CN114358067A - 一种静态表面肌电信号分解方法 - Google Patents
一种静态表面肌电信号分解方法 Download PDFInfo
- Publication number
- CN114358067A CN114358067A CN202111600201.1A CN202111600201A CN114358067A CN 114358067 A CN114358067 A CN 114358067A CN 202111600201 A CN202111600201 A CN 202111600201A CN 114358067 A CN114358067 A CN 114358067A
- Authority
- CN
- China
- Prior art keywords
- sequence
- static surface
- substep
- discharge
- decomposition
- 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.)
- Pending
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种静态表面肌电信号(sEMG)分解方法。针对传统的基于盲源分离的sEMG分解方法无法提取小运动单元(MU)的问题,本发明采用多种策略结合的方式分解MU。本发明首先采用肌电采集设备采集受试者肱二头肌的电信号,进行预处理以及信道扩展;再通过循环CKC来准确分解大MU,并将改进的循环CKC方法与严格的迭代策略(Post‑Processor)和"剥离"策略相结合分解小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
本发明涉及静态表面肌电信号分解方法,具体是一种通过分解静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,表面肌电图(sEMG)由于其非侵入性、运动单元(MU)的高产量和对肌肉力高收缩水平的应用而受到广泛关注。通过sEMG信号采集和处理方面的重大进展,这项技术在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方面发挥了关键作用。sEMG信号是活跃的运动单元动作电位(MUAPs)的总和。sEMG分解是一种能够将sEMG信号分解为各个MUAPs的技术,对于MU放电信息和MUAP波形的研究是必不可少的。
研究人员已经做出了巨大的努力,并提出了各种分解算法。以前,模式识别是最常采用的sEMG信号分解技术之一。通过结合小波变换和ART网络分类,Gazzoni等人在2004年提出了一种用于MUAP波形检测和识别的自动分解算法。De Luca等人将其基于知识的人工智能框架扩展到sEMG信号,该框架最初是为肌内肌电信号分解开发的,但只限于低收缩力的情况。后来,Nawab等人在2010年改进了这种方法,使其适用于高收缩力的情况。尽管做出了这些努力,但由于皮肤和皮下脂肪将肌肉与sEMG电极隔开而产生的低通滤波效应会导致严重的信号混叠问题,不可避免地将大幅降低MUAPs之间的形状差异。所有这些因素共同作用,对基于模式识别的sEMG信号分解技术提出了重大挑战。
为了解决上述技术挑战,人们开发了基于盲源分离(BSS)的sEMG信号分解技术。Holobar及其同事开发基于卷积核补偿(CKC)的分解方法并从中脱颖而出,该方法将sEMG信号看作是卷积混合模型,并使用LMMSE框架来完成分解工作。Y Ning等人提出了KmCKC算法,该算法采用K-均值聚类(KMC),通过对不同时间段的观察向量进行聚类来估计MU的发射时间,并通过连续迭代重建最优的神经支配脉冲序列(IPT)。MQ Chen等人开发了一个新的框架来分解sEMG信号,该框架采用多约束参数的FastICA来准确提取MU的发射时间,并采用剥离策略来避免FastICA的局部收敛问题。BBS方法的主要局限性在于识别MU的能力主要由其动作电位的能量决定:几乎所有具有高MUAP能量的MU都能被可靠地提取出来,而具有低能量MUAP的MU则被视为生理性噪声,不能被可靠地分离出来。然而,小MU对疾病的诊断和研究具有重要意义。例如,小MU可以补充新的运动单位数量估计(MUNE)技术所需的具有代表性的单个运动单位电位(SMUPs)库,这是运动神经元疾病或神经肌肉疾病的关键电生理参数。在痉挛性偏瘫的中风患者中,小MU也能增强局部肉毒杆菌毒素注射对电生理参数的影响。
发明内容
本发明针对现有技术中低能量MUAP的MU则被视为生理性噪声,不能被可靠地分离出来;提出了一种静态表面肌电信号分解方法,包括步骤如下:
步骤1.使用设备采集静态表面肌电信号;
步骤2.对信号进行预处理;
步骤3.对预处理好后的信号进行循环CKC分解,得到初步的MU的放电序列,并且根据指标将MU的放电序列分为好序列以及差序列;
步骤4.对好序列使用尖峰检测,对坏序列使用Post-Processor得到尖峰序列;
步骤5.利用峰值触发平均技术估计MUAP波形,并且从静态表面肌电信号中删除;
步骤6.重复步骤1-5,直到没有新的MU生成。
作为优选,所述的步骤3中,对预处理好后的信号进行循环CKC分解,并且根据指标将MU的放电序列分为好序列以及差序列,具体步骤为:
3-2.计算γ(n),得到γ(n)中的最大值对应的时刻n0:
其中card(Ψj)代表Ψj中的元素个数。重复直到card(Ψj)=r1;
3-5.计算每一个MU放电序列的指标,包括:PNR,COV:
其中,diff()表示对集合内元素做差分运算,std()代表标准差运算,mean()代表均值计算。
3-6.通过PNR和COV指标将MU放电序列分为好序列和差序列。
作为优选,所述的步骤4中,对好序列使用尖峰检测,对坏序列使用Post-Processor得到尖峰序列,具体步骤为:
4-1.删除每一个坏序列的时刻集合Ψj中,与好序列重合时刻大于30%的部分;
作为优选,所述的步骤5中,利用峰值触发平均技术估计MUAP波形,并且从静态表面肌电信号中删除,具体步骤为:
5-1.利用峰值触发平均技术估计MUAP波形:
其中MUAPj是第j个MU在放电时刻±20个时刻内的波形。
本发明有益效果如下:
通过结合循环CKC、Post-Processor和'剥离'策略,开发了一个新的静态表面肌电信号分解框架。循环CKC方法被用来提取大MU的放电序列,而Post-Processor和"剥离"策略则专门用于小MU的分解。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新框架在分解中的可靠性和能力。
附图说明
图1为循环CKC以及结果分类的流程图;
图2为Post-Processor的流程图;
图3为新框架的整体流程图;
图4为MU放电序列以及MUAP波形的示例图。
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。
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.对采集的信号进行20~500Hz的带通滤波,并进行延时扩展,延时系数为10,扩展后的信号矩阵应为640x20000。
步骤3.对预处理好后的信号进行循环CKC分解,得到初步的MU的放电序列,并且根据指标将MU的放电序列分为好序列以及差序列,结构如图1所示,具体步骤为:
3-5.计算每一个MU放电序列的指标,包括:PNR,COV。最后通过PNR和COV指标将MU放电序列分为好序列和差序列,PNR和COV的阈值范围分别使35和0.3。
步骤4.对好序列使用尖峰检测,对坏序列使用Post-Processor得到尖峰序列,结构如图2,所示具体步骤如下:
4-1.删除每一个坏序列的时刻集合Ψj中,与好序列重合时刻大于30%的部分;
4-3.对于每个MU,通过得到其中的前2个最大值对应的时刻加入Ψj,去除邻近的时刻以及与好序列的重合时刻大于30%的部分。重复此步骤直到card(Ψj)=r3,时刻集合Ψj的元素个数r2设为70,得到小MU放电序列。
步骤5.利用峰值触发平均技术估计MUAP波形,并且从静态表面肌电信号中删除,具体步骤如下:
5-1.利用峰值触发平均技术估计MUAP波形,每个波形应为640*41的矩阵;
步骤6.重复步骤1-5,直到没有新的MU生成。
全部工作的流程图如图3所示,这里以6个受试者为实验对象,每个受试者1次实验,与KMCKC相比,无论模拟的sEMG信号的信噪比(5、10、15、20dB)如何,新框架都能提取更多的MU。平均提取了8.25±0.95个(共10个单元,比KMCKC多3个单元),对应估计的分解精度=100%。从实验的sEMG信号中,平均有14±2.5个MUST(比KMCKC多4个MU)被识别出来,平均COV为0.16±0.04。图4是分解出来的MU放电序列以及MUAP波形的示例图;
相比于采用之前的KMCKC算法,本发明采用循环卷积核补偿(CKC)方法(一种新的迭代CKC方法)来提取大MU,采用Post-Processor和"剥离"策略来提取剩余的具有低能量的Mu。使用这样的方法得到的MU产量和识别率有显著提高,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静态表面肌肉电信号分解的能力有一定的提升。
Claims (4)
1.一种静态表面肌电信号分解方法,其特征在于,包括以下步骤:
步骤1.使用设备采集静态表面肌电信号;
步骤2.对信号进行预处理;
步骤3.对预处理好后的信号进行循环CKC分解,得到初步的MU的放电序列,并且根据指标将MU的放电序列分为好序列以及差序列;
步骤4.对好序列使用尖峰检测,对坏序列使用Post-Processor得到尖峰序列;
步骤5.利用峰值触发平均技术估计MUAP波形,并且从静态表面肌电信号中删除;
步骤6.重复步骤1-5,直到没有新的MU生成。
2.根据权利要求1所述的一种静态表面肌电信号分解方法,其特征在于,所述的步骤3具体包括以下子步骤:
子步骤3-2,计算γ(n),得到γ(n)中的最大值对应的时刻n0:
其中card(Ψj)代表Ψj中的元素个数;重复直到card(Ψj)=r1;
子步骤3-5,计算每一个MU放电序列的指标,包括:PNR,COV:
其中,diff()表示对集合内元素做差分运算,std()代表标准差运算,mean()代表均值计算;
子步骤3-6,通过PNR和COV指标将MU放电序列分为好序列和差序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111600201.1A CN114358067A (zh) | 2021-12-24 | 2021-12-24 | 一种静态表面肌电信号分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111600201.1A CN114358067A (zh) | 2021-12-24 | 2021-12-24 | 一种静态表面肌电信号分解方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358067A true CN114358067A (zh) | 2022-04-15 |
Family
ID=81100958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111600201.1A Pending CN114358067A (zh) | 2021-12-24 | 2021-12-24 | 一种静态表面肌电信号分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358067A (zh) |
-
2021
- 2021-12-24 CN CN202111600201.1A patent/CN114358067A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Naik et al. | Single-channel EMG classification with ensemble-empirical-mode-decomposition-based ICA for diagnosing neuromuscular disorders | |
Chen et al. | Automatic implementation of progressive FastICA peel-off for high density surface EMG decomposition | |
Zhou et al. | Removal of EMG and ECG artifacts from EEG based on wavelet transform and ICA | |
CN110584660B (zh) | 基于脑源成像与相关性分析的电极选择方法 | |
CN107595276B (zh) | 一种基于单导联心电信号时频特征的房颤检测方法 | |
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 | |
CN109359619A (zh) | 一种基于卷积盲源分离的高密度表面肌电信号分解方法 | |
Sasikala et al. | Extraction of P wave and T wave in Electrocardiogram using Wavelet Transform | |
CN106805945B (zh) | 一种少数通道的脑电信号中肌电伪迹的消除方法 | |
CN105342605A (zh) | 一种去除脑电信号中肌电伪迹的方法 | |
CN103761424A (zh) | 基于二代小波和ica的肌电信号降噪与去混迭方法 | |
CN105956547B (zh) | 基于阵列式表面肌电信号平滑的分解方法 | |
Zifan et al. | Automated ECG segmentation using piecewise derivative dynamic time warping | |
Ranjan et al. | Cardiac artifact noise removal from sleep EEG signals using hybrid denoising model | |
CN115486854A (zh) | 一种针对干电极采集的单导联心电图室性早搏识别方法 | |
CN113842115B (zh) | 一种改进的eeg信号特征提取方法 | |
CN108717535B (zh) | 一种基于混合特征和长短时记忆网络的麻醉深度估计方法 | |
CN108836305B (zh) | 一种融合巴特沃斯滤波和小波变换的ecg特征提取方法 | |
Zhao et al. | Online decomposition of surface electromyogram into individual motor unit activities using progressive FastICA peel-off | |
Luengo et al. | Blind analysis of atrial fibrillation electrograms: a sparsity-aware formulation | |
CN114358067A (zh) | 一种静态表面肌电信号分解方法 | |
CN105975917B (zh) | 面向强干扰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 | |
CN116098637A (zh) | 一种基于ica优化校正脑电微状态的大脑功能评测装置 | |
Nitzken et al. | Local wavelet-based filtering of electromyographic signals to eliminate the electrocardiographic-induced artifacts in patients with spinal cord injury |
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 |