|
这是给定x的概率ci，即训练x属于ci的概率。因为我们只需要知道哪个ci
x属于
P（ci|x）∝ P（x|ci）P（ci）
∝ P（x|μ
i） P（ci）
∝
1.
（2）d/2检测（
i） 1/2英寸
exp（试验）
−
1.
2.
（x）− μi）⊤−1.
i（x− μ)
‹
P（ci）（3.22）
(3.23)
足以进行分类。为了分类，我们选择最大化的类
cpredic ted=最大参数
c
（P（x|μ
i） P（C））。(3.24)
在论文中，将不同信道的数据连接起来以提供单个测量矢量。这种方法
允许我们也捕获通道之间的相关性。这与基于朴素贝叶斯分类器的方法不同
其中可以独立地给出每个信道的概率。
3.5硬件
本文中使用的硬件是OpenBCI 32位（见图3.3）板。它是一个8通道神经接口
32位处理器。该器件的核心是集成电路ADS1299。该电路是低噪声、8通道、24位
模拟前端，专为生物电势测量设计[10]。OpenBCI固件预闪存到
板它是为测量脑电图、肌电图和心电图而设计的。该板与计算机无线通信
通过基于RFDuino无线电模块的OpenBCI可编程USB加密狗[5]。作为电极
使用制造商提供的“标准金杯电极”。为了提高导电性，使用导电膏
制造商提供的“Ten20”也适用于电极[5]。在本论文中，一台双核计算机
CPU，4 GB RAM，运行在Windows 7上，通过蓝牙加密狗从板上接收信号。
图3.3:32位OpenBCI板[5]。
电路板每个通道有两个引脚。一个N引脚和一个P引脚可以连接到差动放大器，
导致双极测量。连接取决于电路多路复用器的设置。根据
在制造商网站上的教程中，多路复用器设置为默认设置[5]。
3.6软件
该软件在MATLAB中实现，为串行连接提供了接口。必须完成两项任务
实施。首先，接收和保存数据，然后对其进行预处理和分类。启动数据流
PC必须发送字符“b”。要结束流，串行设备需要字符“s”。信息
12
字节1字节2字节3-5字节6-8字节9-11字节12-14字节15-17字节18-20字节21-23字节24-26字节27-32字节33
0xA0样本编号Ch 1 Ch 2 Ch 3 Ch 4 Ch 5 Ch 6 Ch 7 Ch 8加速计数据0xC0
表3.1：此表说明了一条消息的数据格式。字节1是起始字节，字节33是停止字节。字节数
3-26是表示EMG数据的字节。每个通道由三个字节编码。
摘自制造商网站上的官方文件[5]。当从板接收数据时，
程序检查数据是否完整。为了进行检查，需要消息的数据格式（参见
表3.1）。第一个和最后一个字节是开始和停止字节。要检查消息是否完整，请输入数字
在检测到新的起始字节之前，接收字节的数目必须是33。如果消息未完成，则会出现异常
抛出。为了提取消息的信息，每个信道的三个字节必须移位并相加。这个
变量newInt的单位是count。下一步是将newInt乘以每计数0.02235微伏特的比例因子。这
提供单位为微伏特的值。给定h=（时间∗250Hz）值将保存在h×8矩阵中，其中时间
是测量的持续时间。
为了及时接收所有消息并避免缓冲区溢出问题，必须使用
采样率高于250Hz（即小于1
250秒）。这是预处理或绘制
实时数据。多核处理可以潜在地缓解这个问题。板的制造商提供
用于openBCI串行通信的Python框架，用于使用多处理库实现实时绘图。
然而，由于采样时间的限制，我们决定不遵循提供的框架。
3.7双极设置
对于双极设置，每个肌肉沿着其纤维放置两个电极（第9页[3]）。一个是信号，另一个是
参考电极。如图3.4b所示，信号电极连接到下引脚和参考
电极连接到上引脚。每个电极用两片贴片固定。一个用于电极本身，一个用于固定
电缆到皮肤。这避免了电极的移动，因此电极和皮肤之间的距离保持不变
常数（图3.4a）尽管双极测量应理想地避免由50 Hz电源引起的伪影
参与者被放置在离这些工件源至少50厘米的地方。[12] 连接到xN和虽然双极性测量在理想情况下应避免由50Hz电源引起的伪影
参与者被放置在离这些工件源至少50厘米的地方。[12] 连接到xN和xP的电极
通道，其中x是通道的编号。
3.8电极放置
在将电极施加到皮肤上之前，用消毒溶液清洁皮肤以去除皮肤上的脂肪层，
这导致更好的导电性（参见第15页[3]）。在本论文中，使用了标准的金杯电极
并按照制造商的建议应用[5]。每个电极用两片贴片固定。一个来修理
电极和另一个电极，以防止电线晃动和松开（见图3.4a）。
13
（a） 连接两个测量电极
一块肌肉。
（b） 第一频道。（插入双极。通道顺序如下
从右到左）上排是xP（sig-
nal）引脚和下引脚为xN（参考）引脚
图3.4：设置
14
4实验
在前几章中，肌电信号测量的准备工作和分类的理论方法
解释了。本章旨在使用从
openBCI系统。
4.1特点
在本论文中，使用三个特征空间N、D和R来学习不同的运动。N是
信号（在特征空间N中，EMG信号的每个y值都作为一个特征处理），D是权重空间（参见第章
3.1）和R是具有l窗口长度的RMS信号的尺寸。等式（4.1）与它们中的每一个的尺寸相关。
设ch为测量通道的数量，t为测量时间（秒）。nweights是
重量可以自由选择。
N=250·t·英寸
D=nweights·英寸
R（R）=
N
我的意思是
·英寸（4.1）
4.2寻找肌肉位置
失去双手的截肢者仍然有前臂肌肉，这部分负责手指和手腕的运动。
因此，这些肌肉适合于激活假肢上的控制动作。理想情况下，患者必须能够
使用他/她失去手之前收缩的肌肉，从而与
假肢装置。无源表面电极是获得肌电信号的最具成本效益和最快的选择。
然而，表面肌电图（SEMG）在只能测量浅表肌肉的意义上是有限的。SEMG信号
因此，被皮肤及其物理条件破坏。表4.1显示了浅表肌肉
负责手部运动[18]。然而，屈指屈肌是一个例外，因为它部分被
桡侧腕骨和旋前肌以及掌长肌和桡侧腕屈肌的肌腱（见图4.1）。
由于掌长肌和桡侧屈肌的肌腱不影响肌电图信号
这些区域有助于测量趾下屈肌的活动。图4.2a中的1号补丁显示
他们的位置。第一个挑战是找到给定的肌肉。
为了找到肌肉的位置，参与者的手臂必须与前臂的解剖图进行比较
肌肉，如图4.1所示。经验上，我们发现找到肌肉的最有效方法是
然后通过执行明显的动作来弯曲肌肉。这使它
通过沿着肌腱移动直到肌肉开始，可以感觉到肌肉的形状。在假定的肌肉之后
已经发现，两个电极已经根据双极性设置沿着
纤维。随后测量不同运动的肌肉。一个强有力的迹象表明右侧肌肉
当预期运动与测量运动匹配时，给出了已发现的运动。
如果测量的肌肉和运动之间的相关性符合表4.1的相关性，则很可能
找到了正确的肌肉。这似乎是找到有用肌肉的最方便的方法。表4.2显示了
根据经验确定肌肉和运动之间的相关性。表4.1与表4.2的比较表明
每一块肌肉都可以用给定的仪器测量。尺侧腕屈肌无法测量。另一方面
手上的信号应该易于分类，因为没有任何动作具有相同的肌肉组合。
15
肌肉/功能
肘部：屈曲
桡尺关节：旋前
（旋前向内旋转）
手写者：手掌弯曲
手医：尺骨外展
手写：径向外展
跨掌腱膜
第二方阵
手指2-5：手掌屈曲
手指2-5：背部伸展
手写体：背部伸展
桡侧腕屈肌X X X
掌长肌X X X
旋前圆X X
指浅屈肌X X
尺侧腕屈肌X X
指总伸肌X X
表4.1：该表显示了表4.1：该表显示了肌肉及其运动之间的关系。肌肉见图4.1
肌肉/功能肘：屈曲
桡尺关节：旋前
（旋前=向内旋转）
手写者：手掌弯曲
手医：尺骨外展
手写：径向外展
跨掌腱膜
第二方阵
手指2-5：手掌屈曲
手指2-5：背部伸展
手写体：背部伸展
桡侧屈肌-
长掌肌X
Pronator Teres X系列
手指屈肌浅X
尺骨屈肌-
共通数字扩展器X X
表4.2：该表显示了肌肉及其运动之间的经验确定关系。肌肉
可以在图4.1中找到。在该设置中无法测量桡骨屈肌和尺骨屈肌。
16
（a） 浅表肌肉。前臂的仰视图（b）浅表肌肉。前臂俯视图
图4.1：前臂肌肉的解剖学[6]。
17
（a） 电极放置。底部
看法
（b） 电极放置。俯视图。
图4.2：此图显示了电极放置：
1.趾浅屈肌
2.帕尔马里·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
（伸手弯曲）
（c） 背向延伸
手腕
（过度拉伸）
（d） Pronation of the
桡尺关节
（向内旋转）
（e） 机器人抓取。（f） 手腕掌屈
与机器人一起。
（g） 背伸
机器人的手腕。
（h） 手腕内旋
机器人
图4.3：实验期间测量和分类的四种不同手部运动。下面一行显示
相关的机器人运动。
4.3前臂设置
根据先前实验的结果，趾浅屈肌、掌长肌、前伸肌
同时测量了趾端和趾伸肌，因此，nch=4。测量了每一块肌肉
在双极设置中（见第3.7章）。
为了尽量减少干扰，参与者坐在一个电子设备最少的房间里（见实验布局
图4.7a中的位置）。参与者位于L2房间，坐在椅子上。OpenBCI板已放置
在参与者旁边。在实验期间，测量了四种类型的运动：抓握、伸展手弯曲、，
过度拉伸并向内旋转。图4.3显示了不同的运动。每次移动测量20
时间。持续时间设置为t=3。每次测量后通过目视检查对异常值进行分类。
测量后，训练数据由每个动作的一个3000×。由于培训规模较小
number使用漏掉一个交叉验证使用不同分类器对数据进行分类。交叉验证
用于图4.4所示的不同组合、预处理步骤和分类器。
每个通道的N＝750维特征空间已减少到每个通道的d＝20维权重空间
使用第2.1章所述的RBF线性回归
习惯于这些PDF的中心在时间轴上均匀分布，每个高斯的方差2为
设置为0.05（见图4.5）。图4.6说明了高斯和如何拟合
手指浅屈肌的抓握动作。现在每个动作都有两个不同的特征空间。
每个分类器将对N维信号和d维信号进行分类，其中d是
权重向量。
19
图4.4：此图显示了不同的处理和分类组合。12条路径中的每一条都是一个com-
二进制化。每个信号由截止频率为45Hz和50Hz的阻带滤波。KNN已经
申请K∈ {1, 2, 4,8}.
图4.5：此图显示了未乘以权重的（x）函数。x轴表示
样品和y轴的电压单位为μV。（x）的数量为d=20。每个（x）为高斯分布
2=0.05。期望值在x轴上均匀分布。
4.3.1干扰源
在实验期间，观察到测量信号对外部噪声具有很大的灵敏度。如中所示
图4.7b，当参与者接触到任何类型的插入电缆时，信号上覆盖了50Hz
噪音利用无线设备的优点，我们可以改变参与者的位置。图4.7
显示了信号根据位置的表现。这表明不可能在
现实条件。噪音必须被过滤掉。
还注意到，单极设置对电缆的移动极为敏感。这个问题是
双极性设置大大降低。
每次测量中出现的一个问题是电极每次测量中都会出现的一个问题是，随着时间的推移，电极开始分离，因此必须
紧贴皮肤。为了避免电极从皮肤上完全脱落，他们用一块额外的金属片固定
20
图4.6：该图将原始肌电图信号与拟合曲线w进行比较⊤（x）
电线上的补丁。
应用了两个过滤器。首先使用截止频率为45Hz和55Hz的巴特沃斯带阻滤波器，以消除
电源频率为50Hz。随后应用了巴特沃斯带通。理想的参数
因为截止频率是根据经验确定的，将在下一章中讨论。
EMG信号的常用预处理步骤是计算时间窗上的均方根[3]。
窗口长度的理想参数已经根据经验确定，并将在下一章中讨论。
21
（a） 此图显示了三个不同的位置。L1在一个装有电源的房间里。L1旁边房间的L2和
不包含电源。L3位于楼梯间的公寓外，那里的电源已被拆除。
（b） 每个图表显示不同位置的噪声。前两张图是在同一地点测量的。鞋面
其中一个是在参与者与插入的电缆接触时测量的。手指浅屈肌
仔细斟酌的参与者没有移动。
图4.7：不同的噪声水平取决于位置。
22
4.4结果
图4.8中的图表显示了在前臂设置中测量的完整数据集的原始信号。列
以以下顺序（从左到右）表示不同的运动：抓握、伸展的手弯曲、过度伸展、，
向内旋转。这几排肌肉按以下顺序排列（从上到下）：浅屈肌、掌肌
长肌，纵膈肌，伸趾肌。每个图表显示的电压单位为μV，取决于
样本数量。每种颜色代表20次试验中的一次。我们可以看到，这些信号相对于
相对于x轴。但是，它们没有相对于y轴对齐。此外，在一些试验中，例如蓝色
第三行第一列的子地块上的曲线趋于漂移。尽管观察到原始数据集的缺点，
该数据集的精度最高（见图4.12）。原因将在讨论部分讨论。
图4.9显示了截止频率为0.2Hz和124Hz的带通滤波数据集。与原材料相比
数据集，试验现在相对于y轴对齐。直流频率分量和低频
去除漂移。该数据集的精度低于原始数据的精度（见图4.12）。
图4.10显示了在截止频率为10Hz和124Hz之间设置带通后的原始数据。此频率
范围表示信号的实际EMG频谱。然而，如下文所示，基于此的分类
测量的准确度明显低于上述两个数据集[3]（见图4.13）。笔记
然而，运动伪影（如电极在
皮肤，以10Hz的截止频率去除，因此，此设置可以更好地从原始信号中提取实际肌电信号
数据
在长度为30的窗口上应用RMS可提供图4.11所示的信号
积极乐观的曲线已纠正。此外，精度高于专用带通滤波信号。
给定预处理的测量结果，现在可以评估不同分类器的准确度。在下图中
4.12和4.13中，将原始数据（显示为蓝色条）的精度与不同的过滤器选项进行比较。
图4.12显示了截止频率为0.2Hz和60Hz的带通滤波数据集的精确度。这个
对于所有使用的分类器，对原始数据的分类要高得多。KNN在K方面优于SVM和GC∈ 上的｛1，2，4，8｝
对原始数据进行分类。图4.13显示了截止频率为
10Hz和60Hz。对于所有使用的分类器，原始数据的分类要高得多。带通的精度
滤波数据较差，而RMS精度保持较高。
23
图4.8：此图显示了前臂设置的原始测量结果。这些行代表上升中的肌肉-
顺序（见图4.2）。这些列按字母顺序表示移动（见图4.3）。
每个图表都显示了取决于样本的电压。样本数量为750，采样率为
250Hz，持续时间为3秒。注：每种颜色代表一次试验。
24
图4.9：此图显示了前臂设置的带通滤波测量。这些行表示
升序肌肉 |
