CN110507324A - 一种肌肉运动单元搜索方法 - Google Patents
一种肌肉运动单元搜索方法 Download PDFInfo
- Publication number
- CN110507324A CN110507324A CN201910859558.8A CN201910859558A CN110507324A CN 110507324 A CN110507324 A CN 110507324A CN 201910859558 A CN201910859558 A CN 201910859558A CN 110507324 A CN110507324 A CN 110507324A
- Authority
- CN
- China
- Prior art keywords
- signal
- movement unit
- muscular movement
- transmitting component
- component
- 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.)
- Granted
Links
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
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7235—Details of waveform analysis
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Abstract
本发明提供一种肌肉运动单元搜索方法,首先采集多通道表面肌电信号,然后分离波形传输分量和非传输分量,最后利用非传输分量相关性计算发放序列,搜索肌肉运动单元。由于肌肉运动单元发放波形中非传输分量一致性好,从非传输分量角度搜索肌肉运动单元可靠性高,并且本发明提供的肌肉运动单元搜索方法可以应用于肌肉动态收缩的情况。同时,在传输分量与非传输分量分离过程中,采用遗传算法保正结果最优,提高了肌肉运动单元搜索准确性。本发明实现简单,满足实际应用的需要。
Description
技术领域
本发明涉及一种肌肉运动单元搜索方法。
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,肌肉运动单元的发放是构成sEMG的基础,通过sEMG得到运动单元详细信息有助于了解神经肌肉工作机制。目前的肌肉运动单元(Motor Unit,MU)的搜索方法在sEMG信号叠加严重、干扰强、MU发放频率接近时,获取的肌肉运动单元特性参数不理想。尤其在肌肉动态收缩时,肌肉运动单元搜索更难。如何在较多MU发放情况下,提高获取MU参数精度有待进一步研究。
国内外学者研究的多通道sEMG信号处理方法主要有: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。总的来看,利用多通道表面肌电信号搜索肌肉运动单元还处于探索阶段,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肌肉运动单元搜索方法,其特征是包括以下步骤:
步骤一,采集肌肉收缩下的多通道表面肌电信号,对信号滤波,削弱干扰;
步骤二,设置幅值阈值,提取每个通道发放波形;
步骤三,针对表面肌电信号,计算信号互相关矩阵的逆矩阵;
步骤四,以表面肌电信号残留误差和非传输信号能量作为优化目标函数,分离发放波形传输分量和非传输分量,目标函数如下:
其中y、K、W、X、λ、X0分别为表面肌电信号、加权系数矩阵、强度、信号阵列、正则化参数和非传输分量;
步骤五,根据信号相关性得到发放序列,发放序列ξ(n)计算公式如下:
其中X0(n)是肌肉运动单元非传输分量,T表示转置,C-1是信号互相关矩阵的逆矩阵,y是表面肌电信号,n是信号对应时刻;
步骤六,最后对所有运动单元归类整理,剔除重复以及不合理的肌肉运动单元,优化结果。
优化的措施包括:
步骤四的目标函数中正则化参数λ通过S曲线得到,由于从S曲线得到的λ值是一个范围,在操作过程中,在一定的范围内利用遗传算法搜寻λ最优值。
由于肌肉运动单元发放波形中非传输分量相对于传输分量来说,一致性更好,即使是肌肉动态收缩情况下,非传输分量稳定性也很好,因此,本发明提供一种基于非传输分量的肌肉运动单元搜索方法。在传输分量与非传输分量分离过程中,采用遗传算法保正结果最优,提高了肌肉运动单元搜索准确性。
附图说明
图1是本发明流程图。
图2是本发明实施例的肌肉力变化斜率拟合示意图。
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。本发明提供一种肌肉运动单元搜索方法,其特征是包括以下步骤:
步骤一,采集肌肉动态收缩下的多通道表面肌电信号,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,设置幅值阈值,提取每个通道发放波形。幅值阈值根据具体情况设置,高于阈值则提取发放波形,否则不提取,波形长度取对应时刻前后40ms。
步骤三,针对表面肌电信号,计算信号互相关矩阵的逆矩阵针。首先计算多通道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信号,ST(n)是第n个采样时刻的多通道信号转置,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
步骤四,以表面肌电信号残留误差和非传输信号能量作为优化目标函数,分离发放波形传输分量和非传输分量,目标函数如下:
其中y、K、W、X、λ、X0分别为表面肌电信号、加权系数矩阵、强度、信号阵列、正则化参数和非传输分量。加权系数矩阵K在波形最大幅值取1,最小幅值取0.1,处于最大与最小幅值之间则按照均匀分布。强度W取1,信号阵列X即传输分量,正则化参数λ通过S曲线得到,由于从S曲线得到的λ值是一个范围,在操作过程中,在一定的范围内利用遗传算法搜寻λ最优值。如图2所示,发放波形虚线框内为非传输分量,剩余部分为传输分量。
运动单元波形是由传输分量和非传输分量组成,而非传输分量是在波形消失阶段产生,根据肌纤维垂直方向上电极信号的波形相似性,可以将电极波形写成传输分量和非传输分量的加权叠加形式。
步骤五,根据信号相关性得到发放序列,发放序列ξ(n)计算公式如下:
其中X0(n)是肌肉运动单元非传输分量,T表示转置,C-1是信号互相关矩阵的逆矩阵,y是表面肌电信号,n是信号对应时刻。
步骤六,最后对所有运动单元归类整理,剔除重复以及不合理的肌肉运动单元,优化结果。计算发放序列,最后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,小于15毫秒间隔的时刻,需剔除。
综上所述,本发明提供一种肌肉运动单元搜索方法,由于肌肉运动单元发放波形中非传输分量相对于传输分量来说,一致性更好,即使是肌肉动态收缩情况下,非传输分量稳定性也很好,因此,本发明提供的肌肉运动单元搜索方法可以应用于肌肉动态收缩的情况。同时,在传输分量与非传输分量分离过程中,采用遗传算法保正结果最优,提高了肌肉运动单元搜索准确性。本发明实现简单,满足实际应用的需要。
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)
1.一种肌肉运动单元搜索方法,其特征是包括以下步骤:
步骤一,采集肌肉收缩下的多通道表面肌电信号,对信号滤波,削弱干扰;
步骤二,设置幅值阈值,提取每个通道发放波形;
步骤三,针对表面肌电信号,计算信号互相关矩阵的逆矩阵;
步骤四,以表面肌电信号残留误差和非传输信号能量作为优化目标函数,分离发放波形传输分量和非传输分量,目标函数如下:
其中y、K、W、X、λ、X0分别为表面肌电信号、加权系数矩阵、强度、信号阵列、正则化参数和非传输分量;
步骤五,根据信号相关性得到发放序列,发放序列ξ(n)计算公式如下:
其中X0(n)是肌肉运动单元非传输分量,T表示转置,C-1是信号互相关矩阵的逆矩阵,y是表面肌电信号,n是信号对应时刻;
步骤六,最后对所有运动单元归类整理,剔除重复以及不合理的肌肉运动单元,优化结果。
2.根据权利要求1所述的一种肌肉运动单元搜索方法,其特征在于,步骤四的目标函数中正则化参数λ通过S曲线得到,由于从S曲线得到的λ值是一个范围,在操作过程中,在一定的范围内利用遗传算法搜寻λ最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859558.8A CN110507324B (zh) | 2019-09-11 | 2019-09-11 | 一种肌肉运动单元搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910859558.8A CN110507324B (zh) | 2019-09-11 | 2019-09-11 | 一种肌肉运动单元搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110507324A true CN110507324A (zh) | 2019-11-29 |
CN110507324B CN110507324B (zh) | 2022-04-26 |
Family
ID=68630671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910859558.8A Active CN110507324B (zh) | 2019-09-11 | 2019-09-11 | 一种肌肉运动单元搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110507324B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108403115A (zh) * | 2018-02-11 | 2018-08-17 | 宁波工程学院 | 一种肌肉运动单元数量估计方法 |
CN108403108A (zh) * | 2018-02-11 | 2018-08-17 | 宁波工程学院 | 基于波形优化的阵列式表面肌电信号分解方法 |
WO2019165207A1 (en) * | 2018-02-23 | 2019-08-29 | Loma Linda Universtiy | Systems and methods for detection and correction of abnormal movements |
-
2019
- 2019-09-11 CN CN201910859558.8A patent/CN110507324B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108403115A (zh) * | 2018-02-11 | 2018-08-17 | 宁波工程学院 | 一种肌肉运动单元数量估计方法 |
CN108403108A (zh) * | 2018-02-11 | 2018-08-17 | 宁波工程学院 | 基于波形优化的阵列式表面肌电信号分解方法 |
WO2019165207A1 (en) * | 2018-02-23 | 2019-08-29 | Loma Linda Universtiy | Systems and methods for detection and correction of abnormal movements |
Non-Patent Citations (5)
Title |
---|
PER CHRISTIAN HANSEN: "Analysis of discrete ill-posed problems by means of the L-curve", 《SIAM REVIEW》 * |
YANG LIU ET.AL.: "Internal muscle activity imaging from multi-channel surface EMG recordings: a validation study", 《2014 36TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 * |
付聪: "表面肌电信号的动作电位传导速度估计研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李强: "表面肌电信号的运动单位动作电位检测", 《中国博士学位论文全文数据库 医药科技卫生辑》 * |
褚雪忠 等: "电极配置对MUAP检测影响的仿真研究", 《生物医学工程研究》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110507324B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681396B (zh) | 基于脑-肌电双模态神经信号的人机交互系统及其方法 | |
CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
CN110286368B (zh) | 一种基于超宽带雷达的老人跌倒检测方法 | |
Nazarpour et al. | Application of higher order statistics to surface electromyogram signal classification | |
Phinyomark et al. | Feature reduction and selection for EMG signal classification | |
CN104997508B (zh) | 阵列式sEMG信号自动分解方法 | |
CN109299751B (zh) | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 | |
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 | |
CN101776981B (zh) | 脑电与肌电联合控制鼠标的方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN108403108B (zh) | 基于波形优化的阵列式表面肌电信号分解方法 | |
CN104127181A (zh) | 基于wkfda的肌电信号跌倒检测方法 | |
CN102930284A (zh) | 基于经验模态分解和分形的表面肌电信号模式识别方法 | |
CN110163128A (zh) | 改进的emd算法结合小波包变换及csp算法的脑电信号分类方法 | |
CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
CN110269609A (zh) | 基于单通道的脑电信号中眼电伪迹分离方法 | |
CN109685071A (zh) | 基于共同空间模式特征宽度学习的脑电分类方法 | |
CN111931656B (zh) | 基于迁移学习的用户独立型运动想象分类模型训练方法 | |
CN105956547B (zh) | 基于阵列式表面肌电信号平滑的分解方法 | |
CN113378737A (zh) | 植入式脑机接口神经元锋电位分类方法 | |
CN110507324A (zh) | 一种肌肉运动单元搜索方法 | |
KR101446183B1 (ko) | 상관 특징 분석 기반 실시간 emg 패턴 인식 방법 | |
CN105975917A (zh) | 面向强干扰的阵列式表面肌电信号分解方法 | |
CN108403113A (zh) | 一种半自动的阵列式表面肌电信号分解方法 | |
Fan et al. | A canonical correlation analysis based EMG classification algorithm for eliminating electrode shift effect |
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 |