CN115985465A

CN115985465A - 基于时序的肌电信号特征提取方法、装置、设备及存储介质

Info

Publication number: CN115985465A
Application number: CN202310272244.4A
Authority: CN
Inventors: 万春晓; 刘世忠; 梁军; 谢剑晨; 杜祖宇; 赵莹雪; 王森; 张勉; 宋乐
Original assignee: Tianjin Medical University General Hospital
Current assignee: Tianjin Medical University General Hospital
Priority date: 2023-03-21
Filing date: 2023-03-21
Publication date: 2023-04-18
Anticipated expiration: 2043-03-21
Also published as: CN115985465B

Abstract

本发明实施例公开了一种基于时序的肌电信号特征提取方法、装置、设备及存储介质，其中，所述方法包括：将采集一个步行周期中膝关节周围肌肉收缩变化的sEMG信号按照从下到上，从前到后的肌肉位置进行排序；根据排序和周期时间节点的sEMG信号生成时序信号矩阵；将所述时序信号矩阵按照肌肉运动时序关联性进行填充，得到填充矩阵，以满足第一卷积单元均匀提取时序特征的要求；利用所述第一卷积单元对所述填充矩阵进行特征提取，得到第一特征矩阵；对所述第一特征矩阵进行时序关联填充，得到时序关联填充矩阵；利用第一卷积单元对所述时序关联填充矩阵进行特征提取，并进行池化，得到时序特征序列。

Description

基于时序的肌电信号特征提取方法、装置、设备及存储介质

技术领域

本发明涉及信号处理技术领域，尤其涉及一种基于时序的肌电信号特征提取方法、装置、设备及存储介质。

背景技术

下肢存在结构改变、肌肉萎缩、疼痛、感觉运动神经异常等状况，人们通常习惯性改变他们的行走姿态，调整下肢肌肉收缩状况，以补代偿下肢结构改变、无力或减轻疼痛等。但该种方式则会导致关节受力分布改变，进而产生更加严重的系列下肢生物力学异常问题，进一步影响下肢肌肉收缩模式，出现恶性循环。

利用表面肌电（sEMG）信号可对运动状态时肌肉状态进行有效评估，并可根据评估结果对其进行相应步态调整干预或正常步行训练指导，在康复医学和运动医学方面具有广泛运用。在实现本发明的过程中，发明人发现如下技术问题，现有技术中针对sEMG信号进行信息特征提取时，大多关注每通道电位波幅、相数、频率等参数，而不太重视步行中多块肌肉之间的协同关系，降低了步行过程中下肢肌群整体协同评估的准确性，使得干预或指导出现片面性或偏差。

发明内容

本发明实施例提供了一种肌电信号时序特征提取方法、装置、设备及存储介质，以解决现有技术中针对sEMG信号进行信息特征提取准确性不高的技术问题。

第一方面，本发明实施例提供了一种基于时序的肌电信号特征提取方法，包括：

将采集一个步行周期中的膝关节周围肌肉收缩变化的sEMG信号按照从下到上，从前到后的肌肉位置进行排序；

根据排序结果和周期时间节点的sEMG信号生成时序信号矩阵；

将所述时序信号矩阵按照肌肉运动时序关联性进行填充，得到填充矩阵，以满足第一卷积单元均匀提取时序特征的要求；

利用所述第一卷积单元对所述填充矩阵进行特征提取，得到第一特征矩阵；

对所述第一特征矩阵进行时序关联填充，得到时序关联填充矩阵；

利用第一卷积单元对所述时序关联填充矩阵进行特征提取，并进行池化，得到时序特征序列。

第二方面，本发明实施例还提供了一种基于时序的肌电信号特征提取装置，包括：

排序模块，用于将采集一个步行周期中的膝关节周围肌肉收缩变化的sEMG信号按照从下到上，从前到后的肌肉位置进行排序；

时序信号矩阵生成模块，用于根据排序结果和周期时间节点的sEMG信号生成时序信号矩阵；

填充模块，用于将所述时序信号矩阵按照肌肉运动时序关联性进行填充，得到填充矩阵，以满足第一卷积单元均匀提取时序特征的要求；

特征提取模块，用于利用所述第一卷积单元对所述填充矩阵进行特征提取，得到第一特征矩阵；

时序关联填充模块，用于对所述第一特征矩阵进行时序关联填充，得到时序关联填充矩阵；

池化模块，用于利用第一卷积单元对所述时序关联填充矩阵进行特征提取，并进行池化，得到时序特征序列。

第三方面，本发明实施例还提供了一种设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例提供的基于时序的肌电信号特征提取方法。

第四方面，本发明实施例还提供了包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的基于时序的肌电信号特征提取方法。

本发明实施例提供的基于时序的肌电信号特征提取方法、装置、设备及存储介质，通过将采集一个步行周期中的膝关节周围肌肉收缩变化的sEMG信号按照从下到上，从前到后的肌肉位置进行排序；根据排序结果和周期时间节点的sEMG信号生成时序信号矩阵；将所述时序信号矩阵按照肌肉运动时序关联性进行填充，得到填充矩阵，以满足第一卷积单元均匀提取时序特征的要求；利用所述第一卷积单元对所述填充矩阵进行特征提取，得到第一特征矩阵；对所述第一特征矩阵进行时序关联填充，得到时序关联填充矩阵；利用第一卷积单元对所述时序关联填充矩阵进行特征提取，并进行池化，得到时序特征序列。通过对行走步态的肌肉进行位置排序，将散乱的离散序列特征进行规划排序，并通过按照肌肉运动时序关联性进行填充，强调行走步态相关联的肌肉特征，并且使得每个肌肉的sEMG特征都能够被卷积充分处理。充分提取行走步态肌肉之间关联的时序特征，并通过对第一特征矩阵进行时序关联填充，能够使得初次提取到的时序特征再次进行充分提取，提升了行走状态下肌肉的时序运动信息特征，提高了肌肉状态评估的准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明实施例一提供的基于时序的肌电信号特征提取方法的流程示意图；

图2是本发明实施例二提供的基于时序的肌电信号特征提取方法的流程示意图；

图3是本发明实施例三提供的基于时序的肌电信号特征提取装置的结构示意图；

图4是本发明实施例四提供的设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一提供的基于时序的肌电信号特征提取方法的流程图，本实施例可适用于对采集的肌电信号的特征，特别是行走相关的肌肉的肌电信号进行特征提取的情况，该方法可以由基于时序的肌电信号特征提取装置来执行，并可集成于设备中，具体包括如下步骤：

步骤110，将采集一个步行周期中的膝关节周围肌肉收缩变化的sEMG信号按照从下到上，从前到后的肌肉位置进行排序。

在本实施例中，可以通过多通道双极型表面肌电(surface Electromyography，sEMG)电极获取反映肌肉收缩状况的肌电信号；肌电信号传入前置电路，将信号进行放大、滤波等处理。并将前置电路信号通过模数转换器（Analog-to-Digital Converter，ADC）转换为相应的数字信号。同时，还可使用微机电加速度计（Micro-Electro-MechanicalSystem,MEMS）测量和获取步态信息。MEMS加速度计采用微机电系统技术，具有体积小、重量轻、能耗低等优点。通过采集到的步态信息，确定当前处于步态周期的具体时间节点。示例性的，可先利用MEMS加速度计获得的加速度、姿态角度变化等信息计算出对应的下肢处于步态周期的摆动期或支撑期。并通过同时安置于膝关节附近主要肌肉上的表面肌电电极采集步行中的膝关节周围肌肉收缩变化的原始sEMG信号；sEMG信号传入前置电路进行放大、滤波后通过模数转换器ADC输入到单片机内。单片机结合传入的步态周期信息对sEMG信号做以下处理：对sEMG信号进行特征提取及是否异常整体判定，将AD转换后发送至单片机内的时间序列sEMG数字信号结合运动学步态周期分为1%-100%。

在本实施例中，所述肌电电极分置于：胫骨前肌、腓肠肌内侧、腓肠肌外侧、股内侧肌、股直肌、股外侧肌、股二头肌、半腱半膜肌共8个肌肉位置，且上述位置按照人体从下到上，从前到后的肌肉位置排布，因此，在本实施例中，可将每个肌电电极采集到的信号作为一个通道，共8个通道。并将采集到的数字信号按照肌肉位置进行排序。理论上，还可增加多个肌电电极，但该种方式增加了使用成本，并且会导致运算量激增，这对于嵌入式系统来说，是比较难以实现的。因此，在本实施例中，只选取了具有代表性的膝关节周围肌肉位置设置肌电电极。

步骤120，根据排序结果和周期时间节点的sEMG信号生成时序信号矩阵。

示例性的，可将每个通道采集到的100个离散信号作为时序信号矩阵的列。共为8列。形成100×8的矩阵A，矩阵A如下所示：

；

其中，j为时序标记，i为通道标记。

步骤130，将所述时序信号矩阵按照肌肉运动时序关联性进行填充，得到填充矩阵，以满足第一卷积单元均匀提取时序特征的要求。

在本实施例中，需要利用卷积核对时序信号进行特征提取。由于信号在时序上具有关联性，因此，卷积核应大于2×2，在本实施例中，可选择3×3的卷积核作为第一卷积单元，用于对时序特征进行提取。但采用3×3的卷积核对于8×100填充矩阵A的边缘提取次数相对于中心要少，无法体现出填充矩阵边缘的时序信号的特征。因此，需要将其进行填充。示例性的，可将其填充为扩大成一个10×102的矩阵。便于第一卷积单元均匀提取时序特征。

可选的，可以通过在原有时序信号矩阵四周增加0的元素，使之满足10×102的矩阵的要求。

在本实施例中，采用在矩阵四周增加0的元素，虽然能够满足均匀提取时序特征的要求，但增加的是不相关的元素，会降低特征提取的准确性，因此在本实施例中，可将所述时序信号矩阵按照肌肉运动时序关联性进行填充，得到填充矩阵，优化为：获取股外侧肌、股二头肌周期时间节点的sEMG信号；复制股外侧肌、股二头肌周期时间节点的sEMG信号，并将复制信号插入至腓肠肌外侧、股内侧肌周期时间节点的sEMG信号行之间，构成新的形成sEMG信号列。根据运动学，膝关节炎患者主要与通道3腓肠肌外侧、通道4股内侧肌、通道6股外侧肌与通道7股二头肌相关。因此，可将第6行和第7行嵌入到3,4行之间。并将其余元素填充为0。实现对时序信号矩阵进行扩充。

步骤140，利用所述第一卷积单元对所述填充矩阵进行特征提取，得到第一特征矩阵。

利用卷积核

和偏置

，其中

和

均为3×3的随机矩阵，步长为二，激活函数选择relu函数，对填充矩阵进行滑动特征提取。输出得到第一特征矩阵。

步骤150，对所述第一特征矩阵进行时序关联填充，得到时序关联填充矩阵。

膝关节炎患者在行走运动过程中，其中部分肌肉的运动之间的关联时长较长，利用第一卷积单元可能并不能完全提取出相应的时序特征，因此，在本实施例中还需对第一特征矩阵进行处理，以获取到更为丰富的运动时序特征。示例性的，可通过第一卷积单元再次进行处理。

示例性的，第一特征矩阵是由填充矩阵通过下采样实现的，其为4×50的矩阵，与前述问题类似，4×50的矩阵仍然存在边缘提取次数少于中心的问题。因此，需要对第一特征矩阵进行填充，示例性的，所述对所述第一特征矩阵进行时序关联填充，得到时序关联填充矩阵，可以包括：将所述第一特征矩阵的中间两行分别增加到首行和末行。利用该种方式，可将提取到中间特征分别与提取到的前后特征进行融合，充分体现时序差距较大的肌肉运动之间的关联性，并将其余空位增补为0。实现充分提取各个肌肉运动特征关联性的目的。

步骤160，利用第一卷积单元对所述时序关联填充矩阵进行特征提取，并进行池化，得到时序特征序列。

示例性的，利用第一卷积单元对所述时序关联填充矩阵进行下采样特征提取，可得到新的2×25的矩阵。对得到的矩阵进行池化，选取的池化方式为最大池化，以2×2的方阵，步长为1的形式，对A2进行池化操作，最终得到时序特征序列，其为一个24维特征向量：

。

本发明实施例通过将采集一个步行周期中的膝关节周围肌肉收缩变化的sEMG信号按照从下到上，从前到后的肌肉位置进行排序；根据排序结果和周期时间节点的sEMG信号生成时序信号矩阵；将所述时序信号矩阵按照肌肉运动时序关联性进行填充，得到填充矩阵，以满足第一卷积单元均匀提取时序特征的要求；利用所述第一卷积单元对所述填充矩阵进行特征提取，得到第一特征矩阵；对所述第一特征矩阵进行时序关联填充，得到时序关联填充矩阵；利用第一卷积单元对所述时序关联填充矩阵进行特征提取，并进行池化，得到时序特征序列。通过对行走步态的肌肉进行位置排序，将散乱的离散序列特征进行规划排序，并通过按照肌肉运动时序关联性进行填充，强调行走步态相关联的肌肉特征，并且使得每个肌肉的sEMG特征都能够被卷积充分处理。充分提取行走步态肌肉之间关联的时序特征，并通过对第一特征矩阵进行时序关联填充，能够使得初次提取到的时序特征再次进行充分提取，提升了行走状态下肌肉的时序运动信息特征，提高了肌肉状态评估的准确性，能够对电刺激信号调整进行有效的指导。

在本实施例的一个优选实施方式中，可将所述根据排序结果和周期时间节点的sEMG信号生成时序信号矩阵，具体优化为：将周期时间节点的sEMG信号进行归一化处理；根据排序结果和归一化处理的周期时间节点的sEMG信号生成时序信号矩阵。通过归一化处理可将sEMG信号序列中数据处于一个较小范围，方便进行后期运算，提升运算速度。

实施例二

图2为本发明实施例二提供的基于时序的肌电信号特征提取方法的流程示意图。本实施例以上述实施例为基础进行优化，在本实施例中，所述方法还可增加如下步骤：将所述时序特征序列输入到训练完成的全连接层神经网络模型中，根据所述全连接层神经网络模型的输出结果计算正常肌肉收缩和异常肌肉收缩的概率。

相应的，本实施例所提供的基于时序的肌电信号特征提取方法，具体包括：

步骤210，将采集一个步行周期中的膝关节周围肌肉收缩变化的sEMG信号按照从下到上，从前到后的肌肉位置进行排序。

步骤220，根据排序结果和周期时间节点的sEMG信号生成时序信号矩阵。

步骤230，将所述时序信号矩阵按照肌肉运动时序关联性进行填充，得到填充矩阵，以满足第一卷积单元均匀提取时序特征的要求。

步骤240，利用所述第一卷积单元对所述填充矩阵进行特征提取，得到第一特征矩阵。

步骤250，对所述第一特征矩阵进行时序关联填充，得到时序关联填充矩阵。

步骤260，利用第一卷积单元对所述时序关联填充矩阵进行特征提取，并进行池化，得到时序特征序列。

步骤270，将所述时序特征序列输入到训练完成的全连接层神经网络模型中，根据所述全连接层神经网络模型的输出结果计算正常肌肉收缩和异常肌肉收缩的概率。

在本实施例中，可所述全连接层神经网络模型，可以包括：

输入层、隐藏层和输出层，所述隐藏层利用如下方式实现：

；

；

其中

为激活函数，取

为relu函数，即：

；

所述输出层通过如下方式实现：

；

其中，

和

分别表示第i层第j个神经元的输入和输出，

为时序特征序列，

是随机生成的不同的权重参数，用于样本特征的采样，

是偏置项，Z是一个2×1的矩阵，

。

在本实施例中，可以基于前述提取到的时序特征序列，进行一个二分类，可以选取

和

为一个4×24的矩阵，

和

为一个2×4的矩阵，以均值为0初始化

和

。输出Z是一个2×1的矩阵，通过训练对

和

、

和

进行回归优化，得到相应的参数。利用上述方式计算得到Z。

进一步的，还可通过输出的Z计算正常肌肉收缩和异常肌肉收缩的概率，以便于医生根据正常肌肉收缩和异常肌肉收缩的概率评估患者运动时的肌肉状态。具体操作如下：设定

；

；

；

式中

，

分别表示正常肌肉收缩和异常肌肉收缩的概率。如此神经网络搭建完毕，其中，设定

的理想值为1，

的理想值为0。

确定网络的学习算法，通过调整网络的权值，使网络的实际输出尽可能接近理想的输出。在本网络中，采用反向传播算法来调整权值。

定义损失函数：

；

通过梯度下降算法由下列公式来调整权值，使目标函数最小：

；

经过多次迭代，可以得到使损失函数最小的w值。

其中：

；

为学习率，取

。

为正则化惩罚项，λ为惩罚因子，用来抵消过拟合，λ越大，泛化效果越好。

具体到每一层神经网络有：

（16）；

通过上述公式，经过多次迭代，可以得出每一层每一个

的最佳权值。神经网络模型训练完成。

最后对输出的数据进行进一步处理：

令

。

本实施例通过增加如下步骤：将所述时序特征序列输入到训练完成的全连接层神经网络模型中，根据所述全连接层神经网络模型的输出结果计算正常肌肉收缩和异常肌肉收缩的概率。通过对提取的道肌肉时序特征进行进一步处理，利用训练完成的全连接层神经网络模型可给出肌肉收缩模式是否正常的判断结果，并给出差异变化情况，以便后续装置或医务人员可根据判断结果对步行过程中下肢主要肌肉协同收缩状态进行科学精准评估，指导步态调整干预或正确步行训练。

实施例三

图3是本发明实施例三提供的基于时序的肌电信号特征提取装置的结构示意图，如图3所示，所述装置包括：

排序模块310，用于将采集一个步行周期中的膝关节周围肌肉收缩变化的sEMG信号按照从下到上，从前到后的肌肉位置进行排序；

时序信号矩阵生成模块320，用于根据排序结果和周期时间节点的sEMG信号生成时序信号矩阵；

填充模块330，用于将所述时序信号矩阵按照肌肉运动时序关联性进行填充，得到填充矩阵，以满足第一卷积单元均匀提取时序特征的要求；

特征提取模块340，用于利用所述第一卷积单元对所述填充矩阵进行特征提取，得到第一特征矩阵；

时序关联填充模块350，用于对所述第一特征矩阵进行时序关联填充，得到时序关联填充矩阵；

池化模块360，用于利用第一卷积单元对所述时序关联填充矩阵进行特征提取，并进行池化，得到时序特征序列。

本实施例提供的基于时序的肌电信号特征提取装置，通过将采集一个步行周期中的膝关节周围肌肉收缩变化的sEMG信号按照从下到上，从前到后的肌肉位置进行排序；根据排序结果和周期时间节点的sEMG信号生成时序信号矩阵；将所述时序信号矩阵按照肌肉运动时序关联性进行填充，得到填充矩阵，以满足第一卷积单元均匀提取时序特征的要求；利用所述第一卷积单元对所述填充矩阵进行特征提取，得到第一特征矩阵；对所述第一特征矩阵进行时序关联填充，得到时序关联填充矩阵；利用第一卷积单元对所述时序关联填充矩阵进行特征提取，并进行池化，得到时序特征序列。通过对行走步态的肌肉进行位置排序，将散乱的离散序列特征进行规划排序，并通过按照肌肉运动时序关联性进行填充，强调行走步态相关联的肌肉特征，并且使得每个肌肉的sEMG特征都能够被卷积充分处理。充分提取行走步态肌肉之间关联的时序特征，并通过对第一特征矩阵进行时序关联填充，能够使得初次提取到的时序特征再次进行充分提取，提升了行走状态下肌肉的时序运动信息特征，提高了肌肉状态评估的准确性。

在上述各实施例的基础上，所述填充模块包括：

获取单元，用于获取股外侧肌、股二头肌周期时间节点的sEMG信号；

复制单元，用于复制股外侧肌、股二头肌周期时间节点的sEMG信号，并将复制信号插入至腓肠肌外侧、股内侧肌周期时间节点的sEMG信号行之间，构成新的形成sEMG信号列。

在上述各实施例的基础上，所述时序关联填充模块包括：

输入模块，用于将所述时序特征序列输入到训练完成的全连接层神经网络模型中，根据所述全连接层神经网络模型的输出结果计算正常肌肉收缩和异常肌肉收缩的概率，所述全连接层神经网络模型，包括：

输入层、隐藏层和输出层，所述隐藏层利用如下方式实现：

；

；

其中

为激活函数，取

为relu函数，即：

；

所述输出层通过如下方式实现：

；

其中，

和

分别表示第i层第j个神经元的输入和输出，

为时序特征序列，

是随机生成的不同的权重参数，用于样本特征的采样，

是偏置项，Z是一个2×1的矩阵，

。

在上述各实施例的基础上，所述输入模块包括：

计算单元，用于按照如下方式计算：

，

分别表示正常肌肉收缩和异常肌肉收缩的概率；

，

。

在上述各实施例的基础上，所述生成模块包括：

归一化处理单元，用于将周期时间节点的sEMG信号进行归一化处理；

生成单元，用于根据排序结果和归一化处理的周期时间节点的sEMG信号生成时序信号矩阵。

本发明实施例所提供的基于时序的肌电信号特征提取装置可执行本发明任意实施例所提供的基于时序的肌电信号特征提取方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4为本发明实施例四提供的一种设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性设备12的框图。图4显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件（包括系统存储器28和处理单元16）的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（ISA）总线，微通道体系结构（MAC）总线，增强型ISA总线、视频电子标准协会（VESA）局域总线以及外围组件互连（PCI）总线。

设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（RAM）30和/或高速缓存32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质（图4未显示，通常称为“硬盘驱动器”）。尽管图4中未示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如CD-ROM,DVD-ROM或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组（至少一个）程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

设备12也可以与一个或多个外部设备14（例如键盘、指向设备、外接控制设备24等）通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口22进行。并且，设备12还可以通过网络适配器20与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于时序的肌电信号特征提取方法。

实施例五

本发明实施例五还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的任一所述的基于时序的肌电信号特征提取方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。