摘 要：针对肌电控制对信号通道数和数据量的要求，该文以膝关节屈运动的角度识别为研究对象，旨在找出最能表征膝关节屈运动的肌肉，从而为实现最小肌肉块数表征人体关节运动提供依据。通过对肌电信号进行滤波，陷波，去噪处理，以均方根值，功率谱密度等信号特征来区分不同肌肉对膝关节屈运动产生的影响。
关键词：膝关节 表面肌电型号 屈运动
中图分类号：TP241 文献标识码：A 文章编号：1672-3791（2016）12（a）-0212-03
我国人口众多，其中残疾人达到6千万之多，这其中，肢体残疾约占45%，而肢体残疾中，又以下肢残疾居多。传统的下肢康复训练方法是依靠专业的理疗医师对患者进行手把手的训练。对于这种病患，医师的辅助训练虽有一定的帮助，但是不会太理想，主要问题在于训练效率不高，操作过程带有医师的主观态度，康复评定标准无理论依据。利用人体表面肌电信号控制外骨骼机器人，使用机器人的“体力”来带动患者的康复运动。这种方式不仅可以继承目前的康复模式和方法，还有可能彻底解决这些康复训练方法中存在的问题。
表面肌电信号控制外骨骼用康复训练，为了防止对患者造成二次伤害，对关节运动角度识别有较高的要求。为此，该文选取膝关节屈运动的角度识别为研究对象。膝关节的屈运动涉及到多组肌肉：股四头肌、股直肌、股中间肌、股二头肌、和�N肌，利用多块肌肉的肌电信号表征膝关节运动，必将提高识别率。但是，这将使数据过于庞大，信号处理实时性降低。为此，期望能够找到某一肌肉最能表征膝关节屈运动。
1 表征膝关节屈运动数学模型
1.1 模型参数选取
表面肌电信号是肌肉收缩时伴随的电信号。关节的运动由肌肉的收缩带动，为了建立表征膝关节屈运动的数学模型，我们需要选取影响膝关节运动的参数，这些参数应是最能影响我们对角度的识别，以便找出最能表征膝关节屈运动。
（1）在时域，我们选取信号的均方根值为参数，均方根值越大，意味着信号强度大，信噪比大，能够提高识别准确率。
（2）在频域，我们以信号的功率谱直方图为参数，信号功率越大，同样意味着肌肉越活跃，也即更能表征关节的运动。
（3）在测量人体的sEMG信号，通过电极传入检测电路。因此需要将电极片贴附于特定的肌肉上。有的肌肉狭长，有的肌肉位于皮肤深层，因此，想要电极贴片准确的贴服在这些肌肉表面，并不容易。因此，测量的难易程度也作为模型中的参数。
1.2 数学模型
为了找到最能表征膝关节屈运动的肌肉，我们提出表征膝关节屈运动的数学模型，主要从以下3个方面作为指标：幅值、能量和测试的方便程度。
数学模型为：・w
其中k代表不同的与膝关节屈运动相关的肌肉，依次为：股四头肌，股直肌，股中间肌，股二头肌和�N肌。t（k）为时域指标，f（k）为频域指标，m（k）为测量测量简易指标。w为权重向量。以下分别建立各个部分指标。
（1）均方根值指标。
在时域，以信号的均方根值作为评价指标，为了排除不同肌肉在松弛状态下的影响，我们对均方根值进行量化处理，则：
其中x（i）为采集的数值，为肌肉平伸状态sEMG的最大值，为最小值。
（2）功率指标。
对滤波后的sEMG信号进行功率谱分析，画出sEMG信号的功率谱直方图，对sEM号功率分布进行分析。以股直肌为例，其功率直方图如图1，我们统计功率大于0.5E-7所占的百分比，并作为f（k）的值。统计过程有labview软件完成。
（3）测量简易指标。
对于不同的肌肉，安放贴片电极的难易程度不同，因此而到的干扰也不同，将测量的难易程度划分为0～1，并将测量的难易值赋给m（k）。
2 肌电信号采集与去噪
2.1 肌电信号的采集
表面肌电信号极其微弱，其电压值在50～2000 uv之间，其能量主要集中在10～500 Hz之间。采集电路需对信号进行放大、滤波以及工频陷波（如图2）。
采集到的原始肌电信号（软件滤波后）如图3，该肌电信号进过了硬件电路的低通，高通以及工频滤波，但从图中可以看出，仍含有大量的噪声。
2.2 小波去噪
小波变换是一种时间窗和频率窗都可以改变的视频分析方法，不仅能反应信号在全部频率上的整体时域特征，而且能提供频率段所对应的时间信息。此外，小波变换在高频段具有高的时间分辨率，低的频率分辨率；低频段具有高的频率分辨率，低的频率分辨率，其在时频域都有很强的局部特征表征力。因此，小波变换在非平稳信号的去噪以及特征提取领域有着十分广泛的应用。
表面肌电信号可以表示为：
。其中是s（i）是为含有噪声的sEMG信号，x（i）为有用信号，e（i）为噪声信号，通过对s（i）进行小波分解，有与噪声常包含在具有较高频率的细节中，因此通过选取一定的阈值对分解的得到的小波系数进行处理，然后再重构信号，即可达到消噪的目的。
利用Labview结合Matlab进行去噪处理，处理流程图（如图4）。
得到sEMG信号去噪后的波形图（如图5）。
3 实验与模型的验证
3.1 实验说明
在明确实验内容后开始实验。该实验招募9名志愿者，年龄在18～35岁之间，没有运动神经类疾病；在最近的6个月里，前臂没有出现扭伤、运动损伤、断裂等影响运动功能的伤病；最近两天没有进行过剧烈的运动；没有肌肉酸痛及不适；非敏感性皮肤。
该次实验使用的器材有：单道生理参数记录仪、Agcl电极等；该实验旨在采集膝关节屈运动相关肌肉的sEMG信号，从而找出最能表征膝关节屈运动的肌肉。
3.2 实验数据
各肌肉去噪后的波形图以及功率谱直方图（如图5）。
求得各肌肉运动时sEMG信号的均方根值，平伸时的最大值及最小值。
3.3 模型求解
。取权重向量w=（0.3，0.5，0.2）。
（1）k=1，对应的为股四头肌：
，，由于股四头肌位于皮肤浅层，取其测量系数为0.9，则。因此
（2）k=2，对应的为股直肌：
，。由于股四头肌位于皮肤深层，取其测量系数为0.3，则。因此。
（3）对于k=3，4，5。取m（3）=0.8，m（4）=0.6，m（5）=0.5。
最后求得：
从数据中看出，在该权重下，u（4）最大，即股二头肌最能表征膝关节屈运动。
4 结�Z
该文通过建立表征膝关节屈运动动的数学模型，从而找出最能表征膝关节运动的肌肉，并验证了该模型的正确性，模型通过3项指标在一定的权重下来表示，该模型还有待完善之处，权重的选着也应根据具体实验对象选取。此外用于模型验证的角度识别器目前只用于求解膝关节连续上屈时的角度识别，但并没有验证对于膝关节悬停、倒回等动作角度的识别，并且识别目前还没有做到实时性。这些都是有待继续研究的方面。
该文可以为肌电控制肌肉的选择提供理论依据，从而减少控制所需的肌肉数量，减少数据，提高运算速度。
摘 要：针对肌电控制对信号通道数和数据量的要求，该文以膝关节屈运动的角度识别为研究对象，旨在找出最能表征膝关节屈运动的肌肉，从而为实现最小肌肉块数表征人体关节运动提供依据。通过对肌电信号进行滤波，陷波，去噪处理，以均方根值，功率谱密度等信号特征来区分不同肌肉对膝关节屈运动产生的影响。
关键词：膝关节 表面肌电型号 屈运动
中图分类号：TP241 文献标识码：A 文章编号：1672-3791（2016）12（a）-0212-03
我国人口众多，其中残疾人达到6千万之多，这其中，肢体残疾约占45%，而肢体残疾中，又以下肢残疾居多。传统的下肢康复训练方法是依靠专业的理疗医师对患者进行手把手的训练。对于这种病患，医师的辅助训练虽有一定的帮助，但是不会太理想，主要问题在于训练效率不高，操作过程带有医师的主观态度，康复评定标准无理论依据。利用人体表面肌电信号控制外骨骼机器人，使用机器人的“体力”来带动患者的康复运动。这种方式不仅可以继承目前的康复模式和方法，还有可能彻底解决这些康复训练方法中存在的问题。
表面肌电信号控制外骨骼用康复训练，为了防止对患者造成二次伤害，对关节运动角度识别有较高的要求。为此，该文选取膝关节屈运动的角度识别为研究对象。膝关节的屈运动涉及到多组肌肉：股四头肌、股直肌、股中间肌、股二头肌、和�N肌，利用多块肌肉的肌电信号表征膝关节运动，必将提高识别率。但是，这将使数据过于庞大，信号处理实时性降低。为此，期望能够找到某一肌肉最能表征膝关节屈运动。
1 表征膝关节屈运动数学模型
1.1 模型参数选取
表面肌电信号是肌肉收缩时伴随的电信号。关节的运动由肌肉的收缩带动，为了建立表征膝关节屈运动的数学模型，我们需要选取影响膝关节运动的参数，这些参数应是最能影响我们对角度的识别，以便找出最能表征膝关节屈运动。
（1）在时域，我们选取信号的均方根值为参数，均方根值越大，意味着信号强度大，信噪比大，能够提高识别准确率。
（2）在频域，我们以信号的功率谱直方图为参数，信号功率越大，同样意味着肌肉越活跃，也即更能表征关节的运动。
（3）在测量人体的sEMG信号，通过电极传入检测电路。因此需要将电极片贴附于特定的肌肉上。有的肌肉狭长，有的肌肉位于皮肤深层，因此，想要电极贴片准确的贴服在这些肌肉表面，并不容易。因此，测量的难易程度也作为模型中的参数。
1.2 数学模型
为了找到最能表征膝关节屈运动的肌肉，我们提出表征膝关节屈运动的数学模型，主要从以下3个方面作为指标：幅值、能量和测试的方便程度。
数学模型为：・w
其中k代表不同的与膝关节屈运动相关的肌肉，依次为：股四头肌，股直肌，股中间肌，股二头肌和�N肌。t（k）为时域指标，f（k）为频域指标，m（k）为测量测量简易指标。w为权重向量。以下分别建立各个部分指标。
（1）均方根值指标。
在时域，以信号的均方根值作为评价指标，为了排除不同肌肉在松弛状态下的影响，我们对均方根值进行量化处理，则：
其中x（i）为采集的数值，为肌肉平伸状态sEMG的最大值，为最小值。
（2）功率指标。
对滤波后的sEMG信号进行功率谱分析，画出sEMG信号的功率谱直方图，对sEM号功率分布进行分析。以股直肌为例，其功率直方图如图1，我们统计功率大于0.5E-7所占的百分比，并作为f（k）的值。统计过程有labview软件完成。
（3）测量简易指标。
对于不同的肌肉，安放贴片电极的难易程度不同，因此而到的干扰也不同，将测量的难易程度划分为0～1，并将测量的难易值赋给m（k）。
2 肌电信号采集与去噪
2.1 肌电信号的采集
表面肌电信号极其微弱，其电压值在50～2000 uv之间，其能量主要集中在10～500 Hz之间。采集电路需对信号进行放大、滤波以及工频陷波（如图2）。
采集到的原始肌电信号（软件滤波后）如图3，该肌电信号进过了硬件电路的低通，高通以及工频滤波，但从图中可以看出，仍含有大量的噪声。
2.2 小波去噪
小波变换是一种时间窗和频率窗都可以改变的视频分析方法，不仅能反应信号在全部频率上的整体时域特征，而且能提供频率段所对应的时间信息。此外，小波变换在高频段具有高的时间分辨率，低的频率分辨率；低频段具有高的频率分辨率，低的频率分辨率，其在时频域都有很强的局部特征表征力。因此，小波变换在非平稳信号的去噪以及特征提取领域有着十分广泛的应用。
表面肌电信号可以表示为：
。其中是s（i）是为含有噪声的sEMG信号，x（i）为有用信号，e（i）为噪声信号，通过对s（i）进行小波分解，有与噪声常包含在具有较高频率的细节中，因此通过选取一定的阈值对分解的得到的小波系数进行处理，然后再重构信号，即可达到消噪的目的。
利用Labview结合Matlab进行去噪处理，处理流程图（如图4）。
得到sEMG信号去噪后的波形图（如图5）。
3 实验与模型的验证
3.1 实验说明
在明确实验内容后开始实验。该实验招募9名志愿者，年龄在18～35岁之间，没有运动神经类疾病；在最近的6个月里，前臂没有出现扭伤、运动损伤、断裂等影响运动功能的伤病；最近两天没有进行过剧烈的运动；没有肌肉酸痛及不适；非敏感性皮肤。
该次实验使用的器材有：单道生理参数记录仪、Agcl电极等；该实验旨在采集膝关节屈运动相关肌肉的sEMG信号，从而找出最能表征膝关节屈运动的肌肉。
3.2 实验数据
各肌肉去噪后的波形图以及功率谱直方图（如图5）。
求得各肌肉运动时sEMG信号的均方根值，平伸时的最大值及最小值。
3.3 模型求解
。取权重向量w=（0.3，0.5，0.2）。
（1）k=1，对应的为股四头肌：
，，由于股四头肌位于皮肤浅层，取其测量系数为0.9，则。因此
（2）k=2，对应的为股直肌：
，。由于股四头肌位于皮肤深层，取其测量系数为0.3，则。因此。
（3）对于k=3，4，5。取m（3）=0.8，m（4）=0.6，m（5）=0.5。
最后求得：
从数据中看出，在该权重下，u（4）最大，即股二头肌最能表征膝关节屈运动。
4 结�Z
该文通过建立表征膝关节屈运动动的数学模型，从而找出最能表征膝关节运动的肌肉，并验证了该模型的正确性，模型通过3项指标在一定的权重下来表示，该模型还有待完善之处，权重的选着也应根据具体实验对象选取。此外用于模型验证的角度识别器目前只用于求解膝关节连续上屈时的角度识别，但并没有验证对于膝关节悬停、倒回等动作角度的识别，并且识别目前还没有做到实时性。这些都是有待继续研究的方面。
该文可以为肌电控制肌肉的选择提供理论依据，从而减少控制所需的肌肉数量，减少数据，提高运算速度。