作者 王成荫

基于肌电旗子暗记(EMG)的人机接口已经广泛利用于机器人掌握、矫形、修复、赞助和康复设备。
近年来，基于肌电旗子暗记的人类意图解码开展了较多研究，但很少有人对人体运动的连续解码进行研究。
Anany Dwivedi等人2019年在IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILIT ATION ENGINEERING上揭橥了论文“A Learning Scheme for EMG Based Decoding of Dexterous, In-Hand Manipulation Motions”，提出了一种基于肌电旗子暗记的学习方法，用于对机动操作任务中的运动进行解码；还研究了不同肌肉在实行这些任务时的浸染，以及性别和手的大小对整体解码准确性的影响。
他们利用来自11个不同受试者的16个肌肉部位(8个在手上，8个在前臂)的肌电图旗子暗记和记录物体运动的光学运动捕捉系统，如图1所示。

图1 用于Vicon运动捕捉系统实验的工具

这些物品是:一个定制的立方体，在它的顶角有一根黄铜棒，使立方体的质量偏离中央，一个魔方和一个筹码罐。
魔方和筹码罐来自YCB抓取物件组。
Vicon系统的运动跟踪标记也被描述。

1、实验设计

每个受试者都有一个关于如何完成实验任务的语音和视觉辅导。
在实验中，受试者被哀求利用魔方实行三维平衡点操作任务，芯片可以来自Yale-CMu-berkley(YCB)抓取工具集和定制的偏幸立方体(见图1)。
对付所有的操作任务，每个受试者都要坐直，前臂放在定制的架子上。
每次操作任务都以一个序列来实行，该序列以5秒的安歇韶光(手以静止姿势握住物体)开始，随后每次试验操作动作重复5次。
每个会话有10个这样的试验。
在每次试验(约30秒)之间给予充足的安歇韶光，以减少肌肉疲倦，并在试验结束时安歇约5分钟。
图2显示了所有的操作任务。
实验期间实行的不同类型的操作任务有:

1、俯仰:手指的折衷运动，产生立方体的俯仰运动

2、滚动:手指的折衷运动，产生立方体的滚动运动

3、偏航:手指的折衷运动，产生立方体的偏航运动

图2 实验过程中操作动作的实例

A)显示了立方体的俯仰运动，B)显示了立方体的滚转运动，C)显示了立方体的Y轴运动，而D)显示了圆柱体的俯仰运动，E)显示了圆柱体的滚转运动，F)显示了圆柱体的Y轴运动。
轴是彩色编码的，***的彩色“圆圈”和“X”标记表示轴垂直于页面的外/内方向。
玄色粗箭头表示绕平面外轴的运动方向。

对付所有的操作任务，利用双微分肌电图电极从手的8块肌肉和前臂的8块肌肉丈量肌电激活(图3)。
对付手，三个电极放置在手掌上丈量腰肌的活动，四个电极放置在手掌的背面丈量骨间肌的活动，一个电极放置在拇指的基部丈量拇对掌肌的肌电激活。
对付前臂，三个电极放置在趾伸肌部位，三个放置在趾屈肌部位，一个放置在拇长展肌上，末了一个放置在丈量拇短伸肌的肌电激活。
接地电极放置在肘部，肌肉活动变得最小。
电极位置的选择受到现有文献以及体内网站的启示。

图3 右臂手系统上用于肌电图数据采集的电极放置位置

带连接线的双点代表双微分肌电图电极。
电极1、2和3放置在手掌的前面，丈量蚓状肌的肌电激活。
电极4、5、6和7放置在手掌后部，丈量骨间肌的肌电激活。
电极8放置在拇指的底部，丈量对侧拇肌肌电激活。
电极9、10和11丈量趾伸肌部位的肌电激活。
电极12、13和14丈量趾屈肌部位的肌电激活。
电极15丈量拇长展肌的肌电激活，末了电极16丈量拇短伸肌的肌电激活。
地面用一个点表示，放在肌肉活动最小的肘部。

2、方法

2.1 特色提取

原始肌电旗子暗记由生物放大器采集和滤波(5Hz - 500Hz巴特沃兹滤波器)。
利用200毫秒的滑动窗口，以10毫秒的增量分割旗子暗记。
选择窗口大小和窗口的步幅，来使结果最好。
可以把稳到，由于实时限定，窗口的大小不能太大。
但是，窗口该当足够大，以避免高偏差和方差。
在这项事情中，从每个肌电旗子暗记通道提取3个不同的特色，即:均方根值（RMS），波形长度(WL)和过零点(ZC)。

2.2 用于物体运动解码的随机森林模型

为了成功解码物体运动，利用随机森林回归方法办理了一个回归问题，该问题将从肌电图数据中提取的特色映射得手动操作运动期间工具的实际运动。
RF是决策(即，它由多个决策树组成)树的凑集，可用于分类和回归。
模型的输出是分类情形下树的投票数最多的类，回归情形下是所有树的均匀预测。
从“N”棵树中获取均匀输出使输出正规化，使预测不太随意马虎过度拟合。
利用RF的预测模型优点是，这些模型对付小型和大型数据库非常有效，它们不须要弘大的演习数据集，它们具有快速的预测率，并且可以有效地办理多维问题。
RF模型如图4所示，是通过利用演习集来成长“树”而创建的。
这是通过随机选择更换的数据点来实现的。
一样平常情形下，通过打包选择演习集的2/3(也称为包内样本集)来演习模型。
在该凑集上，实行属性打包，这是为了从特色凑集的“M”个特色中选择“m”个特色。
对付“m”的每个不同值，利用包内样本集来成长和演习树。
一旦这些树被演习，它们就在演习集中剩余的1/3(也称为包外样本集)上被测试。
评估每个树(用不同的特色集演习)的性能，并选择具有最佳性能的树。
每个树的预测偏差用于评估特色向量对付最小偏差的主要性。
这个过程重复‘N’次才能长出‘N’棵树。

图4 基于随机森林的模型演习流程图

IB N代表第N个包内演习集，OB N代表第N个包外演习集，OB Error N代表第N个包外缺点。

2.3 学习框架

从肌电旗子暗记数据中提取时域特色。
然后分成两组，一组用于演习，另一组用于验证。
实行迭代演习和验证以优化超参数(如窗口大小、窗口跨度、RF参数等)。
选择性能令人满意的模型作为终极模型。
图5描述了模型优化的详细流程。
下面谈论的结果是10倍交叉验证的均匀值。
为了比较通用模型与特定于主体和工具的模型的性能，在三个不同的凑集中实行剖析，即

1、特定个体和特定物体的RF模型:在这个凑集中，我们为特定个体开拓特定物体的模型。

2、特定个体和通用物体的RF模型:在这个凑集中，我们为特定个体开拓通用物体的模型。

3、通用个体RF模型：在这一组中，我们将网络到的数据分为女性、男性、手小(手长< = 165毫米)、手中(手长< 165毫米)和手大(手长> 185毫米)的参与者，并为每组演习特定物体和物体目标RF模型。

图5 针对手部操作运动的基于肌电旗子暗记的目标运动解码方案的框图

对运动过程中采集的肌电旗子暗记进行滤波，提取时域特色。
工具运动数据被向上采样并变换到工具参考帧。
处理后的数据分为演习集和验证集，并用作基于RF方法的学习方案的输入。
演习和验证阶段确保预测数据与真实运动数据紧密同等。
如果演习后的模型性能不令人满意，则利用不同的RF参数对模型进行重新演习，直到演习后的模型能够准确预测运动。

3、实验结果

3.1 特定个体和特定物体的RF模型

表1给出理解码运动的干系性和准确性结果。
此模型的准确率为83%，从表中可以看出，与魔方比较，手尺寸较小的受试者对偏幸质量立方体的运动解码精度有相称大的低落。
然而，与魔方比较，手尺寸较大的受试者在偏幸质量的魔方上表现相称或更好。

表1 个体和物体特定RF模型的干系性（C）和准确性（A）结果

图6呈现了在操纵每个工具时所有工具的肌肉主要性。
可以不雅观察到，所有不同的受试者利用不同的肌肉组合在相同的物体上实行相同的运动。

图6 每个肌肉的主要性比较

图6 比较每个肌肉的主要性，ABC分别为操纵魔方、筹码罐、偏幸立方体时肌肉的主要性。
每一列代表不雅观察到的肌肉，每一行对应于参与本研究的受试者个体。
在x轴上，L代表腰，I代表骨间，OP代表拇对掌，ED代表趾伸肌，FD代表趾屈肌，APL代表拇长展肌，EPB代表拇短伸肌。

3.2 特定个体通用物体的RF模型

表2给出理解码工具运动的干系性和准确性。
很明显，与中等手大小的受试者比较，具有小手和大手的受试者具有较低的工具运动解码准确度。
图7呈现了在操纵每个工具时所有工具的肌肉主要性.

表2特定个体通用物体的RF模型的干系性（C）和准确性（A）结果

图7 物体通用RF模型中每个受试者肌肉主要性的比较

3.3 个体通用RF 模型

表3显示了每个工具的解码运动的干系性和准确性。
女性组(均匀手长166毫米)和手小的参与者(手长< = 165毫米)的运动解码准确性低落。
这类似于表1中不雅观察到的趋势。
图8显示了肌肉的主要性。
末了，表4给出了物体通用RF模型解码运动的干系性和准确性。
可以把稳到，中等手大小的参与者组具有最好的运动解码准确性，而小手大小的参与者具有最低的运动解码准确性。
图9显示了肌肉对付解码工具运动的主要性。
从图中可以明显看出，手尺寸相对较小的群体对拇对掌肌(拇指肌肉)的主要性最高，远远高于其他肌肉。
而手型较大组的手和前臂肌肉的主要性相对相似。
图10示出了中等手大小组的参与者的实际与解码的运动。

表3 为特定物体的特定个体组演习的模型的干系(C)和准确度(A)结果

表4 为特定个体组演习的模型的干系性和准确性结果

图8 在三维空间操为难刁难象时，工具特异性射频模型肌肉主要性的比较

图9 比较所有参与者组在三维空间中操为难刁难象时肌肉的主要性

图10 中等手大小的参与者的肌电激活的实际运动与估计运动的图。
A描述俯仰运动，B描述滚转运动，C描述偏航运动。
虚线代表示实运动，实线代表预测运动

4、结论和谈论

在这项事情中，作者提出了一种基于表面肌电旗子暗记的学习方法，用于解码机动操作任务中的物体运动，并研究了不同肌肉对物体运动解码的贡献。
为此，利用光学运动捕捉系统从人手和前臂的特定肌肉部位获取表面肌电旗子暗记以及三维空间中工具的运动数据。
研究分两部分进行。
在第一部分中，基于RF的特定物体模型和通用物体模型被演习用于每个个体。
对付第二部分，所网络的数据被分为不同的组，即女性、男性、手小的参与者、手中等的参与者和手大的参与者，并且基于RF的特定物体和通用物体模型被演习。
个体和物体特定模型的解码准确率高达83.61%，个中个体特定物体通用模型的解码准确率为73.82%，而通用解码模型的解码准确率为67.58%。
因此，可以得出结论，解码模型越详细，解码精度越好。
还表明，对付个体通用模型，如果模型是为按手长分组的受试者演习的，则可以得到更好的准确性。

从结果可以看出，手的大小会影响人们在机动操作任务中利用肌肉的办法。
这一不雅观察的缘故原由可归因于不同受试者手部尺寸、运动学和肌肉骨骼尺寸的显著差异。
由于这种差异，手小的参与者对拇对掌肌肉的主要性明显更高，而手大的参与者对所有肌肉的主要性相对更高。
还不雅观察到，与魔方比较，趾伸肌和趾屈肌对偏幸质量立方的贡献更大。
运动解码模型也可以在不同的个体、物体和手动操作运动之间进行归纳。
这种通用模型须要考虑由于不同受试者手部尺寸和皮肤厚度的变革而引起的运动变革。

基于这些结果，可以得出结论，为身体健全的受试者开拓基于肌电旗子暗记的人机界面是可行的，该界面将能够在实行机动的手内操纵任务期间有效地解码工具运动。
这种接口可用于遥控机器人手臂-手系统，开拓用于游戏和娱乐、康复等的肌肉打算机接口。
这项研究表明，在解码机动操作动作时，手的内在肌肉远比前臂的肌肉主要。
因此，在经桡动脉截肢者的情形下，这些肌肉的缺少妨碍了在实行机动的手动操作任务中对肌电假肢的有效掌握。
对付假肢的这种机动掌握，该当开拓共享的掌握方案，将基于肌电旗子暗记的掌握方案与外部传感器和繁芜的掌握算法相结合，从而产生半自主的操作范例。
这些掌握方案可以与运动解码模型(其具有同等的性能)一起开拓，以便通过用户与掌握器的持续交互温柔应来改进在线机动肌电掌握。