基于模糊神经网络的肌电信号的分析
作者：刘建成 蔡湛宇
单位：广州珠江医院计算机室 (510282)
关键词：隶属度；聚类分析；模糊神经网络；识别
中国医疗器械杂志990205 提要 探讨一种模糊神经网络的肌电信号识别方法。采用γ模型网络对假肢的肌电信号进行学习并与聚类分析方法比较，结果表明识别率达到较好的水平。
EMG Signal Analysis Based on Fuggy and Neural Network
Liu Jianchen Cai Zhanyu
Zhujiang Hospital Guangzhou
ABSTRACT Recognizing methods of EMG signal based on the fuzzy and neural network,applying to a γ model network is trained for EMG signal of artifical-limbs.comprared with assemble -category analysis.The results demonstrated that identification rate is being the better.
, http://www.100md.com
KEY WORDS Subordinated-Funetion Assemble-Category Fuzzy NN Identification
残肢者的假手是靠肌电信号控制电路做动作的。肌电信号是一种生物电，与其他自然现象一样，具有不确定性。这种随机现象并非都来自该现象的随机性，而是很大程度上来自现象本身的模糊性。这种模糊性往往是由于事物分解面不清所致，如残肢者的肌电信号强或弱 是一个模糊概念，它是由于肌电信号电位大小的界线不分明所致。
1 模糊神经网络的引人
定义1 设在论域U上给定一个映射：
A∶U→[0,1]；u→A(u),(1)
则称A为U上的模糊集，称A(u)为A的隶属度函数。不同的自动检测方法采用的隶属度函数不同。
, 百拇医药
定义2 二元模糊关系R的元素由从属函数
μR(x,y)=a，0≤α≤1,
x,y∈x(2)
给出，R-(aij)n×n，0≤aij≤1
模糊集模式识别的方法有两种，一是直接法，即最大隶属度原则：设Ai∈F(U)(i=1,2,…，n),u0∈U，若存在i,使Ai(u0)=max{A1(u0)，A2(u0),…，An(u0)}，则认为u0相对隶属于Ai按“最大隶属度原则”归类，主要应用于共同点识别：另一种是间接方法，按“择近原则”归类，一般应用于群体模型的识别。因此对引言中的问题也可采用模糊聚类分析法。
, 百拇医药
模糊神经网络方法是通过对于某些模糊系统中，在人为先验知识不清的情况下，采用神经网络来学习规则和决策，以获得较好的结果。形成了模糊和神经网络的结合系统，例如输入是模糊量，用隶属函数中的隶属度来表示，而规则学习是神经网络，最后决策推理是神经网络的输出。输入变量都是用隶属度来表示的模糊变量，网络中每个神经元的输入，输出关系比较明确，数值小的权值被取消，网络得到简化。网络用于分类，有较好的识别效果。本文探讨神经网络的输出是肌伸、屈的概率。也就是对模糊集的肌电信号概率界线模式识别。
2 网络算法
从模糊神经网络相关聚类定义，一般可给出更一般的求极大，极小和补算子来表示模糊集的计算关系，同样也是模糊量和隶属函数的关系。
γ模型为
(3)
, 百拇医药 其中广义“补”的混合连接算子γ为控制算子性质的参数，δi为对应xi的权，γ为并和交之间的补偿度；约束条件为：
(4)
0≤γ≤1.
γ模型接近人的决策能力，随着xi和γ的增加，输出y单调增加，y满足：
(Xmin)n≤y≤1-(1-xmax)n(5)
这里Xmin=min(x1，x2，…xn)；Xmax=(x1，x2，…，xn)
, 百拇医药
根据(3)式，同样在γ=0时，y=(
)，为x1的交；当γ-1时，y=
，为输入的“并”，因此从0到1，可用调节输出的关系，满足从“交”到“并”的程度。模糊输入x1，x2，…，xn的隶属函数可用通过训练的方法得到。
神经元的输入是用模糊化后的隶属度表示，它们是通过选定的隶属函数得到的。网络的连接权对不同模型是不同的，对γ模型为δ，网络输出为y，控制参数为γ，控制输出与输入的关系。
在网络的学习上，令第k个样本输入为：x1k，x2k，…xnk，要求其输出为YK，对m个学习样本输入后，其误差为最小，先考虑一个输出情况的学习算法，多输出则可类推。
, 百拇医药
以γ模型的学习算法为例：根据(3)式，
，γ是0～1之间的值。令
，满足
=n,a,b,di是常数，调节a,b,di这些参数在外界m个样本输入时进行学习，就可以得到δi和γ的值来满足输出要求的正确映射
(6)
在外界第k个样本输入后的网络输出为fk，在m个学习样本输入后，则总的误差为
(7)
这里fk=f(x1k，…，xnk，δ1，…，δn).
, 百拇医药
利用梯度法可得
(10)
我们选择γ模型网络结构作为实验依据如图1。
图1
表1 δ0=0.07 类别
1
2
3
项目
隐节点数
, 百拇医药
2
4
6
2
4
6
2
4
6
聚类分析识别率
0.55
0.69
0.70
0.68
, http://www.100md.com
0.71
0.65
0.68
0.70
0.73
神经网络识别率
0.82
0.79
0.86
0.82
0.85
0.79
0.85
, http://www.100md.com
0.90
0.89
训练次数
1265
832
673
909
678
932
902
1303
1000
表2 δ0=0.13 类别
, 百拇医药
1
2
3
项目
节点数
2
4
6
2
4
6
2
4
6
, 百拇医药
聚类分析识别率
0.67
0.73
0.69
0.49
0.60
0.72
0.78
0.80
0.71
神经网络识别率
0.80
0.71
, 百拇医药
0.88
0.85
0.76
0.90
0.87
0.92
0.84
训练次数
768
890
1203
869
910
, http://www.100md.com
793
909
1320
1500
3 识别分析结果
为探索肌电控制假手的适应情况，对100名用肌电控制假手截肢者的伸屈肌进行测试，观察其动作指伸，指屈动作时，发放肌电的电位情况，随机选取50名的的初测肌电信号，进行分类。伸肌作伸动作时，能发放40μv以上的肌电信号，而同时屈肌不发放超过25μv的肌电信号，反之亦然。如果残肢者满足上述要求，则归为第一类，如果残肢者只满足部分上述条件，归为第二类，如果不满足上述要求，则归为第三类。它是信号经微机数字化后，直接输入网络，由网络自动识别的。
对50名残肢者的伸屈肌的肌电信号进行测试，其数据用Xij(l=l,…，4；j=1,…，50)表示，其中X1j为伸肌“伸”时的肌电信号，X2j为屈肌“屈”时的肌电信号，X3j为屈肌“伸”时的肌电信号，X4j为伸肌“屈”时的肌电信号。
, 百拇医药
聚类分析是根据假肢对“伸”，“屈”动作的肌电信号的要求，必有X*ij=X3j/Xij<0.7;X*2j=X4j/X2j<0.7比值超过0.7则为1。任意两个残肢者的肌电信号分别为Xi=(X*1i,X*2i),Xj=(X*1j，X*2j)；且规定μR1(xi,xj)=(xi,xj)/‖Xi‖‖Xj‖，其中R1=R50×50为模糊等价矩阵。计算R1，取λ=0.9，逐步比较矩阵R1的各元素，若其元素大于0.9，则表示所对应的样本属于同一类。把它们的结果与神经网络方法的结果作比较如表1、表2所示。
, 百拇医药
由表1，2见，神经网络方法比聚类分析方法有较大改善。
一般来说，传统的肌电检测方法的隶属度的确定很简单，其自适应能力差，识别率低。神经网络通过学习训练样本所获得的肌电的隶属函数和实际情况符合很好。当然受试者的年龄，性别等因素将影响分类率。改变中间层的隐单元数，比较在训练集系统情况下网络的收敛速度。同时，在每种隐单元数情况下，待网络收敛后，将训练集之外的其余数百个肌电信号数据分别加在网络，计算出输出失量，即确定它们的类别，观察网络分类的准确率。
参 考 文 献
1.Gustavsson I. Atheoretieal analysi of reeursiv identification methods.Automation,1978 14(3):231-244
2.张立明.人工神经网络的模型及其应用.复旦大学出版社.1993
3.杨伦标等.模糊数学原理及应用.华南理工大学出版社.1992
4.陈贻源.模糊数学.华中工学院.1984
5.Funahashi K. On the Approximate of Continuous Mapping by Nenural Networks.Nenural Networks.1989;2:183-192.
(1998年4月23日收稿), 百拇医药
单位：广州珠江医院计算机室 (510282)
关键词：隶属度；聚类分析；模糊神经网络；识别
中国医疗器械杂志990205 提要 探讨一种模糊神经网络的肌电信号识别方法。采用γ模型网络对假肢的肌电信号进行学习并与聚类分析方法比较，结果表明识别率达到较好的水平。
EMG Signal Analysis Based on Fuggy and Neural Network
Liu Jianchen Cai Zhanyu
Zhujiang Hospital Guangzhou
ABSTRACT Recognizing methods of EMG signal based on the fuzzy and neural network,applying to a γ model network is trained for EMG signal of artifical-limbs.comprared with assemble -category analysis.The results demonstrated that identification rate is being the better.
, http://www.100md.com
KEY WORDS Subordinated-Funetion Assemble-Category Fuzzy NN Identification
残肢者的假手是靠肌电信号控制电路做动作的。肌电信号是一种生物电，与其他自然现象一样，具有不确定性。这种随机现象并非都来自该现象的随机性，而是很大程度上来自现象本身的模糊性。这种模糊性往往是由于事物分解面不清所致，如残肢者的肌电信号强或弱 是一个模糊概念，它是由于肌电信号电位大小的界线不分明所致。
1 模糊神经网络的引人
定义1 设在论域U上给定一个映射：
A∶U→[0,1]；u→A(u),(1)
则称A为U上的模糊集，称A(u)为A的隶属度函数。不同的自动检测方法采用的隶属度函数不同。
, 百拇医药
定义2 二元模糊关系R的元素由从属函数
μR(x,y)=a，0≤α≤1,
x,y∈x(2)给出，R-(aij)n×n，0≤aij≤1
模糊集模式识别的方法有两种，一是直接法，即最大隶属度原则：设Ai∈F(U)(i=1,2,…，n),u0∈U，若存在i,使Ai(u0)=max{A1(u0)，A2(u0),…，An(u0)}，则认为u0相对隶属于Ai按“最大隶属度原则”归类，主要应用于共同点识别：另一种是间接方法，按“择近原则”归类，一般应用于群体模型的识别。因此对引言中的问题也可采用模糊聚类分析法。
, 百拇医药
模糊神经网络方法是通过对于某些模糊系统中，在人为先验知识不清的情况下，采用神经网络来学习规则和决策，以获得较好的结果。形成了模糊和神经网络的结合系统，例如输入是模糊量，用隶属函数中的隶属度来表示，而规则学习是神经网络，最后决策推理是神经网络的输出。输入变量都是用隶属度来表示的模糊变量，网络中每个神经元的输入，输出关系比较明确，数值小的权值被取消，网络得到简化。网络用于分类，有较好的识别效果。本文探讨神经网络的输出是肌伸、屈的概率。也就是对模糊集的肌电信号概率界线模式识别。
2 网络算法
从模糊神经网络相关聚类定义，一般可给出更一般的求极大，极小和补算子来表示模糊集的计算关系，同样也是模糊量和隶属函数的关系。
γ模型为
(3), 百拇医药 其中广义“补”的混合连接算子γ为控制算子性质的参数，δi为对应xi的权，γ为并和交之间的补偿度；约束条件为：
(4)0≤γ≤1.
γ模型接近人的决策能力，随着xi和γ的增加，输出y单调增加，y满足：
(Xmin)n≤y≤1-(1-xmax)n(5)
这里Xmin=min(x1，x2，…xn)；Xmax=(x1，x2，…，xn)
, 百拇医药
根据(3)式，同样在γ=0时，y=(
)，为x1的交；当γ-1时，y=，为输入的“并”，因此从0到1，可用调节输出的关系，满足从“交”到“并”的程度。模糊输入x1，x2，…，xn的隶属函数可用通过训练的方法得到。神经元的输入是用模糊化后的隶属度表示，它们是通过选定的隶属函数得到的。网络的连接权对不同模型是不同的，对γ模型为δ，网络输出为y，控制参数为γ，控制输出与输入的关系。
在网络的学习上，令第k个样本输入为：x1k，x2k，…xnk，要求其输出为YK，对m个学习样本输入后，其误差为最小，先考虑一个输出情况的学习算法，多输出则可类推。
, 百拇医药
以γ模型的学习算法为例：根据(3)式，
，γ是0～1之间的值。令，满足=n,a,b,di是常数，调节a,b,di这些参数在外界m个样本输入时进行学习，就可以得到δi和γ的值来满足输出要求的正确映射(6)在外界第k个样本输入后的网络输出为fk，在m个学习样本输入后，则总的误差为
(7)这里fk=f(x1k，…，xnk，δ1，…，δn).
, 百拇医药
利用梯度法可得
(10)我们选择γ模型网络结构作为实验依据如图1。
图1
表1 δ0=0.07 类别
1
2
3
项目
隐节点数
, 百拇医药
2
4
6
2
4
6
2
4
6
聚类分析识别率
0.55
0.69
0.70
0.68
, http://www.100md.com
0.71
0.65
0.68
0.70
0.73
神经网络识别率
0.82
0.79
0.86
0.82
0.85
0.79
0.85
, http://www.100md.com
0.90
0.89
训练次数
1265
832
673
909
678
932
902
1303
1000
表2 δ0=0.13 类别
, 百拇医药
1
2
3
项目
节点数
2
4
6
2
4
6
2
4
6
, 百拇医药
聚类分析识别率
0.67
0.73
0.69
0.49
0.60
0.72
0.78
0.80
0.71
神经网络识别率
0.80
0.71
, 百拇医药
0.88
0.85
0.76
0.90
0.87
0.92
0.84
训练次数
768
890
1203
869
910
, http://www.100md.com
793
909
1320
1500
3 识别分析结果
为探索肌电控制假手的适应情况，对100名用肌电控制假手截肢者的伸屈肌进行测试，观察其动作指伸，指屈动作时，发放肌电的电位情况，随机选取50名的的初测肌电信号，进行分类。伸肌作伸动作时，能发放40μv以上的肌电信号，而同时屈肌不发放超过25μv的肌电信号，反之亦然。如果残肢者满足上述要求，则归为第一类，如果残肢者只满足部分上述条件，归为第二类，如果不满足上述要求，则归为第三类。它是信号经微机数字化后，直接输入网络，由网络自动识别的。
对50名残肢者的伸屈肌的肌电信号进行测试，其数据用Xij(l=l,…，4；j=1,…，50)表示，其中X1j为伸肌“伸”时的肌电信号，X2j为屈肌“屈”时的肌电信号，X3j为屈肌“伸”时的肌电信号，X4j为伸肌“屈”时的肌电信号。
, 百拇医药
聚类分析是根据假肢对“伸”，“屈”动作的肌电信号的要求，必有X*ij=X3j/Xij<0.7;X*2j=X4j/X2j<0.7比值超过0.7则为1。任意两个残肢者的肌电信号分别为Xi=(X*1i,X*2i),Xj=(X*1j，X*2j)；且规定μR1(xi,xj)=(xi,xj)/‖Xi‖‖Xj‖，其中R1=R50×50为模糊等价矩阵。计算R1，取λ=0.9，逐步比较矩阵R1的各元素，若其元素大于0.9，则表示所对应的样本属于同一类。把它们的结果与神经网络方法的结果作比较如表1、表2所示。
, 百拇医药
由表1，2见，神经网络方法比聚类分析方法有较大改善。
一般来说，传统的肌电检测方法的隶属度的确定很简单，其自适应能力差，识别率低。神经网络通过学习训练样本所获得的肌电的隶属函数和实际情况符合很好。当然受试者的年龄，性别等因素将影响分类率。改变中间层的隐单元数，比较在训练集系统情况下网络的收敛速度。同时，在每种隐单元数情况下，待网络收敛后，将训练集之外的其余数百个肌电信号数据分别加在网络，计算出输出失量，即确定它们的类别，观察网络分类的准确率。
参 考 文 献
1.Gustavsson I. Atheoretieal analysi of reeursiv identification methods.Automation,1978 14(3):231-244
2.张立明.人工神经网络的模型及其应用.复旦大学出版社.1993
3.杨伦标等.模糊数学原理及应用.华南理工大学出版社.1992
4.陈贻源.模糊数学.华中工学院.1984
5.Funahashi K. On the Approximate of Continuous Mapping by Nenural Networks.Nenural Networks.1989;2:183-192.
(1998年4月23日收稿), 百拇医药