一种基于阵列式PVDF触觉传感器和机器学习的针刺手法识别系统
【摘 要】 目前，对于针灸手法的学习评价，缺少针刺时施力大小、时长和方向等可以进行量化的物理参数。本文针对采集针刺过程中“捻转”和“提插”动作的触觉参数，设计了一种阵列式聚偏二氟乙烯膜(PVDF)触觉传感器;随后，给出了面向触觉信号的窗口分割方法，并提取窗口中的时域特征;最后，构建了一种基于模糊 C均值聚类法(FCM)的针刺手法识别方法。通过实验证明该方法能够有效识别捻转补、捻转泻、提插补、提插泻四种基本针刺动作，有利于针刺手法的量化与传播。
本文源自苟升异; 宿翀; 王磊; 赵亚楠; 陈捷， 针刺研究 发表时间：2021-06-25
【关键词】 聚偏二氟乙烯膜传感器;机器学习;针刺手法分类
针刺作为一种传统中医疗法，其教学大多是依靠经验和课堂讲解，这对于其传承和推广存在一定的制约。对于针刺的基本手法如捻转补、捻转泻、提插补和提插泻，由于个人理解的不同，同一针刺操作的时间、力量等方面均存在差异，从而在临床疗效上产生不同的结果，因此对针刺手法的量化研究就显得极为重要。本文通过对针刺过程触觉信息的采集，提取出针刺动作的时域特征，完成对针刺操作的分类。量化的针刺手法将为针灸的诊疗和教学提供强有力的科学依据，有助于针刺手法的推广与传承。
针刺手法量学的研究对针刺时施力大小、方向、时长、频率等要素进行了界定。以捻转和提插手法为基础，形成了捻转补、捻转泻、提插补、提插泻4种基本针刺手法[1]。为了提高针刺手法的规范性、可操作性，杨华元等[2]开发了针刺手法参数测定仪，用其采集到的针刺手法仿真过程中的物理参数进行分析[3]。王彩虹等[4]利用针刺手法测定仪采集并分析不同手法的参数和波形，进而分析捻转和提插两种手法。丁光宏等[5]将基于光刻应变硅片和压电陶瓷的传感器集成到针体上，实现了针刺过程中对针上作用力的测量。顾星等[6]开发了针刺手法教学测量仪，通过电磁感应技术采集针刺过程信号。然而，上述针刺手法物理参数的提取系统，大多架设于针柄上，鲜有从人体触觉角度探讨手法物理参数获取与分析的方法。
聚 偏 二 氟 乙 烯 膜 (Polyvinylidenefluoride，PVDF)作为一种具有良好性能的柔性压电材料，已经被广泛应用于构建柔性压力传感器[7]、心率和呼吸实时监测传感系统[8]、机械模具制造中的应力分析等[9-10]各个方面的研究。近年来，针对 PVDF 应用于人体动作识别方面的 探 索，如 人 体 手 部 分割[11]、人体肌电信号提取与分类[12]等，逐步成为智能传感系统研究的热点。此外，诸如神经网络、聚类等机器学习 方 法[13]也 被 广 泛 应 用 于 人 体 连 续 动 作的分类中，获得丰硕的研究成果。
受上述研究启发，本研究设计了一款基于阵列式PVDF的触觉传感器，在获取针灸医师针刺过程中的触觉压电信号的同时，构建一种基于机器学习中模糊 C 均值聚类法(FuzzyC-Means，FCM)的 针刺手法识别方法。
1 针刺手法触觉传感器构建及智能采集系统设计
PVDF压 电 薄 膜 是 一 种 独 特 的 高 分 子 传 感 材料，外观为半透明状，具有分子链间排列紧密、不易燃、质量轻、柔韧性好等特性;该材料电压灵敏度高，能根据压力的变化输出电压信号，可加工成为高效可靠、低成本的柔性触觉传感器。
1.1 阵列式 PVDF触觉传感器的制备
区别于传统单片 PVDF薄膜传感器，阵列式传感器采用多片 PVDF薄膜来构造，其优势在于可以在同一时刻采集到不同位置的 PVDF压电信号，从而提取其时域特征。在进行针刺时，伴随着指尖的相对移动，采用阵列式传感器的设计，可以增加有效的时域特征，为提升针刺手法分类的准确率提供一种可行的途径。本研究利用两片尺寸相同、形状完好的 PVDF 薄 膜，经 过 形 状 切 割、边 缘 绝 缘 后 进 行组装同时引出导线，形成一个阵列式 PVDF压电传感器。(1)形 状 切 割：分 别 在 两 片 PVDF 成 品 上 画出直径为8 mm 的 圆，然 后 按 标 记 线 条 进 行 裁 剪。(2)边缘绝缘：选用乙醇对薄膜边缘进行非金属化的具体处理。(3)组装引出导线：准备透明塑料膜，在一片上涂抹少量导电银胶，然后在导电银胶中放入导线作为压电传感器的一极，再将 PVDF薄膜放在上面，按压使其粘合，直至导电银胶凝固。在 PVDF薄膜相对称的另一边同样放置导电银胶及导线作为压电传感器的另一极，再将透明薄膜放在导电银胶之上并进行按压，直到最后凝固，形成一个“两片分离式”的阵列式 PVDF压电传感器。见图1。
1.2 针刺手法触觉压电信号采集系统
将图1所示 PVDF压电传感器进行“封装”，形成可穿戴的“指套”触觉传感器。医师的手指(一般为食指)固定住触觉传感器，在针刺过程中，手指对针体施加不同的压力使指套产生形变，产生的压电信号由放大器放大、采集模块收集并发送至电脑保存，此时便完成了相应数据的采集，如图2所示，从左至右 依 次 为 PVDF 传 感 器、信 号 放 大 器、信 号 采集模块和电脑压电曲线显示。
2 针刺手法数据的采集和分类
2.1 针刺手法数据采集
如图2所示，该系统采样频 率 设 置 为100 Hz，可以充分地捕获针刺手法动作所产生的数据，数据的采集由医师完成。将传感器用医用胶布固定在医师的食指，实验中由医师分别执行捻转补、捻转泻、提插补、提插泻4个动作。每个动作重复2次，每次的持续 时 间 为80s。由 PVDF 压 电 薄 膜 传 感 器 采集到的压电信号如图3所示。
2.2 噪声处理
移动平均滤波器可以有效地减少随机干扰的影响。本研究选 择6 阶 移 动 平 均 滤 波 算 法 来 消 除 噪声，去除信号毛刺。传感器采集的原始加速度信号存在较多噪声，在使用6阶移动平均滤波算法后，数据变得较为平滑。
2.3 数据窗口分割
在得到压电数据后，无法对原始数据直接进行分类。窗口分割的目的是将得到的压电数据进行划分，将压电数据流分割为若干的窗口，然后以一个窗口为基础，进行特征的提取，只有有效提取出窗口的特征才能进行分析，完成针刺动作的分类。
在动作的识别阶段，需要对传感器压电信号数据流进行数据窗口分割。常用的分割技术包括基于滑动窗口的分割、基于事件定义的窗口分割以及基于动作定义的窗口分割等3种方法[14-15]。滑动窗口分割技术是指采用固定长度的窗口对数据流进行分割。滑动窗口分割技术由于操作简单，因此被多数研究所采 用。本文中采用滑动窗口分割的时间为1s。
2.4 特征提取
在滤除传感器数据的噪声后，用定长度的滑动窗口分割技术对传感器数据流进行划分，窗口的长度设置为1s。对于每个时间窗口，它所包含的数据可以用一个 Nx1维的向量s=[s1，s2，...，sn]来 表示。由于本文 采 用“两 片 分 离 式”阵 列 式 PVDF 压电传感器进行针灸医师手指触觉信号的提取，因此从时域特征角度进行分析，具体的特征类型如表1所示。
表1中所示特征的计算中，峰的位置信息反应针体的位置，最大值反应针灸动作强度变化的幅度，均值反应针灸动作的平均强度;积分反应针体旋转与紧握程度，时间长度反应频率大小。由于压电信号无法直接获取针体位置，通过对压电信号的进一步处理得到以下2个特征。特征ID9和10中所谓的“针体位置”，是指在一个窗口压电数据的采集中，针体具体在哪个 PVDF薄膜上滚动。为获得“针体位置”，我们将两个薄膜上信号取最大值，最大值所在的薄膜序号，即为针体所在位置。进而求取一个压电数据 窗 口 内 针 体 位 置 的 平 均 值 和 方 差。公 式如下：
均值特征：!= 1N∑ Ni=1si (1)方差特征：σ2 = 1N∑ Ni=1(si - !)2 (2)采样区间内最大值：Smax = max (s) (3)采样区间内最小值：Smin = min (s) (4)采样区间内积分值：SS =∫ TnT1Stdt (5)
2.5 基于 FCM 的针刺手法分类器
本研究采用模糊C均值聚类算法对集合s进行处理，即将大规模的训练样本归为数量相对较少的若干聚类，并基于聚类中心设计分类器。基于模糊C均值得到聚类中心：1)确定聚类数量 k和模糊参数b，设置迭代终止阈值ε;2)初始化每个聚类中心 m;3)计算各个聚类的隶属度函数值;4)重新计算训练集的各类聚类中心;5)计算聚类损失函数值，如果与上次的函数值之差小于阈值，则退出迭代，否则返回步骤3重 复 运 算，直 到 获 得 稳 定 聚 类 中 心 和 隶 属度值。
每种针刺手法，例如捻转补，在得到针刺动作压电数据后对这些数据进行窗口划分，按照1s1个窗口，即100个采样点1个窗口，但是这样的滑动窗口分割方法，无法保证这个窗口内的压电数据恰好反映了1个完整的针刺手法动作。每次提取到的窗口数据所蕴含的手法信息有如下6种可能：(1)1个完整的针刺动作;(2)1个针刺动作的前面部分;(3)1个针刺动作的后面部分;(4)1个针刺动作的后面部分和1个完整的针刺动作;(5)1个完整的针刺动作和1个针刺动作的前面部分;(6)1个针刺动作的后面部分和1个完整的针刺动作和一个针刺动作的前面部分。对于1个动作，就会有这样的6种情况的窗口，如果1个动作只设立1个聚类中心，不符合窗口分割的实际情况，会影响分类的准确率。这6种窗口，每种都有自己的聚类中心，所以1个动作就有6个聚类中心，本文探讨了4种针刺手法动作，因此共有24 个 聚 类 中 心。 本 文 所 用 聚 类 模 型，如 图 4所示。
在使用训练集训练得到24个聚类中心后，将待分类数据，分别与24个聚类中心计算欧氏距离，然后同一类的6个聚类中心的欧氏距离相加，就得到4个欧氏距离之和，最小欧氏距离的对应类别就 是分类结果。
3 实验设计与实验结果
3.1 实验设计与实验结果
本实验中，使用中国中医科学院针灸研究所两位医师在佩戴本文中触觉传感器情况下进行针刺操作中收集到的数据。要求医师针对某个针刺手法动作(例如：捻转补、捻转泻、提插补和提插泻)连续操作5min，由于本文提出的手法采集系统采样频率为100Hz，因此医师的每种动作可以采集到30000个采样点。由于采样初始和结束阶段，存在粗大误差，所以在初始和结束阶段各剔除1000个采样点，最终保留28000个采样数据。我们将此时采集成功的某个手法 动 作 的24000个 采 样 点 作 为 训 练 数据，4000个采样点作为测试数据。
循环执行上述的采集动作4次(针对4种基础针刺手法动作)，其中：我们设置100个采样点为一个窗口，对于训练数据，每种手法动作有240个窗口(共4种手 法 动 作，总 计 960 个 窗 口);对 于 测 试 数据，每种手法动作40个窗口(共4种手法动作，总计160个窗口)。
基于本文所提手法动作的识别方法，得到针对测试集的识别准确率如图5所示。从图中可以看出每一种针刺动作的识 别情况，平 均 识 别 正 确 率 在88.22%，其中捻转补与捻转泻的正确率较 高，均 在90%以上，而提插补、提插泻则在80%左右。
以第一行第一列为例：医师实际手法动作为捻转补，且本文分类方法将该实际手法获取的压电数据分类为捻转补的准确率为92.5%;以第一行第二列为例，医师实际手法动作为捻转补，但是本文分类方法将该实际手法获取的压电数据分类为捻转泻的有7.5%。
图6至 图10是 训 练 样 本 数 据 通 过 FCM 聚 类后得到的数据分布情况。
捻转补和捻 转 泻 的 压 电 平 均 值 更 靠 近0，且 两者 不易进行区分，而提插补和提插泻表现的更加分散，其中提插补前端的平均值比较集中，波动不大，但是后端的表现就出现了较大的波动，从-1V 到1V都有分布。提 插 泻 则 相 反，平 均 值 的 分 布 情 况在前端更加分散，而后端在0上下波动。见图6。
捻转补和捻转泻的动作压电积分值更小，这是因为捻转动作是一种滑动动作，在捻转过程中，压电的平均值较小，而且滑动过程出现压电信号的时间占比相对于提插过程较小，从而导致捻转动作的积分值更小。提插补动作在后端的积分值较大，前端较小。而提插泻则相反，在前端的积分值较大，后端的积分值较小。见图7。
捻转补和捻转泻这两者在最大值上要小于提插补和提插泻，因为捻转是滑动动作，需要使用的力较小，但是提插需要持握针体进行上下动作，此时手指施加的力较大，反映到压电信号就出现了数值较大的最大值。捻转补和捻转泻区分度不大，而提插补在后端有着更大的压电最大值，提插泻则在前端的压电最大值更大，后端较小。见图8。
捻转补和捻转泻的最小值还是比较集中，不易进行区分，而提插补的最小值在后端较为明显，前端集中在0附近，提插泻的最小值在前端较为明显，后端集中在0附近。通过最大值和最小值的考虑，这两者是相互对应的，这是由于 PVDF压电薄膜的压电特性导致的，正向压电越大，从而转的负向压电也就越大。所以对于压电信号的最大值和最小值，这两者是统一的关系。见图9。
捻转补的针体位置数值偏大，在后端薄膜附近的区域时间更长，而捻转泻则与之相反。提插补和提插泻针体的位置则比较分散。见图10。
3.2 所提方法的局限性
本研究中以触觉传感器测试医师提插补和提插泻两种手法的结果显示，提插动作总是会在阵列式PVDF触觉传 感 器 其 中 的 一 片 区 域 产 生 更 大 的 压力，且发力更加突然，瞬间的压力更大，积分也就很大。与捻转补与捻转泻两种手法的识别率高达95%相比，本文所用方法对提插补和提插泻两种手法的识别准确率还稍显逊色。未来，将尝试引入频域特征及能量熵特征，来衡量提插手法下不同操作的特征，以提升识别准确率，也在理论上阐释提插手法的作用机制。
4 结论
本研究构建了一种阵列式 PVDF触觉传感器，可以有效地测量出针刺过程中指尖不同位置的压电信号，将力学信号转化为电学信号进行分析。随后，本研究基于机器学习中的 FCM 方法对获取的针刺手法压电信号进行聚类分析，构建了一种针刺手法识别方法。经过实验测试，此方法在捻转补和捻转泻的动作分类识别中有着 较高的准确率，可 达95%;对 于 提 插 补 和 提 插 泻 来 说，分 类 准 确 率 可 达80%，还有较大的提升空间。在后续的工作中，计划通过增加信号特征提取的种类并且构建多特征融合下的识别方法，进一步提高识别准确率。该结果利用智能传感 系 统 和 机 器 学 习 等 信 息 科 学 技 术 的 方法，实现了对针刺动作特征的提取与分类，为针刺手法的研究提供科学依据，对针刺手法的量化有着重要意义。