CN108388855B - 一种针电极肌电信号分解方法 - Google Patents

一种针电极肌电信号分解方法 Download PDF

Info

Publication number
CN108388855B
CN108388855B CN201810140357.8A CN201810140357A CN108388855B CN 108388855 B CN108388855 B CN 108388855B CN 201810140357 A CN201810140357 A CN 201810140357A CN 108388855 B CN108388855 B CN 108388855B
Authority
CN
China
Prior art keywords
channel
issuing
issuing time
needle electrode
sequence
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.)
Active
Application number
CN201810140357.8A
Other languages
English (en)
Other versions
CN108388855A (zh
Inventor
何金保
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo University of Technology
Original Assignee
Ningbo University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo University of Technology filed Critical Ningbo University of Technology
Priority to CN201810140357.8A priority Critical patent/CN108388855B/zh
Publication of CN108388855A publication Critical patent/CN108388855A/zh
Application granted granted Critical
Publication of CN108388855B publication Critical patent/CN108388855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

本发明提供一种针电极肌电信号分解方法，首先把针电极采集到的单通道信号，采用自适应时长分段方法，变换得到多通道信号，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。该分解方法是针电极的单通道肌电信号，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

一种针电极肌电信号分解方法
技术领域
本发明涉及一种针电极肌电信号分解方法。
背景技术
肌电信号(EMG)是从人体肌肉收缩产生的微弱电流信号，实验表明，利用多通道肌电信号能够提高运动单元(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。然而，目前多通道肌电信号主要采用表面肌电得到，针电极由于存在一定创伤，不能得到多通道肌电信号，如何利用目前多通道肌电信号的分解优势来提取针电极肌电信号的运动单元值得研究。
多通道EMG分解实质上是对EMG包含的运动单元发放序列进行分类，目前，EMG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。本发明提出把面向多通道EMG的分解方法，应用到针电极的单通道EMG信号分解中。
发明内容
鉴于上述问题，本发明的目的在于提供一种针电极肌电信号分解方法。
为实现上述目的，面向针电极的单通道肌电信号，采用自适应时长分段方法，变换得到多通道信号，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，采用多通道EMG分解方法来分解单通道EMG信号，相对于其它方法，该方法具有EMG分解精度高的优点。
本发明公开了一种针电极肌电信号分解方法，其特征是包括以下步骤：
步骤一：对针电极采集到的单通道肌电信号滤波，削弱干扰；
步骤二：采用自适应时长分段方法，对上述单通道的肌电信号预处理，得到多通道肌电信号，自适应时长分段方法根据肌肉力大小调整分段的时长和段数；
步骤三：采用卷积核补偿算法对多通道肌电信号提取发放时刻；
步骤四：把发放时刻整理，并进行修正，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。
与现有技术相比，本发明的是一种针电极肌电信号分解方法，由于多通道EMG有利于肌肉运动单元的提取，本发明将单通道EMG信号变换为多通道EMG信号，然后采用多通道EMG信号分解方法分解，提取运动单元，并且自适应时长分段方法根据肌肉力大小调整，时间越长，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。
具体实施方式
以下结合附图1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：对针电极采集到的单通道肌电信号滤波，削弱干扰。由于肌电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。
步骤二：采用自适应时长分段方法，时长和段数根据肌肉力大小自适应调整，对上述单通道的肌电信号预处理，得到多通道肌电信号。自适应时长分段方法，即连续截取单通道肌电信号变换得到多通道肌电信号，每段信号时长根据肌肉力大小自适应调整，但每次连续截取的信号长度一致，并且截取的段数可自适应调整。肌肉力越大，信号叠加越严重，需要截取的信号长度越长，截取的段数越多。假设一般信号长度5秒(肌肉力越大，长度越长)，一段截取的信号作为一个通道，截取段数32(肌肉力越大，段数越多)，得到32通道的肌电信号。其中信号时长及信号通道数根据需要选择，信号时长越长，通道数越多，运行速度越慢，但提取的肌肉运动单元数目会有所增加。通常信号时长范围4秒-8秒，通道数范围16-64。
步骤三：采用卷积核补偿算法对多通道肌电信号提取发放时刻。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各通道信号的相关性，计算发放序列。具体过程为：首先计算多通道肌电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个采样时刻的多通道肌电信号，ST(n)是第n个采样时刻的多通道肌电信号转置，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取多通道肌电信号能量的中值，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)

1.一种针电极肌电信号分解方法，其特征是包括以下步骤：
步骤一：对针电极采集到的单通道肌电信号滤波，削弱干扰；
步骤二：采用自适应时长分段方法，对上述单通道的肌电信号预处理，得到多通道肌电信号，自适应时长分段方法根据肌肉力大小调整分段的时长和段数；
步骤三：采用卷积核补偿算法对多通道肌电信号提取发放时刻；
步骤四：把发放时刻整理，并进行修正，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：然后重复步骤三至步骤四，设置循环次数，提取多个发放时刻序列；
步骤六：对所有步骤五中的发放时刻序列归类整理，删除重复的发放时刻序列向量，优化结果。
CN201810140357.8A 2018-02-11 2018-02-11 一种针电极肌电信号分解方法 Active CN108388855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810140357.8A CN108388855B (zh) 2018-02-11 2018-02-11 一种针电极肌电信号分解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810140357.8A CN108388855B (zh) 2018-02-11 2018-02-11 一种针电极肌电信号分解方法

Publications (2)

Publication Number Publication Date
CN108388855A CN108388855A (zh) 2018-08-10
CN108388855B true CN108388855B (zh) 2022-02-11

Family

ID=63068639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810140357.8A Active CN108388855B (zh) 2018-02-11 2018-02-11 一种针电极肌电信号分解方法

Country Status (1)

Country Link
CN (1) CN108388855B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934139B (zh) * 2019-03-01 2021-05-11 浙江工业大学 一种基于群智能算法的肌肉电信号通道组合优化方法
CN110558980B (zh) * 2019-09-11 2022-04-05 宁波工程学院 一种肌肉动态收缩的运动单元提取方法
CN111329476B (zh) * 2020-03-04 2021-07-06 中国科学技术大学 一种基于微观神经驱动信息进行肌力估计的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899594A (zh) * 2014-03-06 2015-09-09 中国科学院沈阳自动化研究所 基于表面肌电信号分解的手部动作识别方法
CN105892676A (zh) * 2016-04-26 2016-08-24 中国科学院自动化研究所 一种血管介入手术送丝机构的人机交互装置、系统及方法
CN107260166A (zh) * 2017-05-26 2017-10-20 昆明理工大学 一种实用化在线脑电伪迹剔除方法
CN107440716A (zh) * 2017-07-26 2017-12-08 电子科技大学 基于单通道肌电信号的人体下肢运动动作分类辨识方法
WO2018027141A1 (en) * 2016-08-05 2018-02-08 The Regents Of The University Of Colorado, A Body Corporate In-ear sensing systems and methods for biological signal monitoring

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8632465B1 (en) * 2009-11-03 2014-01-21 Vivaquant Llc Physiological signal denoising

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899594A (zh) * 2014-03-06 2015-09-09 中国科学院沈阳自动化研究所 基于表面肌电信号分解的手部动作识别方法
CN105892676A (zh) * 2016-04-26 2016-08-24 中国科学院自动化研究所 一种血管介入手术送丝机构的人机交互装置、系统及方法
WO2018027141A1 (en) * 2016-08-05 2018-02-08 The Regents Of The University Of Colorado, A Body Corporate In-ear sensing systems and methods for biological signal monitoring
CN107260166A (zh) * 2017-05-26 2017-10-20 昆明理工大学 一种实用化在线脑电伪迹剔除方法
CN107440716A (zh) * 2017-07-26 2017-12-08 电子科技大学 基于单通道肌电信号的人体下肢运动动作分类辨识方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Decomposition of synthetic surface electromyograms using sequential convolution kernel compensation;V. Glaser等;《WSEAS TRANSACTIONS on BIOLOGY and BIOMEDICINE》;20080731;第5卷(第7期);第143-152页 *
The decomposition of multi-channel surface electromyogram based on waveform clustering convolution kernel compensation;He Jinbao等;《2015 Chinese Automation Congress》;20160118;第979-982页 *
基于Gap Statistic和广义互相关的单通道SEMG分解;万泽明 等;《航天医学与医学工程》;20140415;第27卷(第2期);第101-106页 *
基于单通道sEMG分解的手部动作识别方法;熊安斌 等;《机械工程学报》;20160108;第52卷(第7期);第6-13页 *

Also Published As

Publication number Publication date
CN108388855A (zh) 2018-08-10

Similar Documents

Publication Publication Date Title
CN108388855B (zh) 一种针电极肌电信号分解方法
CN107273798A (zh) 一种基于表面肌电信号的手势识别方法
CN101596101B (zh) 依据脑电信号判定疲劳状态的方法
CN110598676B (zh) 基于置信度得分模型的深度学习手势肌电信号识别方法
CN108403108B (zh) 基于波形优化的阵列式表面肌电信号分解方法
CN111067514B (zh) 一种基于多尺度多变量传递熵的多通道脑电耦合分析方法
CN105361880A (zh) 肌肉运动事件的识别系统及其方法
CN102835955A (zh) 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法
CN103761424B (zh) 基于二代小波和独立分量分析肌电信号降噪与去混迭方法
CN102306303B (zh) 一种基于小训练样本的脑电信号特征提取方法
CN112732090B (zh) 基于肌肉协同的用户无关实时手势识别方法
CN105342605A (zh) 一种去除脑电信号中肌电伪迹的方法
CN107822629A (zh) 四肢表面肌电轴的检测方法
CN108108654A (zh) 一种基于多通道表面肌电信号的手绘轨迹重建方法
CN105956547A (zh) 基于阵列式表面肌电信号平滑的分解方法
Nasehi et al. A novel effective feature selection algorithm based on S-PCA and wavelet transform features in EEG signal classification
CN110558980B (zh) 一种肌肉动态收缩的运动单元提取方法
CN107526952B (zh) 基于多通道表面肌电信号的身份识别方法
CN113662558B (zh) 一种区分脑电眨眼伪迹与额极痫样放电的智能分类方法
CN108403113B (zh) 一种半自动的阵列式表面肌电信号分解方法
CN106845348A (zh) 一种基于手臂表面肌电信号的手势识别方法
CN106843509B (zh) 一种脑机接口系统
CN1744073A (zh) 利用小波神经网络提取想象动作电位的方法
CN105975917A (zh) 面向强干扰的阵列式表面肌电信号分解方法
Ling-Ling et al. Electromyographic movement pattern recognition based on random forest algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant