CN102426651B - 人体前臂表面肌电信号采集及模式识别系统 - Google Patents

Abstract

本发明公开了一种人体前臂表面肌电信号采集及模式识别系统，包括用于对人体前臂表面肌电信号进行采集、滤波、放大的采集电路；用于对采集到的模拟肌电信号进行AD采样转换为数字肌电信号的PCI数据采集卡；用于对人体右手前臂的肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌4块肌肉上采集到的肌电信号进行处理，提取其特征，并结合支持向量机对人体手腕握拳，张手，下翻，上翻，内翻，外翻六个动作进行识别的信号处理及动作识别单元。本发明实现了一种成本低、实时性好，识别率高的SEMG在线模式识别研究平台。

Description

人体前臂表面肌电信号采集及模式识别系统

技术领域

本发明属于生物信息识别领域，特别是一种人体前臂表面肌电信号采集及模式识别系统。

背景技术

表面肌电信号(Surface Electromyography，缩写SEMG)是一种复杂的表皮下肌肉电活动在皮肤表面处的时间和空间上的综合结果，已被广泛地应用于肌肉运动、肌肉损伤诊断、康复医学及体育运动等方面的研究^[1-2]，其中蕴含了丰富的与人体运动相关的各种信息。SEMG可以通过表面电极采集，因而SEMG的检测具有非侵入式特性，更易为患者所接受有广泛的应用前景，但存在干扰大识别困难难以定位及定量分析等问题^[3]。

现阶段对SEMG信号的分析研究大体可分为两个方面：一方面是对SEMG信号富含的生理学信息进行分析研究，建立肌肉内部生理、生化过程与肌电信号变化间的关系，多应用于临床医学的神经肌肉疾病诊断与运动功能评价、人机工效学领域肌肉工作的工效学分析，体育科学中的疲劳评定、运动技术和理性分析等^[4-5]。另一方面是利用SEMG信号富含的运动信息对各肢体运动对应的SEMG信号进行辨识。该方法广泛的应用于人机交互、临床康复等领域。

包括中国在内的世界上许多国家已经进入老龄化社会（我国60岁以上的老年人已有1.2亿，占全国人口的10%）。在老龄化过程中的生理衰退造成老年人四肢的灵活性不断下降，给日常的生活带来诸多不便；运动损伤和车祸等意外伤害造成的下肢骨骼断裂以及手术后恢复慢、效果不佳一直是困扰运动员以及普通百姓生活的严峻问题；由脑中风等各种疾病所引起的肢体运动性障碍病人也在显著增加。为了解决患者因肢体损伤所带来的生活及行动的不便，急需一种新的方式来构建人体与外界联系的桥梁，帮助肢体运动障碍的病人进行运动及肢体的康复训练。

通过表面肌电采集仪提取人体运动时肢体肌肉上的SEMG，然后对SEMG进行特征信息提取，结合模式识别算法，可以有效的识别出人体运动动作。因而，可以利用人体SEMG的这一特点来对外部机械的运动进行控制，搭建人体与外部交流的新通道。其中，SEMG的特征提取及模式识别算法是实现利用SEMG对外部机械进行控制所需着重研究的两个部分。通常，研究者从时域、频域、时—频域方面对表面肌电信号的特征提取方法进行研究。时域分析是将肌电信号看作时间的函数，通过分析得到肌电信号的某些统计特征，如平均绝对值(Mean Absolute Value,MAV)、均方根(Root Mean Square,RMS)、幅值的直方图、过零次数、均方值、三阶原点矩或四阶原点矩等，这些参数中除了均方根能代表信号的能量外，大多数没有明确的物理意义^[6]。传统频域分析方法是通过傅立叶变换将时域信号转换为频域信号，对信号进行频谱或功率谱分析，常用快速傅立叶变换(FFT)，表面肌电信号在频域常用的指标是中值频率(medianfrequency)、均值频率(mean frequency)、最高波峰频率、最高波峰幅值^[7]。近年来，研究人员开始在时—频域内分析SEMG信号特征参数。典型方法有如短时傅立叶变换（Short-Time Fourier Transform，缩写STFT）、小波变换（Wavelet Transform，缩写WT）、小波包变换（Wavelet PacketTransform，缩写WPT）、Wigner-Ville分布（Wigner-Ville Distribution，缩写WVD）、复倒谱系数、线性预测系数（Linear Predictive Coefficient，缩写LPC）等。Englehart等人选用了三种时—频分析方法：短时傅立叶变换、小波变换和小波包变换应用于SEMG动作模式分类，结果显示时—频特征增加了动作模式识别系统的信息量^[8]。由于人工神经网络(Artificial Neural Network,ANN)自学习的特点^[9]，其在以往的模式识别研究中得到了广泛的应用；近年来，支持向量机(Support VectorMachine，缩写SVM)算法也被广泛的应用在模式识别的研究中。

目前，我国上海交通大学、清华大学已经研制成功肌电假肢，其是通过表面肌电信号控制电机正反转来驱动假手的张合运动。哈尔滨工业大学机器人研究所建了立一套基于表面肌电信号(SEMG)的手指运动模式识别系统，东北大学课题组对表面肌电信号的模式识别方法进行了探索性的研究，大连理工大学在已开发出数字式肌电假手的基础上，又对其传感器和控制器部分进行了开发^[10-11]。还有，华中科技大学的康复训练机械手臂等^[12]。

针对人体康复训练及智能假肢控制的SEMG研究中，肌电采集及模式识别平台是其中必不可少的一部分，它由肌电采集仪硬件电路和信号分析及模式识别软件两部分组成。目前，人体SEMG采集处理系统平台大多为离线分析、处理平台，并不能满足对外部机械装置的实时控制研究的需求；而且目前的在线实时分析与处理系统实验平台存在造价高，实时性较差，实验用途单一等缺点，很难得到推广使用，因而限制了SEMG在肢体康复训练及智能假肢控制等领域的深入研究及应用。

上述提到的参考文献如下：

[1]R.Merletti et al.Advances in processing of surface myoelectricsignals:part1[M].Medical&Biological Engineering&Computing.1995,5:362-372.

[2]F.Laterz et al.Analysis of EMG signals by means of the matchedwavelet transform[J].Electronics Letters.1997,5:357-359.

[3]颜芳.电刺激诱发表面肌电信号检测分析及肌疲劳的研究[D].重庆：重庆大学，2003.

[4]B.Bigland-Ritchie,E.F.Donovan,C.S.Roussos.Conductionvelocity and EMG power spectrum changes in fatigue of sustainedmaximal efforts[J].Journal of Applied Physiology.1981,51(5):1300-1305.

[5]M.A.Carary,G.D.Carnaby,M.E.Groher,et al.Functionalbenefits of dysphagia therapy using adjunctive sEMG biofeedback.Dysphagia[J].2004,19(3):160-164.

[6]Guiraud D,Wieber PB,Makssoud HE.Modelling of the humanparalysed lower limb under FES[C],International Conference onRobotics&Automation,Taipei,Taiwan,2003,9:14-19.

[7]刘亚伟.基于表面肌电多特征的下肢行走关键模态识别研究[D].天津：天津大学，2009.

[8]K.Englehart,B.Hudgins,P.A.Parker,et al.Classificationof the myoelectric signal using time-frequency basedrepresentations[J].Medical Engineering and Physics.1999,21:431-438.

[9]Graupe D.Artificial Neural Network control of FES inParaplegics for Patient Responsive Ambulation[J].IEEETransactions On Biomedical Engineering，1995，42(7)：699707.

[10]王浩.智能肌电假手控制系统研究[D].大连：大连理工大学，2004.

[11]郝秀春.肌电假手控制系统的研究[D].大连：大连理工大学，2002.

[12]Wu Jun,Huan Jian,Wang Yongji.Upper limb rehabilitationrobot integrated with motion intention recognition and virtualreality environment[C].Control Conference(CCC),201029thChinese,3709-3715.

发明内容

本发明的目的为解决目前人体前臂表面肌电信号采集及模式识别系统实时识别性能差，识别率低以及实验平台成本高等缺点，提出一种快速的信号消噪与特征提取方法，降低SEMG消噪及特征提取的时间；并充分利用PC机应用普遍，运算速度快等优点，在VC6.0开发环境下将该特征提取方法与支持向量机相结合，实现了对人体手腕部六动作的模式识别的人体前臂表面肌电信号采集及模式识别系统。

为了实现上述目的，本发明所采用的技术方案是：

一种人体前臂表面肌电信号采集及模式识别系统，包括

采集电路：用于对人体前臂表面肌电信号进行采集、滤波、放大，并将信号送到数据采集卡；

PCI数据采集卡：对采集到的模拟肌电信号进行AD采样转换为数字肌电信号，并通过PCI总线将信号发送到PC机；

信号处理及动作识别单元：对人体右手前臂的肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌4块肌肉上采集到的肌电信号进行处理，提取其特征，并结合支持向量机对人体手腕握拳，张手，下翻，上翻，内翻，外翻六个动作进行识别。

本发明采集电路包括以下单元：

前置放大（10倍增益）模块：由OP07组成的电压跟随器及AD620组成，初步对肌电信号进行放大，由于加入了一级OP07组成的电压跟随器，大大提高了电路的共模抑制比，一级驱动电路可以有效地消除人体自身的50Hz工频干扰噪声；

带通（0.5Hz－500Hz）滤波模块：该模块有效消除0.5Hz－500Hz外的噪声信号，并可以有效地抑制信号的基线漂移；

陷波（50Hz）模块：进一步抑制50Hz工频干扰信号；

二级放大（150倍增益）模块：对肌电信号进行进一步的放大，从而达到PCI数据采集卡信号采集的有效输入范围。

本发明信号处理及动作识别单元包括以下单元：

波形显示模块：用于将来自数据采集卡的肌电信号进行实时绘制、显示；

频谱显示模块：用于将来自数据采集卡的肌电信号进行实时的FFT变换，并实时显示信号的频谱信息；

数据保存模块：用于对来自数据采集卡的肌电信号进行保存，保存的肌电信号数据将用于支持向量机模型的训练以及离线分析；

模型训练模块：用于提取SEMG训练样本集的特征，并训练、生成SVM模型；

信号识别模块：用于提取SEMG测试样本的特征，利用生成的SVM模型，实现待识别表面肌电信号的模式识别；

所述信号处理及动作识别单元，在PC机上VC6.0平台下进行编写；采用多线程技术，将所述时域波形显示模块，所述频谱分析显示模块，所述数据保存模块，所述模型训练模块及所述信号识别模块封装在不同的线程中，线程并发运行，用于对信号的实时分析、显示及模式识别。

本发明还提出一种人体前臂表面肌电信号模式识别方法，该方法通过从频域计算SEMG能量作为特征值，然后采用SVM对特征值进行分类识别，其具体步骤如下：

(1)采用快速傅里叶变换(Fast Fourier Transform，缩写FFT)计算人体右手前臂的肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌4块肌肉上四路离散训练肌电信号的频谱特征F(k)；

(2)根据先验知识，肌电信号在0Hz，50Hz，100Hz这些频率点上存在着噪声干扰，将步骤(1)中计算得到的4路肌电信号频谱特征F(k)中0Hz，50Hz，100Hz所对应的频谱特征值置零，从频域上消除肌电信号中存在的噪声干扰；

(3)根据DFT（Discrete Fourier Transform，缩写DFT）形式下的Parseval定理，可以得到信号能量

因而可以利用公式

计算出四路离散训练肌电信号能量E₁，E₂，E₃，E₄，其中N为信号采样点数，x(n)为第n点信号的幅值，F(k)表示第k点信号的DFT变换；

(4)将四路离散训练肌电信号能量E₁，E₂，E₃，E₄分别按照公式E_O=E_IE_T进行归一化处理，然后将归一化处理后的四路离散训练肌电信号能量E_O1，E_O2，E_O3，E_O4串接成一维向量ε_i，其中E_O表示经归一化处理后的肌电信号能量，E_I表示未经归一化处理的肌电信号能量，I的取值范围为[1-4]，E_T=|E₁|+|E₂|+|E₃|+|E₄|，ε_i=[E_O1E_O2E_O3E_O4]；

(5)同(4)，获取所有训练肌电信号的特征值ε；

(6)将训练肌电信号特征值ε用于训练支持向量机模型；

(7)同训练肌电信号步骤，提取待识别肌电信号的特征值μ；

(8)将待识别肌电信号的特征值μ用于已获得的支持向量机模型进行分类识别，实现对人体手腕部六种动作的识别。

本发明的有益效果在于：在VC6.0开发环境下实现了一种新的针对手腕部六动作模式识别方案，并结合肌电采集硬件电路实现了一种成本低，配置简单，识别率高的SEMG在线模式识别系统。模式识别结果以直观的图片形式展示出来，并预留了模式识别结果输出端口。用户可以利用该端口与外部机械设备相连接，实现对外部机械设备的控制。

附图说明

图1是本发明的系统工作流程图。

图2是本发明的信号处理及动作识别单元功能结构图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细描述。

图1是本发明的系统工作流程图，本发明的实施例是在本发明技术方案为前提下进行实施的，给出了详细的实施方案及具体的操作过程，但本发明的保护范围不限于下述实施例。

实施例是采集一名24岁男性自愿者右手前臂4块肌肉（肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌）SEMG进行试验。具体试验过程如下：

1、表面肌电信号采集分析系统安装连接

将SEMG采集电极线的D15公头与SEMG采集电路的D15母头相连接；将SEMG采集电路的电源接头与电源（电池供电）相连接；将SEMG采集电路的信号输出接头与安装在PC机内部的PCI数据采集卡外延线相连接；然后打开PC机上的EMG_Analyze.exe文件，弹出SEMG处理及模式识别软件。至此，整个表面肌电信号采集分析系统安装连接完毕。

2、粘贴肌电电极片

在自愿者右手前臂肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌四块肌肉上，分别粘贴两个肌电电极片，作为SEMG采集电路Ch1，Ch2，Ch3，Ch4四个通道表面肌电信号采集点；在右手腕关节靠近骨头处粘贴一个肌电电极片REF，该电极片作为SEMG采集电路的参考电极。

3、肌电电极片与SEMG采集电极线连接

将SEMG采集电极线中的驱动电极线与右手腕关节处的REF参考电极相连接，将SEMG采集电极线的Ch1，Ch2，Ch3，Ch4通道与肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌四块肌肉上的肌电采集点相连接。

4、SEMG训练样本集的采集

(1)在SEMG处理及模式识别单元中配置PCI数字采集卡采样参数，4通道采样，每通道采样频率为1KHz。

(2)点击SEMG处理及模式识别单元中的‘采集样本’按钮，弹出‘训练样本采集参数配置’窗口；‘动作种类组数’设置为6，‘每组采集个数’设置为30；

(3)自愿者全身放松静坐在座椅上，右手水平举起；

(4)点击SEMG处理及模式识别单元中的‘开始试验’按钮，弹出‘点击确定，开始第1次数据采集’提示框，提示自愿者开始准备；

(5)点击确定后，系统开始采集人体表面肌电信号，自愿者右手作握拳动作，并保持该动作直到软件提示数据采集结束，每个动作采集30个样本，每个样本含有512*4个数据（512表示每块肌肉上采集的离散肌电信号的点数，4表示Ch1，Ch2，Ch3，Ch4四个肌电采集通道）；

(6)然后根据试验要求，自愿者右手依次作张手、下翻、上翻、内翻、外翻动作，重复步骤(3)、(4)、(5)，完成对肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌四块肌肉上肌电信号的数据采集工作。

以上步骤共采集了握拳、张手、下翻、上翻、内翻、外翻六种动作的肌电信号数据，分别保存在文件夹mode1，mode2，mode3，mode4，mode5，mode6中，每个文件夹中分别包含有30文本文档，命名为Data1.txt，Data2.txt…Data30.txt，每个文本文件中共存储有512行*4列数据。

5、SEMG训练样本集的特征提取

(1)从文件夹mode1中提取出文本文件Data1.txt，文本文件中含有4列数据，每列含有512个数据；

(2)采用快速傅里叶变换(Fast Fourier Transform，缩写FFT)依次计算Data1.txt中4列数据的频谱特征F(k)，4列数据的频谱特征F(k)分别反映地是自愿者右手手臂作握拳动作时肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌四块肌肉上采集到的肌电信号的频谱特征；

(3)根据先验知识，肌电信号在0Hz，50Hz，100Hz这些频率点上存在着噪声干扰，因而分别将步骤(2)中计算得到的4路肌电信号频谱特征F(k)中0Hz，50Hz，100Hz所对应的频谱特征值置零，从频域上消除肌电信号中存在的噪声干扰；

(4)根据DFT形式下的Parseval定理，可以得到信号能量 $E=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}|x{\left(n\right)|}^2=\frac{1}{N}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|F\left(k\right)\right|}^2,$ 因而可以利用公式 $E=\frac{1}{N}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|F\left(k\right)\right|}^2$ 分别计算出Data1.txt中四路离散训练肌电信号能量E₁，E₂，E₃，E₄；

(5)将四路离散训练肌电信号能量E₁，E₂，E₃，E₄分别按照公式E_O=E_IE_T进行归一化处理，然后将归一化处理后的四路离散训练肌电信号能量E_O1，E_O2，E_O3，E_O4串接成一维向量ε_i；

(6)重复步骤(1)至(5)，获取所有SEMG训练样本集的特征值集ε，并将该特征集ε保存在文本文件train_data.txt中；

6、训练SVM模型

读取步骤5中保存在train_data.txt中的训练SEMG样本集的特征值集ε，并将该特征值集ε作为支持向量机的训练向量，训练支持向量机模型，将训练得到的支持向量机模型svm_model以文件的形式进行保存；下面将会利用训练得到的支持向量机模型svm_model对测试SEMG样本进行分类。

7、SEMG测试样本模式识别

(1)点击SEMG处理及模式识别软件中的‘模式识别’按钮，导入步骤6中保存的支持向量机模型svm_model，点击‘开始试验’按钮，进行实时模式识别；

(2)自愿者全身放松静坐在座椅上，右手水平举起并作握拳、张手、下翻、上翻、内翻、外翻六个动作中的一种；

(3)肌电采集电路实时采集自愿者右手前臂4块肌肉（肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌）上的SEMG，每采集到512行*4列数据即一个SEMG测试样本，立即通过PCI总线传入PC机上，进行特征提取；

(4)采用快速傅里叶变换(Fast Fourier Transform，缩写FFT)依次计算SEMG测试样本中4列数据的频谱特征F(k)；

(5)根据先验知识，肌电信号在0Hz，50Hz，100Hz这些频率点上存在着噪声干扰，因而分别将步骤(4)中计算得到的4路肌电信号频谱特征F(k)中0Hz，50Hz，100Hz所对应的频谱特征值置零，从频域上消除肌电信号中存在的噪声干扰；

(6)根据DFT形式下的Parseval定理，可以得到信号能量 $E=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}|x{\left(n\right)|}^2=\frac{1}{N}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|F\left(k\right)\right|}^2,$ 因而可以利用公式 $E=\frac{1}{N}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{\left|F\left(k\right)\right|}^2$ 分别计算出SEMG测试样本中四路离散测试肌电信号的能量E₁，E₂，E₃，E₄；

(7)将四路离散测试肌电信号能量E₁，E₂，E₃，E₄分别按照公式E_O=E_IE_T进行归一化处理，然后将归一化处理后的四路离散测试肌电信号能量E_O1，E_O2，E_O3，E_O4串接成一维向量μ_i；

(8)将步骤(7)中归一化后的特征值μ_i作为识别向量，利用步骤(1)中导入的支持向量机模型svm_model对特征值μ_i进行实时模式识别，将识别结果以图像的形式进行生动的展示，并通过数据采集卡DIO接口将识别结果实时输出，用于对外部机械设备的实时控制。

图2中波形显示模块的功能是对数据卡采集到的SEMG进行实时显示；频谱显示模块的功能是对数据采集卡采集到的SEMG进行FFT变换，并将频谱信息进行实时显示；数据保存模块的功能是实时保存采集到的表面肌电信号，便于离线分析；模型训练模块的功能是提取SEMG训练样本集的特征，并训练、生成SVM模型；信号识别模块的功能是提取实时SEMG测试样本特征，利用模型训练模块中生成的SVM模型进行模式识别。以上各功能模块封装在不能的程序线程中，每个线程并发运行，从而保证了对SEMG分析及模式识别的实时性要求。

为了更好的说明该系统的有效性，自愿者手腕部随机作握拳、张手、下翻、上翻、内翻、外翻六种动作中的一种，系统对采集的测试SEMG进行实时的、在线模式识别。每种动作重复此实验50次，得出实验结果。经测试，该系统对人体手腕部握拳、张手、下翻、上翻、内翻、外翻六种动作平均识别率为95.7%；由于整个软件系统在PC机VC6.0环境下编写完成，系统采用多线程运行机制，充分利用PC机处理速度高的优势，从而保证了在线SEMG模式识别系统实时性高、准确率高的要求。由于整个软件系统在VC6.0环境下编写完成，而不依赖其他运行平台，因而系统配置简单，大大降低了系统成本。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (1)

1.一种人体前臂表面肌电信号采集及模式识别系统的信号识别方法，所述系统包括 

采集电路：用于对人体前臂表面肌电信号进行采集、滤波、放大，并将信号送到PCI数据采集卡； 

PCI数据采集卡：对采集到的模拟肌电信号进行AD采样转换为数字肌电信号，并通过PCI总线将信号发送到PC机； 

信号处理及动作识别单元：设置在PC机内，对人体右手前臂的肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌4块肌肉上采集到的肌电信号进行处理，提取其特征，并结合支持向量机对人体手腕握拳，张手，下翻，上翻，内翻，外翻六个动作进行识别； 

所述采集电路包括 

前置放大模块：由电压跟随器及放大器组成，初步对肌电信号进行放大； 

带通滤波模块：该模块有效消除0.5Hz－500Hz外的噪声信号，并可以有效地抑制信号的基线漂移； 

陷波模块：进一步抑制工频干扰信号； 

二级放大模块：对肌电信号进行进一步的放大，从而达到PCI数据采集卡信号采集的有效输入范围； 

所述信号处理及动作识别单元包括 

时域波形显示模块：用于将来自数据采集卡的肌电信号进行实时绘制、显示； 

频谱分析显示模块：用于将来自数据采集卡的肌电信号进行实时的FFT变换，并实时显示信号的频谱信息； 

数据保存模块：用于对来自数据采集卡的肌电信号进行保存，保存的肌电信号数据将用于支持向量机模型的训练以及离线分析； 

模型训练模块：用于提取表面肌电信号SEMG训练样本集的特征，并训练、生成支持向量机（SVM）模型； 

信号识别模块：用于提取SEMG测试样本的特征，利用生成的SVM模型，实现待识别表面肌电信号的模式识别； 

所述信号处理及动作识别单元，在PC机上VC6.0平台下进行编写；采用多线程技术，将所述时域波形显示模块、所述频谱分析显示模块、所述数据保存模块、所述模型训练模块及所述信号识别模块封装在不同的线程中，线程并发运行，用于对信号的实时显示、分析及模式识别， 

其特征在于，所述系统的信号识别方法是： 

(1)采用快速傅里叶变换计算人体右手前臂的肱桡肌、桡侧腕长伸肌、尺侧腕伸肌以及桡侧腕屈肌4块肌肉上四路离散训练肌电信号的频谱特征； 

(2)根据先验知识，肌电信号在0Hz，50Hz，100Hz这些频率点上存在着噪声干扰，将步骤(1)中计算得到的4路肌电信号频谱特征中0Hz，50Hz，100Hz所对应的频谱特征值置零，从频域上消除肌电信号中存在的噪声干扰； 

(3)根据DFT（Discrete Fourier Transform）形式下的Parseval定理，可以得到信号能量

因而可以利用公式

计算出四路离散训练肌电信号能量E₁，E₂，E₃，E₄，其中N为信号采样点数，x(n)为第n点信号 的幅值，F(k)表示第k点信号的DFT变换； 

(4)将四路离散训练肌电信号能量E₁，E₂，E₃，E₄分别按照公式E_O=E_IE_T进行归一化处理，然后将归一化处理后的四路离散训练肌电信号能量E_O1，E_O2，E_O3，E_O4串接成一维向量ε_i，其中E_O表示经归一化处理后的肌电信号能量，E_I表示未经归一化处理的肌电信号能量，I的取值范围为[1-4]，E_T=|E₁|+|E₂|+|E₃|+|E₄|，ε_i=[E_O1E_O2E_O3E_O4]，其中ε_i的下标i表示第i组实验,i为正整数； 

(5)同(4)，获取所有训练肌电信号的特征值ε=[ε₁ε₂Lε_i]，其中ε_i表示第i组实验获得的一维向量，i的取值范围取决于采集表面肌电信号的实验次数,i为正整数； 

(6)将训练肌电信号特征值ε用于训练支持向量机模型； 

(7)将四路离散测试肌电信号能量E₁，E₂，E₃，E₄分别按照公式E_O=E_IE_T进行归一化处理，然后将归一化处理后的四路离散测试肌电信号能量E_O1，E_O2，E_O3，E_O4串接成一维向量作为待识别肌电信号的特征值μ；将待识别肌电信号的特征值μ用于已获得的支持向量机模型进行分类识别，实现对人体手腕握拳，张手，下翻，上翻，内翻，外翻六种动作的识别。 

Images