CN108403113B - 一种半自动的阵列式表面肌电信号分解方法 - Google Patents
一种半自动的阵列式表面肌电信号分解方法 Download PDFInfo
- Publication number
- CN108403113B CN108403113B CN201810140386.4A CN201810140386A CN108403113B CN 108403113 B CN108403113 B CN 108403113B CN 201810140386 A CN201810140386 A CN 201810140386A CN 108403113 B CN108403113 B CN 108403113B
- Authority
- CN
- China
- Prior art keywords
- time point
- array type
- sequence
- type surface
- energy
- 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 29
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 210000003205 muscle Anatomy 0.000 claims description 19
- 239000000126 substance Substances 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000002567 electromyography Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 208000028389 Nerve injury Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram 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
- 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
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 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
- A61B5/389—Electromyography [EMG]
-
- 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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种半自动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,然后根据时刻点优先级,在理想时刻点和实际时刻点中优化最终时刻点,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。本发明充分发挥人的优势和计算机的速度,实现半自动的肌电信号分解,提高分解的准确性。该分解方法准确性高,计算快速、实现简单。
Description
技术领域
本发明涉及一种面向恒力的半自动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半自动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实际时刻点;
步骤四,根据实际时刻点处sEMG信号最大峰峰值,确定肌肉运动单元位置;
步骤五,基于肌肉运动单元波形的时刻优先级,计算发放序列;
步骤六,针对信号能量序列,重复步骤二-----步骤五,计算发放序列;
步骤七,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:
步骤四中根据时刻点处sEMG信号最大峰峰值,确定肌肉运动单元位置,具体方法如下: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,峰峰值最多的通道作为肌肉运动单元所在的位置。
步骤五中基于肌肉运动单元波形的时刻优先级,计算发放序列,具体方法如下:
A)根据能量序列的时刻点开始的几个值,综合肌肉运动单元波形和发放间隔范围[20ms,100ms],人工确定初始时刻点和发放间隔;
B)根据初始时刻点和发放间隔,依次叠加计算理想时刻点Ti,设置优先级,按照实际时刻点Tr优先级别高的原则确定最终时刻点Tc,由优先级确定Tc方法如下,
与现有技术相比,本发明的一种半自动的阵列式表面肌电信号分解方法,由于实际的情况十分复杂,本发明首先采用人工方法确定初始发放时刻和发放间隔,然后在后续发放时刻确定过程中,利用时刻优先级自动提取后续发放时刻,最后得到完整发放序列。在该过程中充分发挥人的优势和计算机的速度,实现半自动的肌电信号分解,提高分解的准确性。
附图说明
图1是本发明流程图。
图2是本发明实施例的峰值示意图。
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。
一种半自动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实际时刻点,提取的实际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。
步骤四,根据实际时刻点处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。
步骤五,基于肌肉运动单元波形的时刻优先级,计算发放序列,具体方法如下:
A)根据能量序列的时刻点开始的几个值,综合肌肉运动单元波形和发放间隔范围[20ms,100ms],人工确定初始时刻点和发放间隔。判断时刻点开始的几个值所对应的肌肉运动单元波形,是否为峰值,此处峰值可以为局部峰值,是则确定为发放时刻,同时考虑肌肉运动单元发放间隔范围是[20ms,100ms],可以删除或增加发放时刻,保证发放间隔的均匀。
B)根据初始时刻点和发放间隔,依次叠加计算理想时刻点Ti,设置优先级,按照实际时刻点Tr优先级别高的原则确定最终时刻点Tc,由优先级确定Tc方法如下,
其中,为Ti,Tr所对应的波形值,Th为阈值常数(根据实际信号选取,一般为3毫秒)。优先级确定Tc过程中,峰值均可以为局部峰值,实际时刻点优先。如图2所示,50、80、150均为局部峰值,在自动搜寻局部峰值过程中,可以用findpeaks函数。如果理想时刻点与实际时刻点间隔大于Th毫秒,判断实际时刻点对应的是否波形峰值,是则保留该时刻点,否则不保留;如果理想时刻点与实际时刻点间隔小于Th毫秒,则比较两者所对应的波形,判断两个时刻点处波形是否峰值,如果都是峰值,保留实际时刻点,如果只有一个时刻点波形是,保留该时刻点,如果都不是,保留实际时刻点。
步骤六,针对信号能量序列,重复步骤二-----步骤五,计算发放序列;
步骤七,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 (2)
1.一种半自动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实际时刻点;
步骤四,根据实际时刻点处sEMG信号最大峰峰值,确定肌肉运动单元位置;
步骤五,基于肌肉运动单元波形的时刻优先级,计算发放序列,具体方法如下:
A)根据能量序列的时刻点开始的几个值,综合肌肉运动单元波形和发放间隔范围[20ms,100ms],人工确定初始时刻点和发放间隔;
B)根据初始时刻点和发放间隔,依次叠加计算理想时刻点Ti,设置优先级,按照实际时刻点Tr优先级别高的原则确定最终时刻点Tc,由优先级确定Tc方法如下,
步骤六,针对信号能量序列,重复步骤二-----步骤五,计算发放序列;
步骤七,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。
2.根据权利要求1所述的一种半自动的阵列式表面肌电信号分解方法,其特征在于,步骤四中根据时刻点处sEMG信号最大峰峰值,确定肌肉运动单元位置,具体方法如下: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,峰峰值最多的通道作为肌肉运动单元所在的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810140386.4A CN108403113B (zh) | 2018-02-11 | 2018-02-11 | 一种半自动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 |
---|---|---|---|
CN201810140386.4A CN108403113B (zh) | 2018-02-11 | 2018-02-11 | 一种半自动的阵列式表面肌电信号分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108403113A CN108403113A (zh) | 2018-08-17 |
CN108403113B true CN108403113B (zh) | 2021-03-12 |
Family
ID=63128386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810140386.4A Expired - Fee Related CN108403113B (zh) | 2018-02-11 | 2018-02-11 | 一种半自动的阵列式表面肌电信号分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108403113B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359619A (zh) * | 2018-10-31 | 2019-02-19 | 浙江工业大学之江学院 | 一种基于卷积盲源分离的高密度表面肌电信号分解方法 |
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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080009771A1 (en) * | 2006-03-29 | 2008-01-10 | Joel Perry | Exoskeleton |
CN104899594B (zh) * | 2014-03-06 | 2018-01-02 | 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 |
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 |
CN107518895B (zh) * | 2016-06-22 | 2020-07-17 | 宁波工程学院 | 面向康复训练的同一肌肉检测方法 |
-
2018
- 2018-02-11 CN CN201810140386.4A patent/CN108403113B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108403113A (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 | |
CN105326500B (zh) | 基于表面肌电信号的动作识别方法和设备 | |
CN104997508A (zh) | 阵列式sEMG信号自动分解方法 | |
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 | |
CN102499797B (zh) | 假肢控制方法及系统 | |
CN202288542U (zh) | 假肢控制装置 | |
CN108403113B (zh) | 一种半自动的阵列式表面肌电信号分解方法 | |
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 | |
CN113397571A (zh) | 一种基于先验模板的肌电运动单元分解方法 | |
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 | |
CN108903948A (zh) | 一种人体肌音信号分析系统 | |
CN110558980B (zh) | 一种肌肉动态收缩的运动单元提取方法 | |
CN114533089A (zh) | 一种基于表面肌电信号的下肢动作识别分类方法 | |
CN110472595A (zh) | 脑电信号的识别模型构建方法、装置以及识别方法、装置 | |
CN105975917B (zh) | 面向强干扰的阵列式表面肌电信号分解方法 | |
CN116807457A (zh) | 一种基于单肌电传感器的步态事件检测方法及系统 | |
CN108403114B (zh) | 一种面向恒力的阵列式表面肌电信号分解方法 | |
CN114052750B (zh) | 基于标准模板肌电分解的脑肌信息传递规律提取方法 | |
Zhang et al. | Individual hand movement detection and classification using peripheral nerve signals | |
CN112932508B (zh) | 一种基于手臂肌电网络的手指活动识别系统 | |
CN110507324B (zh) | 一种肌肉运动单元搜索方法 | |
CN114098768A (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 |
---|---|---|---|
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 |
Granted publication date: 20210312 |
|
CF01 | Termination of patent right due to non-payment of annual fee |