表面肌电信号特征提取方法研究发展趋势

表面肌电信号(Surface Electromyographic,s EMG)监测广泛运用于临床诊断、康复医学,它的特征信号提取是进行临床诊断的主要依据。文章在常规的时域分析、频域分析特征提取方法的基础上,对最近的研究热点内容包括时频分析方法、参数模型分析方法和非线性特征分析方法等方面进行了综述和探讨,并对表面肌电信号特征提取方法在相关领域的未来研究方向和发展趋势进行分析和展望。     

引入关联维的表面肌电信号的特征提取

考虑到表面肌电信号的非平稳特性,本研究在传统特征提取的基础上,又引入了非线性动力学中的关联维,通过小波系数的标准差和关联维重新构造特征向量,将其送入自组织映射网络对拇指弯曲、食指弯曲和无名指弯曲三种手势动作进行分类识别。结果表明:引入关联维的特征提取方法其识别正确率明显优于传统的小波变换的方法。可见,关联维作为一种新的特征参数,为肌电信号的特征提取提供了新的思路。     

基于小波变换的肌肉疲劳表面肌电信号特征提取的研究

当前肌肉疲劳表面肌电信号(surface electromgography,sEMG)特征提取方法,忽略了非线性跳错信号的影响,且不能在非平稳状态下进行特征提取,存在特征提取准确度差的问题。提出基于小波变换的肌肉疲劳sEMG特征提取研究,采用小波变换对所采集的样本去噪,结合时域、频域特征分析法,融合傅里叶变换方法对肌电信号中的线性特征进行提取,根据带谱近似熵理论对非线性挑错信号进行特征回归分析,并利用拟态分解函数和希尔伯特变换法对肌电信号进行时频特征的整合提取,最终完成基于小波变换的肌肉疲劳sEMG特征提取研究。实验验证,所提方法具有可行性,且将1000个肌电信号样本分成5组,对其中的跳错信号进行特征提取,所提方法准确度较文献方法高出75%,在非平稳状态下将200个肌电信号样本分成5组进行特征提取,所提方法准确度较文献方法高出33%。由此得出,所提方法优于当前特征提取方法。     

表面肌电信号的分析与应用

表面肌电信号的检测是一种无创电检测方法，它的检测分析对临床诊断及康复医学、运动医学等具有重要意义。本文介绍了表面肌电的信号分析方法（时域分析法、频域分析法、时频分析法及人工神经网络等方法），并介绍了表面肌电信号检测分析的应用状况和前景展望。     

表面肌电信号的分析与应用

表面肌电信号的检测是一种无创电检测方法 ,它的检测分析对临床诊断及康复医学、运动医学等具有重要意义。本文介绍了表面肌电的信号分析方法 (时域分析法、频域分析法、时频分析法及人工神经网络等方法 ) ,并介绍了表面肌电信号检测分析技术的应用状况和前景展望     

用于脑瘫儿下肢康复装置的表面肌电信号特征提取方法研究

采用时域、频域、时频域和熵的特征提取方法,找到适合脑瘫儿表面肌电信号的特征提取方法.通过在训练过程加一个阻力得到四个不同肌肉活性的训练阶段数据,对数据进行预处理和特征提取,然后用因子分析法对所提取的特征进行分析,实验结果显示本研究所提出的时域、时频域和熵特征部分适用于脑瘫儿,频域特征不适用于脑瘫儿.本研究结果对脑瘫儿的康复训练有很大的帮助.     

基于表面肌电信号的手势识别与分析

目的 研究利用前臂及手部表面肌电( surface electromyography,sEMG)信号进行手势识别的方法,以及不同 手势下拇指、食指的关节角度,探讨 sEMG 信号控制外骨骼手的可行性。 方法 采集 20 名健康右利手受试者右侧 前臂及手部 6 块肌肉 sEMG 信号。 提取 sEMG 信号的时域特征值,对比人工神经网络( artificial neural network, ANN)、K-近邻(K-nearest neighbor, KNN)、决策树(decision tree, DT)、随机森林( random forest, RF)和支持向量机(support vector machine, SVM)等多种分类器对 6 种日常手势进行识别。 同时,采用 Vicon 摄像机跟踪系统捕捉右手拇指、食指运动轨迹,计算拇指、食指关节角度。 结果 利用前臂及手部 sEMG 信号可以实现 6 种手势的模式识别,其中 ANN 分类器的分类预测效果最好,测试集预测精度可达 97. 9% ,Kappa 系数可达 0. 975。 同时,计算得到不同手势下拇指、食指的关节角度,并进行不同手势下关节角度相关性分析。 结论 利用前臂及手部 sEMG 信号进 行手势识别,能够实现具有几乎完全一致的分类预测结果。 研究结果证明了 sEMG 信号手势识别应用于外骨骼手 控制的可行性。     

基于表面肌电信号的康复过程中肌疲劳有效性分析

肌肉疲劳分析在康复医学领域具有广泛的应用。本文以康复训练系统为应用背景,研究基于表面肌电信号的肌肉疲劳分析。通过对10名健康测试者在负载可调的功率自行车上进行负载递增骑行实验,同步采集了股外侧肌、股直肌和竖脊肌的表面肌电信号和通气阈值,并分析了各肌肉的肌电疲劳阈。同时分析了等长收缩和等张收缩对肌电疲劳阈测定的影响。实验结果显示在负载递增骑行运动中,肌电疲劳阈值的出现要早于通气阈值,但两者差异很小,验证了基于肌电疲劳阈来分析肌肉疲劳的有效性。对比分析骑行运动中等张收缩股外侧肌和等长收缩竖脊肌的肌电疲劳阈,发现肌电疲劳阈对不同收缩方式的肌肉均具有效果。肌电疲劳阈不受肌肉运动形式限制,在康复训练过程中能够用于防止过度训练引起的肌肉损伤,对于股骨干骨折患者康复训练过程中的疲劳监护具有重要的意义。     

双通道表面肌电信号采集装置的设计与分析

本研究设计了一种双通道的表面肌电信号(surface electromyography,sEMG)采集装置.该装置以STM32为主控芯片,配以sEMG采集模块,实现对肌电信号的采集,并将数据传至由MATLAB编程的上位机进行分析处理.该装置对于人体内部及周围环境干扰噪声的处理均在硬件上实现,信噪比约为60～70 dB....     

基于模糊自相似性的表面肌电信号分形分析

表面肌电信号(surface EMG,sEMG)是一种复杂的非线性信号.近年来,分形分析常被用来揭示这种非线性特征.本文采用一种基于模糊自相似性的分数维计算方法,来获取前臂执行四种动作时所对应的动作sEMG的分数维.结果表明,通过这种方法获得的分数维能够聚集在各自特定的范围内,并且,通过分形维能够区分部分动作sEMG.     

表面肌电信号的LSL分析及临床模式分类

本文对表面电极肌电图用于判别正常人与肌原性及神经原性肌病患者的可行性进行了探索，先采用格形最小二乘（LSL）法对数据作准闰稳分段及平稳性删选；然后用Fisher判据进行二分类及三分类，结果表明分类正确率可达75％左右，所得结论与文献（3）的报导基本一致，但分类效果更好，分析过程也更简单。     

针对微弱表面肌电信号的采集电路设计

表面肌电信号频率低、极易受干扰,针对此设计基于高阶滤波的信号采集电路。为避免噪声被过度放大而造成信号淹没,电路采用两级放大方案。带通滤波部分采用两组5阶Sallen-Key,以奇次在前、偶次在后的顺序级联,避免输出信号中混入高频泄露信号,且阻带下降速度达-100 dB/dec。此外,陷波器部分设置可调电位器,灵活调整品质因数（Q值）,以获得最佳采集效果。结果表明,该电路可实现高达60 dB的放大增益,可有效提取20~500 Hz之间的有用信号,同时很好地抑制50 Hz工频干扰,具有良好的抗噪声性能。     

利用表面肌电信号评价肌肉疲劳的方法

表面肌电信号分析是评价局部肌肉疲劳有效的工具。过去由于受信号处理技术的限制,对肌肉疲劳的评价仅局限于等长、恒力收缩。由于适合于非平稳信号分析的频谱估计技术的发展,使得动态收缩条件下的肌肉疲劳评价得以实现,在工效学、康复医学和运动医学等方面开启了新的应用领域。本文论述了利用表面肌电信号评价肌肉疲劳,特别是在肌肉动态收缩期间评价肌肉疲劳的方法,为进一步探讨肌肉疲劳的发生机制提供理论依据。     

有源电极用于表面肌电信号的检测

表面肌电信号的研究对康复医学、运动医学和临床诊断等具有重要意义，信号的正确检测是定量分析表面肌电信号的前提。本文探讨了如何减小表面肌电信号检测中可能遇到的噪声及电极单元的设计要点，并采用仪用放大器AD620设计了双极性的有源电极用于信号检测。实验表明，采用有源电极可以提高信噪比，减小噪声，有效地提取出表面肌电信号。     

基于表面肌电信号的手腕动作模式识别

基于表面肌电信号的肢体动作模式识别是假手仿生控制的基础.为提高动作模式识别率,从肌电信号的产生机理出发,选取分别表征肌电信号形态特征——细节复杂度和整体自似性的近似熵指标和分维数指标,作为模式识别的特征向量;同时提出一种具有增量学习能力的K最近邻(KNN)模型增量学习算法作为模式识别的分类器.在对10位受试者手腕的4个精细动作(腕伸、腕屈、腕内旋、腕外旋)的识别实验中,取得了92.5％以上的正确识别率.同时对增量学习能力对分类器动作模式识别率的影响做对比实验,当假肢使用者生理变化时,以KNN模型增量学习算法作为分类器比采用不具增量学习能力的KNN模型算法的识别率高4.5％.实验表明,该肌电信号动作模式的识别方法方案合理,具有应用价值.     

独立分量分析在表面肌电信号分解中的应用

采用独立分量分析中的信息极大化快速算法初步探讨了表面肌电信号的分解问题。研究结果表明 ,独立分量分析对肌肉轻度收缩力水平下 (<10 %MVC)表面肌电信号的分解有较好的效果 ,可以作为表面肌电信号分解的一种预处理手段     

基于样本熵和个体化阈值的表面膈肌肌电信号起点检测

膈肌是人体最主要的呼吸肌,表面膈肌肌电(sEMGdi)信号的动作区间起点检测可用于呼吸康复训练,但心电(ECG)信号的存在增加了其检测难度,故本文对此提出了基于样本熵(SampEn)和个体化阈值的起点检测方法,简称样本熵法。该方法涉及样本熵特征的提取,样本熵特征参数w和r0的优化,个体化阈值的选取以及判断条件的设立。同时还选用其他三种常用方法与本文所提的样本熵法进行起点检测方面的比较,即利用小波变换(WT)去噪后再分别使用均方根(RMS)和能量算子(TKE)的起点检测方法,以及不做小波变换而直接使用TKE的起点检测方法。本文共采集12名健康受试者在2种呼吸状态下的sEMGdi信号,用于信号合成和算法检测。最后以误差的绝对值累加和作为评价起点检测精度的指标。最终结果表明,样本熵法在稳定性和精度两方面皆优于其他三种方法,是一种能适应个体间差异,无需提前对sEMGdi信号进行ECG信号去噪便可获得较高精度的起点检测方法,为基于sEMGdi信号的呼吸康复训练和实时交互提供了依据。     

小波变换和非线性分析在表面肌电信号中的应用及进展

表面肌电信号(surface EMG,sEMG)反映了神经和肌肉的功能和生理状态,分析研究sEMG对人类的生理健康有重要的意义.本文综述了小波变换和非线性分析方法近几年在sEMG研究中的应用情况,并且预测两种方法的有效结合在sEMG的应用前景.     

基于多通道信息融合分析的表面肌电信号分解研究

通过多通道信息检测与融合分析来探讨表面肌电(sEMG)信号分解问题,以获取准确的运动单位动作电位(MUAP)模式判别。采用结合连续小波变换和假设检验的波形检测方式从多通道sEMG信号中提取动作电位波形,在对动作电位波形空间分布特征信息融合分析的基础上通过层次聚类方法来确定MUAP类别数目,再利用模糊k均值算法以及针对未归类波形的波形剥离方法实现多通道sEMG信号的准确分解。实验结果表明,多通道sEMG信号中MUAP信息得到有效检测和模式分类。所采用方法利用多通道sEMG信号细致地获取了MUAP波形空间分布信息,能够取得满意的分解效果。