CN104997508B - 阵列式sEMG信号自动分解方法 - Google Patents

Abstract

本发明提供一种阵列式sEMG信号自动分解方法，首先对阵列式sEMG信号预处理，并且计算初始发放序列向量；其次利用时域减法确定运动单元个数，即聚类个数；然后根据聚类个数，利用最小距离分类器对阵列式sEMG波形聚类；最后重新计算新的运动单元发放序列向量，循环执行程序直至分解完成，并对所有发放序列归类整理，优化结果。该分解方法准确性高，计算快速、实现简单。

Description

阵列式sEMG信号自动分解方法

技术领域

本发明涉及一种阵列式sEMG信号自动分解方法。

背景技术

表面肌电信号( surface EMG, sEMG) 是利用表面电极从人体体表检测肌电信号，与针电极肌电信号(Needle EMG, NEMG)相比，它具有无创性、易于患者接受的特点，因此应用前景广阔。实验表明，利用阵列式sEMG能够提高运动单元(MU)的检测率，特别是提高小幅值运动单元活动电位(MUAP)的检出和识别效果。sEMG的起源是MUAP，活动电位由给定肌肉收缩过程中所激活的每一个运动单位所释放。在任何一个给定的募集模式，众多的运动单位以非同步的模式被激活，这些运动单位活动的总和构成了肌电信号的强度。阵列式sEMG信号实质上是多个运动单位活动电位的总和，其波幅典型地在1~5000uv之间，频率范围为10~400Hz。在临床上，通过阵列式sEMG可以较全面地了解神经肌肉的功能状态，鉴别神经源性和肌源性疾病，判断神经损伤的部位、程度及恢复状况，并且阵列式sEMG信号的检测分析对康复医学及运动医学也有具有重要意义。

阵列式sEMG分解实质上是对sEMG包含的运动单元发放序列进行分类，提取出运动单元各电位序列。目前，sEMG分类方法主要有：K均值聚类算法、模板匹配法、人工神经网络(ANN)算法、实时线性混叠盲信号分离算法、独立成分分折(ICA)、卷积核补偿算法等方法。K-均值聚类算法需要指定聚类的类别数，而在肌电信号缺少运动单元发放的先验知识，难以对类别进行精确的指定。模板匹配法由于模板获取困难，应用受限。ANN可以解决含更多迭加波形情形和在低信噪比时更好地消除绝对误差，然而，ANN方法一旦训练后，网络就固定不变，当模板的形状发生变化时，神经网络还需重新训练，所以强健性不好。ICA是一种盲信号分解技术, 它假设构成肌电信号的各MUAPT 相互独立，然后把信号分解成若干相互独立的成分。卷积核补偿算法方法是一种盲信号分解方法，该方法在波形叠加严重时效果仍然不理想。阵列式sEMG的信噪比较低，MUAP波形的变异性强且相互间的叠加程度较大，这是导致其分解困难的主要原因。很多研究者将插入式肌电信号的分解方法做一些修改应用到表面肌电信号的分解研究中，但是都不能达到插入式肌电信号的分解效果。总的来看，表面肌电信号分解研究还处于探索阶段，是肌电研究领域的难点之一。

发明内容

鉴于上述问题，本发明的目的在于提供一种阵列式sEMG信号自动分解方法。

为实现上述目的，针对阵列式表面电极肌电信号，提出基于最小距离器的聚类方法，对发放波形进行分类，并且在这个过程中，不求解矩阵，通过卷积核补偿方法得到肌肉运动单元的数目和发放序列，实现阵列式sEMG的分解。由于该方法同时考虑发放波形和发放时刻，相对于其它方法，该方法具有sEMG分解精度高的优点。

本发明公开了一种阵列式sEMG信号自动分解方法。其包括以下步骤：

步骤一：阵列式sEMG信号预处理：对sEMG信号滤波，剔除干扰；

步骤二：计算初始发放序列向量：利用阵列sEMG信号各通道信号的相关性，计算初始发放序列向量，作为提取初值；

步骤三：确定运动单元个数：利用时域减法，从sEMG中获得运动单元个数，作为聚类个数；

步骤四：对阵列式sEMG波形聚类：根据所述聚类个数，利用最小距离分类器，对阵列式sEMG波形聚类；

步骤五：计算新的运动单元发放序列向量：根据所述波形聚类结果，取含最多时刻的类，计算该类时刻波形均值，计算新的发放序列向量；

步骤六：对所有发放序列归类整理：重复步骤二-----步骤五，剔除重复的以及不合理的发放序列向量，优化结果。

优化的技术措施包括：

上述sEMG信号的互相关矩阵表示为：

其中是采样时刻，是第个采样时刻的阵列信号，是第个采样时刻的阵列信号转置，是数序期望。

运动单元发放序列表示为：

其中阵列信号互相关矩阵的逆矩阵。

上述欧氏距离公式表示为：

其中是某个时刻对应的阵列sEMG的值，是K个时刻对应的阵列sEMG值的平均值。

新的运动单元发放序列的计算公式表示为：

其中是N个波形平均值转置。

与现有技术相比，本发明的一种阵列式sEMG信号自动分解方法，在计算初始发放序列时，由于最大峰值往往是由于干扰造成的，导致其值畸高，所以本发明采用的是次大峰值所对应的时刻，得到更为准确的发放序列初值；本发明利用时域减法获得相减次数M，该次数M作为分类个数，实际上提供了运动单元数目，为后续的最小距离器分类提供先验知识，提高了分解准确性；本发明利用欧氏距离作为分类依据，实现方便、简单；由于本发明分类针对的是波形，而互相关矩阵计算的是发放时刻，所以分解过程同时考虑了发放时刻和发放波形，大大提高了分解的准确性；本发明不需要计算运动单元发放序列和阵列sEMG信号间混合矩阵，大大减少计算时间，提高了效率。本分解方法运行过程不需要人工干预，使用方便。

附图说明

图1是本发明流程图。

具体实施方式

以下结合附图实例对本发明作进一步详细描述，本领域技术人员可由本说明书所揭露的内容轻易地实现。

如图1所示为本发明的流程图。

步骤一：阵列式sEMG信号预处理：对sEMG信号滤波，剔除干扰。由于sEMG信号中包含各种干扰信号，预处理首先需要采用带通滤波器，保留10Hz--500Hz频段信号，然后采用陷波滤波器，滤除50Hz工频干扰。

步骤二：计算初始发放序列向量：利用阵列sEMG信号各通道信号的相关性，计算初始发放序列向量，作为提取初值。具体过程为：首先计算阵列sEMG信号互相关矩阵以及互相关矩阵逆矩阵，互相关矩阵表示为：

其中是采样时刻，是第个采样时刻的阵列信号，是第个采样时刻的阵列信号转置，是数序期望。计算互相关矩阵的逆矩阵，即

然后采样时刻取sEMG信号能量的中值，能量按照下式计算：

取能量中值所对应的时刻。最后利用如下公式计算得到运动单元发放序列向量的初值

步骤三：确定运动单元个数：利用时域减法，从sEMG中获得运动单元个数，作为聚类个数。具体过程为：首先从运动单元发放序列向量的初值中，找到次大峰值，记该次大峰值所对应时刻为，其次计算时刻发放序列，计算公式如下：

然后发放序列中找到K个最大峰值所对应的时刻，一般取。取K个时刻所对应的阵列sEMG值，相加并除以K，得到K个时刻的均值。最后在时域上，用阵列sEMG信号逐次减K个时刻波形平均值，直到结果为负数停止，记录相减次数M，该M值即运动单元个数。

步骤四：对阵列式sEMG波形聚类：根据所述聚类个数M，利用最小距离分类器，对阵列式sEMG波形聚类。

最小距离分类器中采用欧氏距离，欧氏距离公式表示为：

其中是某个时刻对应的阵列sEMG的值，是K个时刻对应的阵列sEMG值的平均值。

步骤五：计算新的运动单元发放序列向量：根据上述波形聚类结果，取含最多时刻的类，计算该类时刻波形均值，计算新的发放序列向量。

新的运动单元发放序列的计算公式表示为：

其中是N个波形平均值转置。

步骤六：对所有发放序列归类整理：重复步骤二--步骤五，直到初始发放时刻不能提取，sEMG提取完成。剔除重复的以及不合理的发放序列向量，优化结果。不合理的发放序列指发放时刻小于15毫秒的序列，需剔除。

Claims (3)

1.一种阵列式sEMG信号自动分解方法，其特征是包括以下步骤：

步骤一：阵列式sEMG信号预处理：对sEMG信号滤波，剔除干扰；

步骤二：计算初始发放序列向量：利用阵列sEMG信号各通道信号的相关性，计算次大峰值的初始发放序列向量，作为提取初值；

步骤三：确定运动单元个数：利用时域减法，从sEMG中减去K个最大峰值所对应波形的平均值，获得运动单元个数，作为聚类个数；

步骤四：对阵列式sEMG波形聚类：根据所述聚类个数，利用最小距离分类器，对阵列式sEMG波形聚类；

步骤五：计算新的运动单元发放序列向量：根据所述波形聚类结果，取含最多时刻的类，计算该类时刻波形均值，计算新的发放序列向量；

步骤六：对所有发放序列归类整理：重复步骤二-----步骤五，剔除重复以及不合理的发放序列向量，优化结果。

2.根据权利1要求所述的一种阵列式sEMG信号自动分解方法，其特征是：利用K个时刻波形平均值，通过时域减法确定聚类个数。

3.根据权利2要求所述的一种阵列式sEMG信号自动分解方法，其特征是：在最小距离分类器中，采用欧氏距离，以sEMG波形作为分类目标，提高分解可靠性。