摘要:针对大腿截肢者穿戴智能假肢路况识别准确率低的问题，提出了一种盲辨识理论和极限学习机相结合的路况识别方法。选择肌电信号(EMG)作为路况识别信息源，提取肌电信号的盲辨识模型系数作为信号特征，为了能够充分反映路况特征，比较了不同特征值，分析了选取盲辨识模型系数作为路况识别特征值的合理性。为了克服极限学习机(ELM)分类器随机产生的输入权值只有少部分是比较优越的缺点，利用烟花极限学习机(FA-ELM)对平地行走、上楼、下楼、上坡、下坡、跑步6种路况进行分类。与ELM算法、BP神经网络进行了对比，结果表明，采用盲辨识模型和烟花算法进化极限学习机将6种路况下平均识别率提高到93.18%，优于ELM和BP神经网络等方法。
关键词:肌电信号;盲辨识模型;极限学习机;路况识别;智能假肢
截止到2014年底，我国60岁以上老龄人口已达2.12亿。随着交通事故、自然灾害等意外伤害的频繁发生以及脑血管疾病、糖尿病和骨关节病等慢性疾病的不断蔓延，根据世界卫生组织报告的最新结果显示，截肢患者达到1725万，下肢截肢约占肢体截肢总人数的51%。研发高性能智能下肢假肢是代偿截肢者基本运动功能的重要途径。20世纪90年代，智能假肢开始兴起并取得了一定的研究成果。德国奥托博克公司的Genium智能仿生假肢、冰岛奥索公司的锐欧仿生磁控膝关节(REHOKNEE)、英国英中耐公司的艾伦(Elan)仿生电子踝脚等智能假肢产品和样机逐步升级优化[1]。我国在假肢研究方面起步较晚，金德闻等[2]研发了一种六连杆假肢膝关节。台湾德林假肢有限公司推出三款多连杆大腿智能假肢产品。Chen等[3]设计出基于动态行走机理的“机器人假肢”。假肢控制首先是能够准确识别截肢者的路况，目前常用的路况识别信号源有运动学信息和肌电信号(Electromyography，EMG)。由于运动学信息需要某些特定的传感器，如足底压力、膝关节角度会在不同的路况中发生周期性变化，通过这些传感器获取的信号可以判断路况信息，但传感器在实际使用期间会磨损或者产生异位等现象造成路况识别准确率较低。肌电信号是产生肌肉力的电信号根源，是更接近原始运动意图的信号，通过EMG可以在未做出动作前获取主动运动意图，相对于采集足底压力、速度等运动力学信息的传统方法具有明显优势。因此本文选择EMG作为路况识别信息源。
相关期刊推荐：《振动与冲击》是国内第一本关于振动学科方面的学术刊物，创始于1982年，由邮局公开发行。本刊为反映和交流各种科技领域振动、冲击、噪声方面成果及经验的综合性学术刊物。内容包括结构动力分析、随机振动、非线性振动、振动与噪声控制、环境试验技术、测试技术、信号处理技术、计算机软件工程、机械状态监测与故障诊断、减振消声材料等。有投稿需求的作者可以直接咨询期刊天空在线编辑。
肌电信号假肢路况识别研究中，特征提取和分类识别是关键的2个环节，特征提取方法主要有时域法、时域-频域法、频域法、非线性特征法等[4]。上述特征提取未考虑肌电信号源信号未知的特点，为了克服这一缺点，本文建立辅助变量盲辨识模型，并将双通道肌电信号的线性组合作为辅助变量克服了传统辅助变量必须为已知源信号的难题，采用模型系数作为EMG特征。高性能的分类器可以确保其控制的准确性。肌电信号分类方法主要包括BP神经网络、简约支持向量机、极限学习机、隐马尔科夫模型分类器、K最近邻分类器等方法。吴剑锋[13]提出的基于表面肌电信号的简约支持向量机可识别六种路况，平均识别率达到90%。佟丽娜等[5]使用隐马尔科夫模型分类器识别方法识别起立、坐下等8种路况，分类精度为91.67%。Huang等[6]同时使用了判别分析和支持向量机的分类识别方法识别平地行走等5种路况，识别率提高到91.25%。李影[7]使用小波包能量作为特征，采用ELM分类识别路况，实验结果表明ELM方法优于BP神经网络、简约支持向量机、隐马尔科夫模型等方法，但是ELM方法中输入层到隐含层节点的权值和偏置都是根据样本分布随机赋值，如果选取不合适会影响识别结果。烟花算法(FireworksAlgorithm，FA)是一种模拟烟花爆炸过程的全局优化算法，为了克服这一缺点，本文采用烟花算法优化极限学习机进行路况分类。
本文首先将双通道肌电信号的线性组合作为辅助变量，将模型系数作为信号的特征，并与常用EMG特征比较，最后采用烟花算法优化极限学习机进行路况分类，并与ELM、BP等方法进行对比，实验结果表明，该方法对平地行走、上楼、下楼、上坡、下坡、跑步进行有效识别，识别准确率、鲁棒性优于ELM等方法。
1实验方法
1.1辅助变量盲辨识模型
本文根据肌电信号的产生机理[8]，采用2块肌肉(股内侧肌、股直肌)肌电信号，对肌电信号建立单输入多输出的有限冲击响应(FiniteImpulseResponse，FIR)模型。本文建立的FIR模型是将肌电信号产生的整个过程等效为一个FIR系统，系统的输入为大脑皮层中控制运动部分的运动神经元发放的电脉冲序列，电脉冲经脊髓、运动神经传给肌肉的整个传导过程等效为系统的一个传递函数H，输出信号为实验采集的EMG。图1为双通道FIR模型结构图。
2基于盲辨识模型和极限学习机假肢路况识别
采用烟花算法进化极限学习机的下肢假肢路况识别方法首先选取下肢表面肌电信号作为信息源，提出肌电信号与运动关系的辅助变量盲辨识模型，将模型系数作为信号特征，分类器ELM算法中随机产生的输入权值和隐含层偏差只有少部分是比较优越的，为了克服该问题，本文提出了烟花算法进化极限学习机算法。图2给出了算法流程图，算法具体步骤如下:
(1)按照1.1节方法提取路况特征值，特征值的维度为d，p为隐含层节点数，训练样本的均方根误差(RootMeanSquareerror，RMSE)作为烟花算法的适应度函数。
(2)通过实验比较后选择合适的激活函数。
(3)初始化N个烟花，确定烟花位置Hi，根据适应度函数计算出最优适应度值B。
(4)根据式(14)计算出每一个烟花产生子代火花的个数wi(i=1，2，…，N)，i=1。
(5)根据式(15)计算出每一个烟花的爆炸范围Gi。
(6)根据式(16)对子代火花进行位移变异，对从k维中随机选择一定维度进行维度变异，在变异后的火花通过适应度函数选择最优的火花Qi。
(7)随机选择m个烟花按照式(17)高斯变异，依据评价函数选出最优的火花Mi。
(8)从Hi、Qi、Mi中选择最优的N个火花位置作为下一代火花爆炸位置。
(9)i=i+1，判断i是否达到最大迭代次数，不成立跳转到(3)。
(10)得到最优火花位置，即最优的输入权值矩阵和隐含层偏差构建ELM分类器，分类6种路况。
3实验结果及分析
本文主要是对上楼、下楼、上坡、下坡、平地行走、跑步6种路况识别。受试者为10位假肢穿戴者，表1记录了受试者的年龄、残肢长度比例、假肢型号以及穿戴时间等信息。本文参考文献[4-5]方法选定股内侧肌和股直肌作为肌肉群，楼梯有10级台阶，台阶高度为广泛应用的150mm;斜坡是无障碍通道的10°斜坡;平地实验在宽阔的室外走廊中进行，跑步在跑步机上完成。采用Delsys公司的Trigno肌电采集设备。该系统具有16个无线传感器，Trigno肌电采集设备采样频率为1000Hz。图3为平地行走实验，图4为上坡实验，为了避免速度对路况识别结果的影响，受试者所有路况均匀速行走。在实时处理表面肌电信号的过程中，本文使用300ms小段数据来进行表面肌电信号的分析，后文做了实验证明。10位受试者分别采集了6种路况的EMG数据各30组。将每种路况的1800组数据900份用来训练，900份用来测试。后文研究了训练样本所占比例不同情况下算法的识别准确率。表2给出了路况分类期望输出。
表3给出了不同传递函数阶数ELM分类器路况识别准确率，当传递函数的阶数n1=2，n2=5时，路况识别准确率最高。表4为其中1位受试者6种路况下肌电信号通过辅助变量盲辨识方法辨识出的FIR模型系数。在肌电信号路况识别问题的研究中，许多的研究方法是提取时域、频域和时频域特征。常用的时域特征有偏度(A1)、绝对值积分(A2)、方差(A3)、直方图(A4)、峭度(A5)、过零点数(A6)、均方根值(A7)、4阶自回归系数(A8)等。表面肌电信号的频域分析主要借助于功率谱分析方法，常用的频域特征有平均功率频率(A9)、中值频率(A10)和功率谱比值(A11)等，常用的时频域特征有小波变换系数(A12)、小波系数绝对值最大值(A13)。为了验证本文所提出的FIR模型系数特征用于路况识别的可行性，将这些单一特征值作为ELM的输入，再进行分类。从图5中可以看出:时频域特征识别准确率高于频域特征，频域特征高于时域特征。从方差角度来看，频域特征值显示了更好的稳定性，所以采用频域特征进行路况识别稳定性优于时频特征和时域特征。FIR模型系数(A14)特征表现出最好的分类准确率，FIR模型系数特征更能表征不同路况。
表5给出了基于FIR模型系数特征的路况识别的混淆矩阵，L1、L2、L3、L4、L5、L6分别表示平地行走、跑步、上楼、下楼、上坡、下坡。由表5的混淆矩阵不难看出，平地行走和跑步路况比较容易识别，两者的识别准确率都超过了93.28%。其次为上坡和下坡2种路况，上坡和下坡的识别准确率均达到了91.57%。FIR模型系数类区分性更好，容易区分。较大差异，类间分离性较好，更具有代表性。上楼和下楼2种路况涉及多块相邻肌群的收缩，其识别准确率相对较低。上坡易误判为平地行走或下坡，产生误判主要是因为上坡和平地行走、下坡路况对应的某些肌肉所起的作用具有相似性。
本文建立的烟花极限学习机(FA-ELM)的识别模型中，该算法的参数设置设置为m=72，Z=30。常用的激活函数为Sine、Sigmoidal、Hardlim函数，图6为3种激活函数下6种路况的平均识别准确率的实验结果，Sigmoidal函数相对于Sine与Hardlim函数识别准确率高，波动小，因此本文选用sigmond函数。本文以RMSE作为误差的衡量标准，图7给出了ELM和FAELM训练误差和测试误差随隐含层节点数目变化的曲线图。
从图7可知，FA-ELM在隐含层节点数为10的时候RMSE达到最小值，而ELM为17时RMSE达到最小值。当隐含层节点数逐渐增加到50时，ELM的RMSE先减小后逐渐稳定。而FWAELM在隐含层节点数为10时达到最小，到50的过程中基本是稳定的。
设FA-ELM的隐含层节点数为10，迭代次数i=1，3，…，29，图8给出了FA-ELM算法中测试误差与训练误差随迭代次数的变化曲线。从图8可知，随着迭代次数增加，FA-ELM的测试误差和训练误差依次变小，迭代次数为19时，训练误差基本保持不变;测试误差达到最小值。
迭代次数越多直接导致训练时间延长，为了权衡迭代次数和训练时间，本文设置FA-ELM的最优迭代次数为19，FA-ELM的隐含层节点p=10。
在训练分类器时，训练样本大小影响到识别准确率，为了分析训练样本数对识别准确率的影响。在900组训练集中，选择60组作为验证集，然后从余下的840组中按照抽取比例在10%～90%之间变化作为训练集样本，最后采用验证集检验算法的性能。
图9给出了训练样本数对BP、ELM、FA-ELM3种算法识别准确率的影响。有标签训练样本占训练集比例为10%时，本文方法的分类准确率为84.94%，比ELM算法高了2.90%，比BP算法高了4.93%。随着有标签训练样本数量比例的上升，ELM等算法的分类精度逐渐提高，但是有标签训练样本占训练集比例为40%时，ELM分类精度有所下降之后又逐渐提高。当训练样本占比为90%时，FA-ELM的分类准确率为93.18%，仍然高于ELM算法(88.48%)，也高于BP算法(85.61%)。
图10给出了数据长度与识别准确率的关系，从图9的实验结果可以看出，数据长度的选择会对分类结果产生影响，对于数据长度小于200ms，路况识别准确率都不高(小于88%)。当每次识别利用的数据长度100ms时，随着数据长度的增大，识别准确率有所提高。当数据长度为300ms达到最高的识别准确率，随着数据长度的继续增加，准确度并没有继续递增，而是略微的起伏变化。综合考虑系统的延迟时间和识别准确率，每次特征提取利用的数据长度为300ms。
