CN102631195A - 人体表面肌电信号单通道盲源分离法 - Google Patents

人体表面肌电信号单通道盲源分离法 Download PDF

Info

Publication number
CN102631195A
CN102631195A CN2012101140931A CN201210114093A CN102631195A CN 102631195 A CN102631195 A CN 102631195A CN 2012101140931 A CN2012101140931 A CN 2012101140931A CN 201210114093 A CN201210114093 A CN 201210114093A CN 102631195 A CN102631195 A CN 102631195A
Authority
CN
China
Prior art keywords
signal
matrix
electromyographic signal
multichannel
single channel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012101140931A
Other languages
English (en)
Other versions
CN102631195B (zh
Inventor
郭一娜
王清华
黄书华
卓东风
李秋果
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Science and Technology
Original Assignee
Taiyuan University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Science and Technology filed Critical Taiyuan University of Science and Technology
Priority to CN201210114093.1A priority Critical patent/CN102631195B/zh
Publication of CN102631195A publication Critical patent/CN102631195A/zh
Application granted granted Critical
Publication of CN102631195B publication Critical patent/CN102631195B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种人体表面肌电信号单通道盲源分离法，属于电子信息技术领域，特征是采用多通道输入单通道输出的肌电信号预处理模块和单通道输入多通道输出的单通道盲源分离模块，实施步骤是把多路表面肌电信号在肌电信号预处理模块直接相加混合为单通道信号进行传输，最后在肌电信号单通道盲源分离模块在不影响后期模式识别效果条件下，简单、快捷、有效的恢复出源信号，实现多路输出口输出，以此来替代传统采用多接口和多通道、或者复用和解复用的多通道传输技术。本发明能够有效地减少传输通道数量，达到降低硬件复杂度，节约设备成本的目的。

Description

人体表面肌电信号单通道盲源分离法
技术领域
本发明属于电子信息技术领域，具体涉及一种人体表面肌电信号单通道盲源分离法。
背景技术
人体表面肌电信号是神经肌肉系统进行随意性和非随意性活动时，生物电变化经表面电极引导而获得到的一维电压时间序列信号。肌电电极所采集到的表面肌电信号，幅值较低，易受到周围环境噪声干扰，盲源分离方法能够对于噪声的抑制具有较好的效果。在脱机的情况下，采用盲源分离方法处理人体前臂的表面肌电信号后，识别人的各种手势准确率高达99%。
对于信号的多通道传输，大都采用多接口和连线，或者复用和解复用技术，这些方法缺点是采用设备复杂度较高，花费成本高。
单通道盲源分离是盲源分离的一种极端的情况，即在未知信号混合的方式的情况下，凭借单通道信号恢复出多通道信号，人们在这方面的探索也是刚刚展开，目前常见的方式是将单通道通过某种方法转化为“虚拟多通道”，最后利用独立成分分析ICA进行分离得出原信号。
目前主要的单通道盲源分离法有以下三种类型：                                                
Figure 423991DEST_PATH_IMAGE001
单通道ICA分析（single channel ICA）即SCICA，当信号的频谱相距较近，对于如母婴心跳的混合信号，用SCICA方法不能进行分离；
Figure 706067DEST_PATH_IMAGE002
对信号奇异值分解（Singular Value Decomposition, SVD）后再进行ICA处理，即SVD_ICA和奇异谱分析Singular Spectrum Analysis，SSA）后进行ICA处理，即SSA_ICA，此两种方法对于信号频谱重叠时，分离信号效果较差，出现混叠；
Figure 141728DEST_PATH_IMAGE003
小波分解（Wavelet Decomposition）后进行ICA处理，即Wavelet_ICA和经验模态分解（Empirical Mode Decomposition，EMD）后进行ICA处理，即EMD_ICA，此两种方法在信号的频谱重叠的情况下仍能进行分离，运用小波分解时需要针对不同的信号进行选取小波，而EMD分解是根据信号的特征提取出本征模态函数（Intrinsic Model Function），即IMF，具有很强的自适应性；由于所采集到的人体表面肌电信号频谱在一定情况下会重叠，实际对比Wavelet_ICA 和EMD_ICA, 发现EMD_ICA分离效果波形平滑，更接近原信号，但EMD_ICA方法处理过程速度较慢，过程中需要人凭借经验进行信号的挑选，智能性不高。
发明内容
本发明目的是提供一种利用单通道盲源分离法对人体肌电信号进行采集的方法，可以有效地克服现有技术的缺点。
本发明是这样实现的，其特征在于采用的模块包括有多通道输入单通道输出的肌电信号预处理模块和单通道输入多通道输出的肌电信号单通道盲源分离模块，其实施步骤是：
A、将采集到多路肌电信号通过屏蔽导线送到肌电信号预处理模块直接相加，得到预处理单通道肌电信号
Figure 647796DEST_PATH_IMAGE004
；
B、将预处理所得到的单通道肌电信号
Figure 801696DEST_PATH_IMAGE004
送到肌电信号盲源分离模块，进行总体经验模态分解（Ensemble Empirical Mode Decomposition），即EEMD分解，主成份分析PCA降维和独立成分分析ICA，实现多路表面肌电信号通过一个输入口采集，多路输出口输出：
B.1、总体经验模态分解EEMD处理得到本征模态函数IMFs； 
a、将预处理所得到的单通道肌电信号
Figure 684202DEST_PATH_IMAGE004
,多次加入具有均值为零、标准差为常数的白噪声
Figure 36686DEST_PATH_IMAGE005
,即为
Figure 651338DEST_PATH_IMAGE006
,其中
Figure 89272DEST_PATH_IMAGE007
为加入白噪声之后的信号，
Figure 713152DEST_PATH_IMAGE005
为第i次加入的白噪声，白噪声ni(t)的准则为
Figure 920142DEST_PATH_IMAGE008
，
Figure 968345DEST_PATH_IMAGE009
，
Figure 893576DEST_PATH_IMAGE010
，其中，
Figure 55567DEST_PATH_IMAGE011
表示加入的高斯白噪声标准差，
Figure 382643DEST_PATH_IMAGE012
表示肌电信号中有效高频成分的幅值标准差，
Figure 604677DEST_PATH_IMAGE013
表示肌电信号幅值标准差，
Figure 751624DEST_PATH_IMAGE014
为比例系数，通常情况下，
Figure 717306DEST_PATH_IMAGE014
=
Figure 898889DEST_PATH_IMAGE015
能有效避免肌电信号分解中的模式混淆；
b、对所得到的信号进行经验模态分解EMD，得到各自的IMF记为
Figure 291824DEST_PATH_IMAGE016
,和余项
Figure 191647DEST_PATH_IMAGE017
。其中
Figure 757758DEST_PATH_IMAGE016
表示加入白噪声后分解得到的第
Figure 731530DEST_PATH_IMAGE018
个IMF；
c、将步骤b所得到的IMF进行总体平均运算，得到IMFs为
Figure 357683DEST_PATH_IMAGE019
，其中，
Figure 416906DEST_PATH_IMAGE020
为对原信号进行EEMD分解后所得到的第
Figure 786708DEST_PATH_IMAGE018
个IMF。由此可以得到IMF分量矩阵
Figure 880566DEST_PATH_IMAGE021
,其中，
Figure 677620DEST_PATH_IMAGE022
为单通道肌电信号经EEMD分解后的IMF个数，上标T为转置运算；
B.2、对得到IMF分量进行PCA降维：
Figure 238788DEST_PATH_IMAGE023
，其中A为经过EEMD分解后得到的IMF分量矩阵，R为m个变量IMFs的自相关矩阵，V为R的
Figure 95065DEST_PATH_IMAGE025
阶特征向量矩阵，其列向量是R的正交规一化的特征向量；
Figure 63021DEST_PATH_IMAGE026
为R的特征对角矩阵, 
Figure 96836DEST_PATH_IMAGE027
，i=1,2, …,m为第i个对角线上的元素；构造m个不相关的新变量
Figure 808440DEST_PATH_IMAGE028
，Y = {y1,y2,…,ym}T,对
Figure 876891DEST_PATH_IMAGE027
（i=1,2, …,m）按降序排列后，取前面p个较大特征值所对应的特征向量，得到降维后
Figure 15748DEST_PATH_IMAGE029
阶向量矩阵B，其中
Figure 271280DEST_PATH_IMAGE030
；
B.3、将PCA降维所得到矩阵B进行ICA处理，采用的是效果好且速度快的基本定点迭代算法FastICA进行ICA处理：
a、白化数据，给出观测矩阵X，其中
Figure 786575DEST_PATH_IMAGE031
，A为信号的混合矩阵，
Figure 709531DEST_PATH_IMAGE032
为源信号；
b、随机选取权向量作为解混矩阵W的权值，W为解混矩阵，即为混合矩阵A的虚拟反矩阵；
c、令，其中非二次函数G的导数，
Figure 815525DEST_PATH_IMAGE035
，是常数，常取做1；
d、循环迭代，直到收敛为止。最后得到
Figure 592988DEST_PATH_IMAGE036
阶向量矩阵
Figure 73648DEST_PATH_IMAGE037
，通过观察选取分离后肌电信号。
本发明优点及积极效果：本发明利用一种新型单通道盲源分离法来传输采集到的多通道人体表面肌电信号，此方法能够将混为一路的多路频谱重叠的肌电信号，在不影响后期识别效果的情况下分离出来，替代传统采用多接口和多通道、或者复用和解复用的多通道传输技术，能够有效地减少传输通道数量，达到降低硬件复杂度，节约设备成本的目的。 
附图说明
图1是本发明模型的框图；
      图2是本发明模型的流程图；
      图3是所采集到的两路肌电信号，(a)握拳时采集到的肱桡肌的表面肌电信号，（b）握拳时采集到的尺侧腕屈肌表面肌电信号；
      图4是混合后的单通道肌电信号；
      图5是恢复后的肌电信号，（a）恢复出的肱桡肌的表面肌电信号,(b)恢复出的尺侧腕屈肌表面肌电信号。
具体实施方式
现以握拳时采集的肱桡肌的表面肌电信号和尺侧腕屈肌表面肌电信号为例进行实施和分析，步骤如下:
1、对采集到的两路肌电信号，如图3（a）为握拳时采集到的肱桡肌的表面肌电信号，（b）为握拳时采集到的尺侧腕屈肌表面肌电信号，通过屏蔽导线传输到肌电信号预处理模块，进行直接相加混合得到输出信号，如图4。
2、对经过肌电信号预处理模块后的输出信号，首先进行归一化处理，然后进行EEMD分解处理，提取本征模态函数IMFs，进入PCA降维，提取主元，最后进行ICA处理。分离出多路肌电信号，如图5（a）为恢复出的肱桡肌的表面肌电信号，（b）为恢复出的尺侧腕屈肌表面肌电信号。
本实施例中,上述步骤2中， EEMD分解处理得到本征模态函数IMFs；具体步骤如下：
a、将预处理单通道肌电信号
Figure 566422DEST_PATH_IMAGE004
,加入100次具有均值为零、标准差为常数的白噪声
Figure 157940DEST_PATH_IMAGE005
,即为
Figure 117806DEST_PATH_IMAGE006
,其中为加入白噪声之后的信号，
Figure 486787DEST_PATH_IMAGE005
为第i次加入的白噪声，白噪声的标准差为0.2；
b、对所得到的信号进行EMD分解，得到各自的IMF记为
Figure 819679DEST_PATH_IMAGE016
,和余项
Figure 634052DEST_PATH_IMAGE017
。其中
Figure 394197DEST_PATH_IMAGE016
表示加入白噪声后分解得到的第
Figure 598914DEST_PATH_IMAGE018
个IMF；
c、所得到的IMF进行总体平均运算，得到IMFs为
Figure 797814DEST_PATH_IMAGE038
，其中，
Figure 404376DEST_PATH_IMAGE020
为对原信号进行EEMD分解后所得到的第个IMF。由此可以得到IMF分量矩阵
Figure 89752DEST_PATH_IMAGE021
,其中，
Figure 30026DEST_PATH_IMAGE022
=12，为单通道肌电信号经EEMD分解后的IMF个数，上标T为转置运算；
本实施例中,上述步骤2中,主成份分析PCA处理具体步骤如下:
Figure 553411DEST_PATH_IMAGE023
，其中A为经过EEMD分解后得到的IMF分量12×3000矩阵，R为12个变量IMFs的自相关矩阵，V为R的12×12阶特征向量矩阵，其列向量是R的正交规一化的特征向量；
Figure 658289DEST_PATH_IMAGE026
为R的特征对角矩阵, 
Figure 899915DEST_PATH_IMAGE027
，i=1,2, …,12为第i个对角线上的元素；构造12个不相关的新变量 ，Y = {y1,y2,…,y12}T,对
Figure 756192DEST_PATH_IMAGE027
（i=1,2, …,12）按降序排列后，取前面2个较大特征值所对应的特征向量，得到降维后的2×3000向量矩阵B；
本实例中，上述步骤2中，ICA处理采用的是效果较好、速度较快的基本定点迭代算法FastICA。进行FastICA处理具体如下：
a、白化数据，给出观测矩阵X；
b、随机选取权向量作为解混矩阵W的权值；
c、令
Figure 294621DEST_PATH_IMAGE033
，其中非二次函数G的导数
Figure 757963DEST_PATH_IMAGE034
，
Figure 40040DEST_PATH_IMAGE039
取做1；
d、循环迭代，直到收敛为止。最后得到2×3000阶向量矩阵
Figure 272438DEST_PATH_IMAGE037
，即为分离后肌电信号。
本实施例效果是，计算图3（a）和图5（a）相关系数为0.6863，图3(b)和图5（b）相关系数为0.7795，表明本发明人体肌电信号的单通道盲源分离法能够较真实的恢复出之前的信号。

Claims (1)

1.一种人体表面肌电信号单通道盲源分离法，其特征是采用的模块包括有：多通道输入单通道输出的肌电信号预处理模块和单通道输入多通道输出的肌电信号单通道盲源分离模块，实施步骤是：
A、将采集到多路肌电信号通过屏蔽导线送到肌电信号预处理模块直接相加，得到预处理单通道肌电信号                                                
Figure 561998DEST_PATH_IMAGE001
；
B、将预处理所得到的单通道肌电信号
Figure 685812DEST_PATH_IMAGE001
送到肌电信号盲源分离模块，进行总体经验模态分解（Ensemble Empirical Mode Decomposition），即EEMD分解，主成份分析PCA降维和ICA分析，实现多路表面肌电信号通过一个输入口采集，多路输出口输出：
B.1、总体经验模态分解EEMD处理得到本征模态函数IMFs： 
a、将预处理所得到的单通道肌电信号
Figure 970163DEST_PATH_IMAGE001
,多次加入具有均值为零、标准差为常数的白噪声
Figure 195739DEST_PATH_IMAGE002
,即为
Figure 223738DEST_PATH_IMAGE003
,其中
Figure 467637DEST_PATH_IMAGE004
为加入白噪声之后的信号，
Figure 657310DEST_PATH_IMAGE002
为第i次加入的白噪声，白噪声ni(t)的准则为，
Figure 927504DEST_PATH_IMAGE006
，
Figure 291489DEST_PATH_IMAGE007
，其中，
Figure 652063DEST_PATH_IMAGE008
表示加入的高斯白噪声标准差，表示肌电信号中有效高频成分的幅值标准差，
Figure 222033DEST_PATH_IMAGE010
表示肌电信号幅值标准差，
Figure 174946DEST_PATH_IMAGE011
为比例系数，通常情况下，
Figure 972000DEST_PATH_IMAGE011
=
Figure 580836DEST_PATH_IMAGE012
能有效避免肌电信号分解中的模式混淆；
b、对所得到的信号进行经验模态分解EMD，得到各自的IMF记为
Figure 567378DEST_PATH_IMAGE013
,和余项
Figure 578059DEST_PATH_IMAGE014
，其中
Figure 608332DEST_PATH_IMAGE013
表示加入白噪声后分解得到的第
Figure 704464DEST_PATH_IMAGE015
个IMF；
c、将步骤b所得到的IMF进行总体平均运算，得到IMFs为
Figure 229118DEST_PATH_IMAGE016
，其中，
Figure 94305DEST_PATH_IMAGE017
为对原信号进行EEMD分解后所得到的第
Figure 295480DEST_PATH_IMAGE015
个IMF，由此可以得到IMF分量矩阵
Figure 878908DEST_PATH_IMAGE018
,其中，
Figure 2012101140931100001DEST_PATH_IMAGE019
为单通道肌电信号经EEMD分解后的IMF个数，上标T为转置运算；
B.2、 对得到IMF分量进行PCA降维：
Figure 938743DEST_PATH_IMAGE020
，其中A为经过EEMD分解后得到的IMF分量
Figure 986334DEST_PATH_IMAGE021
矩阵，R为m个变量IMFs的自相关矩阵，V为R的
Figure 296092DEST_PATH_IMAGE022
阶特征向量矩阵，其列向量是R的正交规一化的特征向量，为R的特征对角矩阵, 
Figure 233272DEST_PATH_IMAGE024
，i=1,2, …,m为第i个对角线上的元素，构造m个不相关的新变量
Figure 135369DEST_PATH_IMAGE025
，Y = {y1,y2,…,ym}T,对（i=1,2, …,m）按降序排列后，取前面p个较大特征值所对应的特征向量，得到降维后阶向量矩阵B，其中
Figure 578617DEST_PATH_IMAGE027
；
B.3、将PCA降维所得到矩阵B进行ICA处理，采用的是效果好且速度快的基本定点迭代算法FastICA进行ICA处理：
a、白化数据，给出观测矩阵X，其中，A为信号的混合矩阵，
Figure 986782DEST_PATH_IMAGE029
为源信号；
b、随机选取权向量作为解混矩阵W的权值，W为解混矩阵，即为混合矩阵A的虚拟反矩阵；
c、令
Figure 845147DEST_PATH_IMAGE030
，其中非二次函数G的导数
Figure 240357DEST_PATH_IMAGE031
，
Figure 851467DEST_PATH_IMAGE032
，是常数，常取做1；
d、循环迭代，直到收敛为止，最后得到
Figure 939508DEST_PATH_IMAGE033
阶向量矩阵
Figure 22521DEST_PATH_IMAGE034
，通过观察选取分离后肌电信号。
CN201210114093.1A 2012-04-18 2012-04-18 人体表面肌电信号单通道盲源分离法 Expired - Fee Related CN102631195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210114093.1A CN102631195B (zh) 2012-04-18 2012-04-18 人体表面肌电信号单通道盲源分离法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210114093.1A CN102631195B (zh) 2012-04-18 2012-04-18 人体表面肌电信号单通道盲源分离法

Publications (2)

Publication Number Publication Date
CN102631195A true CN102631195A (zh) 2012-08-15
CN102631195B CN102631195B (zh) 2014-01-08

Family

ID=46615902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210114093.1A Expired - Fee Related CN102631195B (zh) 2012-04-18 2012-04-18 人体表面肌电信号单通道盲源分离法

Country Status (1)

Country Link
CN (1) CN102631195B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636314A (zh) * 2015-01-30 2015-05-20 太原科技大学 一种单通道混沌信号盲源分离法
CN104935292A (zh) * 2014-03-17 2015-09-23 西南科技大学 一种基于源数估计的表面肌电信号自适应滤波方法
CN106898361A (zh) * 2017-03-16 2017-06-27 杭州电子科技大学 基于反馈变分模式分解的单通道盲源分离方法
CN108309290A (zh) * 2018-02-24 2018-07-24 华南理工大学 单通道脑电信号中肌电伪迹的自动去除方法
CN108433700A (zh) * 2017-02-16 2018-08-24 西门子保健有限责任公司 从表面数据估计患者内部解剖结构
CN108618773A (zh) * 2017-03-15 2018-10-09 深圳市理邦精密仪器股份有限公司 一种心电信号去噪方法、装置和一种心电信号采集设备
CN109886897A (zh) * 2019-03-04 2019-06-14 重庆工商大学 一种高光谱图像解混设备
CN110151175A (zh) * 2019-04-10 2019-08-23 杭州电子科技大学 基于ceemd与改进小波阈值的表面肌电信号消噪方法
CN110459238A (zh) * 2019-04-12 2019-11-15 腾讯科技（深圳）有限公司 语音分离方法、语音识别方法及相关设备
CN111904414A (zh) * 2020-07-30 2020-11-10 太原科技大学 一种多入单出脑电信号采集器
CN111956210A (zh) * 2020-08-27 2020-11-20 重庆邮电大学 一种基于eemd和信号结构分析的心电信号r波识别方法
CN112014692A (zh) * 2020-07-20 2020-12-01 国网安徽省电力有限公司电力科学研究院 基于主成分分析的局部放电特高频信号盲源分离去噪方法
CN113727654A (zh) * 2019-04-24 2021-11-30 皇家飞利浦有限公司 用于分离心率信号的胎儿超声处理单元
CN114492536A (zh) * 2022-02-15 2022-05-13 福州大学 一种肌阻抗信号分离方法
WO2022166401A1 (zh) * 2021-02-05 2022-08-11 中国科学院深圳先进技术研究院 基于eemd-pca去除eeg信号中运动伪迹的方法及装置
CN117017323A (zh) * 2023-09-14 2023-11-10 中国科学技术大学 基于盲源分离的高密度表面膈肌肌电采集与预处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030088164A1 (en) * 2001-11-02 2003-05-08 Nellcor Puritan Bennett Inc. Blind source separation of pulse oximetry signals
WO2006072150A1 (en) * 2005-01-07 2006-07-13 K.U. Leuven Research And Development Muscle artifact removal from encephalograms
US20090005700A1 (en) * 2007-06-29 2009-01-01 The Regents Of The University Of California Multi-channel myoelectrical control using single muscle
CN101536905A (zh) * 2009-05-06 2009-09-23 中国科学技术大学 表面肌电图系统及其电极板
CN202168823U (zh) * 2011-07-01 2012-03-21 太原科技大学 人体表面肌电信号采集器

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030088164A1 (en) * 2001-11-02 2003-05-08 Nellcor Puritan Bennett Inc. Blind source separation of pulse oximetry signals
WO2006072150A1 (en) * 2005-01-07 2006-07-13 K.U. Leuven Research And Development Muscle artifact removal from encephalograms
US20090005700A1 (en) * 2007-06-29 2009-01-01 The Regents Of The University Of California Multi-channel myoelectrical control using single muscle
CN101536905A (zh) * 2009-05-06 2009-09-23 中国科学技术大学 表面肌电图系统及其电极板
CN202168823U (zh) * 2011-07-01 2012-03-21 太原科技大学 人体表面肌电信号采集器

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BOGDAN MIJOVIE ET AL: "Source Separation From Single-Channel Recordings by Combining Empirical-Mode Decomposition and Independent Component Analysis", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》, vol. 57, no. 9, 30 September 2010 (2010-09-30) *
J.TAGHIA ET AL: "NOISE SEPARATION IN ANALOG INTEGRATED CIRCUITS USING EMD-PCA-ICA", 《16TH EUROPEAN PROCESSING CONFERENCE(EUSIPCO 2008)》, 29 August 2008 (2008-08-29) *
刘佳等: "基于EEMD的地声信号单通道盲源分离算法", 《哈尔滨工程大学学报》, vol. 32, no. 2, 25 February 2011 (2011-02-25) *
郭一娜等: "肌电三维仿真手的单通道盲识别系统", 《肌电三维仿真手的单通道盲识别系统》, vol. 27, no. 9, 30 September 2010 (2010-09-30) *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104935292A (zh) * 2014-03-17 2015-09-23 西南科技大学 一种基于源数估计的表面肌电信号自适应滤波方法
CN104636314A (zh) * 2015-01-30 2015-05-20 太原科技大学 一种单通道混沌信号盲源分离法
CN108433700A (zh) * 2017-02-16 2018-08-24 西门子保健有限责任公司 从表面数据估计患者内部解剖结构
US11478212B2 (en) 2017-02-16 2022-10-25 Siemens Healthcare Gmbh Method for controlling scanner by estimating patient internal anatomical structures from surface data using body-surface and organ-surface latent variables
CN108618773A (zh) * 2017-03-15 2018-10-09 深圳市理邦精密仪器股份有限公司 一种心电信号去噪方法、装置和一种心电信号采集设备
CN106898361A (zh) * 2017-03-16 2017-06-27 杭州电子科技大学 基于反馈变分模式分解的单通道盲源分离方法
CN106898361B (zh) * 2017-03-16 2020-05-26 杭州电子科技大学 基于反馈变分模式分解的单通道盲源分离方法
CN108309290A (zh) * 2018-02-24 2018-07-24 华南理工大学 单通道脑电信号中肌电伪迹的自动去除方法
CN109886897B (zh) * 2019-03-04 2023-04-18 重庆工商大学 一种高光谱图像解混设备
CN109886897A (zh) * 2019-03-04 2019-06-14 重庆工商大学 一种高光谱图像解混设备
CN110151175A (zh) * 2019-04-10 2019-08-23 杭州电子科技大学 基于ceemd与改进小波阈值的表面肌电信号消噪方法
CN110459238A (zh) * 2019-04-12 2019-11-15 腾讯科技（深圳）有限公司 语音分离方法、语音识别方法及相关设备
CN110459238B (zh) * 2019-04-12 2020-11-20 腾讯科技（深圳）有限公司 语音分离方法、语音识别方法及相关设备
CN113727654B (zh) * 2019-04-24 2024-04-19 皇家飞利浦有限公司 用于分离心率信号的胎儿超声处理单元
CN113727654A (zh) * 2019-04-24 2021-11-30 皇家飞利浦有限公司 用于分离心率信号的胎儿超声处理单元
CN112014692A (zh) * 2020-07-20 2020-12-01 国网安徽省电力有限公司电力科学研究院 基于主成分分析的局部放电特高频信号盲源分离去噪方法
CN111904414A (zh) * 2020-07-30 2020-11-10 太原科技大学 一种多入单出脑电信号采集器
CN111956210A (zh) * 2020-08-27 2020-11-20 重庆邮电大学 一种基于eemd和信号结构分析的心电信号r波识别方法
WO2022166401A1 (zh) * 2021-02-05 2022-08-11 中国科学院深圳先进技术研究院 基于eemd-pca去除eeg信号中运动伪迹的方法及装置
CN114492536A (zh) * 2022-02-15 2022-05-13 福州大学 一种肌阻抗信号分离方法
CN117017323A (zh) * 2023-09-14 2023-11-10 中国科学技术大学 基于盲源分离的高密度表面膈肌肌电采集与预处理方法
CN117017323B (zh) * 2023-09-14 2024-03-29 中国科学技术大学 基于盲源分离的高密度表面膈肌肌电采集与预处理方法

Also Published As

Publication number Publication date
CN102631195B (zh) 2014-01-08

Similar Documents

Publication Publication Date Title
CN102631195B (zh) 人体表面肌电信号单通道盲源分离法
CN104173124B (zh) 一种基于生物信号的上肢康复系统
CN110123314B (zh) 基于脑电信号判断大脑专注放松状态的方法
CN101596101B (zh) 依据脑电信号判定疲劳状态的方法
CN112244873B (zh) 一种基于混合神经网络的脑电时空特征学习与情感分类方法
CN101980106B (zh) 一种脑机接口的二维光标控制方法及装置
CN111544855B (zh) 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用
CN105956624B (zh) 基于空时频优化特征稀疏表示的运动想象脑电分类方法
CN105654063B (zh) 基于人工蜂群时频参数优化的运动想象脑电模式识别方法
CN107024987A (zh) 一种基于eeg的实时人脑注意力测试和训练系统
CN103294199B (zh) 一种基于脸部肌音信号的无声信息识别系统
CN101766509B (zh) 一种基于单点采集肌音信号的假肢实时控制方法
CN104636314A (zh) 一种单通道混沌信号盲源分离法
CN102306303A (zh) 一种基于小训练样本的脑电信号特征提取方法
CN103190905A (zh) 基于Wi-Fi的多通道表面肌电信号采集系统及处理方法
CN105962935A (zh) 用于运动学习功能改善的脑电神经反馈训练系统及其方法
CN107822629A (zh) 四肢表面肌电轴的检测方法
CN109858537A (zh) 改进的eemd与csp结合的脑电信号特征提取方法
CN112732090A (zh) 基于肌肉协同的用户无关实时手势识别方法
CN113010013A (zh) 一种基于Wasserstein距离的运动想象脑电迁移学习方法
CN104757966A (zh) 胎儿心电信号的提取方法及装置
CN205083477U (zh) 基于体表肌电的实时控制装置
CN108388855B (zh) 一种针电极肌电信号分解方法
CN106843509B (zh) 一种脑机接口系统
CN103637796B (zh) 基于广义特征值最大化的胎儿心电信号自适应盲提取方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140108

Termination date: 20190418