基于肌电感应的可穿戴运动分析系统设计与实现
作者/ 李锋 陈波 东华大学计算机科学与技术学院(上海 201620)
本文引用地址：http://www.eepw.com.cn/article/201704/358521.htm*基金项目：上海市自然基金(编号：16ZR1401100)
李锋(1969-)，男, 博士, 教授, 研究方向：嵌入式、躯干网络和深度学习;陈波，男，硕士生，研究方向：肌电信号采集与模式识别。
摘要：表面肌电信号是皮下肌肉活动在皮肤表面处表现出的微弱的电压信号，它反映了人体运动时肌肉动作的时间和空间信息。对于不同的运动动作，人体各个肌肉群产生的肌电信号的强度也各有差异。本文设计了一种基于肌电信号感应的可穿戴运动分析系统。通过提取采集到的多路肌电信号的时域、频域特征值，用加权归一化的方法给信号强度评级，从而确定人体运动时指定肌肉群的运动强度。可以利用这套系统设计目的性较强的运动动作。
引言
肌电信号是皮下肌肉活动在皮肤表面处表现出微弱电压信号，它反映了人体运动时肌肉动作的时间和强度信息[1]。随着肌电信号模式识别方面研究的日益深入和肌电检测技术的不断提高，表面肌电信号已经被广泛应用于肌肉运动、康复医学、肌肉损伤诊断、体育等方面的研究。
国内外许多研究都表明，通过对肌电信号进行分析，能够发掘出人体肌肉在做不同动作时的运动强度等信息[2~4]。
肌电信号反应了相应肌肉群的运动强度。通过计算肌电信号的强度，能判断出某种动作下对应肌肉群的收缩强度。本文设计了一套肌电感应系统对肌电信号进行的处理和分析。通过监测不同运动动作下各相关肌肉群的肌电信号强度，判定某一动作相关肌肉群的运动情况，从而判定不同运动对哪些肌肉群锻炼效果更好。因此，该系统可以科学地辅助设计各类锻炼动作，现根据该系统设计的设备已经被应用于体育研究和军事训练部门，取得良好效果。
1 系统总体设计
本系统分为三个部分：肌电采集模块、通讯模块和控制中心(图1)。其中肌电采集模块主要完成肌电信号感知。
由于该系统为直接接触人体的健康类消费产品，本系统不提供交流介入和充电功能。采集模块和通讯模块电源由小型锂电池提供。
另外，为了接触的可靠性和肌肉群的测试，本系统的采集电极由多个肌电采集电极组装成采集束带，每个束带有8个采集点，控制模块和通讯模块设计在束带背面，可直接佩戴在肢体上，方便操作，如图2。
在本系统的控制中心主要负责收集多路肌电信号，完成肌电信号强度分析及结果展示。无线通讯模块主要负责肌电采集模块和控制中心的无线通讯。
1.1 肌电感知模块
肌电感知模块主要是通过肌电采集电极，采集个体运动时产生的肌电信号，完成信号的滤波、放大和模数转换。
1)放大滤波电路
肌电信号的电压范围在10μV和1000μV之间，频率为20~1kHz，主要能量分布于50~100Hz内。由于信号容易形成运动的伪迹，且主要集中在0~20Hz频率范围内[5]。针对肌电信号的特点，我们设计了相应的滤波放大电路(图3)。系统采用AD8220和OPA364两个高输入阻抗、高CMRR、低电流噪声的放大芯片。信号以差分方式输入，两个运算放大器与外围元件形成了一个共1000倍、20~1000Hz的两级带通滤波放大器。前级运放为AD8220，它的电流噪声仅1fA/Hz，芯片占用电路板面积小，适用于可穿戴设备。放大电阻为1.5kΩ，电容为10μf的电容，放大倍数为32倍。
后级运放OPA364，SOT23-5封装，适合于传感器的微型化设计，为一个频带为20~1kHz切比雪夫Ⅰ型的1阶带通滤波器，放大倍数约30倍。
2)数模转换电路
LTC1867L是一个8通道12位/16位A/D转换器，芯片具有串行I/O通道，采用内部电压基准。LTC1867L的DC性能出众，在整个温度范围内具有±3LSB INL规格和16位无漏失码。通过对芯片8通道输入多路复用器的配置，芯片可工作于单端或差分输入，单极或双极转换操作(或其组合)。
ADC接口采用12位ADC值，负责转换0V至2.5V单极输入或±1.25V双极输入。在本方案中，其工作于双极差分输入状态。LTC1867L仅吸收750μA电流，有自动打盹和睡眠模式，有利于那些对功耗敏感的应用。LTC1867L采用紧凑型、窄体16引脚 SSOP封装，适用于空间敏感以及低功率的应用。
1.2 通讯模块
1.2.1 蓝牙通讯
通讯模块采用蓝牙通讯协议，用以完成肌电束带和控制中心(智能手机)的通讯，向中心汇报束带各点电位信号。本系统中采用ATK-HC05模块，蓝牙版本为蓝牙4.0BLE。
蓝牙4.0协议提供了2种模式：BLE模式和BR/EDR模式。其中BLE模式适合对成本和功耗都有较高要求的无线方案。运行和待机功耗极低，一粒纽扣电池可以连续工作一年之久。能与支持4.0协议设备通信，适应节能且收发少量数据的设备。由于单次发送的肌电信号数据量并不是很大，并且系统对功耗要求高，因此，本系统蓝牙版本采用4.0BLE[6]。
系统上电启动后，蓝牙模块处于待机模式，此时为空闲状态，需要通过AT指令控制模块连接采集设备。与采集模块成功连接后，蓝牙模块会自动查找主从设备的透传通道，两个模块之间可以通过通用串口与STTM(BLE从透传协议模块)进行双向通讯，从而实现透明传输功能。
本系统使用搭载Android系统的智能手机作为控制中心。配置好蓝牙权限后，只需要获取蓝牙适配器对象，获得目标蓝牙设备(蓝牙模块)对象，建立连接，即可获得输入输出流。
1.2.2 数据格式
在应用层，协议格式如表1所示(16进制)。
首字节为帧头，第二和第三字节表示肌电信号数据，但这里的肌电数据每个字节的高位被置为零，其真正的高位被放置到帧头规定位上[7]。帧头在这里标示一帧数据的开设，同时也包含了通道序号和数据的最高位，其各位的含义如表2所示。
帧头的最高位Bit7固定为1，是帧头的标志位。Bit6～Bit4标示通道的序号，共8个通道。Bit3和Bit2分别为传输数据的最高位。
1.3 控制中心
控制中心接收蓝牙模块发送过来由采集模块采集到的多路肌电信号，并对这些信号进行强度评级。本文采取的评级方法是通过提取肌电信号的平均值、积分均值、功率谱比值，进行加权运算。
对于时域特征值平均值和积分均值计算方法如下：
平均值计算公式如式(1)，它是用来衡量数据集中趋势的一种方法。本文选取平均值衡量表面肌电信号的平稳趋势。
(1)
若对离散的数字信号数据直接求均值AVE，很多时候都会趋近于0，这不能很好地表征信号之间的差异，因此，再提取积分均值(计算方法如式(2)作为判定肌肉运动强度的另一个特征。
(2)
对于频域特征，一般采用功率谱进行度量，但由于肌电信号功率谱的分布相对比较稳定，所以在信号最大值附近的功率谱的能量在整体信号中的比重也比较稳定，且不受最大值具体出现位置的影响。因此，采用频域分析法中的功率谱比值法[8]作为特征值。
设功率谱比值为K，其计算公式如式(3)：
(3)
式中，K为功率谱比值，P(f)为功率谱。根据文献8中的经验得知，
取15Hz的特征值有较好的区分度，P0为功率谱在P0±15Hz的面积，P为整个功率谱的面积，由于肌电信号的频率主要集中在50~500Hz，所以求P的积分区间为50~500Hz，f0为功率谱最大值处的频率，即
的解，如果有多个解，则取使得功率谱值最大的解。
计算出每一路信号的平均值AVE、积分均值MAV，并求解功率谱比值K。再根据式(4)计算第i路信号的加权强度Si：
Li越大表示该通道所对应的肌肉运动强度越大。对于某一个训练动作，给出相应的肌肉评价，可以判定该动作更适合增强哪块肌肉的训练。
以上算法中所涉及到的难点主要集中在控制中心求解功率谱上。目前，功率谱估计方法主要有两种：经典功率谱估计和现代功率谱估计。由于经典功率谱估计将所有在窗口外的数据都视为0，这使得功率谱估计的质量不高。而现代功率谱估计方法对信号在窗口外的数据做出合理假设，以达到提高功率谱估计质量的目的。本文选择应用较为广泛的AR模型进行功率谱估计，求解出AR模型系数后，借助C语言IT++库很容易估计出功率谱密度。本文采用最小二乘法求解AR模型系数。假设肌电信号是由一个输入序列
组成，其AR(n)为
，其中
(通常假设误差满足期望为0，方差为
的独立分布)，由AR(n)可计算出et，因此，可得出方差：
2 结论
本文设计了一套多路肌电信号采集与分析系统。对一个训练动作，进行了多个肌肉群的表面肌电信号采集，并通过提取表面肌电信号的时域、频域特征值，进行加权归一化等计算，分析了该动作对应肌肉群的运动强度。使用该系统对握举哑铃动作时，上臂肌肉进行强度评级结果如表3。
俯卧撑是一种常用的锻炼上肢、胸肌和腹肌的简单易行的运动，是士兵在陆地完成攀爬翻越、匍匐前进、进出战壕等各种需要上肢俯卧支撑能力的战术动作及战场作业的体能基础之一, 具有很强的实战意义，但是针对不同体质人的锻炼需求，在本系统的帮助下，通过手掌着地位置调整，就可以达到不同的锻炼目的(如表4)。
该系统设备也可应用于运动生物力学研究中[9]。
参考文献：
[1]卢蕾.基于表面肌电信号区分上肢动作的实验研究[D].北京协和医院,2011.
[2]张莉.表面肌电信号模式识别及其运动分析[D].吉林大学,2013.
[3]马静云.康复运动中表面肌电信号分析方法研究[D].燕山大学, 2015.
[4]任见,李传江,翟润哲,等.上肢肌肉疲劳的sEMG信号特征分析//2015全国嵌入式仪表及系统技术会议序册. 2015.
[5]杨瑞.肌电信号采集与分析系统的研制[D].华中科技大学, 2009.
[6]胡成功,查君君,安师顺,等.便携式低功耗心电监测系统设计[J].电子产品世界, 2015,06(22):44-45+49.
[7]李锋,程坤.穿戴式躯感网系统的设计与实现[J].电子产品世界,2014,10(21): 39-42+45.
[8]王喜太,王强,张晓玉,等.基于肌电传感器的下肢康复训练模式识别的研究[J].中国康复理论与实践, 2009, 01(15):90-92.
本文来源于《电子产品世界》2017年第5期第43页，欢迎您写论文时引用，并注明出处。
评论