表面肌电信号SEMG(Surface Electromyographic)是从人体骨骼肌表面通过电极记录下来的神经肌肉活动发放的生物电信号[1]。随着检测技术、信号处理技术和模式识别技术的长足发展，国内外学者对表面肌电的特征提取和模式识别也有更加深入的研究[2]。参考文献[3]采用一种自适应神经模糊推理系统识别手部动作命令且动作识别率达到92%[3]；参考文献[4]采用主成分分析提取SEMG信号的特征参数，进而识别手部动作。参考文献[5]采用小波变换和AR模型对SEMG进行分析处理，利用RBF神经网络对SEMG信号进行模式识别，动作识别率85%[5]；参考文献[6]采用4通道采集SEMG信号，利用小波变换和BP神经网络来识别SEMG信号8种动作，动作平均识别率96.25%。但在SEMG信号的特征提取和动作模式识别中仍然存在特征向量维数过高、数据冗余度大，分类器复杂、鲁棒性差和识别率低等问题[7]。基于以上问题，提出了一种小波包核主元分析和支持向量机相结合的新方法。通过SEMG信号对前臂动作识别进行研究，研究表明，该方法鲁棒性好，成功实现了对前臂4种不同动作的模式分类。

1 SEMG信号采集系统平台设计

　　整个系统主要由表面肌电信号检测电极、仪表放大电路、10~1 000 Hz带通滤波电路、DAQ板卡以及LabVIEW框架下的计算机系统组成[8]。SEMG信号采集系统框图如图1所示。

　　在实验室条件下，用仪表放大器INA128和运算放大器LM324，设计了一套差分输入SEMG信号采集与调理电路。此电路具有高输入阻抗、高共模抑制比，能够很好地提取表面肌电信号。调理电路的放大倍数为250倍，通频带为10～1 000 Hz[9]。在采样频率为2 000 Hz，握拳动作时采集到的SEMG信号如图2所示。

2 小波包分析与核主元分析

　　2.1 小波包分析

　　小波包分析(WPA)是在小波分析基础上将频带进行多层次划分，对小波分析没有细分的高频部分进一步分解，根据信号特征，选择相应频带，达到与信号频谱相匹配，提高时-频分辨率的目的[10]。

　　小波包的分解算法为由尺度j下的系数d计算出下一层尺度j+1下的系数d，即：

　　2.2 核主元分析

　　核主元分析(KPCA)多用于统计领域，它是常用的数据压缩方法之一，采用KPCA能够达到用较少的特征量对数据样本进行描述，实现了降低空间维数的目的，并且在降维后，仍然保留了原始特征中主要的非线性信息，使处理运算量大大降低[11]。

　　设SEMG数据的特征总数目为M，样本个数为N，样本空间X=[x1,x2,…,xM]，经KPCA处理后的矩阵为V。具体的 KPCA 分析步骤如下：

　　(1) 选取多项式核作为核映射函数:

　　(2) 求在核空间下的协方差矩阵D:

　　对每一维m=1,2,…,M计算经验均值，将计算得到的均值放入M×1维的经验均值向量um中:

　　(3) 计算协方差矩阵D的特征向量和特征值，特征向量按照特征值由大到小排列的矩阵就是投影变换矩阵。在M维的样本空间中，有M个主元，根据式(6)计算主元的比率Z，按照比率大于等于95%，选取前P(P<M)个对偏差贡献大的主元构成向量D。

3 基于小波包核主元分析的SEMG特征提取

　　采用小波包核主元分析(WPKPCA)提取两路SEMG信号特征矩阵过程如图3所示。

　　由图3可得具体的WPKPCA实现SEMG信号特征提取具体过程如下：

　　(1)将采集到的两路SEMG信号X1、 X2分别经L层小波包变换(WPT)得到各个尺度下的小波系数的均方根 D1，D2，…，D，构成小波系数特征矩阵y1、y2。各个尺度下的小波系数均方根为：

　　其中j=1,2,…,2L， dj,i为第j尺度下的数据，N为该段的采样点数，这里选取N为100。

　　(2)将y1、y2经核主元分析后得到各路SEMG信号特征矩阵Y1、Y2；

　　(3)将Y1、Y2合并为运动特征矩阵Y。得到运动特征矩阵Y后进行后续的动作识别。

　　4 基于SVM的SEMG信号动作识别

　　支持向量机(SVM)是统计学习理论发展的产物，其基本思想是将低维输入空间中的数据通过非线性函数映射到高维属性空间，将分类问题转化为属性空间中进行，在属性空间中求取样本最优分类面[12]。SVM算法克服了传统统计学中经验风险与期望风险可能具有较大差别的不足，使得其在有限样本下具有了较强的泛化能力[13]。SVM通过构造最优超平面，在满足经验风险最小的条件下使得VC(Vapnik和Chervonnenkis)维置信范围最小。最优超平面的构造问题实质上是约束条件下求解一个二次规划问题，以得到一个最优分类函数：

　　其中ai*是拉格朗日系数，b*是阈值，Xi是第i个训练样本，X是测试样本，n为总体训练样本数，K(Xi·X)为满足Mercer条件的核函数。使用核函数能够避免高维属性空间中的直接运算，大大降低了运算量。一般应用较多的核函数有下面4种：线性核函数、多项式核函数、RBF核函数和多层感知器核函数。此算法选用RBF函数作为核函数。

　　SVM多类分类器的基本构造方法是通过组合多个二值分类器来实现的。具体的构造方法有一对一和一对多两种。一对一的方法中对两类样本设计一个SVM分类器，通过设计k(k-1)/2(k为类别数)个SVM分类器，设分类函数为fij(x)用于判别i和j两类样本。

　　若fij(x)>0，则x属于第i类，记i类得一票，最后决策时，通过比较哪一类得票数最多，就把测试样本归于该类。在一对多的方法中，需要构造k个SVM分类器，对于第i个SVM分类器，将第i个模式的样本作为一类(正类),剩下的k-1类样本作为另一类(负类)，决策时,将待测样本x依次输入到各个SVM分类器中,比较哪一个SVM分类器输出值最大，把测试样本归于该类。考虑到SEMG样本类别较少，而一对一的SVM分类器算法简单，易于实现,因此选用一对一的SVM分类器来构造多类分类器。

5 实验结果分析

　　将差分式肌电信号采集电极粘贴在受试者的尺侧腕屈肌和肱桡肌对应的皮肤表面上，选取桡腕关节处的皮肤表面作为参考点接地，以消除共模信号。设置采样频率为2 000 Hz，当手部做握拳、展拳、手掌内翻和手掌外翻四种动作时，同时采集尺侧腕屈肌和尺侧腕伸肌两路SEMG信号。每种动作采集5 s。前2.5 s作为训练样本，后2.5 s作为测试样本，则训练样本和测试样本都是5 000个数据。以100个数据为子样本，每种动作有50组数据。

　　针对手部动作的SEMG，采用db08小波基，对预处理后的两路肌电信号进行3层小波包分解，得到各个尺度下的小波系数矩阵。图4为握拳动作时，肱桡肌SEMG信号的3层小波包分解图，经小波包3层分解后得到8维小波系数矩阵。

　　由图4可知，两路SEMG信号经小波包分解后构成16维的小波系数矩阵。采用KPCA分别对两路SEMG信号的小波系数矩阵进行降维，去除数据间的冗余。图5所示为肱桡肌和桡侧腕屈肌的8维小波系数矩阵经KPCA后的各主成分解释方差贡献率。

　　从图5可以看出，经WPKPCA的桡侧腕屈肌和肱桡肌的SEMG小波系数矩阵中，主元1与主元2的累积贡献率分别为98.42%和99.26%，其他6个主元的累积贡献率不到2%，因此将后6个主元忽略，从而将16维的小波系数矩阵降至4维，得到运动模式矩阵。将运动模式矩阵输入到SVM分类器中，其分类结果如表1所示。

　　从表1可以看出， LDA分类器分类结果中内翻和展拳的正确识别率可达100%，外翻和握拳的正确识别率分别为94%和98%，总体平均识别率98%。表2所示为WPKPCA、WPT、时域参数平均绝对值(MAV)和AR系数4种特征提取方法在LDA分类器中的分类结果。

　　从表2可以看出,SVM作为分类器时，选取WPKPCA对SEMG信号进行特征提取，动作识别率最高。WPKPCA能够更加有效地提取SEMG信号中的细节信息，与SVM分类器结合有更好的识别效果。采用SVM、K近邻、BP神经网络和RBF神经网络对WPPCA获取的运动模式特征矩阵进行动作识别，其分类结果如表3所示。

　　从表3可得，在应用WPKPCA来提取SEMG信号特征的情况下，采用SVM分类器动作率最高，效果最好。因此，WPKPCA与SVM相结合的方法更能准确地识别手部不同的运动状态。

　　通过采集桡侧腕曲肌和肱桡肌两路SEMG信号来识别前臂4种动作(握拳、展拳、手掌内翻和手掌外翻)，采用小波包变换对SEMG信号进行分析，将各频段的子带均方根作为每个动作模式的特征向量并建立KPCA模型。在不同的SEMG信号特征提取方法下，WPKPCA具有良好的特征表达能力。运用SVM分类器对所取特征进行训练和分类时，取得优良的分类效果。小波包核主元分析的特征提取方法与SVM分类器的组合是非常适合SEMG信号处理。实验表明，运用此方法能够较好地识别手部4种动作，动作平均识别率达到98％。

参考文献

　　[1] FUKUDA O，TSUJI T.A human-assisting manipulator tel-eoperated by EMG signal and arm motion[J]. IEEE Trans-actions on Robotics and Automation, 2003,19(2):210-222.

　　[2] ZHAO Z Y, CHEN X, ZHANG X, et a1. Study on onlinegesture SEMG recognition[C]．Intelligent Computing (ICIC 2007), Lecture Note in Computer Science,2007,4681:1257-1265.

　　[3] KHEZRI M, JAHED M. A neuro-fuzzy inference systemfor sEMG-Based identification of hand motion commands[J].IEEE Transactions on Industrial Electronics, 2011,58(5):1952-1960.

　　[4] RYAIT H S. ARORA R A S, AGARWAL R. Interpreta-tions of wrist/grip operations from SEMG signals at differ-ent locations on arm[J]. IEEE Transactions on Industrial Electronics, 2010,4(2):101-111.

　　[5] 张毅, 连奥奇, 罗元. 基于小波变换及AR模型的EMG模式识别研究[J].电子测量与仪器学报,2011,25(9):770-774.

　　[6] 侯秀丽, 宋爱国. 基于小波变换与BP网络的四通道表面肌电信号模式识别[J].仪器仪表学报,2007, 28(4):528-531.

　　[7] 李天博,陈玲,陈坤华,等.基于MSP430的肌电假手系统设计[J].传感器与微系统,2012,31(4):75-78.

　　[8] 张兢,卢凤兰,余成波.基于DAQ数据采集卡的虚拟仪器通用硬件平台设计[J].重庆工学院学报,2001,15(2):42-44.

　　[9] 陈珍萍. 基于自适应提升小波变换的电能质量检测节点[J].电子技术应用,2011,37(7):86-88.

　　[10] 左来. 基于小波包分析和LS-SVM的柴油机故障诊断方法[J]. 计算机测量与控制,2009,17(11):2150-2152.

　　[11] 周欣, 吴瑛. 基于KPCA和LDA的信号调制识别[J].系统工程与电子技术, 2011,33(7):1611-1616.

　　[12]崔建国,王旭,李忠海,等．支持向量机在表面肌电信号模式分类中的应用[J]. 东北大学学报(自然科学版), 2006,27(3):280-283.

　　[13]席旭刚,李仲宁,罗志增. 基于相关性分析和支持向量机的手部肌电信号动作识别[J].电子与信息学报,2008,30(10) :2315-2319.