CN114343680B - 一种动态表面肌电信号实时分解方法 - Google Patents
一种动态表面肌电信号实时分解方法 Download PDFInfo
- Publication number
- CN114343680B CN114343680B CN202111600196.4A CN202111600196A CN114343680B CN 114343680 B CN114343680 B CN 114343680B CN 202111600196 A CN202111600196 A CN 202111600196A CN 114343680 B CN114343680 B CN 114343680B
- Authority
- CN
- China
- Prior art keywords
- signals
- time
- decomposition
- real
- semg
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 2
- 230000003068 static effect Effects 0.000 description 5
- 210000003205 muscle Anatomy 0.000 description 4
- 230000008602 contraction Effects 0.000 description 3
- 101000739754 Homo sapiens Semenogelin-1 Proteins 0.000 description 2
- 102100037550 Semenogelin-1 Human genes 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000036403 neuro physiology Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 208000018360 neuromuscular disease Diseases 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008289 pathophysiological mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种动态表面肌电信号(sEMG)实时分解方法。针对之前的方法没有考虑到识别许多错误瞬间对后续MU发射瞬间提取的影响,也没有研究精确提取发射瞬间的方法等种种限制。本发明采用预判和补漏结合的策略实时分解动态sEMG信号。本发明首先采用肌电采集设备采集受试者sEMG信号,进行预处理以及信道扩展;再使用KmCKC得到初始的MU信息:包括MU的放电时刻集合,权向量以及初始化的协方差逆矩阵;再通过设备不断采集sEMG信号,并将预判和补漏的策略相结合实时分解出MU。本发明与以往的方法相比大大提高了MU的分解产量,分解精度,并且在高噪声的环境下也能取得很好的分解结果,具有很强的鲁棒性。
Description
技术领域
本发明涉及动态表面肌电信号实时分解方法,具体是一种实时分解动态表面肌电信号得到肌肉神经元放电信息的方法。
背景技术
在过去的几十年里,研究人员对表面肌电图(sEMG)分解技术表现出浓厚的兴趣,这是由于其非侵入性、运动单元(MUs)的高产量和适用于高收缩水平的良好性质。sEMG 信号是被激活的运动单元动作电位(MUAPs)的总和。sEMG分解的具体目标是MU的尖峰序列和MUAP的波形。伴随着sEMG分解技术的快速发展,这项技术已经成为了解神经肌肉系统的神经生理学,以及运动神经疾病和神经肌肉疾病的诊断和进展跟踪的强大平台。运动单元行为的信息也有助于更好地理解震颤、中风的病理生理机制以及训练和衰老的神经决定因素。现有的关于sEMG分解的研究表明,目前的大多数算法可以保证在几种肌肉和收缩条件下,对静止的高密度sEMG信号进行高MU产量和高精确度分解。但是由于分解的计算成本较高,大多数分解方法只能进行离线工作。
然而,无论是在临床诊断中面临时间不足的窘境,还是在康复、运动和工效学领域需要及时调整与环境的互动,对于实时分解技术的需求相当大。到目前为止,一些研究已经将原方法扩展到了在线情况。Holobar和他的同事(2013年)开发了一种基于CKC的sEMG 实时分解方法,在离线策略中采用CKC生成初始化参数,在在线分解中采用迭代策略更新参数,用幅值阈值来过滤放电瞬间。尽管采用Sherman-Morrison-Woodbury公式迭代协方差反矩阵大大降低了计算成本,但实时性仍不理想,分解的MU数量不足(不到10个MU, 1s数据,0.6s处理时间)。为了降低计算成本,提高MU产量,Yang Zhang等人报告了一种基于FastICA和离线分解+在线更新策略的新型便捷的实时sEMG分解方法。在离线阶段,他们使用FastICA和Kmeans++来生成分离向量和尖峰序列;在在线分解阶段,他们使用 K-means聚类来提取发射瞬间和SIL指标来优化尖峰序列。尽管上述算法已经将经典的 SEMG分解算法扩展到在线情况下,但它们都只关注于静态的情况。然而,由于非静态SEMG 信号的分解对假肢控制和临床诊断特别关键,因此上述的方法并不令人满意。在最近的一项重要研究中,Chen chen等人(2020)首次展示了非静态sEMG信号的实时分解方法。这项开创性的研究采用了基于gCKC的离线分解+在线更新策略。在离线阶段,采用gCKC生成初始化参数;在在线分解阶段,采用K-means算法提取射击瞬间,并采用迭代策略更新参数以适应动态收缩。然而,Chen chen的方法没有考虑到识别许多错误瞬间对后续MU发射瞬间提取的影响,也没有研究到精确提取发射瞬间的方法。这些问题限制了该方法的准确性以及 MU的产量。
发明内容
本发明针对现有技术的不足,提出了一种动态表面肌电信号实时分解方法,包括步骤如下:
步骤1.使用设备采集动态表面肌电信号;
步骤2.对信号进行预处理,然后分解得到初始权向量和初始协方差逆矩阵
步骤3.通过设备实时采集sEMG信号y(Δn),先进行预处理,再进行实时分解;
步骤4.直到信号采集结束,中止分解程序。
作为优选,所述的步骤2中,对信号进行预处理,然后分解得到初始权向量和初始协方差逆矩阵/>,具体步骤为:
子步骤2-1.对采集的信号进行20~500Hz的带通滤波,并进行延时扩展,得到信号
子步骤2-2.通过KmCKC对信号进行分解,得到每个MU的放电时刻集合Ψj;
子步骤2-3.计算每个MU的初始权向量初始放电序列/>逆矩阵/>
其中card(Ψj)代表Ψj中的元素个数,E()代表期望,T代表转置运算,-1代表逆运算。
作为优选,所述的步骤3中,通过设备实时采集sEMG信号y(Δn),先进行预处理,再进行实时分解,具体步骤为:
子步骤3-1.对采集的信号进行20~500Hz的带通滤波,并进行延时扩展,得到信号
子步骤3-2.更新逆矩阵
子步骤3-3.补偿可能缺失的放电时刻,加入Ψj,再根据公式(1)更新权向量,根据公式(2)更新放电序列/>
子步骤3-4.根据Ψj中时刻间隔的均值和标准差,预判在放电序列中的新时刻内,可能出现的放电时刻范围[Δn1,Δnk]:
Δn1=mean(diff(Ψj))+(1-γ)std(diff(Ψj)) (5)
Δnk=mean(diff(Ψj))+(1+γ)std(diff(Ψj)) (6)
在该范围内,筛选符合幅值阈值的时刻加入Ψj,根据公式(1)更新权向量,并根据公式(2)更新MU放电序列/>
本发明有益效果如下:通过结合预判和补漏策略,开发了一个新的静态表面肌电信号分解框架。预判方法被用来精确提取MU的放电时刻,而补漏方法则专门用于弥补缺失的放电时刻,从而通过优化权向量进一步精确放电时刻的提取。从模拟和实验信号中分解出的MU 的高产量和准确性证明了所提出的方法在实时分解中的可靠性和能力。
附图说明
图1为KmCKC的流程图;
图2为本发明的整体流程图;
图3为MU个数以及分解精度的比较图。
具体实施方式
下面结合具体实施例对本发明进一步说明。以下描述仅作为示范和解释,并不对本发明作任何形式上的限制。
实施例1
如图1和图2所示,本发明提供一种动态表面肌电信号实时分解方法,包括步骤如下:
步骤1.使用肌电采集设备采集肱二头肌的表面肌肉电信号,采样频率为2000Hz,通道数为64通道,采样时间为10秒;
步骤2.对信号进行预处理,然后分解得到初始权向量和初始协方差逆矩阵具体步骤如下:
2-1.对采集的信号进行20~500Hz的带通滤波,并进行延时扩展,得到信号,延时系数为10,扩展后的信号矩阵应为640x 20000;
2-2.通过KmCKC对信号进行分解,得到每个MU的放电时刻集合Ψj;
2-3.计算每个MU的初始权向量,初始放电序列/>,逆矩阵/>,权向量长度应为640x1,放电序列长度为1x20000,逆矩阵为640x640:
步骤3.通过设备实时采集sEMG信号y(Δn),先进行预处理,再进行分解,具体步骤如下:
3-1.对采集的信号进行20~500Hz的带通滤波,并进行延时扩展,得到信号 长度应为640x400;
3-2.更新逆矩阵 为640x640;
3-3.补偿可能缺失的放电时刻,加入Ψj,再根据公式1更新权向量根据公式2更新放电序列/>,权向量长度应为640x1,放电序列长度为1x(20000+400x信号更新次数);
3-4.根据Ψj中时刻间隔的均值和标准差,预判在放电序列中的新时刻内,可能出现的放电时刻范围[Δn1,Δnk]。γ=0.35。在该范围内,筛选符合幅值阈值的时刻加入Ψj,根据公式1更新权向量,并根据公式2更新MU放电序列/>,权向量长度应为640x1,放电序列长度为1x(20000+400x信号更新次数)。
步骤4.直到信号采集结束,中止分解程序。
全部工作的流程图如图2所示,本发明采用仿真sEMG数据,9组仿真数据,每组数据6次实验,与ChenChen的方法相比,无论仿真的sEMG信号的信噪比(10-30dB)如何,都能提取更多的MU,灵敏度和精确度不低于80%。图3是实时分解出来的MU个数以及分解精度的比较图。
如图3所示,相比于之前的方法,本发明通过结合预判和补漏策略,开发了一个新的静态表面肌电信号分解框架。预判方法被用来精确提取MU的放电时刻,而补漏方法则专门用于弥补缺失的放电时刻,从而通过优化权向量进一步精确放电时刻的提取。使用这样的方法得到的MU产量,精确度有显著提高,并且在高噪声环境下的鲁棒性也有所提升。可见本发明所提出的算法对动态表面肌肉电信号实时分解的能力有一定的提升。
Claims (1)
1.一种动态表面肌电信号实时分解方法,其特征在于包括以下步骤:
步骤1.使用设备采集动态表面肌电信号;
步骤2.对信号进行预处理,然后分解得到初始权向量和初始协方差逆矩阵/>
子步骤2-1,对采集的信号进行20~500Hz的带通滤波,并进行延时扩展,得到信号
子步骤2-2,通过KmCKC对信号进行分解,得到每个MU的放电时刻集合Ψj;
子步骤2-3,计算每个MU的初始权向量初始放电序列/>逆矩阵/>
其中card(Ψj)代表Ψj中的元素个数,E()代表期望,T代表转置运算,-1代表逆运算;
步骤3.通过设备实时采集sEMG信号y(Δn),先进行预处理,再进行实时分解;
子步骤3-1,对采集的信号进行20~500Hz的带通滤波,并进行延时扩展,得到信号
子步骤3-2,更新逆矩阵
子步骤3-3,补偿可能缺失的放电时刻,加入Ψj,再根据公式(1)更新权向量根据公式(2)更新放电序列/>
子步骤3-4,根据Ψj中时刻间隔的均值和标准差,预判在放电序列中的新时刻内,可能出现的放电时刻范围[Δn1,Δnk]:
Δn1=mean(diff(Ψj))+(1-γ)std(diff(Ψj)) (5)
Δnk=mean(diff(Ψj))+(1+γ)std(diff(Ψj)) (6)
在该范围内,筛选符合幅值阈值的时刻加入Ψj,根据公式(1)更新权向量并根据公式(2)更新MU放电序列/>
步骤4.直到信号采集结束,中止分解程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111600196.4A CN114343680B (zh) | 2021-12-24 | 2021-12-24 | 一种动态表面肌电信号实时分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111600196.4A CN114343680B (zh) | 2021-12-24 | 2021-12-24 | 一种动态表面肌电信号实时分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114343680A CN114343680A (zh) | 2022-04-15 |
CN114343680B true CN114343680B (zh) | 2024-04-19 |
Family
ID=81101376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111600196.4A Active CN114343680B (zh) | 2021-12-24 | 2021-12-24 | 一种动态表面肌电信号实时分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114343680B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105326501A (zh) * | 2015-12-10 | 2016-02-17 | 宁波工程学院 | 基于sEMG的肌肉疾病监测方法 |
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 |
CN108403113A (zh) * | 2018-02-11 | 2018-08-17 | 宁波工程学院 | 一种半自动的阵列式表面肌电信号分解方法 |
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 |
CN113397571A (zh) * | 2021-07-16 | 2021-09-17 | 杭州电子科技大学 | 一种基于先验模板的肌电运动单元分解方法 |
CN113536911A (zh) * | 2021-06-08 | 2021-10-22 | 西安交通大学 | 一种基于双线程的肌电在线实时分解方法 |
-
2021
- 2021-12-24 CN CN202111600196.4A patent/CN114343680B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105326501A (zh) * | 2015-12-10 | 2016-02-17 | 宁波工程学院 | 基于sEMG的肌肉疾病监测方法 |
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 |
CN108403113A (zh) * | 2018-02-11 | 2018-08-17 | 宁波工程学院 | 一种半自动的阵列式表面肌电信号分解方法 |
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 |
CN113536911A (zh) * | 2021-06-08 | 2021-10-22 | 西安交通大学 | 一种基于双线程的肌电在线实时分解方法 |
CN113397571A (zh) * | 2021-07-16 | 2021-09-17 | 杭州电子科技大学 | 一种基于先验模板的肌电运动单元分解方法 |
Non-Patent Citations (1)
Title |
---|
Surface EMG Decomposition Based on K-means Clustering and Convolution Kernel Compensation;Yong Ning 等;IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS;20150331;第19卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114343680A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
CN109299751B (zh) | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 | |
CN106805945B (zh) | 一种少数通道的脑电信号中肌电伪迹的消除方法 | |
CN112274162B (zh) | 基于生成对抗域自适应的跨被试eeg疲劳状态分类方法 | |
CN113647962B (zh) | 基于深度学习集成模型的癫痫定位与发作预测方法 | |
CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
CN111476158A (zh) | 一种基于pso-pca-svm的多通道生理信号体感手势识别方法 | |
Mustafa et al. | The analysis of eeg spectrogram image for brainwave balancing application using ann | |
CN114343680B (zh) | 一种动态表面肌电信号实时分解方法 | |
CN111887811B (zh) | 基于脑电信号特征的大脑异常放电检测方法及系统 | |
CN110738093B (zh) | 基于改进小世界回声状态网络肌电的分类方法 | |
CN110558980B (zh) | 一种肌肉动态收缩的运动单元提取方法 | |
CN111242100A (zh) | 一种基于gst和vl-mobpnn的动作识别方法 | |
CN116649924A (zh) | 一种脉搏分析方法及装置 | |
CN110516711B (zh) | Mi-bci系统的训练集质量评估方法和单次训练样本的优化方法 | |
CN114305452A (zh) | 一种基于脑电和领域适配的跨任务认知负荷识别方法 | |
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 | |
Naseem et al. | Detection of sEMG muscle activation intervals using gaussian mixture model and ant colony classifier | |
Şengür et al. | Classification of amyotrophic lateral sclerosis and healthy electromyography signals based on transfer learning | |
Severini et al. | Effect of SNR normalization on the estimation of muscle synergies from EMG datasets | |
Lv et al. | Research on individual soldier energy efficiency assessment systems | |
CN111158462B (zh) | 基于实施边界规避任务模型提高脑电唤醒度的方法 | |
CN114358067A (zh) | 一种静态表面肌电信号分解方法 | |
CN117503140A (zh) | 一种基于独立成分分析和时空网络的人体困倦检测方法 |
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 |