CN105769186A - 基于复杂网络的肌电信号采集位置选取方法 - Google Patents

Abstract

本发明涉及基于复杂网络的肌电信号采集位置选取方法，其特征在于包括如下步骤：采集肌电信号；计算各肌电信号采集点连接关系，对步骤S1采集到的肌电信号进行预处理，计算n个肌电信号采集点之间的连接关系，构建复杂网络模型；分析网络特性，计算不同运动模式下的节点特性指标；确定肌电信号采集位置。本发明利用复杂网络分析下肢表面肌电信号，可以深入地分析各肌肉在下肢运动过程中的协调配合关系，与以前选择肌电信号幅值比较大的采集位置选取方法相比，可以确定与不同运动模式关系更紧密的肌群和电极放置位置，为肌电控制下肢康复辅具过程中的肌电选择提供理论依据。

Description

基于复杂网络的肌电信号采集位置选取方法

技术领域

本发明涉及肌电信号采集位置选取方法技术领域，具体涉及一种基于复杂网络的肌电信号采集位置选取方法。

背景技术

肌电信号在激发肌肉活动时产生，是一种重要的运动生物力学信息，与人体的期望动作直接相关，尤其是表面肌电信号以其无创伤测量、易提取的优点，成为感知人体运动意图的理想信息源，广泛地应用于外骨骼助行机器人、假肢等下肢康复辅具控制。

在肌电控制下肢康复辅具过程中，肌电采集位置的选择至关重要。但是，目前肌电电极放置位置并没有成熟的理论依据和统一标准，通常是基于解剖学的已有知识，选择肌电信号幅值比较大的肌肉位置，例如股直肌肌腹，实际上运动识别效果并不是最理想的。

为了得到更好的运动模式识别结果，应当选取对应不同运动模式，肌电具有显著变化的、能更好地将各模式区分开的位置，而非单纯的幅值越大越好。这就需要对运动相关所有肌肉的全面动态肌电信息进行综合分析，分析不同模式肌肉功能结构的共异性，确定与不同运动模式关联度大的肌群和电极放置位置，为运动模式识别提供可靠的基础支持。

发明内容

本发明的目的就是针对现有技术的不足，提供一种基于复杂网络的肌电信号采集位置选取方法，利用多通道、高密度电极采集运动相关肌肉的表面肌电信息，将复杂网络理论运用到肌电信号分析中，构建人体下肢的表面肌电信号功能网络，分析不同运动模式下的网络拓扑结构，可以确定与不同运动模式关系更紧密的肌群和电极放置位置，为肌电控制下肢康复辅具过程中的肌电选择提供理论依据。

为了实现上述目的，本发明采用如下的技术方案：

一种基于复杂网络的肌电信号采集位置选取方法，包括以下步骤：

步骤S1：采集肌电信号，

选取与运动相关的n个肌电信号采集点，采集M种运动模式的一个运动过程的肌电信号，

步骤S2：计算各肌电信号采集点连接关系，

对步骤S1采集到的肌电信号进行预处理，计算n个肌电信号采集点之间的连接关系，具体步骤如下：

步骤S21：选取肌电信号采集点a的EMG样本数据,采用移动时间窗进行处理，将其分为w个时间窗格；

步骤S22：选取第g＝1种运动模式的肌电信号，进行预处理；

步骤S23：选择肌电信号采集点a的EMG样本数据的第t个时间窗格，t＝1,2,…,w，设第t个时间窗格内的h个EMG样本数据为x_at＝{x_at(1)，x_at(2)，…，x_at(h)}，计算x_at的时域特征值和频域特征值，共l个特征值，分别为Y_at(1)，…，Y_at(l)，由特征值Y_at(1)，…，Y_at(l)组成第t个时间窗格的特征向量T_at：

T_at＝[Y_at(1)，Y_at(2)，…，Y_at(l)](11)

步骤S24：以步骤S23得到的第t个时间窗格的特征向量T_at为行向量，w个时间窗格的特征向量构建得到w×l的矩阵T_a：

T_a＝[T_a1，T_a2，…T_aw]^T(12)

步骤S25：对步骤S24得到的矩阵T_a进行归一化处理，得到T_a'：

T′_a＝[T′_a1，T′_a2，…，T′_aw]^T(13)

步骤S26：归一化之后，各肌电信号采集点a对应的第p个特征值为T_a'(p)，所有肌电信号采集点第p个特征值的构成一个w×n的特征矩阵M_p，其中p＝1,2,…,l，共构成l个特征矩阵；

M_p＝[T′₁(p)，T′₂(p)，…，T′_n(p)](14)

步骤S27：根据式(15)计算特征矩阵M_p的任意两列向量间的Pearson系数C_pij：

$C_{pij}=\frac{\underset{t=1}{\overset{w}{\&Sigma;}}\{\&lsqb;M_{pi}\left(t\right)-<M_{pi}>\&rsqb;*\&lsqb;M_{pj}\left(t\right)-<M_{pj}>\&rsqb;\}}{\sqrt{\underset{t=1}{\overset{w}{\&Sigma;}}{\&lsqb;M_{pi}\left(t\right)-<M_{pi}>\&rsqb;}^2}*\sqrt{\underset{t=1}{\overset{w}{\&Sigma;}}{\&lsqb;M_{pj}\left(t\right)-<M_{pj}>\&rsqb;}^2}}---\left(15\right)$

其中，C_pij为任意两个肌电信号采集点i和j间的第p个特征值的Pearson系数，M_pi和M_pj分别为第p个特征值的特征矩阵M_p的第i列和第j列，M_pi(t)和M_pj(t)分别为向量M_pi和向量M_pj的第t行元素，<M_pi>和<M_pj>分别为向量M_pi和向量M_pj的w个元素的平均值；

步骤S28：计算任意两个肌电信号采集点i和j间的Pearson系数：

$C_{ij}=\frac{1}{l}\underset{p=1}{\overset{l}{\&Sigma;}}{C}_{pij}---\left(16\right)$

n个肌电信号采集点间的各Pearson系数构成一个n×n的对称矩阵C，C_ij为对称矩阵C中的元素；

步骤S29：选取阈值TH，根据式(17)构造矩阵A：

其中，A_ij为矩阵A中的元素，A_ij＝1表示任意两个肌电信号采集点i和j之间有连边，A_ij＝0表示任意两个肌电信号采集点i和j之间无连边；

步骤S210：选取第g＝g+1种运动模式的肌电信号，重复步骤S22～步骤S29，至此得到各肌电信号采集点连接关系；

步骤S3：构建复杂网络模型，

其中各肌电信号采集点代表节点，步骤S2计算得到的各肌电信号采集点连接关系代表连边，构建出复杂网络模型；

步骤S4：分析网络特性，

选取度中心性DC_c、聚类系数CC_c和网络介数B_c三个复杂网络节点特性指标来分析步骤S3构建的复杂网络模型，计算不同运动模式下的节点特性指标；

步骤S5：确定肌电信号采集位置，

根据步骤S4计算得到的节点特性指标进行统计分析，确定与不同运动模式关系更紧密的肌电信号采集位置。

与现有技术相比，本发明的有益效果在于：

本发明根据复杂网络的社团特性和小世界特性，设计了基于皮尔森系数的建网方法，根据建立的复杂网络进行分析，深入了解各运动模式中的电生理过程，揭示各肌电采集点之间的联系，确定出肌电信号采集位置选取方法。利用复杂网络分析下肢表面肌电信号，可以深入地分析各肌肉在下肢运动过程中的协调配合关系，与以前选择肌电信号幅值比较大的采集位置选取方法相比，可以确定与不同运动模式关系更紧密的肌群和电极放置位置，为肌电控制下肢康复辅具过程中的肌电选择提供理论依据。

本发明方法不仅可以用于康复辅具，还可以用于下肢机器人以及上肢康复辅具。

附图说明

图1为本发明基于复杂网络的肌电信号采集位置选取方法的工作流程示意图。

图2为本发明基于复杂网络的肌电信号采集位置选取方法一种实施例计算各肌电信号采集点连接关系的程序流程图。

图3为本发明实施例1和实施例2中右腿的肌电电极分布示意图；其中图3(a)为右腿正面的肌电电极分布示意图；图3(b)为右腿侧面的肌电电极分布示意图；图3(c)为右腿后面的肌电电极分布示意图。

具体实施方式

下面结合实施例及附图对本发明进行详细说明。下述实施例仅是对本发明的进一步详细说明及解释，并不以此限定本申请权利要求的保护范围。

本发明基于复杂网络的肌电信号采集位置选取方法(参见图1-2)，包括以下步骤：

步骤S1：采集肌电信号，

选取与运动相关的n个肌电信号采集点，采集M种运动模式的一个运动过程的肌电信号，

步骤S2：计算各肌电信号采集点连接关系，

对步骤S1采集到的肌电信号进行预处理，计算n个肌电信号采集点之间的连接关系，具体步骤如下：

步骤S21：选取肌电信号采集点a(a＝1，2，…,n)的EMG样本数据,采用移动时间窗进行处理，将其分为w个时间窗格；

步骤S22：选取第g＝1种运动模式的肌电信号，进行预处理；

步骤S23：选择肌电信号采集点a的EMG样本数据的第t(t＝1,2,…,w)个时间窗格，设第t个时间窗格内的h个EMG样本数据为x_at＝{x_at(1)，x_at(2)，…，x_at(h)}，计算x_at的时域特征值和频域特征值，共l个特征值，分别为Y_at(1)，…，Y_at(l)，由特征值Y_at(1)，…，Y_at(l)组成第t个时间窗格的特征向量T_at：

T_at＝[Y_at(1)，Y_at(2)，…，Y_at(l)](11)

步骤S24：以步骤S23得到的第t个时间窗格的特征向量T_at为行向量，w个时间窗格的特征向量构建得到w×l的矩阵T_a：

T_a＝[T_a1，T_a2，…T_aw]^T(12)

步骤S25：对步骤S24得到的矩阵T_a进行归一化处理，得到T_a'：

T′_a＝[T′_a1，T′_a2，…，T′_aw]^T(13)

步骤S26：归一化之后，各肌电信号采集点a对应的第p个特征值为T′_a(p)，所有肌电信号采集点第p个特征值的构成一个w×n的特征矩阵M_p(p＝1，2，…，l)，共构成l个特征矩阵；

M_p＝[T′₁(p)，T′₂(p)，…，T′_n(p)](14)

步骤S27：根据式(15)计算特征矩阵M_p的任意两列向量间的Pearson系数C_pij：

$C_{pij}=\frac{\underset{t=1}{\overset{w}{\&Sigma;}}\{\&lsqb;M_{pi}\left(t\right)-<M_{pi}>\&rsqb;*\&lsqb;M_{pj}\left(t\right)-<M_{pj}>\&rsqb;\}}{\sqrt{\underset{t=1}{\overset{w}{\&Sigma;}}{\&lsqb;M_{pi}\left(t\right)-<M_{pi}>\&rsqb;}^2}*\sqrt{\underset{t=1}{\overset{w}{\&Sigma;}}{\&lsqb;M_{pj}\left(t\right)-<M_{pj}>\&rsqb;}^2}}---\left(15\right)$

其中，C_pij为任意两个肌电信号采集点i和j间的第p个特征值的Pearson系数，M_pi和M_pj分别为第p个特征值的特征矩阵M_p的第i列和第j列(i＝1，2，…，n，j＝1，2，…，n)，M_pi(t)和M_pj(t)分别为向量M_pi和向量M_pj的第t行元素，<M_pi>和<M_pj>分别为向量M_pi和向量M_pj的w个元素的平均值；

步骤S28：计算任意两个肌电信号采集点i和j间的Pearson系数：

$C_{ij}=\frac{1}{l}\underset{p=1}{\overset{l}{\&Sigma;}}{C}_{pij}---\left(16\right)$

n个肌电信号采集点间的各Pearson系数构成一个n×n的对称矩阵C，C_ij为对称矩阵C中的元素；

步骤S29：选取阈值TH，根据式(17)构造矩阵A：

其中，A_ij为矩阵A中的元素，A_ij＝1表示任意两个肌电信号采集点i和j之间有连边，A_ij＝0表示任意两个肌电信号采集点i和j之间无连边；

步骤S210：选取第g＝g+1种运动模式的肌电信号，重复步骤S22～步骤S29，至此得到各肌电信号采集点连接关系；

步骤S3：构建复杂网络模型，

其中各肌电信号采集点代表节点，步骤S2计算得到的各肌电信号采集点连接关系代表连边，构建出复杂网络模型；

步骤S4：分析网络特性，

选取度中心性DC_c、聚类系数CC_c和网络介数B_c三个复杂网络节点特性指标来分析步骤S3构建的复杂网络模型，计算不同运动模式下的节点特性指标；

步骤S5：确定肌电信号采集位置，

根据步骤S4计算得到的节点特性指标进行统计分析，确定与不同运动模式关系更紧密的肌电信号采集位置。

本发明方法的进一步特征在于所述步骤S1中n的取值范围为50-512，M的取值范围为2-7。

本发明方法的进一步特征在于所述步骤S4中节点特性指标，即网络介数B_c、聚类系数CC_c、度中心性DC_c，其对应的具体计算分别为式(18)、式(19)和式(20)：

$B_c=\underset{\underset{c\&NotEqual;d\&NotEqual;m}{d,m\&Element;V}}{\&Sigma;}\frac{{\mathrm{\&sigma;}}_{d,m}\left(c\right)}{{\mathrm{\&sigma;}}_{c,m}}---\left(18\right)$

其中，网络介数B_c表示网络中所有的最短路径中,经过该节点的数量，反映了节点的影响能力，因此网络介数大的点在网络信息传输中起关键作用。其中，σ_c,m是节点c和节点m间最短路径总数，σ_c,m(c)则表示经过节点c且连接节点d和节点m的最短路径总数。

${\mathrm{CC}}_c=\frac{2e_c}{k_c(k_c-1)}---\left(19\right)$

其中，e_c为节点c与相连的k_c个节点间实际存在的边数。聚类系数CC_c表示节点c聚集程度的系数。

DC_c＝k_c/(n-1)(20)

其中，度中心性反映一个节点重要程度，一个节点的度中心性越大，表示该节点越重要。

本发明方法的进一步特征在于所述步骤S5中，确定肌电信号采集位置的具体步骤如下：

步骤S51：利用制定的节点特性指标计算公式，对复杂网络中的各节点进行节点特性指标的计算，并按照降序排列各个节点的节点特性指标；

步骤S52：根据降序排列后的各节点的节点特性指标，选择前50％的节点，每个节点特性指标给每个节点投一票；

步骤S53：对比投票结果，选取票数最高的q个节点对应的肌电信号采集点为选取点，进而确定肌电信号采集位置。

下面给出本发明基于复杂网络的肌电信号采集位置选取方法的具体实施例。

实施例1

本实施例基于复杂网络的肌电信号采集位置选取方法，包括以下步骤：

步骤S1：采集肌电信号，

选取与运动相关的n个肌电信号采集点，采集M种运动模式的一个运动过程的肌电信号，

步骤S2：计算各肌电信号采集点连接关系，

对步骤S1采集到的肌电信号进行预处理，计算n个肌电信号采集点之间的连接关系，具体步骤如下：

步骤S21：选取肌电信号采集点a(a＝1，2，…,n)的EMG样本数据,采用移动时间窗进行处理，将其分为w个时间窗格；

步骤S22：选取第g＝1种运动模式的肌电信号，进行预处理；

步骤S23：选择肌电信号采集点a的EMG样本数据的第t(t＝1,2,…,w)个时间窗格，设第t个时间窗格内的h个EMG样本数据为x_at＝{x_at(1)，x_at(2)，…，x_at(h)}，计算x_at的时域特征值和频域特征值，共l个特征值，分别为Y_at(1)，…，Y_at(l)，由特征值Y_at(1)，…，Y_at(l)组成第t个时间窗格的特征向量T_at：

T_at＝[Y_at(1)，Y_at(2)，…，Y_at(l)](21)

步骤S24：以步骤S23得到的第t个时间窗格的特征向量T_at为行向量，w个时间窗格的特征向量构建得到w×l的矩阵T_a：

T_a＝[T_a1，T_a2，…T_aw]^T(22)

步骤S25：对步骤S24得到的矩阵T_a进行归一化处理，得到T_a'：

T′_a＝[T′_a1，T′_a2，…，T′_aw]^T(23)

步骤S26：归一化之后，各肌电信号采集点a对应的第p个特征值为T′_a(p)，所有肌电信号采集点第p个特征值的构成一个w×n的特征矩阵M_p(p＝1，2，…，l)，共构成l个特征矩阵；

M_p＝[T′₁(p)，T′₂(p)，…，T′_n(p)](24)

步骤S27：根据式(25)计算特征矩阵M_p的任意两列向量间的Pearson系数C_pij：

$C_{pij}=\frac{\underset{t=1}{\overset{w}{\&Sigma;}}\{\&lsqb;M_{pi}\left(t\right)-<M_{pi}>\&rsqb;*\&lsqb;M_{pj}\left(t\right)-<M_{pj}>\&rsqb;\}}{\sqrt{\underset{t=1}{\overset{w}{\&Sigma;}}{\&lsqb;M_{pi}\left(t\right)-<M_{pi}>\&rsqb;}^2}*\sqrt{\underset{t=1}{\overset{w}{\&Sigma;}}{\&lsqb;M_{pj}\left(t\right)-<M_{pj}>\&rsqb;}^2}}---\left(25\right)$

其中，C_pij为任意两个肌电信号采集点i和j间的第p个特征值的Pearson系数，M_pi和M_pj分别为第p个特征值的特征矩阵M_p的第i列和第j列(i＝1，2，…，n，j＝1，2，…，n)，M_pi(t)和M_pj(t)分别为向量M_pi和向量M_pj的第t行元素，<M_pi>和<M_pj>分别为向量M_pi和向量M_pj的w个元素的平均值；

步骤S28：计算任意两个肌电信号采集点i和j间的Pearson系数：

$C_{ij}=\frac{1}{l}\underset{p=1}{\overset{1}{\&Sigma;}}{C}_{pij}---\left(26\right)$

n个肌电信号采集点间的各Pearson系数构成一个n×n的对称矩阵C，C_ij为对称矩阵C中的元素；

步骤S29：选取阈值TH，根据式(27)构造矩阵A：

其中，A_ij为矩阵A中的元素，A_ij＝1表示任意两个肌电信号采集点i和j之间有连边，A_ij＝0表示任意两个肌电信号采集点i和j之间无连边；

步骤S210：选取第g＝g+1种运动模式的肌电信号，重复步骤S22～步骤S29，至此得到各肌电信号采集点连接关系；

步骤S3：构建复杂网络模型，

其中各肌电信号采集点代表节点，步骤S2计算得到的各肌电信号采集点连接关系代表连边，构建出复杂网络模型；

步骤S4：分析网络特性，

选取度中心性DC_c、聚类系数CC_c和网络介数B_c三个复杂网络节点特性指标来分析步骤S3构建的复杂网络模型，计算不同运动模式下的节点特性指标；

步骤S5：确定肌电信号采集位置，

根据步骤S4计算得到的节点特性指标进行统计分析，确定与不同运动模式关系更紧密的肌电信号采集位置。

下肢外骨骼助行机器人是一种代偿行走功能障碍患者行走的机器人，理想外骨骼是人的智力与机器人体力的紧密结合，利用肌电信号识别人体下肢多种运动模式，进而控制下肢外骨骼助行机器人运动。为了得到更好的运动模式识别结果，确定能更好地区分各运动模式的肌电信号采集位置非常重要。

在本实施例中，将本发明基于复杂网络的肌电信号采集位置选取方法用于确定下肢外骨骼助行机器人的肌电信号采集位置。

在本实施例中，所述步骤S1采集肌电信号的具体实施步骤如下：

步骤S11：选取下肢与运动相关的n＝100个肌电信号采集点，左腿和右腿的肌电信号采集点分布情况相同(参见图3)，分别包括第一肌电电极集合1、第二肌电电极集合2、第三肌电电极集合3、第四肌电电极集合4、第五肌电电极集合5和第六肌电电极集合6；所述第一肌电电极集合1(参见图3(a))位于大腿前侧，包括四排三列共12个肌电电极；所述第二肌电电极集合2(参见图3(a))位于小腿前侧，包括纵向排列的4个肌电电极；所述第三肌电电极集合3(参见图3(b))位于小腿外侧，包括纵向排列的4个肌电电极；所述第四肌电电极集合4(参见图3(b))位于大腿外侧，包括五排两列共10个肌电电极；所述第五肌电电极集合5(参见图3(c))位于大腿后侧，包括四排三列共12个肌电电极；所述第六肌电电极集合6(参见图3(c))位于小腿后侧，包括四排两列共8个肌电电极；

步骤S12：采集M＝3种运动模式的一个运动过程的下肢肌电信号，包括平地行走、上楼梯和下楼梯。

在实施例中，所述步骤S21选取肌电信号采集点a的支撑相的EMG样本数据,采用移动时间窗进行处理,选取w＝15个时间窗格，对肌电信号进行处理。

所述步骤S22为了便于兼顾过程的时变性和信息的完整性,选择移动时间窗的窗口长度h＝150ms,步长S＝50ms,采样频率2000Hz。

所述步骤S23选取l＝8个特征值，选取的8个特征值是：最大值Max、平均值Mean、标准差Std、均方根RMS、能量V、平均频率功率MPF、中值频率MFP、峰值频率F，其具体计算分别为(1)、(2)、(3)、(4)、(5)、(6)、(7)和(8)式子：

(1)Max_at＝max(x_at(1),x_at(2),...,x_at(h))

$\left(2\right)---{\mathrm{Mean}}_{at}=\underset{q=1}{\overset{h}{\&Sigma;}}{x}_{at}\left(q\right)/h$

$\left(3\right)---{\mathrm{Std}}_{at}=\sqrt{\underset{q=1}{\overset{h}{\&Sigma;}}{\&lsqb;x_{at}\left(q\right)-{\stackrel{\&OverBar;}{x}}_{at}\&rsqb;}^2/(h-1)}$

其中,

$\left(4\right)---{\mathrm{RMS}}_{at}=\sqrt{\underset{q=1}{\overset{h}{\&Sigma;}}{x}_{at}^2\left(q\right)/h}$

$\left(5\right)---V_{at}=\underset{q=1}{\overset{h}{\&Sigma;}}\left|x_{at}\right(q\left)\right|$

$\left(6\right)---{\mathrm{MPF}}_{at}={\&Integral;}_0^{\mathrm{\&infin;}}f\&CenterDot;s_{at}\left(f\right)df/{\&Integral;}_0^{\mathrm{\&infin;}}{s}_{at}\left(f\right)df$

$\left(7\right)---{\mathrm{MFP}}_{at}=0.5{\&Integral;}_0^{\mathrm{\&infin;}}{s}_{at}\left(f\right)df$

(8)F_at＝max[s_at(f)]

实施例2

在复杂网络构建过程中，选取不同的特征值，所建网络有很大不同，在本实施例中，将本发明选取的特征值数量减少，一方面可以减少工作量，另一方面能构建出网络特性更明显的复杂网络。

在实施例中，所述步骤S1采集肌电信号的具体实施步骤如下：

步骤S11：选取下肢与运动相关的n＝100个肌电信号采集点，左腿和右腿的肌电信号采集点分布情况相同(参见图3)，分别包括第一肌电电极集合1、第二肌电电极集合2、第三肌电电极集合3、第四肌电电极集合4、第五肌电电极集合5和第六肌电电极集合6；所述第一肌电电极集合1位于大腿前侧，包括四排三列共12个肌电电极；所述第二肌电电极集合2位于小腿前侧，包括纵向排列的4个肌电电极；所述第三肌电电极集合3位于小腿外侧，包括纵向排列的4个肌电电极；所述第四肌电电极集合4位于大腿外侧，包括五排两列共10个肌电电极；所述第五肌电电极集合5位于大腿后侧，包括四排三列共12个肌电电极；所述第六肌电电极集合6位于小腿后侧，包括四排两列共8个肌电电极；

所述步骤S21选取肌电信号采集点a的支撑相的EMG样本数据,采用移动时间窗进行处理,选取w＝10个时间窗格，对信号进行处理。

所述步骤S23选取l＝4个特征值，4个特征值分别是：平均值Mean、均方根RMS、能量V、中值频率MFP，其具体计算分别为(1)、(2)、(3)和(4)式子：

$\left(1\right)---{\mathrm{Mean}}_{at}=\underset{q=1}{\overset{h}{\&Sigma;}}{x}_{at}\left(q\right)/h$

$\left(2\right)---{\mathrm{RMS}}_{at}=\sqrt{\underset{q=1}{\overset{h}{\&Sigma;}}{x}_{at}^2\left(q\right)/h}$

$\left(3\right)---V_{at}=\underset{q=1}{\overset{h}{\&Sigma;}}\left|x_{at}\right(q\left)\right|$

$\left(4\right)---{\mathrm{MFP}}_{at}=0.5{\&Integral;}_0^{\mathrm{\&infin;}}{s}_{at}\left(f\right)df$

本发明未述及之处适用于现有技术。

Claims (4)

1.一种基于复杂网络的肌电信号采集位置选取方法，包括以下步骤：

步骤S1：采集肌电信号，

选取与运动相关的n个肌电信号采集点，采集M种运动模式的一个运动过程的肌电信号，

步骤S2：计算各肌电信号采集点连接关系，

对步骤S1采集到的肌电信号进行预处理，计算n个肌电信号采集点之间的连接关系，具体步骤如下：

步骤S21：选取肌电信号采集点a的EMG样本数据,采用移动时间窗进行处理，将其分为w个时间窗格；

步骤S22：选取第g＝1种运动模式的肌电信号，进行预处理；

步骤S23：选择肌电信号采集点a的EMG样本数据的第t个时间窗格，t＝1,2,…,w，设第t个时间窗格内的h个EMG样本数据为x_at＝{x_at(1)，x_at(2)，…，x_at(h)}，计算x_at的时域特征值和频域特征值，共l个特征值，分别为Y_at(1)，…，Y_at(l)，由特征值Y_at(1)，…，Y_at(l)组成第t个时间窗格的特征向量T_at：

T_at＝[Y_at(1)，Y_at(2)，…，Y_at(l)](11)

步骤S24：以步骤S23得到的第t个时间窗格的特征向量T_at为行向量，w个时间窗格的特征向量构建得到w×l的矩阵T_a：

T_a＝[T_a1，T_a2，…T_aw]^T(12)

步骤S25：对步骤S24得到的矩阵T_a进行归一化处理，得到T_a'：

T′_a＝[T′_a1，T′_a2，…，T′_aw]^T(13)

步骤S26：归一化之后，各肌电信号采集点a对应的第p个特征值为T_a'(p)，所有肌电信号采集点第p个特征值的构成一个w×n的特征矩阵M_p，其中p＝1，2，…，l，共构成l个特征矩阵；

M_p＝[T′₁(p)，T′₂(p)，…，T′_n(p)](14)

步骤S27：根据式(15)计算特征矩阵M_p的任意两列向量间的Pearson系数C_pij：

$C_{pij}=\frac{\underset{t=1}{\overset{w}{\&Sigma;}}\{\&lsqb;M_{pi}\left(t\right)-<M_{pi}>\&rsqb;*\&lsqb;M_{pj}\left(t\right)-<M_{pj}>\&rsqb;\}}{\sqrt{\underset{t=1}{\overset{w}{\&Sigma;}}{\&lsqb;M_{pi}\left(t\right)-<M_{pi}>\&rsqb;}^2}*\sqrt{\underset{t=1}{\overset{w}{\&Sigma;}}{\&lsqb;M_{pj}\left(t\right)-<M_{pj}>\&rsqb;}^2}}---\left(15\right)$

其中，C_pij为任意两个肌电信号采集点i和j间的第p个特征值的Pearson系数，M_pi和M_pj分别为第p个特征值的特征矩阵M_p的第i列和第j列，M_pi(t)和M_pj(t)分别为向量M_pi和向量M_pj的第t行元素，<M_pi>和<M_pj>分别为向量M_pi和向量M_pj的w个元素的平均值；

步骤S28：计算任意两个肌电信号采集点i和j间的Pearson系数：

$C_{ij}=\frac{1}{l}\underset{p=1}{\overset{l}{\&Sigma;}}{C}_{pij}---\left(16\right)$

n个肌电信号采集点间的各Pearson系数构成一个n×n的对称矩阵C，C_ij为对称矩阵C中的元素；

步骤S29：选取阈值TH，根据式(17)构造矩阵A：

其中，A_ij为矩阵A中的元素，A_ij＝1表示任意两个肌电信号采集点i和j之间有连边，A_ij＝0表示任意两个肌电信号采集点i和j之间无连边；

步骤S210：选取第g＝g+1种运动模式的肌电信号，重复步骤S22～步骤S29，至此得到各肌电信号采集点连接关系；

步骤S3：构建复杂网络模型，

其中各肌电信号采集点代表节点，步骤S2计算得到的各肌电信号采集点连接关系代表连边，构建出复杂网络模型；

步骤S4：分析网络特性，

选取度中心性DC_c、聚类系数CC_c和网络介数B_c三个复杂网络节点特性指标来分析步骤S3构建的复杂网络模型，计算不同运动模式下的节点特性指标；

步骤S5：确定肌电信号采集位置，

根据步骤S4计算得到的节点特性指标进行统计分析，确定与不同运动模式关系更紧密的肌电信号采集位置。

2.根据权利要求1所述的基于复杂网络的肌电信号采集位置选取方法，其特征在于所述步骤S1中n的取值范围为50-512，M的取值范围为2-7。

3.根据权利要求1所述的基于复杂网络的肌电信号采集位置选取方法，其特征在于所述步骤S4中节点特性指标，即网络介数B_c、聚类系数CC_c和度中心性DC_c，其对应的具体计算分别为式(18)、式(19)和式(20)：

$B_c=\underset{c\&NotEqual;d\&NotEqual;m}{\underset{d,m\&Element;V}{\&Sigma;}}\frac{{\mathrm{\&sigma;}}_{d,m}\left(c\right)}{{\mathrm{\&sigma;}}_{c,m}}---\left(18\right)$

其中，σ_c,m是节点c和节点m间最短路径总数，σ_c,m(c)则表示经过节点c且连接节点d和节点m的最短路径总数；

${\mathrm{CC}}_c=\frac{2e_c}{k_c(k_c-1)}---\left(19\right)$

其中，e_c为节点c与相连的k_c个节点间实际存在的边数；

DC_c＝k_c/(n-1)(20)。

4.根据权利要求1所述的基于复杂网络的肌电信号采集位置选取方法，其特征在于所述步骤S5中，确定肌电信号采集位置的具体步骤如下：

步骤S51：利用制定的节点特性指标计算公式，对复杂网络中的各节点进行节点特性指标的计算，并按照降序排列各个节点的节点特性指标；

步骤S52：根据降序排列后的各节点的节点特性指标，选择前50％的节点，每个节点特性指标给每个节点投一票；

步骤S53：对比投票结果，选取票数最高的q个节点对应的肌电信号采集点为选取点，进而确定肌电信号采集位置。