發(fā)布時(shí)間：2020-04-22所屬分類(lèi)：醫(yī)學(xué)職稱(chēng)論文瀏覽：1次
摘 要： 摘要:針對(duì)大腿截肢者穿戴智能假肢路況識(shí)別準(zhǔn)確率低的問(wèn)題，提出了一種盲辨識(shí)理論和極限學(xué)習(xí)機(jī)相結(jié)合的路況識(shí)別方法。選擇肌電信號(hào)(EMG)作為路況識(shí)別信息源，提取肌電信號(hào)的盲辨識(shí)模型系數(shù)作為信號(hào)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(duì)大腿截肢者穿戴智能假肢路況識(shí)別準(zhǔn)確率低的問(wèn)題，提出了一種盲辨識(shí)理論和極限學(xué)習(xí)機(jī)相結(jié)合的路況識(shí)別方法。選擇肌電信號(hào)(EMG)作為路況識(shí)別信息源，提取肌電信號(hào)的盲辨識(shí)模型系數(shù)作為信號(hào)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(shí)模型系數(shù)作為路況識(shí)別特征值的合理性。為了克服極限學(xué)習(xí)機(jī)(ELM)分類(lèi)器隨機(jī)產(chǎn)生的輸入權(quán)值只有少部分是比較優(yōu)越的缺點(diǎn)，利用煙花極限學(xué)習(xí)機(jī)(FA-ELM)對(duì)平地行走、上樓、下樓、上坡、下坡、跑步6種路況進(jìn)行分類(lèi)。與ELM算法、BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了對(duì)比，結(jié)果表明，采用盲辨識(shí)模型和煙花算法進(jìn)化極限學(xué)習(xí)機(jī)將6種路況下平均識(shí)別率提高到93.18%，優(yōu)于ELM和BP神經(jīng)網(wǎng)絡(luò)等方法。
關(guān)鍵詞:肌電信號(hào);盲辨識(shí)模型;極限學(xué)習(xí)機(jī);路況識(shí)別;智能假肢
截止到2014年底，我國(guó)60歲以上老齡人口已達(dá)2.12億。隨著交通事故、自然災(zāi)害等意外傷害的頻繁發(fā)生以及腦血管疾病、糖尿病和骨關(guān)節(jié)病等慢性疾病的不斷蔓延，根據(jù)世界衛(wèi)生組織報(bào)告的最新結(jié)果顯示，截肢患者達(dá)到1725萬(wàn)，下肢截肢約占肢體截肢總?cè)藬?shù)的51%。研發(fā)高性能智能下肢假肢是代償截肢者基本運(yùn)動(dòng)功能的重要途徑。20世紀(jì)90年代，智能假肢開(kāi)始興起并取得了一定的研究成果。德國(guó)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(guān)節(jié)(REHOKNEE)、英國(guó)英中耐公司的艾倫(Elan)仿生電子踝腳等智能假肢產(chǎn)品和樣機(jī)逐步升級(jí)優(yōu)化[1]。我國(guó)在假肢研究方面起步較晚，金德聞等[2]研發(fā)了一種六連桿假肢膝關(guān)節(jié)。臺(tái)灣德林假肢有限公司推出三款多連桿大腿智能假肢產(chǎn)品。Chen等[3]設(shè)計(jì)出基于動(dòng)態(tài)行走機(jī)理的“機(jī)器人假肢”。假肢控制首先是能夠準(zhǔn)確識(shí)別截肢者的路況，目前常用的路況識(shí)別信號(hào)源有運(yùn)動(dòng)學(xué)信息和肌電信號(hào)(Electromyography，EMG)。由于運(yùn)動(dòng)學(xué)信息需要某些特定的傳感器，如足底壓力、膝關(guān)節(jié)角度會(huì)在不同的路況中發(fā)生周期性變化，通過(guò)這些傳感器獲取的信號(hào)可以判斷路況信息，但傳感器在實(shí)際使用期間會(huì)磨損或者產(chǎn)生異位等現(xiàn)象造成路況識(shí)別準(zhǔn)確率較低。肌電信號(hào)是產(chǎn)生肌肉力的電信號(hào)根源，是更接近原始運(yùn)動(dòng)意圖的信號(hào)，通過(guò)EMG可以在未做出動(dòng)作前獲取主動(dòng)運(yùn)動(dòng)意圖，相對(duì)于采集足底壓力、速度等運(yùn)動(dòng)力學(xué)信息的傳統(tǒng)方法具有明顯優(yōu)勢(shì)。因此本文選擇EMG作為路況識(shí)別信息源。
相關(guān)期刊推薦：《振動(dòng)與沖擊》是國(guó)內(nèi)第一本關(guān)于振動(dòng)學(xué)科方面的學(xué)術(shù)刊物，創(chuàng)始于1982年，由郵局公開(kāi)發(fā)行。本刊為反映和交流各種科技領(lǐng)域振動(dòng)、沖擊、噪聲方面成果及經(jīng)驗(yàn)的綜合性學(xué)術(shù)刊物。內(nèi)容包括結(jié)構(gòu)動(dòng)力分析、隨機(jī)振動(dòng)、非線(xiàn)性振動(dòng)、振動(dòng)與噪聲控制、環(huán)境試驗(yàn)技術(shù)、測(cè)試技術(shù)、信號(hào)處理技術(shù)、計(jì)算機(jī)軟件工程、機(jī)械狀態(tài)監(jiān)測(cè)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(xún)期刊天空在線(xiàn)編輯。
肌電信號(hào)假肢路況識(shí)別研究中，特征提取和分類(lèi)識(shí)別是關(guān)鍵的2個(gè)環(huán)節(jié)，特征提取方法主要有時(shí)域法、時(shí)域-頻域法、頻域法、非線(xiàn)性特征法等[4]。上述特征提取未考慮肌電信號(hào)源信號(hào)未知的特點(diǎn)，為了克服這一缺點(diǎn)，本文建立輔助變量盲辨識(shí)模型，并將雙通道肌電信號(hào)的線(xiàn)性組合作為輔助變量克服了傳統(tǒng)輔助變量必須為已知源信號(hào)的難題，采用模型系數(shù)作為EMG特征。高性能的分類(lèi)器可以確保其控制的準(zhǔn)確性。肌電信號(hào)分類(lèi)方法主要包括BP神經(jīng)網(wǎng)絡(luò)、簡(jiǎn)約支持向量機(jī)、極限學(xué)習(xí)機(jī)、隱馬爾科夫模型分類(lèi)器、K最近鄰分類(lèi)器等方法。吳劍鋒[13]提出的基于表面肌電信號(hào)的簡(jiǎn)約支持向量機(jī)可識(shí)別六種路況，平均識(shí)別率達(dá)到90%。佟麗娜等[5]使用隱馬爾科夫模型分類(lèi)器識(shí)別方法識(shí)別起立、坐下等8種路況，分類(lèi)精度為91.67%。Huang等[6]同時(shí)使用了判別分析和支持向量機(jī)的分類(lèi)識(shí)別方法識(shí)別平地行走等5種路況，識(shí)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(lèi)識(shí)別路況，實(shí)驗(yàn)結(jié)果表明ELM方法優(yōu)于BP神經(jīng)網(wǎng)絡(luò)、簡(jiǎn)約支持向量機(jī)、隱馬爾科夫模型等方法，但是ELM方法中輸入層到隱含層節(jié)點(diǎn)的權(quán)值和偏置都是根據(jù)樣本分布隨機(jī)賦值，如果選取不合適會(huì)影響識(shí)別結(jié)果。煙花算法(FireworksAlgorithm，F(xiàn)A)是一種模擬煙花爆炸過(guò)程的全局優(yōu)化算法，為了克服這一缺點(diǎn)，本文采用煙花算法優(yōu)化極限學(xué)習(xí)機(jī)進(jìn)行路況分類(lèi)。
本文首先將雙通道肌電信號(hào)的線(xiàn)性組合作為輔助變量，將模型系數(shù)作為信號(hào)的特征，并與常用EMG特征比較，最后采用煙花算法優(yōu)化極限學(xué)習(xí)機(jī)進(jìn)行路況分類(lèi)，并與ELM、BP等方法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明，該方法對(duì)平地行走、上樓、下樓、上坡、下坡、跑步進(jìn)行有效識(shí)別，識(shí)別準(zhǔn)確率、魯棒性?xún)?yōu)于ELM等方法。
1實(shí)驗(yàn)方法
1.1輔助變量盲辨識(shí)模型
本文根據(jù)肌電信號(hào)的產(chǎn)生機(jī)理[8]，采用2塊肌肉(股內(nèi)側(cè)肌、股直肌)肌電信號(hào)，對(duì)肌電信號(hào)建立單輸入多輸出的有限沖擊響應(yīng)(FiniteImpulseResponse，F(xiàn)IR)模型。本文建立的FIR模型是將肌電信號(hào)產(chǎn)生的整個(gè)過(guò)程等效為一個(gè)FIR系統(tǒng)，系統(tǒng)的輸入為大腦皮層中控制運(yùn)動(dòng)部分的運(yùn)動(dòng)神經(jīng)元發(fā)放的電脈沖序列，電脈沖經(jīng)脊髓、運(yùn)動(dòng)神經(jīng)傳給肌肉的整個(gè)傳導(dǎo)過(guò)程等效為系統(tǒng)的一個(gè)傳遞函數(shù)H，輸出信號(hào)為實(shí)驗(yàn)采集的EMG。圖1為雙通道FIR模型結(jié)構(gòu)圖。
2基于盲辨識(shí)模型和極限學(xué)習(xí)機(jī)假肢路況識(shí)別
采用煙花算法進(jìn)化極限學(xué)習(xí)機(jī)的下肢假肢路況識(shí)別方法首先選取下肢表面肌電信號(hào)作為信息源，提出肌電信號(hào)與運(yùn)動(dòng)關(guān)系的輔助變量盲辨識(shí)模型，將模型系數(shù)作為信號(hào)特征，分類(lèi)器ELM算法中隨機(jī)產(chǎn)生的輸入權(quán)值和隱含層偏差只有少部分是比較優(yōu)越的，為了克服該問(wèn)題，本文提出了煙花算法進(jìn)化極限學(xué)習(xí)機(jī)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(jié)方法提取路況特征值，特征值的維度為d，p為隱含層節(jié)點(diǎn)數(shù)，訓(xùn)練樣本的均方根誤差(RootMeanSquareerror，RMSE)作為煙花算法的適應(yīng)度函數(shù)。
(2)通過(guò)實(shí)驗(yàn)比較后選擇合適的激活函數(shù)。
(3)初始化N個(gè)煙花，確定煙花位置Hi，根據(jù)適應(yīng)度函數(shù)計(jì)算出最優(yōu)適應(yīng)度值B。
(4)根據(jù)式(14)計(jì)算出每一個(gè)煙花產(chǎn)生子代火花的個(gè)數(shù)wi(i=1，2，…，N)，i=1。
(5)根據(jù)式(15)計(jì)算出每一個(gè)煙花的爆炸范圍Gi。
(6)根據(jù)式(16)對(duì)子代火花進(jìn)行位移變異，對(duì)從k維中隨機(jī)選擇一定維度進(jìn)行維度變異，在變異后的火花通過(guò)適應(yīng)度函數(shù)選擇最優(yōu)的火花Qi。
(7)隨機(jī)選擇m個(gè)煙花按照式(17)高斯變異，依據(jù)評(píng)價(jià)函數(shù)選出最優(yōu)的火花Mi。
(8)從Hi、Qi、Mi中選擇最優(yōu)的N個(gè)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(dá)到最大迭代次數(shù)，不成立跳轉(zhuǎn)到(3)。
(10)得到最優(yōu)火花位置，即最優(yōu)的輸入權(quán)值矩陣和隱含層偏差構(gòu)建ELM分類(lèi)器，分類(lèi)6種路況。
3實(shí)驗(yàn)結(jié)果及分析
本文主要是對(duì)上樓、下樓、上坡、下坡、平地行走、跑步6種路況識(shí)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(zhǎng)度比例、假肢型號(hào)以及穿戴時(shí)間等信息。本文參考文獻(xiàn)[4-5]方法選定股內(nèi)側(cè)肌和股直肌作為肌肉群，樓梯有10級(jí)臺(tái)階，臺(tái)階高度為廣泛應(yīng)用的150mm;斜坡是無(wú)障礙通道的10°斜坡;平地實(shí)驗(yàn)在寬闊的室外走廊中進(jìn)行，跑步在跑步機(jī)上完成。采用Delsys公司的Trigno肌電采集設(shè)備。該系統(tǒng)具有16個(gè)無(wú)線(xiàn)傳感器，Trigno肌電采集設(shè)備采樣頻率為1000Hz。圖3為平地行走實(shí)驗(yàn)，圖4為上坡實(shí)驗(yàn)，為了避免速度對(duì)路況識(shí)別結(jié)果的影響，受試者所有路況均勻速行走。在實(shí)時(shí)處理表面肌電信號(hào)的過(guò)程中，本文使用300ms小段數(shù)據(jù)來(lái)進(jìn)行表面肌電信號(hào)的分析，后文做了實(shí)驗(yàn)證明。10位受試者分別采集了6種路況的EMG數(shù)據(jù)各30組。將每種路況的1800組數(shù)據(jù)900份用來(lái)訓(xùn)練，900份用來(lái)測(cè)試。后文研究了訓(xùn)練樣本所占比例不同情況下算法的識(shí)別準(zhǔn)確率。表2給出了路況分類(lèi)期望輸出。
表3給出了不同傳遞函數(shù)階數(shù)ELM分類(lèi)器路況識(shí)別準(zhǔn)確率，當(dāng)傳遞函數(shù)的階數(shù)n1=2，n2=5時(shí)，路況識(shí)別準(zhǔn)確率最高。表4為其中1位受試者6種路況下肌電信號(hào)通過(guò)輔助變量盲辨識(shí)方法辨識(shí)出的FIR模型系數(shù)。在肌電信號(hào)路況識(shí)別問(wèn)題的研究中，許多的研究方法是提取時(shí)域、頻域和時(shí)頻域特征。常用的時(shí)域特征有偏度(A1)、絕對(duì)值積分(A2)、方差(A3)、直方圖(A4)、峭度(A5)、過(guò)零點(diǎn)數(shù)(A6)、均方根值(A7)、4階自回歸系數(shù)(A8)等。表面肌電信號(hào)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(shí)頻域特征有小波變換系數(shù)(A12)、小波系數(shù)絕對(duì)值最大值(A13)。為了驗(yàn)證本文所提出的FIR模型系數(shù)特征用于路況識(shí)別的可行性，將這些單一特征值作為ELM的輸入，再進(jìn)行分類(lèi)。從圖5中可以看出:時(shí)頻域特征識(shí)別準(zhǔn)確率高于頻域特征，頻域特征高于時(shí)域特征。從方差角度來(lái)看，頻域特征值顯示了更好的穩(wěn)定性，所以采用頻域特征進(jìn)行路況識(shí)別穩(wěn)定性?xún)?yōu)于時(shí)頻特征和時(shí)域特征。FIR模型系數(shù)(A14)特征表現(xiàn)出最好的分類(lèi)準(zhǔn)確率，F(xiàn)IR模型系數(shù)特征更能表征不同路況。
表5給出了基于FIR模型系數(shù)特征的路況識(shí)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(shí)別，兩者的識(shí)別準(zhǔn)確率都超過(guò)了93.28%。其次為上坡和下坡2種路況，上坡和下坡的識(shí)別準(zhǔn)確率均達(dá)到了91.57%。FIR模型系數(shù)類(lèi)區(qū)分性更好，容易區(qū)分。較大差異，類(lèi)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(shí)別準(zhǔn)確率相對(duì)較低。上坡易誤判為平地行走或下坡，產(chǎn)生誤判主要是因?yàn)樯掀潞推降匦凶摺⑾缕侣窙r對(duì)應(yīng)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(xué)習(xí)機(jī)(FA-ELM)的識(shí)別模型中，該算法的參數(shù)設(shè)置設(shè)置為m=72，Z=30。常用的激活函數(shù)為Sine、Sigmoidal、Hardlim函數(shù)，圖6為3種激活函數(shù)下6種路況的平均識(shí)別準(zhǔn)確率的實(shí)驗(yàn)結(jié)果，Sigmoidal函數(shù)相對(duì)于Sine與Hardlim函數(shù)識(shí)別準(zhǔn)確率高，波動(dòng)小，因此本文選用sigmond函數(shù)。本文以RMSE作為誤差的衡量標(biāo)準(zhǔn)，圖7給出了ELM和FAELM訓(xùn)練誤差和測(cè)試誤差隨隱含層節(jié)點(diǎn)數(shù)目變化的曲線(xiàn)圖。
從圖7可知，F(xiàn)A-ELM在隱含層節(jié)點(diǎn)數(shù)為10的時(shí)候RMSE達(dá)到最小值，而ELM為17時(shí)RMSE達(dá)到最小值。當(dāng)隱含層節(jié)點(diǎn)數(shù)逐漸增加到50時(shí)，ELM的RMSE先減小后逐漸穩(wěn)定。而FWAELM在隱含層節(jié)點(diǎn)數(shù)為10時(shí)達(dá)到最小，到50的過(guò)程中基本是穩(wěn)定的。
設(shè)FA-ELM的隱含層節(jié)點(diǎn)數(shù)為10，迭代次數(shù)i=1，3，…，29，圖8給出了FA-ELM算法中測(cè)試誤差與訓(xùn)練誤差隨迭代次數(shù)的變化曲線(xiàn)。從圖8可知，隨著迭代次數(shù)增加，F(xiàn)A-ELM的測(cè)試誤差和訓(xùn)練誤差依次變小，迭代次數(shù)為19時(shí)，訓(xùn)練誤差基本保持不變;測(cè)試誤差達(dá)到最小值。
迭代次數(shù)越多直接導(dǎo)致訓(xùn)練時(shí)間延長(zhǎng)，為了權(quán)衡迭代次數(shù)和訓(xùn)練時(shí)間，本文設(shè)置FA-ELM的最優(yōu)迭代次數(shù)為19，F(xiàn)A-ELM的隱含層節(jié)點(diǎn)p=10。
在訓(xùn)練分類(lèi)器時(shí)，訓(xùn)練樣本大小影響到識(shí)別準(zhǔn)確率，為了分析訓(xùn)練樣本數(shù)對(duì)識(shí)別準(zhǔn)確率的影響。在900組訓(xùn)練集中，選擇60組作為驗(yàn)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(xùn)練集樣本，最后采用驗(yàn)證集檢驗(yàn)算法的性能。
圖9給出了訓(xùn)練樣本數(shù)對(duì)BP、ELM、FA-ELM3種算法識(shí)別準(zhǔn)確率的影響。有標(biāo)簽訓(xùn)練樣本占訓(xùn)練集比例為10%時(shí)，本文方法的分類(lèi)準(zhǔn)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(biāo)簽訓(xùn)練樣本數(shù)量比例的上升，ELM等算法的分類(lèi)精度逐漸提高，但是有標(biāo)簽訓(xùn)練樣本占訓(xùn)練集比例為40%時(shí)，ELM分類(lèi)精度有所下降之后又逐漸提高。當(dāng)訓(xùn)練樣本占比為90%時(shí)，F(xiàn)A-ELM的分類(lèi)準(zhǔn)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(shù)據(jù)長(zhǎng)度與識(shí)別準(zhǔn)確率的關(guān)系，從圖9的實(shí)驗(yàn)結(jié)果可以看出，數(shù)據(jù)長(zhǎng)度的選擇會(huì)對(duì)分類(lèi)結(jié)果產(chǎn)生影響，對(duì)于數(shù)據(jù)長(zhǎng)度小于200ms，路況識(shí)別準(zhǔn)確率都不高(小于88%)。當(dāng)每次識(shí)別利用的數(shù)據(jù)長(zhǎng)度100ms時(shí)，隨著數(shù)據(jù)長(zhǎng)度的增大，識(shí)別準(zhǔn)確率有所提高。當(dāng)數(shù)據(jù)長(zhǎng)度為300ms達(dá)到最高的識(shí)別準(zhǔn)確率，隨著數(shù)據(jù)長(zhǎng)度的繼續(xù)增加，準(zhǔn)確度并沒(méi)有繼續(xù)遞增，而是略微的起伏變化。綜合考慮系統(tǒng)的延遲時(shí)間和識(shí)別準(zhǔn)確率，每次特征提取利用的數(shù)據(jù)長(zhǎng)度為300ms。
