CN102631195B - 人体表面肌电信号单通道盲源分离法 - Google Patents

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：①单通道ICA分析（singlechannel 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；②对信号奇异值分解（Singular ValueDecomposition,SVD）后再进行ICA处理，即SVD_ICA和奇异谱分析SingularSpectrum 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；③小波分解（Wavelet Decomposition）后进行ICA处理，即Wavelet_ICA和经验模态分解（Empirical ModeDecomposition，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 ModelFunction），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x(t)；

B、将预处理所得到的单通道肌电信号x(t)送到肌电信号盲源分离模块，进行总体经验模态分解，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IMF；

a、将预处理所得到的单通道肌电信号x(t)，多次加入具有均值为零、标准差为常数的白噪声n_i(t),即为x_i(t)=x(t)+n_i(t)，其中x_i(t)为加入白噪声之后的信号，n_i(t)为第i次加入的白噪声，白噪声n_i(t)的准则为

其中，ε_n表示加入的高斯白噪声标准差，ε_h表示肌电信号中有效高频成分的幅值标准差，ε₀表示肌电信号幅值标准差，α为比例系数，通常情况下，α=σ/4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a_ij(t)和余项r_i(t)，其中a_ij(t)表示加入白噪声后分解得到的第j个IMF；

c、将步骤b所得到的IMF进行总体平均运算，得到长度为n的IMF

其中，a_j(t)为对原信号进行EEMD分解后所得到的第j个IMF，由此可以得到IMF分量矩阵A={a₁(t),…,a_j(t),…,a_m(t)}^T,其中，m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、对得到的IMF分量进行PCA降维；

R=E(AA^T),RV=VΛ，其中A为经过EEMD分解后得到的IMF分量m×n矩阵，R为m个变量IMF的自相关矩阵，V为R的m×m阶特征向量矩阵，其列向量是R的正交归一化的特征向量，Λ为R的特征对角矩阵,λ_i，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Y=V^TA，Y={y₁,y₂,…,y_m}^T，对λ_i（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p×n阶向量矩阵B，其中p≥2；

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X=MS(n)，M为信号的混合矩阵，S(n)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M的虚拟反矩阵；

c、令W←E(Xg(W^TX))-E(g′(W^TX))W，其中非二次函数的导数g(u)=tanh(a₁u)，1≤a₁≤2；

d、循环迭代，直到收敛为止。最后得到p×n阶向量矩阵Y(n)，通过观察选取分离后的肌电信号。

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IMF，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IMF；具体步骤如下：

a、将预处理单通道肌电信号x(t),加入100次具有均值为零、标准差为常数的白噪声n_i(t),即为x_i(t)=x(t)+n_i(t),其中x_i(t)为加入白噪声之后的信号，n_i(t)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a_ij(t)和余项r_i(t)。其中a_ij(t)表示加入白噪声后分解得到的第j个IMF；

c、所得到的IMF进行总体平均运算，得到长度为3000的IMF

其中，a_j(t)为对原信号进行EEMD分解后所得到的第j个IMF。由此可以得到IMF分量矩阵A={a₁(t),…,a_j(t),…,a_m(t)}^T,其中，m=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:

R=E(AA^T),RV=VΛ，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IMF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的正交归一化的特征向量；Λ为R的特征对角矩阵,λ_i，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=V^TA，Y={y₁,y₂,…,y_m}^T,对λ_i（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W←E(Xg(W^TX))-E(g′(W^TX))W，其中非二次函数的导数g(u)=tanh(a₁u)，a₁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Y(n)，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x(t)； 

B、将预处理所得到的单通道肌电信号x(t)送到肌电信号盲源分离模块，进行总体经验模态分解，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IMF； 

a、将预处理所得到的单通道肌电信号x(t),多次加入具有均值为零、标准差为常数的白噪声n_i(t),即为x_i(t)=x(t)+n_i(t),其中x_i(t)为加入白噪声之后的信号，n_i(t)为第i次加入的白噪声，白噪声n_i(t)的准则为

其中，ε_n表示加入的高斯白噪声标准差，ε_h表示肌电信号中有效高频成分的幅值标准差，ε₀表示肌电信号幅值标准差，α为比例系数，通常情况下，α=σ/4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a_ij(t)和余项r_i(t)，其中a_ij(t)表示加入白噪声后分解得到的第j个IMF； 

c、将步骤b所得到的IMF进行总体平均运算，得到长度为n的IMF 其中，a_j(t)为对原信号进行EEMD分解后所得到的第j个IMF，由此可以得到IMF分量矩阵A={a₁(t),…,a_j(t),…,a_m(t)}^T,其中，m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、对得到的IMF分量进行PCA降维； 

R=E(AA^T),RV=VΛ，其中A为经过EEMD分解后得到的IMF分量m×n矩阵，R为m个变量IMF的自相关矩阵，V为R的m×m阶特征向量矩阵，其列向量是R的正交归一化的特征向量，Λ为R的特征对角矩阵,λ_i，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Y=V^TA，Y={y₁，y₂,...,y_m}^T，对λ_i（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p×n阶向量矩阵B，其中p≥2； 

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X=MS(n)，M为信号的混合矩阵，S(n)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M的虚拟反矩阵； 

c、令W←E(Xg(W^TX))-E(g′(W^TX))W，其中非二次函数的导数g(u)=tanh(a₁u)，1≤a₁≤2； 

d、循环迭代，直到收敛为止，最后得到p×n阶向量矩阵Y(n)，通过观察选取分离后的肌电信号。 

Images