ELM算法、BP神經網絡進行了對比，結果表明，采用盲辨識模型和煙花算法進化極限學習機將6種路況下平均識別率提高到93.18%，優于ELM和BP神經網絡等方法。

　　關鍵詞:肌電信號;盲辨識模型;極限學習機;路況識別;智能假肢

　　截止到2014年底，我國60歲以上老齡人口已達2.12億。隨著交通事故、自然災害等意外傷害的頻繁發生以及腦血管疾病、糖尿病和骨關節病等慢性疾病的不斷蔓延，根據世界衛生組織報告的最新結果顯示，截肢患者達到1725萬，下肢截肢約占肢體截肢總人數的51%。研發高性能智能下肢假肢是代償截肢者基本運動功能的重要途徑。20世紀90年代，智能假肢開始興起并取得了一定的研究成果。德國奧托博克公司的Genium智能仿生假肢、冰島奧索公司的銳歐仿生磁控膝關節(REHOKNEE)、英國英中耐公司的艾倫(Elan)仿生電子踝腳等智能假肢產品和樣機逐步升級優化[1]。我國在假肢研究方面起步較晚，金德聞等[2]研發了一種六連桿假肢膝關節。臺灣德林假肢有限公司推出三款多連桿大腿智能假肢產品。Chen等[3]設計出基于動態行走機理的“機器人假肢”。假肢控制首先是能夠準確識別截肢者的路況，目前常用的路況識別信號源有運動學信息和肌電信號(Electromyography，EMG)。由于運動學信息需要某些特定的傳感器，如足底壓力、膝關節角度會在不同的路況中發生周期性變化，通過這些傳感器獲取的信號可以判斷路況信息，但傳感器在實際使用期間會磨損或者產生異位等現象造成路況識別準確率較低。肌電信號是產生肌肉力的電信號根源，是更接近原始運動意圖的信號，通過EMG可以在未做出動作前獲取主動運動意圖，相對于采集足底壓力、速度等運動力學信息的傳統方法具有明顯優勢。因此本文選擇EMG作為路況識別信息源。

　　相關期刊推薦：《振動與沖擊》是國內第一本關于振動學科方面的學術刊物，創始于1982年，由郵局公開發行。本刊為反映和交流各種科技領域振動、沖擊、噪聲方面成果及經驗的綜合性學術刊物。內容包括結構動力分析、隨機振動、非線性振動、振動與噪聲控制、環境試驗技術、測試技術、信號處理技術、計算機軟件工程、機械狀態監測與故障診斷、減振消聲材料等。有投稿需求的作者可以直接咨詢期刊天空在線編輯。

　　肌電信號假肢路況識別研究中，特征提取和分類識別是關鍵的2個環節，特征提取方法主要有時域法、時域-頻域法、頻域法、非線性特征法等[4]。上述特征提取未考慮肌電信號源信號未知的特點，為了克服這一缺點，本文建立輔助變量盲辨識模型，并將雙通道肌電信號的線性組合作為輔助變量克服了傳統輔助變量必須為已知源信號的難題，采用模型系數作為EMG特征。高性能的分類器可以確保其控制的準確性。肌電信號分類方法主要包括BP神經網絡、簡約支持向量機、極限學習機、隱馬爾科夫模型分類器、K最近鄰分類器等方法。吳劍鋒[13]提出的基于表面肌電信號的簡約支持向量機可識別六種路況，平均識別率達到90%。佟麗娜等[5]使用隱馬爾科夫模型分類器識別方法識別起立、坐下等8種路況，分類精度為91.67%。Huang等[6]同時使用了判別分析和支持向量機的分類識別方法識別平地行走等5種路況，識別率提高到91.25%。李影[7]使用小波包能量作為特征，采用ELM分類識別路況，實驗結果表明ELM方法優于BP神經網絡、簡約支持向量機、隱馬爾科夫模型等方法，但是ELM方法中輸入層到隱含層節點的權值和偏置都是根據樣本分布隨機賦值，如果選取不合適會影響識別結果。煙花算法(FireworksAlgorithm，FA)是一種模擬煙花爆炸過程的全局優化算法，為了克服這一缺點，本文采用煙花算法優化極限學習機進行路況分類。

　　本文首先將雙通道肌電信號的線性組合作為輔助變量，將模型系數作為信號的特征，并與常用EMG特征比較，最后采用煙花算法優化極限學習機進行路況分類，并與ELM、BP等方法進行對比，實驗結果表明，該方法對平地行走、上樓、下樓、上坡、下坡、跑步進行有效識別，識別準確率、魯棒性優于ELM等方法。

　　1實驗方法

　　1.1輔助變量盲辨識模型

　　本文根據肌電信號的產生機理[8]，采用2塊肌肉(股內側肌、股直肌)肌電信號，對肌電信號建立單輸入多輸出的有限沖擊響應(FiniteImpulseResponse，FIR)模型。本文建立的FIR模型是將肌電信號產生的整個過程等效為一個FIR系統，系統的輸入為大腦皮層中控制運動部分的運動神經元發放的電脈沖序列，電脈沖經脊髓、運動神經傳給肌肉的整個傳導過程等效為系統的一個傳遞函數H，輸出信號為實驗采集的EMG。圖1為雙通道FIR模型結構圖。

　　2基于盲辨識模型和極限學習機假肢路況識別

　　采用煙花算法進化極限學習機的下肢假肢路況識別方法首先選取下肢表面肌電信號作為信息源，提出肌電信號與運動關系的輔助變量盲辨識模型，將模型系數作為信號特征，分類器ELM算法中隨機產生的輸入權值和隱含層偏差只有少部分是比較優越的，為了克服該問題，本文提出了煙花算法進化極限學習機算法。圖2給出了算法流程圖，算法具體步驟如下:

　　(1)按照1.1節方法提取路況特征值，特征值的維度為d，p為隱含層節點數，訓練樣本的均方根誤差(RootMeanSquareerror，RMSE)作為煙花算法的適應度函數。

　　(2)通過實驗比較后選擇合適的激活函數。

　　(3)初始化N個煙花，確定煙花位置Hi，根據適應度函數計算出最優適應度值B。

　　(4)根據式(14)計算出每一個煙花產生子代火花的個數wi(i=1，2，…，N)，i=1。

　　(5)根據式(15)計算出每一個煙花的爆炸范圍Gi。

　　(6)根據式(16)對子代火花進行位移變異，對從k維中隨機選擇一定維度進行維度變異，在變異后的火花通過適應度函數選擇最優的火花Qi。

　　(7)隨機選擇m個煙花按照式(17)高斯變異，依據評價函數選出最優的火花Mi。

　　(8)從Hi、Qi、Mi中選擇最優的N個火花位置作為下一代火花爆炸位置。

　　(9)i=i+1，判斷i是否達到最大迭代次數，不成立跳轉到(3)。

　　(10)得到最優火花位置，即最優的輸入權值矩陣和隱含層偏差構建ELM分類器，分類6種路況。

　　3實驗結果及分析

　　本文主要是對上樓、下樓、上坡、下坡、平地行走、跑步6種路況識別。受試者為10位假肢穿戴者，表1記錄了受試者的年齡、殘肢長度比例、假肢型號以及穿戴時間等信息。本文參考文獻[4-5]方法選定股內側肌和股直肌作為肌肉群，樓梯有10級臺階，臺階高度為廣泛應用的150mm;斜坡是無障礙通道的10°斜坡;平地實驗在寬闊的室外走廊中進行，跑步在跑步機上完成。采用Delsys公司的Trigno肌電采集設備。該系統具有16個無線傳感器，Trigno肌電采集設備采樣頻率為1000Hz。圖3為平地行走實驗，圖4為上坡實驗，為了避免速度對路況識別結果的影響，受試者所有路況均勻速行走。在實時處理表面肌電信號的過程中，本文使用300ms小段數據來進行表面肌電信號的分析，后文做了實驗證明。10位受試者分別采集了6種路況的EMG數據各30組。將每種路況的1800組數據900份用來訓練，900份用來測試。后文研究了訓練樣本所占比例不同情況下算法的識別準確率。表2給出了路況分類期望輸出。

　　表3給出了不同傳遞函數階數ELM分類器路況識別準確率，當傳遞函數的階數n1=2，n2=5時，路況識別準確率最高。表4為其中1位受試者6種路況下肌電信號通過輔助變量盲辨識方法辨識出的FIR模型系數。在肌電信號路況識別問題的研究中，許多的研究方法是提取時域、頻域和時頻域特征。常用的時域特征有偏度(A1)、絕對值積分(A2)、方差(A3)、直方圖(A4)、峭度(A5)、過零點數(A6)、均方根值(A7)、4階自回歸系數(A8)等。表面肌電信號的頻域分析主要借助于功率譜分析方法，常用的頻域特征有平均功率頻率(A9)、中值頻率(A10)和功率譜比值(A11)等，常用的時頻域特征有小波變換系數(A12)、小波系數絕對值最大值(A13)。為了驗證本文所提出的FIR模型系數特征用于路況識別的可行性，將這些單一特征值作為ELM的輸入，再進行分類。從圖5中可以看出:時頻域特征識別準確率高于頻域特征，頻域特征高于時域特征。從方差角度來看，頻域特征值顯示了更好的穩定性，所以采用頻域特征進行路況識別穩定性優于時頻特征和時域特征。FIR模型系數(A14)特征表現出最好的分類準確率，FIR模型系數特征更能表征不同路況。

　　表5給出了基于FIR模型系數特征的路況識別的混淆矩陣，L1、L2、L3、L4、L5、L6分別表示平地行走、跑步、上樓、下樓、上坡、下坡。由表5的混淆矩陣不難看出，平地行走和跑步路況比較容易識別，兩者的識別準確率都超過了93.28%。其次為上坡和下坡2種路況，上坡和下坡的識別準確率均達到了91.57%。FIR模型系數類區分性更好，容易區分。較大差異，類間分離性較好，更具有代表性。上樓和下樓2種路況涉及多塊相鄰肌群的收縮，其識別準確率相對較低。上坡易誤判為平地行走或下坡，產生誤判主要是因為上坡和平地行走、下坡路況對應的某些肌肉所起的作用具有相似性。

　　本文建立的煙花極限學習機(FA-ELM)的識別模型中，該算法的參數設置設置為m=72，Z=30。常用的激活函數為Sine、Sigmoidal、Hardlim函數，圖6為3種激活函數下6種路況的平均識別準確率的實驗結果，Sigmoidal函數相對于Sine與Hardlim函數識別準確率高，波動小，因此本文選用sigmond函數。本文以RMSE作為誤差的衡量標準，圖7給出了ELM和FAELM訓練誤差和測試誤差隨隱含層節點數目變化的曲線圖。

　　從圖7可知，FA-ELM在隱含層節點數為10的時候RMSE達到最小值，而ELM為17時RMSE達到最小值。當隱含層節點數逐漸增加到50時，ELM的RMSE先減小后逐漸穩定。而FWAELM在隱含層節點數為10時達到最小，到50的過程中基本是穩定的。

　　設FA-ELM的隱含層節點數為10，迭代次數i=1，3，…，29，圖8給出了FA-ELM算法中測試誤差與訓練誤差隨迭代次數的變化曲線。從圖8可知，隨著迭代次數增加，FA-ELM的測試誤差和訓練誤差依次變小，迭代次數為19時，訓練誤差基本保持不變;測試誤差達到最小值。

　　迭代次數越多直接導致訓練時間延長，為了權衡迭代次數和訓練時間，本文設置FA-ELM的最優迭代次數為19，FA-ELM的隱含層節點p=10。

　　在訓練分類器時，訓練樣本大小影響到識別準確率，為了分析訓練樣本數對識別準確率的影響。在900組訓練集中，選擇60組作為驗證集，然后從余下的840組中按照抽取比例在10%～90%之間變化作為訓練集樣本，最后采用驗證集檢驗算法的性能。

　　圖9給出了訓練樣本數對BP、ELM、FA-ELM3種算法識別準確率的影響。有標簽訓練樣本占訓練集比例為10%時，本文方法的分類準確率為84.94%，比ELM算法高了2.90%，比BP算法高了4.93%。隨著有標簽訓練樣本數量比例的上升，ELM等算法的分類精度逐漸提高，但是有標簽訓練樣本占訓練集比例為40%時，ELM分類精度有所下降之后又逐漸提高。當訓練樣本占比為90%時，FA-ELM的分類準確率為93.18%，仍然高于ELM算法(88.48%)，也高于BP算法(85.61%)。

　　圖10給出了數據長度與識別準確率的關系，從圖9的實驗結果可以看出，數據長度的選擇會對分類結果產生影響，對于數據長度小于200ms，路況識別準確率都不高(小于88%)。當每次識別利用的數據長度100ms時，隨著數據長度的增大，識別準確率有所提高。當數據長度為300ms達到最高的識別準確率，隨著數據長度的繼續增加，準確度并沒有繼續遞增，而是略微的起伏變化。綜合考慮系統的延遲時間和識別準確率，每次特征提取利用的數據長度為300ms。