基于人工神经网络的表面肌电信号分类器研究进展

周小波，邹任玲，卢旭华，王海滨，张俊翔

(1.上海理工大学 医疗器械与食品学院,上海 200093;2.第二军医大学附属长征医院,上海 200003)

表面肌电信号(Surface Electromyography，SEMG)是通过皮肤表面的干、湿电极测出的皮下肌纤维运动单位的动作电位，代表实时人体运动意图[1]。随着AI技术的发展，人机交互(Human-Computer Interaction，HCI)系统对提高人们生活质量和工作效率有重要的作用[2]。基于SEMG建立的HCI具有操作方便、对身体无侵入性、对运动无干扰等特点，有非常广阔的应用前景。利用SEMG识别运动模式的方法主要可以分成两类：一类是需要贴放多对电极，每对电极采集的SEMG分别对应一个动作。此类方法对电极采集到的肌电信号利用率低，往往需要多对电极才可以实现多个自由度的控制；另一种方法是对SEMG进行识别，从一个电极对采集的肌电信号中识别出多种运动模式。此类方法所用的电极数量少，对电极采集到的肌电信号利用率高，但是信号识别的方法复杂[3]。基于SEMG建立肢体康复动作识别系统，一般包括SEMG数据采集模块、信号特征提取模块、分类器模块和机器控制命令输出模块。肢体康复动作识别系统很大程度上依赖于信号特征提取和分类器的使用。人工神经网络(Artificial Neural Network，ANN)越来越多地被用于机器学习领域的模式识别和信号分类领域，其作为分类器，相较于传统的分类器有着巨大的优越性[4]。现将近几年基于ANN构造的SEMG分类器的研究进展进行介绍和分析。

1 LVQ分类器

学习向量量化神经网络(Learning Vector Quantization，LVQ)是Kohonen T等人在1988年提出的一种前向型神经网络[5]。……