目錄

• 簡介
• 產生原理
• 表面肌電信號的獲取
• 表面肌電信號優點
• 表面肌電信號的應用
• • 離散運動模式分類
  • 關節連續運動估計
• 最后說明

簡介

肌電信號（electromyography，EMG）是眾多肌纖維中運動單元動作電位（MUAP）在時間和空間上的疊加。表面肌電信號（surface electromyography，sEMG）是淺層肌肉EMG和神經干上電活動在皮膚表面的綜合效應，能在一定程度上反映神經肌肉的活動；相對于針電極EMG，sEMG在測量上具有非侵入性、無創傷、操作簡單等優點 。因而，sEMG在臨床醫學、人機功效學、康復醫學以及體育科學等方面均有重要的實用價值。sEMG 是一種非平穩的微電信號，它比肢體運動一般超前 30~150ms 產生，其幅值在0~1.5mv，有用信號頻率成分位于 0~500Hz，主要能量集中在 20~150Hz。

產生原理

表面肌電信號（EMG）是大多數運動單元發出的潛在動作序列，是人體皮膚表面在時間和空間上重疊的結果，而肌肉是運動系統的重要組成部分，將化學能轉化為機械能與人體的各種運動或多或少地相關。興奮和收縮是骨骼肌最基本的功能，是產生肌電信號的基礎。記錄不同操作條件下骨骼肌的潛在變化。這與肌肉結構，收縮強度和收縮過程中的化學變化有關，它源自脊髓的運動單元，如圖1所示，它是中樞神經系統的一部分，運動神經元體位于其中，軸突延伸至肌肉纖維并與之連接。其具體產生過程可用圖2表示。

表面肌電信號的獲取

研究者們在對肌電信號深入研究的過程中，主要有兩種肌電信號的獲取方式，即植入式電極或表面電極。根據近年兩種方法在肌電信號采集與分析中的表現，表面電極所獲取的肌電信號(即sEMG)中包含豐富的信息能夠反應肢體的運動意圖和運動狀態，且具有無創性，而植入式電極在采集過程中肌肉纖維間會產生過多的噪聲串擾。當肌肉收縮時會釋放0~1.5mv的電信號，sEMG的采集就是將電極貼在待測肌肉的皮膚表面來拾取這些電信號，如圖3所示。

表面肌電信號優點

與傳統的非生物電人機交互方式相比，基于 sEMG 的人機交互方式有以下優點：
(1) 可以對機器人實現自然控制（類似人腦控制肢體運動），交互方式更容易被使用者接受；
(2) sEMG 僅依賴于驅動關節運動的肌肉，不依賴于執行運動的肢體，因此也適用于肢體患病或殘疾患者；
(3) sEMG 超前于人體實際運動，可以提供運動的提前預判；
(4) sEMG 包含的運動相關信息豐富（肌肉力、關節力矩、關節運動量等），可以實現多模式交互控制

表面肌電信號的應用

探索基于 sEMG 的人機交互方法，對于打破人機隔閡，實現人機自然交流具有重要意義，圖4 給出了基于 sEMG 的人機交互圖示，由圖可知，構建肌電交互系統的核心技術是通過肌電信號解碼出人的運動意圖，通常討論的運動意圖解碼包括兩類，一類是基于肌電信號識別肢體離散動作模態，例如手部的握拳、伸掌等動作；另一類是基于肌電信號估計關節連續運動量，如關節力矩、關節角度等連續量。下面從這兩方面出發，總結肌電分析方法研究現狀。
!

離散運動模式分類

基于肌電的離散動作識別方法是目前研究最多，應用技術最成熟的方法 。一般流程是：首先采集肢體做不同動作時相關肌肉的 sEMG 信號；對信號進行去偏置/去噪預處理后，提取能表征肢體動作的特征信息；再利用 sEMG 特征組成的樣本向量訓練分類器，從而建立 sEMG 到動作模態的映射模型；利用已構建的運動模型對新樣本進行分類，識別相應動作，識別結果將作為控制決策指令輸入機器人，如圖5所示。sEMG 特征提取和分類模型構建是實現該過程的兩個最重要環節，其中 sEMG 特征包括時域特征（如絕對值積分、波形長等）、頻率特征（如零穿越次數、中值頻率、均值頻率等）、時頻特征（如小波變換系數、小波包變換系數等）以及非線性動力學特征等，而已應用的分類模型有 Fisher 線性判別、神經網絡、支持向量機、多層感知器、K 近鄰、高斯混合模型、隱馬爾可夫模型、模糊分類等等。
當前基于sEMG的動作分類研究特點如下：

(1) 遴選sEMG特征及設計合適分類模型是大多數動作識別研究關注的重點；
(2) 合適的sEMG特征及分類模型能有效提高動作識別性能，比如可以識別8種以上動作，識別精度最高超過95%；
(3) 測試者體征（健康/殘疾）直接影響動作分類效果，因此開發面向特定使用者的肌電系統（如肌電假肢）時，相應體征的測試者參與實驗，獲得的結果更具有參考價值；
(4) 由于手部動作類型繁多、精細控制復雜，手部動作識別是測試分類算法性能的最佳方案；又由于從手部殘疾患者的殘留肌肉易于復現手部動作，因此研發肌電假手受到了眾多研究者的青睞，而肌電假手也最有可能成為肌電系統應用于實際的先導；
(5) 開發肌電系統時，系統的普適性和實時性是必須關注的兩個方面。普適性是指構建的系統適用于不同使用者，而實時性既包括系統在線應用沒有操作延時，又包括應用系統的前期訓練時間盡量短；
(6) 合理的控制決策（如多數投票）有助于提高肌電系統的控制性能；
(7) 單自由度動作（單一動作模式）識別已獲得了充分的研究，多自由度同步動作或組合動作模式識別是未來研究的重點，也是提高肌電系統實用性的關鍵點。

關節連續運動估計

基于 sEMG 的動作分類只能預測少數離散肢體動作，應用預測結果控制機器人，無法實現機器人關節像人體關節一樣連續自如運動，而保證機器人運動與人體運動相匹配是實現多種新型服務機器人安全控制的先決條件，如應用于外骨骼機器人 、醫療康復機器人等，因此通過 sEMG 估計人體關節連續運動是近年來肌電分析研究的新熱點 。利用sEMG 進行連續運動估計，通常要計算 sEMG 信號包絡或提取肌肉活躍度作為預測輸入，而估計的運動量包括肌肉力、關節力矩、關節角度/角速度等，估計結果便可以作為參考輸入控制機器人，保證機器人執行相應運動的同時，為使用者提供輔助，圖 6展示了基于 sEMG 的連續運動估計及輔助機器人控制框圖 ，由圖可知，精確估計人體連續運動量是實現肌電系統安全輔助功能的前提。

通過 sEMG 估計關節運動量，進而驅動輔助機器人系統執行相關任務，是實現與人體直接接觸的機器人自然/安全控制的有效途徑，與分類方法相比，基于連續運動估計的控制過程更能體現類人運動特征。當前研究主要有兩種方法實現基于 sEMG 的關節連續運動量估計：

(1) 結合肌肉生理力學建立以 sEMG 為輸入的關節動力學模型，進而計算關節力矩、角加速度、角速度等量，其中應有最多的 Hill 肌肉力模型，它是一種生理現象學模型，其中含有多個無法直接量測的生理參數，因此有效的參數辨識方法必不可少。另外關節運動量估計精度很大程度上依賴于模型的準確性，而精確的模型難以獲得，現有的運動模型又多是無反饋的“開環”結構（特別注意：這里的“開環”是借鑒控制術語，指的是模型的前向無反饋的結構形式，而與控制學科中的開環控制不同），容易引起預測偏差，甚至發散；
(2) 直接建立關聯 sEMG 和關節連續運動量的回歸模型，其中神經網絡應用最普遍，但是神經網絡的結構形式對預測結果影響很大，卻沒有規范方法定義合適網絡結構，并且網絡參數確定過度依賴于學習數據，當測試數據和學習數據有差異時，易造成網絡輸出偏離真實值。與神經網絡模型相比，線性結構的自回歸或多項式模型穩定性高，但是難以準確確定模型階數，而且模型對 sEMG 和關節運動量的非線性關系描述不充分，其泛化能力需要進一步提高。

最后說明

目前只寫了前言部分，后續也會逐漸寫一些信號采集，信號處理，特征提取，回歸模型訓練，連續運動估計總結等等。本人是一位新手，如有做得不對的地方，還望批評指正，多多交流，謝謝！

總結

以上是生活随笔為你收集整理的基于表面肌电信号的连续运动估计之前言（一）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。