CN105975917B - 面向强干扰的阵列式表面肌电信号分解方法 - Google Patents
面向强干扰的阵列式表面肌电信号分解方法 Download PDFInfo
- Publication number
- CN105975917B CN105975917B CN201610274279.1A CN201610274279A CN105975917B CN 105975917 B CN105975917 B CN 105975917B CN 201610274279 A CN201610274279 A CN 201610274279A CN 105975917 B CN105975917 B CN 105975917B
- Authority
- CN
- China
- Prior art keywords
- signal
- granting
- sequence
- moment
- electrode
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种面向强干扰的阵列式表面肌电信号分解方法,首先对双差分的阵列式表面肌电信号采用包络线平均方法预处理,改善信号质量;然后利用卷积核补偿算法提取运动单元发放序列,并且根据发放规律修正该序列,并循环提取新的发放序列,最后整理优化所有得到的发放序列,删除重复序列。该分解方法是面向强干扰阵列式表面肌电信号,具有提取的发放时刻准确性高、计算快速、实现简单的优点。
Description
技术领域
本发明涉及一种面向强干扰的阵列式表面肌电信号分解方法。
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。在采集sEMG的过程中,在某些场合由于电极的移动及测量环境差,只能得到强干扰的sEMG信号,比如括约肌sEMG信号。在强干扰sEMG信号分解中,由于采集到的信号质量很差,分解十分困难。sEMG的本质上是MUAP的叠加,MUAP由肌肉收缩过程中所激活的运动单元所释放。阵列式sEMG信号波幅在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。
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,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。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运动单元发放序列相互独立,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,该方法已被验证效果较理想。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。上述算法在强干扰sEMG信号中,直接应用,效果不好。总的来看,面向强干扰的阵列式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面向强干扰的表面肌电信号分解方法。
为实现上述目的,针对强干扰阵列式表面电极肌电信号,提出先将原始信号预处理,改善信号质量,再采用卷积核补偿算法分解。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。由于该方法对原始信号进行了预处理,增强了信号特征,相对于其它方法,该方法具有sEMG分解精度高的优点。
本发明公开了一种面向强干扰的阵列式表面肌电信号分解方法,其特征是包括以下步骤:
步骤一:对阵列式表面肌电信号滤波,削弱干扰,然后沿肌纤维方向双差分肌电信号;
步骤二:采用分段包络线平均方法,对上述每个通道的双差分表面肌电信号预处理,增强信号特征,得到信号S,方法如下:
1)将表面肌电信号分割成时间长度为T长度的信号(40ms≤T≤100ms),得到多段信号Sk(k=1,2,3,...);
2)对每段信号Sk作上包络线Ck1和下包络线Ck2;
3)对每段信号取上下包络线的均值代替原信号。
4)将各段包络线均值连接得到新的信号S。
步骤三:采用卷积核补偿算法对表面肌电信号S提取发放时刻;
步骤四:对发放时刻进行修正,补充和删除错误的发放时刻,得到一个发放时刻序列;
步骤五:然后重复步骤三-----步骤四,设置循环次数,提取多个发放时刻序列;
步骤六:对所有发放序列归类整理,删除重复的发放序列向量,优化结果。
优化的技术措施还包括:
上述卷积核补偿算法是利用sEMG信号的相关性提取发放时刻,互相关矩阵表示为:
C=E(S(n)ST(n))
其中n是采样时刻,S(n)是第n个采样时刻的阵列信号,ST(n)是第n个采样时刻的阵列信号转置,E(·)是数序期望。
某时刻n'运动单元发放序列表示为:
ξ(n')=ST(n')C-1S(n')
其中C-1阵列信号互相关矩阵的逆矩阵。
与现有技术相比,本发明的一种面向强干扰的阵列式表面肌电信号分解方法,由于强干扰的sEMG信号波形畸变严重,为了保证信号特征及提升信号质量,本发明采用分段包络线均值曲线代替原始sEMG信号,并且分段时间长度可调,时间越短,效果越好,但计算时间越长,具体时间长度根据实际情况确定。本发明采用的卷积核补偿算法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,本分解方法使用方便。
附图说明
图1是本发明流程图。
图2阵列式电极图(9×11)。
具体实施方式
以下结合附图1和图2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。
步骤一:阵列式sEMG信号滤波处理,删除干扰。由于sEMG信号中包含各种干扰信号,首先需要采用带通滤波器,保留10Hz--400Hz频段信号,然后采用陷波滤波器,滤除50Hz工频干扰。然后沿肌纤维方向双差分肌电信号,双差分方法如下:
如图2所示9×11的表面电极,图中数字为电极编号,箭头方向为肌肉纤维方向,电极阵列按照图2方向贴在皮肤表面采集信号,得到9行11列的信号。双差分信号是沿肌纤维按列相减两次得到,肌纤维方向是动作电位传输方向,2次相减后可增强信号特征。实施方法如下:
第一次相减得到差分信号,将第2列电极上的信号减第1列电极上的信号得到第1列差分信号,即电极90信号减去电极89信号,电极79信号减去电极78信号,电极68信号减去电极67信号,…,电极2信号减去电极1信号;将第3列电极上的信号减第2列电极上的信号得到第2列差分信号,即电极91信号减去电极90信号,电极80信号减去电极79信号,电极69信号减去电极68信号,…,电极3信号减去电极2信号;…;将第11列电极上的信号减第10列电极上的信号得到第10列差分信号,即电极99信号减去电极98信号,电极88信号减去电极87信号,电极77信号减去电极76信号,…,电极11信号减去电极10信号。最终得到的差分信号为9行10列的信号。
第二次相减得到双差分信号,方法同上。即将上述第2列的差分信号减第1列差分信号得到第1列双差分信号;将上述第3列的差分信号减第2列差分信号得到第2列双差分信号;…;将上述第10列的差分信号减第9列差分信号得到第9列双差分信号;最终得到的双差分信号为9行9列的信号。
步骤二:采用分段包络线平均方法,对上述每个通道的双差分表面肌电信号预处理,增强信号特征,得到信号S,方法如下:
1)将表面肌电信号分割成时间长度为T长度的信号(T取50ms),得到多段信号Sk(k=1,2,3,...),允许最后一段信号长度小于50ms。
2)对每个T长度信号Sk作上包络线Ck1和下包络线Ck2;
3)对每段信号取上下包络线的均值代替原信号。
4)将各段包络线均值连接得到新的信号S。
步骤三:利用卷积核补偿算法计算发放序列。卷积核补偿算法是利用阵列sEMG信号各通道信号的相关性,计算发放序列。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:
C=E(S(n)ST(n))
其中n是采样时刻,S(n)是第n个采样时刻的阵列信号,ST(n)是第n个采样时刻的阵列信号转置,E(·)是数序期望。计算互相关矩阵的逆矩阵C-1,即
C-1=[E(S(n)ST(n))]-1
然后采样时刻n取sEMG信号能量的中值,能量按照下式计算:
Δ=ST(n)C-1S(n)
取能量中值Δ所对应的时刻n0。最后利用如下公式计算得到运动单元发放序列:
ξ(n0)=ST(n0)C-1S(n0)
步骤四:对发放时刻ξ(n0)进行修正,补充和删除错误的发放时刻,得到一个发放时刻序列ξ(n0)。由于运动单元的发放频率为10-50Hz,所以发放时刻间隔时间20ms-100ms范围内,对发放时刻序列出现间隔小于20ms发放时刻删除,对于间隔100ms以上缺少发放时刻的应该根据频率补充发放时刻。
步骤五:然后重复步骤三-----步骤四,设置循环次数500,提取多个发放时刻序列;
步骤六:对所有发放序列归类整理,删除重复的发放序列向量,优化结果。sEMG提取完成后删除重复的发放序列,优化结果。
Claims (1)
1.一种面向强干扰的表面肌电信号分解方法,其特征是包括以下步骤:
步骤一:对阵列式表面肌电信号滤波,削弱干扰,然后沿肌纤维方向双差分肌电信号;
步骤二:采用分段包络线平均方法,对上述的双差分肌电信号预处理,增强信号特征,得到信号S,方法如下:
1)将表面肌电信号分割成时间长度为T长度的信号,得到多段信号Sk(k=1,2,3,...);
2)对每段信号Sk作上包络线Ck1和下包络线Ck2;
3)对每段信号取上下包络线的均值代替原信号;
4)将各段包络线均值连接得到新的信号S;
步骤三:采用卷积核补偿算法对表面肌电信号S提取发放时刻;
步骤四:对发放时刻进行修正,补充和删除错误的发放时刻,得到一个发放时刻序列;
步骤五:然后重复步骤三-----步骤四,设置循环次数,提取多个发放时刻序列;
步骤六:对所有发放序列归类整理,删除重复的发放序列向量,优化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610274279.1A CN105975917B (zh) | 2016-04-28 | 2016-04-28 | 面向强干扰的阵列式表面肌电信号分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610274279.1A CN105975917B (zh) | 2016-04-28 | 2016-04-28 | 面向强干扰的阵列式表面肌电信号分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105975917A CN105975917A (zh) | 2016-09-28 |
CN105975917B true CN105975917B (zh) | 2019-06-21 |
Family
ID=56993356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610274279.1A Expired - Fee Related CN105975917B (zh) | 2016-04-28 | 2016-04-28 | 面向强干扰的阵列式表面肌电信号分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105975917B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446694B (zh) * | 2017-02-16 | 2020-11-27 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法及装置 |
CN108403114B (zh) * | 2018-02-11 | 2021-02-02 | 宁波工程学院 | 一种面向恒力的阵列式表面肌电信号分解方法 |
CN110720911B (zh) * | 2019-10-12 | 2022-08-30 | 宁波工程学院 | 一种肌肉运动单元提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930284A (zh) * | 2012-09-13 | 2013-02-13 | 杭州电子科技大学 | 基于经验模态分解和分形的表面肌电信号模式识别方法 |
CN104997508A (zh) * | 2015-08-19 | 2015-10-28 | 宁波工程学院 | 阵列式sEMG信号自动分解方法 |
-
2016
- 2016-04-28 CN CN201610274279.1A patent/CN105975917B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930284A (zh) * | 2012-09-13 | 2013-02-13 | 杭州电子科技大学 | 基于经验模态分解和分形的表面肌电信号模式识别方法 |
CN104997508A (zh) * | 2015-08-19 | 2015-10-28 | 宁波工程学院 | 阵列式sEMG信号自动分解方法 |
Non-Patent Citations (3)
Title |
---|
The decomposition of multi-channel surface electromyogram based on waveform clustering convolution kernel compensation;He Jinbao et al.;《2015 Chinese Automation Congress (CAC)》;20160118;第979-982页 |
基于ANN和SVM的sEMG信号分解;雷培源;《中国优秀硕士学位论文全文数据库 医药卫生科》;20110115;第2011年卷(第01期);第E080-55页 |
多通道表面肌电信号分解的研究;宁勇;《中国博士学位论文全文数据库 医药卫生科技辑》;20150715;第2015年卷(第07期);第E070-11页 |
Also Published As
Publication number | Publication date |
---|---|
CN105975917A (zh) | 2016-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104997508B (zh) | 阵列式sEMG信号自动分解方法 | |
CN102697493B (zh) | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 | |
CN101869477B (zh) | 一种自适应脑电信号中眼电伪迹的自动去除方法 | |
CN105956547B (zh) | 基于阵列式表面肌电信号平滑的分解方法 | |
CN104688220B (zh) | 一种去除脑电信号中眼电伪迹的方法 | |
CN108403108B (zh) | 基于波形优化的阵列式表面肌电信号分解方法 | |
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 | |
CN105975917B (zh) | 面向强干扰的阵列式表面肌电信号分解方法 | |
CN107736894A (zh) | 一种基于深度学习的心电信号情绪识别方法 | |
CN111860410A (zh) | 基于多特征融合cnn的肌电手势识别方法 | |
CN106485208B (zh) | 单通道脑电信号中眼电干扰的自动去除方法 | |
CN104783787B (zh) | 一种基于神经网络的j波检测方法 | |
CN109359619A (zh) | 一种基于卷积盲源分离的高密度表面肌电信号分解方法 | |
CN107518895B (zh) | 面向康复训练的同一肌肉检测方法 | |
CN107822629A (zh) | 四肢表面肌电轴的检测方法 | |
CN113842115A (zh) | 一种改进的eeg信号特征提取方法 | |
CN105718953B (zh) | 一种基于矩阵灰建模的单次p300检测方法 | |
CN110974196A (zh) | 一种运动状态下非接触式的呼吸和心率检测方法 | |
CN108388855A (zh) | 一种针电极肌电信号分解方法 | |
CN110558980B (zh) | 一种肌肉动态收缩的运动单元提取方法 | |
CN114387668A (zh) | 一种基于多层次神经肌肉耦合特征信息融合的分类方法 | |
CN114186608A (zh) | 基于运动想象的混合脑机接口特征提取方法 | |
CN108403113B (zh) | 一种半自动的阵列式表面肌电信号分解方法 | |
CN106843509A (zh) | 一种脑机接口系统 | |
CN114098768B (zh) | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
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: 20190621 Termination date: 20210428 |