CN104935292A - 一种基于源数估计的表面肌电信号自适应滤波方法 - Google Patents

Abstract

本发明公开了一种基于源数估计的表面肌电信号自适应滤波方法，该方法针对肌肉持续稳态恒力收缩下采集的表面肌电信号，采用集合经验模态分解方法将表面肌电信号自适应地分解为多个内在模态函数分量。相空间奇异值分解方法以所筛选出的各个内在模态函数分量为对象，获取其相空间奇异特征值分布信息。设计能量百分比极大差异优化算法实现内在模态函数分量的源数估计，进而实现相空间奇异矩阵重构。最后对处理后的多个内在模态函数分量进行信号叠加重构，获取表面肌电信号的高质量滤波消噪结果。

Description

一种基于源数估计的表面肌电信号自适应滤波方法

技术领域

本发明属于微弱信号滤波降噪的技术领域，涉及一种基于源数估计的表面肌电信号自适应滤波方法。

背景技术

表面肌电信号是神经肌肉系统活动过程中在人体皮肤表面产生的一种复杂非线性非平稳的电生理信号。多个运动神经元被激励后形成运动单位动作电位序列，这些序列经过由肌肉、脂肪、皮肤等组织构成的容积导体后在测量电极处的综合叠加结果，即为表面肌电信号。

由于表面肌电信号是神经肌肉系统活动的直接输出结果，因此，分析表面肌电信号就可在一定程度挖掘出神经肌肉系统的功能特性，可为临床上运动神经元疾病、肌萎缩等肌肉疾病的诊断与治疗提供有效的帮助，也可为运动康复、肌能评价等应用提供指导性意见。另外，相比插入式肌电信号而言，表面肌电信号所具有的无创性优势也使其具有更为广阔的应用前景。

结合测量形式与信号本身的微弱特性，所采集到的表面肌电信号不可避免地会引入大量噪声干扰，这些噪声十分复杂，涉及采集电路噪声、测量电极的移动伪迹噪声、环境噪声、工频干扰以及生理因素形成的噪声等。为削弱噪声影响，现有方法包括两大类技术手段。一类是采用硬件滤波电路方式，根据信号频带分布情况利用电子元器件设计相应的滤波电路(如：低通、高通等滤波电路)，但这种方式本身会产生电路噪声，且不能很好地改善表面肌电信号质量。另一类是采用软件滤波方式，在采集信号的基础上设计滤波算法实现消噪目的，这种方式处理灵活、方便，也是目前广为采用的方法。

现有的软件滤波消噪方法主要体现在五个方面。(1)传统的傅立叶频谱滤波方法，该方法是建立在信号平稳性假设基础上的，对于非平稳的表面肌电信号存在应用局限性。(2)自适应滤波器方法，该方法利用先验知识构造参考信号，实现特定噪声的消除工作，主要涉及工频噪声以及心电噪声，不能很好地处理复杂噪声信息。(3)基于小波变换的消噪方法，该方法首先选择小波母函数，再将信号分解到不同频带范围的小波系数分量上，对小波系数进行阈值处理等系数选择性操作，最后通过系数重构的小波反变换获得消噪后的信号。这种方法的好处在于能够在信号各个细分频带上进行精细运算，但不足之处在于需要预先指定小波母函数，且不同的小波母函数也会造成重构结果的差异性，从而引起小波母函数的选择性问题。(4)基于经验模态分解的消噪方法，该方法根据信号局部时间特征将信号分解为具有不同尺度信息的内在模态函数分量，进而在各个内在模态函数分量上实现噪声信息的阈值抑制，最后通过分量重构实现消噪。这种方法类似于小波消噪方法，解决了小波母函数的选择性问题，但是其在分解过程中存在模态混叠问题，且其分量系数的阈值设置也存在经验关系，一定程度上限制了消噪应用效果。(5)基于盲源分离的消噪方法，该方法噪声信息和运动神经元信息属于不同的源信号，通过构造信号混合模型进行反解运算，提取出噪声分量，从而实现消噪。其中，常用的盲源分离算法为主分量分析。这种方法在应用过程中会涉及信号混合模型的构建问题，但由于表面肌电信号形成的不可观测性，使得难于进行信号混合过程的精确描述。

综合来看，现有方法存在一定的局限性。为实现表面肌电信号中运动神经元电生理募集和发放情况，则需要进行高精细的信号分析与处理。那么，这就需要设计一种高质量的表面肌电信号消噪方法，采用基于集合经验模态分解与奇异值分解的源数优化估计和重构方法，避免对运动神经元的激励信息造成破坏。目前有将传统的经验模态分解与奇异值分解应用于航空发动机健康信号的处理中，但还未见将改进的集合经验模态分解与奇异值分解并结合改进源数优化估计的融合方法应用于表面肌电信号滤波处理的报道。

发明内容

本发明的目的是针对现有方法的不足，以肌肉持续稳态恒力收缩下采集的表面肌电信号为分析对象，提出一种基于源数估计的表面肌电信号自适应滤波新方法。该方法融合了多种技术手段，实现信号的高质量滤波消噪。

为了实现上述发明目的，本发明采用的技术方案流程示意图如图1所示。首先，采用集合经验模态分解方法将表面肌电信号自适应地分解为多个内在模态函数分量，解决传统经验模态分解方法的模态混叠问题，提高分解效果。针对所选择出的内在模态函数分量，采用相空间奇异值分解技术获取各个分量的奇异特征值分布情况，再结合奇异特征值的能量优化分布情况完成其特征筛选，即自动确定保留核心特征值并将其它特征值删除，从而实现各个内在模态函数分量中源数目的估计。然后，对内在模态函数分量进行核心特征值重构，实现各个分量自身噪声的消除。最后，对多个处理后的内在模态函数分量再进行信号叠加重构，便可获取滤波后表面肌电信号的消噪结果。

所述集合经验模态分解是一种自适应的信号分解方法，并克服了内在模态函数分量间的模态混叠问题。

所述相空间奇异值分解是通过相空间构造技术针对内在模态函数分解的处理过程，目的是获取各个分量中的奇异特征值分布情况。

所述分量源数估计是利用分量中的奇异特征值信息，设计能量百分比极大差异优化算法实现各个内在模态函数分量中所包含的肌电信源数目的估计。

所述分量重构是实现各个内在模态函数分量的相空间奇异矩阵重构。

所述信号重构是实现消噪后的滤波信号重构。

本发明的有益效果是：肌肉持续稳态恒力收缩下的表面肌电信号是研究运动神经元的募集和发放过程的重要分析对象。由于该工作的高精细特性，需要确保在消噪过程中不能破坏运动神经元信息。本发明方法通过自适应复杂信号分解技术和优化重构技术，创新性地解决了非线性非平稳表面肌电信号的高质量滤波问题，为运动神经元信息分析提供了技术保障。

附图说明

图1是基于源数估计的表面肌电信号自适应滤波方法示意图。

图2是奇异特征值的能量百分比极大差异优化算法流程图

具体实施方式

将肌肉持续稳态恒力收缩下采集的表面肌电信号标记为x(t)，以此作为待分析信号对象，进行集合经验模态分解处理，其具体步骤为：

第一步，统计原始表面肌电信号x(t)的标准差并标记为SD，在x(t)中加入α×SD的加性随机白噪声，并将获得的新时间序列标记为

第二步，对新序列进行经验模态分解，获取加噪序列的内在模态函数分量；

第三步，对前面两个步骤重复m次，得到加入不同白噪声后的新时间序列并可得到m个内在模态函数分量集合；

第四步，将获得的内在模态函数分量集合进行平均处理，得到最终的内在模态函数分量结果。

第五步，在获取内在模态函数分量后，考虑到表面肌电信号集中在30Hz～500Hz的频率范围内，那么可将频率低于30Hz的低频内在模态函数分量直接去除，并将剩余的内在模态函数分量标记为imf_j＝1∶J(J表示剩余内在模态函数分量的个数)。

其中，参数α和m是根据表面肌电信号的复杂程度进行设置，α的取值范围可在0.15～0.25之间确定，m的取值范围可在100～1000之间确定。

实现集合经验模态分解并完成内在模态函数分量的自动频率选择处理后，对剩余的各个内在函数模态分量进行相空间奇异值分解及其信号滤波重构，其具体步骤为：

第一步，利用相空间构造技术将一维的第一个内在模态函数分量imf₁构造成r×k维的Hankel矩阵，标记为H；

第二步，对构造的Hankel矩阵进行奇异值分解，获取按从大到小排列的n个奇异特征值(σ₁≥σ₂≥...≥σ_n)。

第三步，对奇异特征值的分布情况进行优化分析，利用分量源数估计方法，保留与表面肌电信号相关的奇异特征值，将与噪声相关的奇异特征值设置为零，并结合奇异特征向量实现Hankel矩阵的消噪估计，标记为

第四步，利用估计的Hankel矩阵，进行相空间逆向重构，获取内在模态函数分量的滤波消噪结果，标记为即

$i\hat{m}{f}_1\left(j\right)=\frac{1}{p-q+1}\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\hat{H}}_x^{j-i+1,i}$

其中，p=min(k，j)，q=max(1，j-r+1)，j=1∶length(imf₁)且i=p∶q。

第五步，针对其它内在模态函数分量imf_j＝2∶J重复上述四个步骤，获得内在模态函数分量的滤波消噪结果，标记为

第六步，基于内在模态函数分量的重构滤波消噪结果，将各个分量进行信号叠加重构，就获得滤波消噪后的表面肌电信号。

上述处理过程中，针对奇异特征值分布的分量源数优化估计方法是其中的核心重点。提出一种针对内在模态函数分量的能量百分比极大差异优化算法，如图2所示，该算法将奇异特征值表达为能量形式即计算特征能量值依次组合情况时的占用百分比，即

$\mathrm{En}\left(g\right)=\frac{\mathrm{sum}\left({\mathrm{\σ}}_{1:g}^2\right)}{\mathrm{sum}({\mathrm{\σ}}_1^2+{\mathrm{\σ}}_2^2+...+{\mathrm{\σ}}_n^2)}\×100\%$

其中，g＝1∶n-1。对获取的n-1个特征能量百分比进行相邻差分运算，找出其中的极大差值diff，即

diff＝max(|En(g)-En(g-1)|)

其中，g＝2∶n-1。那么，该极大差值所对应的前一位奇异特征值位置便是内在模态函数分量中的有效源个数。进而实现相空间奇异值分解的优化重构和消噪处理。

Claims (2)

1.一种基于源数估计的表面肌电信号自适应滤波方法，其特征在于，针对肌肉持续稳态恒力收缩下的表面肌电信号，融合采用了集合经验模态分解方法、相空间奇异值分解与重构方法、源数优化估计方法。集合经验模态分解方法将表面肌电信号自适应地分解为多个内在模态函数分量。相空间奇异值分解方法获取内在模态函数分量的相空间奇异特征值分布信息。源数优化估计方法实现分量信号中奇异特征值数目估计，并以此实现内在模态函数分量的相空间奇异矩阵重构。进而通过分量信号叠加重构实现表面肌电信号的滤波消噪。

2.根据权利要求所述的一种基于源数估计的表面肌电信号自适应滤波方法，其特征在于，设计了针对相空间奇异特征值的能量百分比极大差异优化算法实现内在模态函数分量的源数估计。