CN108403108B - 基于波形优化的阵列式表面肌电信号分解方法 - Google Patents
基于波形优化的阵列式表面肌电信号分解方法 Download PDFInfo
- Publication number
- CN108403108B CN108403108B CN201810140360.XA CN201810140360A CN108403108B CN 108403108 B CN108403108 B CN 108403108B CN 201810140360 A CN201810140360 A CN 201810140360A CN 108403108 B CN108403108 B CN 108403108B
- Authority
- CN
- China
- Prior art keywords
- waveform
- array type
- issuing
- type surface
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 210000003205 muscle Anatomy 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000002567 electromyography Methods 0.000 claims description 4
- 230000003313 weakening effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 208000028389 Nerve injury Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 230000001114 myogenic effect Effects 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 230000001272 neurogenic effect Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种基于波形优化的阵列式表面肌电信号分解方法,首先对阵列式表面肌电信号滤波预处理,其次采用卷积核补偿方法计算表面肌电信号能量序列,按照能量大小依次提取能量序列的时刻点,然后基于滑动时间窗的波形优化方法,确定发放波形序列,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。本发明可以有效解决肌肉运动单元的发放叠加,导致分解误差的问题,提高阵列式表面肌电信号分解的准确性。该分解方法准确性高,计算快速、实现简单。
Description
技术领域
本发明涉及一种基于波形优化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。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。目前,对sEMG信号分解主要针对的是恒力输出的表面肌电信号,本发明就是一种面向恒力的阵列式表面肌电信号分解方法。
国内外学者研究的sEMG信号分解方法主要有: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。由于阵列式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,导致sEMG分解效果不理想。总的来看,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基于波形优化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,采集恒力输出下的阵列式表面肌电信号,对信号滤波,削弱干扰;
步骤二,采用卷积核补偿方法计算阵列式sEMG信号能量序列;
步骤三,按照能量大小依次提取能量序列的时刻点,确定肌肉运动单元位置;
步骤四,基于滑动时间窗的波形优化方法,提取运动单元发放序列;
步骤五,针对信号能量序列,重复步骤二-----步骤四,计算发放序列;
步骤六,对所有发放序列归类整理,剔除重复以及不合理的发放时刻向量,优化结果。
优化的措施包括:
步骤四中基于滑动时间窗的波形优化方法,提取运动单元发放序列,具体方法如下:
A)平行滑动取两时间点所对应的波形,计算二阶差分信号,判断波形凸凹性;
B)如果存在凸型波形,利用正态函数优化,确定正态函数参数;
C)利用肌电信号发放频率稳定的特性,由正态函数参数和滑动时间窗起始点确定发放时刻;
由于能量序列的时刻点可能为多个肌肉运动单元的发放叠加,造成分解误差,本发明的一种基于波形优化的阵列式表面肌电信号分解方法,利用信号二阶差分和正态函数优化,提取发放时刻。相比于现有的技术,本发明可以有效提高分解的准确性。
附图说明
图1是本发明流程图。
图2是本发明实施例的波形优化示意图。
图3是本发明二阶差分信号示意图。
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。
一种基于波形优化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,采集恒力输出下的阵列式表面肌电信号,对信号滤波,削弱干扰。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,采用卷积核补偿方法计算阵列式sEMG信号能量序列。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)
取能量中值所对应的时刻n0。最后利用如下公式计算信号能量序列:
ξ(n0)=ST(n0)C-1S(n0)
步骤三,按照能量大小依次提取能量序列的时刻点,确定肌肉运动单元位置。提取的时刻点个数根据信号时长设置,假设时长为T毫秒,可取时刻点个数为T×12/1000。根据时刻点处sEMG信号最大峰峰值,确定肌肉运动单元位置。提取能量序列的每个时刻点对应的每个通道波形的峰峰值,这样每个通道就有T×12/1000个峰峰值,找到出现峰峰值最多的通道,将其作为肌肉运动单元所在的位置,后续肌肉运动单元波形都是以该肌肉运动单元所在的位置(通道)波形进行计算。
步骤四,基于滑动时间窗的波形优化方法,提取运动单元发放序列。具体方法如下:
A)平行滑动取两时间点所对应的波形,计算二阶差分信号,判断波形凸凹性。假设两个相邻的能量序列的时刻点为50、150,该段波形实际上是3个正态函数波形组成,如图2所示,曲线1、2、3分别是对应的3个正态函数波形组成(虚线),实线是组合后的波形。
B)如果存在凸型波形,利用正态函数优化,确定正态函数参数。通过二阶差分y=diff(fun,2)可以得到图3曲线,然后采用[ii,jj]=find(abs(y)>Z),判断存在拐点(常数Z为达到拐点标准,根据具体信号设置)。确定存在拐点后,对图2中实线拟合得到3个正态函数的中心参数分别为50、80、150。在拟合时,将截取的时间段外扩,取[0,200]段上的波形。
C)利用肌电信号发放频率稳定的特性,由正态函数参数和滑动时间窗起始点确定发放时刻。由于肌电信号恒力情况下,发放时刻间隔均匀,因此可以结合前面的发放时刻,从50、80、150发放时刻中选择符合要求的发放时刻。
在所有能量序列的时刻点上滑动时间窗,提取所有发放时刻,组成发放序列。
步骤五,针对信号能量序列,重复步骤二-----步骤四,计算发放序列;
步骤六,对所有发放序列归类整理,剔除重复以及不合理的发放时刻向量,优化结果。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毫秒间隔的序列,需剔除。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (1)
1.一种基于波形优化的表面肌电信号分解方法,其特征是包括以下步骤:
步骤一,采集恒力输出下的阵列式表面肌电信号,对信号滤波,削弱干扰;
步骤二,采用卷积核补偿方法计算阵列式sEMG信号能量序列;
步骤三,按照能量大小依次提取能量序列的时刻点,确定肌肉运动单元位置;
步骤四,基于滑动时间窗的波形优化方法,提取运动单元发放序列,具体方法如下:
A)平行滑动取两时间点所对应的波形,计算二阶差分信号,判断波形凸凹性;
B)如果存在凸型波形,利用正态函数优化,确定正态函数参数;
C)利用肌电信号发放频率稳定的特性,由正态函数参数和滑动时间窗起始点确定发放时刻;
步骤五,针对信号能量序列,重复步骤二-----步骤四,计算发放序列;
步骤六,对所有发放序列归类整理,剔除重复以及不合理的发放时刻向量,优化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810140360.XA CN108403108B (zh) | 2018-02-11 | 2018-02-11 | 基于波形优化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 |
---|---|---|---|
CN201810140360.XA CN108403108B (zh) | 2018-02-11 | 2018-02-11 | 基于波形优化的阵列式表面肌电信号分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108403108A CN108403108A (zh) | 2018-08-17 |
CN108403108B true CN108403108B (zh) | 2021-03-16 |
Family
ID=63128401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810140360.XA Expired - Fee Related CN108403108B (zh) | 2018-02-11 | 2018-02-11 | 基于波形优化的阵列式表面肌电信号分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108403108B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110558979B (zh) * | 2019-09-11 | 2022-04-26 | 宁波工程学院 | 一种基于神经网络的肌肉运动单元提取方法 |
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 |
CN110507324B (zh) * | 2019-09-11 | 2022-04-26 | 宁波工程学院 | 一种肌肉运动单元搜索方法 |
CN110720910B (zh) * | 2019-10-12 | 2022-03-29 | 宁波工程学院 | 一种基于相关性的肌肉运动单元搜索方法 |
CN110652295B (zh) * | 2019-10-16 | 2022-04-26 | 中山大学 | 一种量化激活时间序列个体差异性的方法及系统 |
CN114343680B (zh) * | 2021-12-24 | 2024-04-19 | 杭州电子科技大学 | 一种动态表面肌电信号实时分解方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2858558A1 (en) * | 2012-06-12 | 2015-04-15 | Technical University of Denmark | Support system and method for detecting neurodegenerative disorder |
CN105326500B (zh) * | 2014-08-13 | 2018-02-09 | 华为技术有限公司 | 基于表面肌电信号的动作识别方法和设备 |
CN105956547B (zh) * | 2016-04-28 | 2019-05-03 | 宁波工程学院 | 基于阵列式表面肌电信号平滑的分解方法 |
-
2018
- 2018-02-11 CN CN201810140360.XA patent/CN108403108B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108403108A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108403108B (zh) | 基于波形优化的阵列式表面肌电信号分解方法 | |
CN102426651B (zh) | 人体前臂表面肌电信号采集及模式识别系统 | |
Farina et al. | Decoding the neural drive to muscles from the surface electromyogram | |
CN104997508B (zh) | 阵列式sEMG信号自动分解方法 | |
Phinyomark et al. | Investigating long-term effects of feature extraction methods for continuous EMG pattern classification | |
CN102499797B (zh) | 假肢控制方法及系统 | |
CN202288542U (zh) | 假肢控制装置 | |
CN110339024A (zh) | 下肢外骨骼机器人及其实时步态切换方法及存储装置 | |
CN110598676A (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 | |
CN105956547B (zh) | 基于阵列式表面肌电信号平滑的分解方法 | |
CN107518895B (zh) | 面向康复训练的同一肌肉检测方法 | |
CN108403113B (zh) | 一种半自动的阵列式表面肌电信号分解方法 | |
CN110558980B (zh) | 一种肌肉动态收缩的运动单元提取方法 | |
CN108388855B (zh) | 一种针电极肌电信号分解方法 | |
CN107526952B (zh) | 基于多通道表面肌电信号的身份识别方法 | |
CN114533089A (zh) | 一种基于表面肌电信号的下肢动作识别分类方法 | |
CN105975917B (zh) | 面向强干扰的阵列式表面肌电信号分解方法 | |
Zhao et al. | Online Decomposition of Surface Electromyogram into Individual Motor Unit Activities Using Progressive FastICA Peel-off | |
Veer | A flexible approach for segregating physiological signals | |
CN108403114B (zh) | 一种面向恒力的阵列式表面肌电信号分解方法 | |
CN105769186B (zh) | 基于复杂网络的肌电信号采集位置选取方法 | |
Zhang et al. | Individual hand movement detection and classification using peripheral nerve signals | |
CN110507324B (zh) | 一种肌肉运动单元搜索方法 | |
Phinyomark et al. | Optimal EMG amplitude detectors for muscle-computer interface | |
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 | ||
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: 20210316 |