|
這是給定x的概率ci，即訓練x屬于ci的概率。因為我們只需要知道哪個ci
x屬于
P（ci|x）∝ P（x|ci）P（ci）
∝ P（x|μ
i） P（ci）
∝
1.
（2）d/2檢測（
i） 1/2英寸
exp（試驗）
−
1.
2.
（x）− μi）⊤−1.
i（x− μ)
‹
P（ci）（3.22）
(3.23)
足以進行分類。為了分類，我們選擇最大化的類
cpredic ted=最大參數
c
（P（x|μ
i） P（C））。(3.24)
在論文中，將不同信道的數據連接起來以提供單個測量矢量。這種方法
允許我們也捕獲通道之間的相關性。這與基于樸素貝葉斯分類器的方法不同
其中可以獨立地給出每個信道的概率。
3.5硬件
本文中使用的硬件是OpenBCI 32位（見圖3.3）板。它是一個8通道神經接口
32位處理器。該器件的核心是集成電路ADS1299。該電路是低噪聲、8通道、24位
模擬前端，專為生物電勢測量設計[10]。OpenBCI固件預閃存到
板它是為測量腦電圖、肌電圖和心電圖而設計的。該板與計算機無線通信
通過基于RFDuino無線電模塊的OpenBCI可編程USB加密狗[5]。作為電極
使用制造商提供的“標準金杯電極”。為了提高導電性，使用導電膏
制造商提供的“Ten20”也適用于電極[5]。在本論文中，一臺雙核計算機
CPU，4 GB RAM，運行在Windows 7上，通過藍牙加密狗從板上接收信號。
圖3.3:32位OpenBCI板[5]。
電路板每個通道有兩個引腳。一個N引腳和一個P引腳可以連接到差動放大器，
導致雙極測量。連接取決于電路多路復用器的設置。根據
在制造商網站上的教程中，多路復用器設置為默認設置[5]。
3.6軟件
該軟件在MATLAB中實現，為串行連接提供了接口。必須完成兩項任務
實施。首先，接收和保存數據，然后對其進行預處理和分類。啟動數據流
PC必須發送字符“b”。要結束流，串行設備需要字符“s”。信息
12
字節1字節2字節3-5字節6-8字節9-11字節12-14字節15-17字節18-20字節21-23字節24-26字節27-32字節33
0xA0樣本編號Ch 1 Ch 2 Ch 3 Ch 4 Ch 5 Ch 6 Ch 7 Ch 8加速計數據0xC0
表3.1：此表說明了一條消息的數據格式。字節1是起始字節，字節33是停止字節。字節數
3-26是表示EMG數據的字節。每個通道由三個字節編碼。
摘自制造商網站上的官方文件[5]。當從板接收數據時，
程序檢查數據是否完整。為了進行檢查，需要消息的數據格式（參見
表3.1）。第一個和最后一個字節是開始和停止字節。要檢查消息是否完整，請輸入數字
在檢測到新的起始字節之前，接收字節的數目必須是33。如果消息未完成，則會出現異常
拋出。為了提取消息的信息，每個信道的三個字節必須移位并相加。這個
變量newInt的單位是count。下一步是將newInt乘以每計數0.02235微伏特的比例因子。這
提供單位為微伏特的值。給定h=（時間∗250Hz）值將保存在h×8矩陣中，其中時間
是測量的持續時間。
為了及時接收所有消息并避免緩沖區溢出問題，必須使用
采樣率高于250Hz（即小于1
250秒）。這是預處理或繪制
實時數據。多核處理可以潛在地緩解這個問題。板的制造商提供
用于openBCI串行通信的Python框架，用于使用多處理庫實現實時繪圖。
然而，由于采樣時間的限制，我們決定不遵循提供的框架。
3.7雙極設置
對于雙極設置，每個肌肉沿著其纖維放置兩個電極（第9頁[3]）。一個是信號，另一個是
參考電極。如圖3.4b所示，信號電極連接到下引腳和參考
電極連接到上引腳。每個電極用兩片貼片固定。一個用于電極本身，一個用于固定
電纜到皮膚。這避免了電極的移動，因此電極和皮膚之間的距離保持不變
常數（圖3.4a）盡管雙極測量應理想地避免由50 Hz電源引起的偽影
參與者被放置在離這些工件源至少50厘米的地方。[12] 連接到xN和雖然雙極性測量在理想情況下應避免由50Hz電源引起的偽影
參與者被放置在離這些工件源至少50厘米的地方。[12] 連接到xN和xP的電極
通道，其中x是通道的編號。
3.8電極放置
在將電極施加到皮膚上之前，用消毒溶液清潔皮膚以去除皮膚上的脂肪層，
這導致更好的導電性（參見第15頁[3]）。在本論文中，使用了標準的金杯電極
并按照制造商的建議應用[5]。每個電極用兩片貼片固定。一個來修理
電極和另一個電極，以防止電線晃動和松開（見圖3.4a）。
13
（a） 連接兩個測量電極
一塊肌肉。
（b） 第一頻道。（插入雙極。通道順序如下
從右到左）上排是xP（sig-
nal）引腳和下引腳為xN（參考）引腳
圖3.4：設置
14
4實驗
在前幾章中，肌電信號測量的準備工作和分類的理論方法
解釋了。本章旨在使用從
openBCI系統。
4.1特點
在本論文中，使用三個特征空間N、D和R來學習不同的運動。N是
信號（在特征空間N中，EMG信號的每個y值都作為一個特征處理），D是權重空間（參見第章
3.1）和R是具有l窗口長度的RMS信號的尺寸。等式（4.1）與它們中的每一個的尺寸相關。
設ch為測量通道的數量，t為測量時間（秒）。nweights是
重量可以自由選擇。
N=250·t·英寸
D=nweights·英寸
R（R）=
N
我的意思是
·英寸（4.1）
4.2尋找肌肉位置
失去雙手的截肢者仍然有前臂肌肉，這部分負責手指和手腕的運動。
因此，這些肌肉適合于激活假肢上的控制動作。理想情況下，患者必須能夠
使用他/她失去手之前收縮的肌肉，從而與
假肢裝置。無源表面電極是獲得肌電信號的最具成本效益和最快的選擇。
然而，表面肌電圖（SEMG）在只能測量淺表肌肉的意義上是有限的。SEMG信號
因此，被皮膚及其物理條件破壞。表4.1顯示了淺表肌肉
負責手部運動[18]。然而，屈指屈肌是一個例外，因為它部分被
橈側腕骨和旋前肌以及掌長肌和橈側腕屈肌的肌腱（見圖4.1）。
由于掌長肌和橈側屈肌的肌腱不影響肌電圖信號
這些區域有助于測量趾下屈肌的活動。圖4.2a中的1號補丁顯示
他們的位置。第一個挑戰是找到給定的肌肉。
為了找到肌肉的位置，參與者的手臂必須與前臂的解剖圖進行比較
肌肉，如圖4.1所示。經驗上，我們發現找到肌肉的最有效方法是
然后通過執行明顯的動作來彎曲肌肉。這使它
通過沿著肌腱移動直到肌肉開始，可以感覺到肌肉的形狀。在假定的肌肉之后
已經發現，兩個電極已經根據雙極性設置沿著
纖維。隨后測量不同運動的肌肉。一個強有力的跡象表明右側肌肉
當預期運動與測量運動匹配時，給出了已發現的運動。
如果測量的肌肉和運動之間的相關性符合表4.1的相關性，則很可能
找到了正確的肌肉。這似乎是找到有用肌肉的最方便的方法。表4.2顯示了
根據經驗確定肌肉和運動之間的相關性。表4.1與表4.2的比較表明
每一塊肌肉都可以用給定的儀器測量。尺側腕屈肌無法測量。另一方面
手上的信號應該易于分類，因為沒有任何動作具有相同的肌肉組合。
15
肌肉/功能
肘部：屈曲
橈尺關節：旋前
（旋前向內旋轉）
手寫者：手掌彎曲
手醫：尺骨外展
手寫：徑向外展
跨掌腱膜
第二方陣
手指2-5：手掌屈曲
手指2-5：背部伸展
手寫體：背部伸展
橈側腕屈肌X X X
掌長肌X X X
旋前圓X X
指淺屈肌X X
尺側腕屈肌X X
指總伸肌X X
表4.1：該表顯示了表4.1：該表顯示了肌肉及其運動之間的關系。肌肉見圖4.1
肌肉/功能肘：屈曲
橈尺關節：旋前
（旋前=向內旋轉）
手寫者：手掌彎曲
手醫：尺骨外展
手寫：徑向外展
跨掌腱膜
第二方陣
手指2-5：手掌屈曲
手指2-5：背部伸展
手寫體：背部伸展
橈側屈肌-
長掌肌X
Pronator Teres X系列
手指屈肌淺X
尺骨屈肌-
共通數字擴展器X X
表4.2：該表顯示了肌肉及其運動之間的經驗確定關系。肌肉
可以在圖4.1中找到。在該設置中無法測量橈骨屈肌和尺骨屈肌。
16
（a） 淺表肌肉。前臂的仰視圖（b）淺表肌肉。前臂俯視圖
圖4.1：前臂肌肉的解剖學[6]。
17
（a） 電極放置。底部
看法
（b） 電極放置。俯視圖。
圖4.2：此圖顯示了電極放置：
1.趾淺屈肌
2.帕爾馬里·朗格斯
3.Pronator端子
4.延髓
18
（a） 手掌屈曲
手指（抓握）
（b） 手掌屈曲
手腕
（伸手彎曲）
（c） 背向延伸
手腕
（過度拉伸）
（d） Pronation of the
橈尺關節
（向內旋轉）
（e） 機器人抓取。（f） 手腕掌屈
與機器人一起。
（g） 背伸
機器人的手腕。
（h） 手腕內旋
機器人
圖4.3：實驗期間測量和分類的四種不同手部運動。下面一行顯示
相關的機器人運動。
4.3前臂設置
根據先前實驗的結果，趾淺屈肌、掌長肌、前伸肌
同時測量了趾端和趾伸肌，因此，nch=4。測量了每一塊肌肉
在雙極設置中（見第3.7章）。
為了盡量減少干擾，參與者坐在一個電子設備最少的房間里（見實驗布局
圖4.7a中的位置）。參與者位于L2房間，坐在椅子上。OpenBCI板已放置
在參與者旁邊。在實驗期間，測量了四種類型的運動：抓握、伸展手彎曲、，
過度拉伸并向內旋轉。圖4.3顯示了不同的運動。每次移動測量20
時間。持續時間設置為t=3。每次測量后通過目視檢查對異常值進行分類。
測量后，訓練數據由每個動作的一個3000×。由于培訓規模較小
number使用漏掉一個交叉驗證使用不同分類器對數據進行分類。交叉驗證
用于圖4.4所示的不同組合、預處理步驟和分類器。
每個通道的N＝750維特征空間已減少到每個通道的d＝20維權重空間
使用第2.1章所述的RBF線性回歸
習慣于這些PDF的中心在時間軸上均勻分布，每個高斯的方差2為
設置為0.05（見圖4.5）。圖4.6說明了高斯和如何擬合
手指淺屈肌的抓握動作。現在每個動作都有兩個不同的特征空間。
每個分類器將對N維信號和d維信號進行分類，其中d是
權重向量。
19
圖4.4：此圖顯示了不同的處理和分類組合。12條路徑中的每一條都是一個com-
二進制化。每個信號由截止頻率為45Hz和50Hz的阻帶濾波。KNN已經
申請K∈ {1, 2, 4,8}.
圖4.5：此圖顯示了未乘以權重的（x）函數。x軸表示
樣品和y軸的電壓單位為μV。（x）的數量為d=20。每個（x）為高斯分布
2=0.05。期望值在x軸上均勻分布。
4.3.1干擾源
在實驗期間，觀察到測量信號對外部噪聲具有很大的靈敏度。如中所示
圖4.7b，當參與者接觸到任何類型的插入電纜時，信號上覆蓋了50Hz
噪音利用無線設備的優點，我們可以改變參與者的位置。圖4.7
顯示了信號根據位置的表現。這表明不可能在
現實條件。噪音必須被過濾掉。
還注意到，單極設置對電纜的移動極為敏感。這個問題是
雙極性設置大大降低。
每次測量中出現的一個問題是電極每次測量中都會出現的一個問題是，隨著時間的推移，電極開始分離，因此必須
緊貼皮膚。為了避免電極從皮膚上完全脫落，他們用一塊額外的金屬片固定
20
圖4.6：該圖將原始肌電圖信號與擬合曲線w進行比較⊤（x）
電線上的補丁。
應用了兩個過濾器。首先使用截止頻率為45Hz和55Hz的巴特沃斯帶阻濾波器，以消除
電源頻率為50Hz。隨后應用了巴特沃斯帶通。理想的參數
因為截止頻率是根據經驗確定的，將在下一章中討論。
EMG信號的常用預處理步驟是計算時間窗上的均方根[3]。
窗口長度的理想參數已經根據經驗確定，并將在下一章中討論。
21
（a） 此圖顯示了三個不同的位置。L1在一個裝有電源的房間里。L1旁邊房間的L2和
不包含電源。L3位于樓梯間的公寓外，那里的電源已被拆除。
（b） 每個圖表顯示不同位置的噪聲。前兩張圖是在同一地點測量的。鞋面
其中一個是在參與者與插入的電纜接觸時測量的。手指淺屈肌
仔細斟酌的參與者沒有移動。
圖4.7：不同的噪聲水平取決于位置。
22
4.4結果
圖4.8中的圖表顯示了在前臂設置中測量的完整數據集的原始信號。列
以以下順序（從左到右）表示不同的運動：抓握、伸展的手彎曲、過度伸展、，
向內旋轉。這幾排肌肉按以下順序排列（從上到下）：淺屈肌、掌肌
長肌，縱膈肌，伸趾肌。每個圖表顯示的電壓單位為μV，取決于
樣本數量。每種顏色代表20次試驗中的一次。我們可以看到，這些信號相對于
相對于x軸。但是，它們沒有相對于y軸對齊。此外，在一些試驗中，例如藍色
第三行第一列的子地塊上的曲線趨于漂移。盡管觀察到原始數據集的缺點，
該數據集的精度最高（見圖4.12）。原因將在討論部分討論。
圖4.9顯示了截止頻率為0.2Hz和124Hz的帶通濾波數據集。與原材料相比
數據集，試驗現在相對于y軸對齊。直流頻率分量和低頻
去除漂移。該數據集的精度低于原始數據的精度（見圖4.12）。
圖4.10顯示了在截止頻率為10Hz和124Hz之間設置帶通后的原始數據。此頻率
范圍表示信號的實際EMG頻譜。然而，如下文所示，基于此的分類
測量的準確度明顯低于上述兩個數據集[3]（見圖4.13）。筆記
然而，運動偽影（如電極在
皮膚，以10Hz的截止頻率去除，因此，此設置可以更好地從原始信號中提取實際肌電信號
數據
在長度為30的窗口上應用RMS可提供圖4.11所示的信號
積極樂觀的曲線已糾正。此外，精度高于專用帶通濾波信號。
給定預處理的測量結果，現在可以評估不同分類器的準確度。在下圖中
4.12和4.13中，將原始數據（顯示為藍色條）的精度與不同的過濾器選項進行比較。
圖4.12顯示了截止頻率為0.2Hz和60Hz的帶通濾波數據集的精確度。這個
對于所有使用的分類器，對原始數據的分類要高得多。KNN在K方面優于SVM和GC∈ 上的｛1，2，4，8｝
對原始數據進行分類。圖4.13顯示了截止頻率為
10Hz和60Hz。對于所有使用的分類器，原始數據的分類要高得多。帶通的精度
濾波數據較差，而RMS精度保持較高。
23
圖4.8：此圖顯示了前臂設置的原始測量結果。這些行代表上升中的肌肉-
順序（見圖4.2）。這些列按字母順序表示移動（見圖4.3）。
每個圖表都顯示了取決于樣本的電壓。樣本數量為750，采樣率為
250Hz，持續時間為3秒。注：每種顏色代表一次試驗。
24
圖4.9：此圖顯示了前臂設置的帶通濾波測量。這些行表示
升序肌肉 |
