基于小波包熵的与动作相关表面肌电信号的分类

目的:对与动作相关的表面肌电信号进行分类识别.材料与方法:与动作相关的表面肌电信号是从右手前臂肌群表面采集而来.用小波包变换将信号分解成16个等频带宽的的子空间.之后,计算每个子空间的相对小波包能量和每个信号的小波包熵.结果:正确识别率达到100%.结论:小波包熵能够作为与动作相关的表面肌电信号的特征值来识别不同的动作表面肌电模式.     

基于最佳小波包的表面肌电信号分类方法

针对表面肌电信号的分类问题，采用最佳小波包分解构造最能体现分类能力的小波包基。用Fisher线性判别分析对肌电信号各个子空间的相对能量特征进行降维处理，然后利用BP神经网络进行分类识别。实验表明该方法能够有效地从伸肌和屈肌采集的两道肌电信号中识别前臂内旋、前臂外旋、握拳和展拳四种运动模式，是一种稳定、有效的特征提取方法，为非平稳生理信号的分析提供了新的手段。     

基于非线性尺度小波变换的表面肌电信号的分类

表面肌电信号（Surface EMG,sEMG）是一种复杂的非线性非平稳信号。我们介绍了一种非线性尺度小波变换（Wavelet transform with nonlinear scale，NWT）。由于NWT具有渐进缩短时间分辨率的特点．所以有利于从sEMG信号获得精确的时一频信息。首先，用NWT将sEMG信号（30组前臂内旋和30组外旋的sEMG信号）变换为强度分布（时频分布）．然后，用由主成分分析获得的强度分布特征值构成特征向量．最后，用BP神经网络对两种信号模式的特征向量进行分类识别。结果表明：与两种传统的时频分析方法相比，NWT能够获得较高的正确识别率．同时降低了神经网络计算的复杂度。     

独立分量分析和小波熵在动作模式分类中的应用

在表面肌电信号(electromyography,EMG)中,各类动作的识别是一个重要研究方向.本文采用独立分量分析independent component analysis,ICA)对肌电信号进行处理,消除各动作信号之间的相互线性耦合叠加,并采用信号的小波熵作为特征向量进行模式识别.试验表明,在对信号进行先期ICA处理以后,动作模式的识别效果较好.此方法也可应用于其他生理信号的识别分类.     

基于肌电信号的人手运动状态的辨识

研究的目的在于利用人体前臂的肌电信号进行人手动作模式的识别。根据采集的肌电信号，判断动作始末状态并对该肌电信号进行小波降噪预处理，利用小波变换的高频细节系数极值构造特征矢量，经过学习矢量量化（LVQ）神经网络训练，能够有效地识别握拳、展拳、手腕内旋和手腕外旋4种动作模式。和前馈型神经网络比较，LVQ神经网络具有更高的识别准确率和更稳定的再现性。     

基于双谱分析表面肌电信号特征的提取与模式识别

背景:肌电信号在本质上是一种具有非平稳、非高斯特性的生理信号。目前基于高阶累积量的高阶谱技术广泛应用于非高斯、非平稳、非线性等问题。目的:基于非高斯AR参数模型,将双谱分析和fisher线性判别分析方法相结合进行表面肌电信号特征提取。方法:针对表面肌电信号特点,从信号高阶统计处理角度,基于"非高斯AR参数模型"进行双谱分析,提取有效特征,用fisher线性判别分析降维方法构造特征向量,然后利用支持向量机实现不同动作模式的准确分类。并与多种常用表面肌电信号特征的识别准确率进行对比研究。结果与结论:利用多类支持向量机分类器对8种前臂动作进行分类,8种动作的平均识别率达到97.6%以上。通过比较发现,基于短数据的双谱特征在分类性能上优于AR模型系数、小波包系数等构造的特征,能够提高肌电假肢的实时控制的性能。     

基于熵的动态收缩sEMG信号疲劳特征分析

频谱分析方法常被用来检测肌肉疲劳过程。本文将频率分析和非线性动力学方法结合起来，基于表面肌电（sEMG）信号在不同频率分布不均匀的特点将信号能量分解到不同频带。以此计算功率谱／小波包和熵相结合的功率谱熵／小波包熵来衡虽系统的复杂度，进而衡量肌肉的疲劳程度，为用EMG信号研究动态收缩过程中的肌肉疲劳程度提供了新的分析手段和方法。文中方法也适用于萁它生物医学信号的分析。     

小波变换在表面肌电信号分类中的应用

针对肌电信号的非平稳特性,采用小波变换方法对表面肌电信号进行分析。通过奇异值分解有效地提取信号特征进行模式识别,能够成功地从掌长肌和肱桡肌采集的两道表面肌电信号中识别展拳、握拳、前臂摧旋、前壁外旋四种运动模式。实验表明,基于小波变换的奇异值分解方法是一种稳定、有效的特征提取方法、为非平稳生理信号的分析提供了新的手段。     

基于灰色系统理论的表面肌电分类

为提高假肢分类的准确率和速度 ,提出采用灰色系统理论中的灰关联法进行动作辨识。首先用小波变换方法对表面肌电信号进行分析 ,通过对小波系数奇异值分解提取信号特征 ,根据待分类动作与各标准动作模式间特征矢量的灰关联系数做出判断。从掌长肌和肱桡肌采集的两道表面肌电信号中识别四种运动模式 ,准确率达87.5 %。与神经网络等识别方法相比 ,此方法不需大量训练样本数量 ,运算量小 ,在识别率相近的情况下 ,辨识速度大大提高。     

基于肌动图与肌电图信号的假肢控制系统的研究

目的验证使用肌动图（mechanomyography,MMG）和肌电图（electromyography,EMG）两种信号共同作为假肢控制信号时,是否能提高假肢控制系统分类的准确度。方法本文采用信号融合方法,通过融合6通道的MMG信号与2通道的EMG信号,以及基于模式识别的线性判别分析（linear discriminant analysis,LDA）算法,研制了基于MMG和EMG信号的假肢控制系统。结果该系统能对采集到的信号进行处理并得出动作分类结果,然后控制假肢完成相应动作。对6位测试者的腕屈、腕伸、张开、握拳4类动作以及静止状态进行假肢控制的动作分类准确度实验,准确度达94．6％,比单独用MMG信号的精度88．5％或EMG信号精度90．4％效果更好。结论基于MMG与EMG信号的假肢控制系统可以更好地实现假肢控制动作的有效分类,未来可应用于上臂截肢的残疾人。     

The Change of Spectral Energy Distribution of Surface EMG Signal During Forearm Action Process

Spectral energy distribution of surface EMG signal is often used but difficultly and effectively control artificial limb, because the spectral energy distribution changes in the process of limb actions. In this paper, the general characteristics of surface EMG signal patterns were firstly characterized by spectral energy change. 13 healthy subjects were instructed to execute forearm supination （FS） and forearm pronation （FP） with their right foreanns when their forearm muscles were ＂fatigue＂ or ＂relaxed＂. All surface EMG signals were recorded from their right forearm flexor during their right forearm actions. Two sets of surface EMG signals were segmented from every surface EMG signal appropriately at preparing stage and acting stage. Relative wavelet packet energy （symbolized by pnp and pna respectively at preparing stage and acting stage, n denotes the nth frequency band） of surface EMG signal firstly was calculated and then, the difference （Pn = Pna-Pnp） were gained. The results showed that Pn from some frequency bands can effectively characterize the general characteristics of surface EMG signal patterns. Compared with Pn in other frequency bands, P4, the spectral energy change from 93.75 to 125 Hz, was more appropriately regarded as the features.     

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。     

应用独立分量分析去除体表肌电中的心电干扰

体表肌电特别是从躯干获得的体表肌电往往受到被测对象自身心电信号的严重干扰。本文利用一种基于独立分量分析(ICA)的去噪方法,去除体表肌电中的心电干扰。该方法将多通道体表肌电进行独立分量分解,并用高通滤波器处理所分解出的心电独立分量以尽可能地保留其中的肌电成分,进而将去除心电干扰后的所有独立分量反向投影回原始信号空间得到去噪后的信号。仿真信号的处理结果表明,当高通滤波器的截止频率为30Hz时,该方法在有效去除心电干扰的同时使体表肌电的保真度达到最大。同时讨论了将信号的峰度(Kurtosis)值作为自动判别心电分量和肌电分量的标准的可能性。     

基于表面肌电信号和动作捕捉的上肢运动疲劳分析EI北大核心CSCD

目前,上肢运动的疲劳状态监测,一般单纯依赖表面肌电信号(sEMG)对疲劳进行识别和分类,导致结果不稳定,存在一定局限。为此,本文将sEMG信号识别与动作捕捉技术引入到疲劳状态监测过程中,提出了一种融合改进的肌电疲劳阈值算法与生物力学分析的疲劳分析方法。本研究通过右上肢负载屈肘试验,同步采集肱二头肌sEMG信号与上肢动作捕捉数据,并同时运用柏格(Borg)疲劳度主观自觉量表记录受试者疲劳感受。然后,将融合改进的肌电疲劳阈值算法和生物力学分析的疲劳分析方法与平均功率频率(MPF)、谱矩比(SMR)、模糊近似熵(fApEn)、Lempel-Ziv复杂度(LZC)四种单一评价指标疲劳评价方法的试验结果进行对比。试验结果表明,本文方法对总体疲劳状态识别率结果达到98.6%,对轻松、过渡、疲劳三种状态的识别率分别达到97%、100%、99%,较其他方法更有优势。本文研究结果证明,本文方法在上肢运动过程中能够有效预防过度训练引起的二次损伤,对于疲劳监护具有重要意义。     

ICA-based muscle–tendon units localization and activation analysis during dynamic motion tasks

This study proposed an independent component analysis (ICA)-based framework for localization and activation level analysis of muscle–tendon units (MTUs) within skeletal muscles during dynamic motion. The gastrocnemius muscle and extensor digitorum communis were selected as target muscles. High-density electrode arrays were used to record surface electromyographic (sEMG) data of the targeted muscles during dynamic motion tasks. First, the ICA algorithm was used to decompose multi-channel sEMG data into a weight coefficient matrix and a source matrix. Then, the source signal matrix was analyzed to determine EMG sources and noise sources. The weight coefficient vectors corresponding to the EMG sources were mapped to target muscles to find the location of the MTUs. Meanwhile, the activation level changes in MTUs during dynamic motion tasks were analyzed based on the corresponding EMG source signals. Eight subjects were recruited for this study, and the experimental results verified the feasibility and practicality of the proposed ICA-based method for the MTUs’ localization and activation level analysis during dynamic motion. This study provided a new, in-depth way to analyze the functional state of MTUs during dynamic tasks and laid a solid foundation for MTU-based accurate muscle force estimation, muscle fatigue prediction, neuromuscular control characteristic analysis, etc.     

采集表面肌电信号应用于动作识别的可行性

背景：文献表明上肢前臂运动时所产生的表面肌电信号具有非线性特征,而肢体运动时肌电信号又呈现出非平稳特性。 目的：设计一种简单的拾取电路采集表面肌电信号,拟应用于动作肌电信号的特征识别。 方法：根据表面肌电信号的特点,设计高共模抑制比的前端放大电路,抑制共模干扰;采用低通滤波电路,有源双T带阻滤波器对信号进行去噪处理;对采集得到的信号进行小波包变换,得到信号的特征量。 结果与结论：所设计的表面肌电信号检测电路具有较高共模抑制比,并能有效地滤除50 Hz工频信号,可以满足肌电信号采集电路的基本要求。肌电信号的处理结果表明采用子频段能量值的方法可以区分手部4种不同动作。