基于低频电刺激诱发表面肌电信号的肌肉疲劳度研究

目的 通过对肌肉疲劳过程中非诱发表面肌电(surface electromyography,sEMG)信号和诱发表面肌电信号的研究分析,寻找有效评价肌肉疲劳的分析测量方法.方法 对7名受试者进行自主运动和电刺激两种致肌疲劳的实验,并在两组实验中分别记录电刺激诱发与非诱发肌电信号,然后对每组信号进行傅里叶变换求取功率谱和近似熵.结果 随着疲劳的产生,两组实验诱发信号的频谱曲线左移效果优于非诱发信号,近似熵分析中电刺激组诱发信号出现先上升后下降的变化,自主运动组诱发信号则呈现单调递减的趋势.结论 低频电刺激诱发表面肌电信号更适于测量肌疲劳的动态变化.相对于传统功率谱,近似熵分析方法更适于处理电刺激诱发的表面肌电信号.     

功率谱熵在局灶性缺血性脑损伤无创检测中的应用

为了对局灶性缺血脑损伤的程度进行无创诊断，并对损伤区域进行定位，用SD(Sparague—dawley)实验大鼠建立了一个局灶性缺血脑损伤的动物实验模型，采得缺血前到缺血30min时的缺血区域与正常区域的EEG(Electroencephalogram)信号，并采用功率谱熵对EEG信号进行了分析。结果发现局灶性脑缺血导致EEG信号的功率谱熵发生了明显的变化。缺血侧的EEG信号的功率谱熵在缺血15min时已经明显低于缺血前的正常值，在整个缺血过程中缺血侧的EEG信号的功率谱熵小于正常区域的功率谱熵。这表明EEG信号的功率谱熵是一种很好的表征脑缺血损伤的参数，具有计算简便、有效的优点。     

驾驶疲劳脑电信号节律的特征分析

分别提取驾驶员在驾驶过程中脑电(EEG)信号的δ、θ、α和β节律,并对其相对功率谱、功率谱熵和脑电地形图进行分析,研究疲劳驾驶时的EEG特性。分析结果显示:在驾驶过程中,随着疲劳的加深,EEG信号的δ和θ节律的相对功率谱的平均值逐渐增强,而α和β节律的相对功率谱的平均值逐渐减弱,在疲劳程度很深时,δ、θ和α节律的相对功率谱的平均值都会增强。4个节律的功率谱熵的平均值都是随着疲劳程度的加深而逐渐减弱。EEG信号各节律的相对功率谱和功率谱熵的平均值可以成为驾驶疲劳检测的指标。     

基于表面肌电信号的颈部肌肉疲劳评价算法比较研究

本研究旨在客观比较颈部肌肉疲劳评价算法的差异性,找出更加有效的颈部肌肉疲劳评价算法,为伏案姿势下颈部肌肉疲劳提供人因工程定量评价方法。本文利用无线生理仪采集了15名受试者使用记忆枕伏案12 min的颈部胸锁乳突肌的表面肌电信号,使用平均功率频率、谱矩比、离散小波变换、模糊近似熵以及复杂度5个算法计算出相应的肌肉疲劳指标;并使用最小二乘法对肌肉疲劳指标进行线性回归得出确定系数R^2与斜率k;确定系数R2可评价各种算法的抗干扰性;对斜率k进行柯尔莫哥洛夫—斯米洛夫检验得到最大垂直距离Lmax,Lmax可评价各种算法对疲劳程度的区分能力。统计结果表明,在抗干扰方面,模糊近似熵在不同高度的记忆枕下都具有最大的R^2,且模糊近似熵与平均功率频率、离散小波变换的差异具有统计学意义(P<0.05);在区分疲劳程度方面,模糊近似熵仍具有最大的Lmax,最大值达0.496 7。本文研究结果表明,模糊近似熵无论是在抗干扰性还是疲劳程度的区分能力上都优于其他算法,因此在进行颈部肌肉疲劳评价时,我们建议可将模糊近似熵作为一个较好的评价指标。     

基于HHT边际谱熵和能量谱熵的心率变异信号的分析方法

基于希尔伯特-黄变换(HHT)理论,依据广义信息熵的概念,提出基于HHT边际谱熵和能量谱熵的概念和熵分析方法。对常规信号和混沌时间序列信号进行复杂性研究,结果表明本方法在刻画信号复杂度变化、抗脉冲干扰方面优于Lempel-Ziv复杂度和功率谱熵方法。将其应用于MIT-BIH标准数据库的实际心率变异(HRV)信号分析,结果显示HHT边际谱熵和能量谱熵能从HRV信号中敏感地检测出生理和病理状态的变化,统计学分析优于传统的功率谱熵方法,为临床HRV信号及其他复杂生理信号的分析提供一种有效的分析方法。     

想象动作中动态脑电的信息熵研究

想象动作可以引起脑电信号的特异性变化，如何通过提取脑电特征参数来识别想象动作的发生是目前脑-计算机接口（BCI）系统设计的技术关键之一。本研究使用两种信息熵（功率谱熵和小波熵）作为特征参数，对手部想象动作执行前后的动态脑电信号进行分析，并与目前常用的mu节律事件相关去同步（ERD）参数进行比较，以寻找特异性更强的动态参数。结果显示在想象动作对侧的运动感觉区域中，功率谱熵和小波熵均表现出与mu节律强度变化具有明显锁时关系的改变，且区分错误率得到明显降低。而在中顶部位置mu节律强度无明显变化处，熵参数对左右手想象动作的响应也具有明显的不同。结论，功率谱熵和小波熵具有良好的时域分辨能力和更准确的区分效果，可以作为特征参数用于在线BCI系统。     

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.     

小波包分解Welch算法在鼾声谱估计中的研究

目的利用鼾声信号各频带的功率谱估计特征,诊断鼾声的阻塞部位。方法针对Welch功率谱估计法处理典型非平稳信号时是单一分辨率分析的问题,提出了一种小波包分解的Welch算法对鼾声信号功率谱估计的新方法。首先对采集的鼾声信号进行小波包多层分解,然后对分解系数重构,最后参照人耳听觉模型并结合各频带信号时频分布的特点,对各频带信号采用Welch算法结合不同的窗宽进行功率谱估计,同时初步分析了不同阻塞部位鼾声各频带的功率谱估计特性。结果该方法在对鼾声信号功率谱估计时,信号中低频和高频部分具有不同的频率和时间分辨率,3 000～5 000 Hz频带有无功率谱分布可以作为判断鼾声阻塞部位的依据。结论实验结果验证了该方法有效性,同时针对不同阻塞部位导致的鼾声,初步分析了其不同频带的功率谱估计特点。     

结合小波变换和能量熵在膈肌肌电中去除心电干扰的应用

膈肌肌电(EMGdi)信号是一种由膈肌产生并蕴含着人体呼吸系统重要生理信息的生物电信号,该信号易受自身心电(ECG)信号的严重干扰。本文在小波变换的基础上,结合信息熵理论,提出了一种新的小波能量熵阈值去心电算法。该方法在对信号各层小波系数的分析基础上,将每层的系数信息量看成一个单独的信号源,将其分成N等份的小区间,通过系数能量熵的分布特性将其分成高能量熵和低能量熵两类分别进行绝对均值阈值处理,对阈值后的小波系数进行小波重构便得到降噪后的EMGdi信号。通过实验对比结果表明,该方法有效地去除了EMG-di信号的ECG干扰信号,更大程度地保留了EMGdi的信号特征。     

心肌梗塞患者心电图（ECG）功率谱熵分析

目的：探究心肌梗塞患者（心梗者）和健康者的功率谱熵与年龄的关联，研究在不同年龄段，心梗者和健康者的功率谱熵差异。方法：采用子频段法、缩合法分别计算心梗、健康中年组与老年组的功率谱熵，使用统计检验分析研究心梗者和健康者的功率谱熵值随年龄的变化规律，以及在不同年龄段心梗组和健康组功率谱熵的差异。结果：在子频段0．05：20，8：20Hz上，心梗老年组的功率谱熵值大于健康老年组（P〈0．001）。随着年龄的增长，心梗者的功率谱熵值基本稳定在介于中年和老年健康者之间的水平，而健康者的功率谱熵值随着年龄的增大而明显减小（P〈0．001）。中年时，健康者的功率谱熵值大于心梗者（P〈0．05），而老年时，健康者的功率谱熵值小于心梗者（P〈0．001）。结论：心梗者和健康者的功率谱熵值随年龄的变化规律是不同的。子频段上的功率谱熵值能较好的区分老年心梗者和老年健康者。心梗引起ECG信号的紊乱，使其不遵循健康者的变化规律。子频段上的功率谱熵值是分析ECG信号的一个有效指标。     

The application of Hilbert�CHuang transform in the analysis of muscle fatigue during cyclic dynamic contractions

Surface electromyography (sEMG) is a common technique used in the assessment of local muscle fatigue. As opposed to static contraction situations, sEMG recordings during dynamic contractions are particularly characterised by non-stationary (and non-linear) features. Standard signal processing methods using Fourier and wavelet based procedures demonstrate well known restrictions on time-frequency resolution and the ability to process non-stationary and/or non-linear time-series, thus aggravating the spectral parameters estimation. The Hilbert-Huang transform (HHT), comprising of the empirical mode decomposition (EMD) and Hilbert spectral analysis (HSA), provides a new approach to overcome these issues. The time-dependent median frequency estimate is used as muscle fatigue indicator, and linear regression parameters are derived as fatigue quantifiers. The HHT method is utilised for the analysis of the sEMG signals recorded over quadriceps muscles during cyclic dynamic contractions. The results are compared with those obtained by the Fourier and wavelet based methods. It is shown that HHT procedure provides the most consistent and reliable assessment of spectral and derived linear regression parameters, given the time epoch width and sampling interval in the time domain. The suggested procedure successfully deals with non-stationary and non-linear properties of biomedical signals.     

基于子带频谱墒算法检测表面肌电信号肌肉疲劳性

目的:针对传统检测肌肉疲劳方法灵敏度较差问题,提出按肌肉收缩区分割表面肌电信号。该方法考虑到肌肉动态收缩时肌肉发力、形状等因素影响特征参数平均功率频率的表征效果,因此,在分割表面肌电信号上以肌肉收缩区的个数作为单位,摒弃以时间作为单位的传统分割。方法:采用单参数结合双阈值的方法判断肌肉收缩区起、止点。利用肌肉动态收缩区特征参数平均功率频率的灵敏度波动比表征肌肉疲劳的灵敏度。表面肌电信号采集设备品牌为NORAXON、型号为MR3.6版本,程序设计采用MATLAB编程。结果与结论:仿真结果证明与传统定长分割方法相比,该方法检测肌肉疲劳具有较高的灵敏度和较好的表征性。     

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。     

基于幅频联合分析法对肌肉疲劳状态下表面肌电信号时、频域变化规律的研究

目的:通过对肌肉疲劳状态下表面肌电信号(sEMG)的提取,利用幅频联合分析的方法探讨sEMG作为肌肉生理特征信号在疲劳发生过程中的变化规律。方法:5名健康男性左右手臂分别进行一次实验,实验过程中,手臂自然下垂,前臂抬起至水平,与上臂成90°角,前臂上悬挂重量为5 Kg的重物,使肌肉等长收缩8 min,采用英国BIOPAC公司生产的MP150及其肌电采集模块同步记录肌肉的表面肌电信号,使用The MathWorks公司的MATLAB7.0软件,在信号3min、5 min、7 min后各取20 s进行幅频联合分析。结果:sEMG随着肌肉疲劳状态的加剧,信号幅值平均值明显增大,功率谱密度发生变化,平均功率频率(MPF)、中位频率(MF)明显减小。结论:表面肌电信号的幅频联合分析法为进一步深入研究肌肉疲劳状态下表面肌电信号的变化提供了方法支撑和理论依据。     

局部肌疲劳过程与表面肌电信号分维值变化关系的研究

利用肱二头肌在不同收缩力水平上持续恒力收缩时采集的表面肌电信号，研究局部肌疲劳过程中肌电信号的分形维变化规律。结果表明，随着疲劳程度的加深，表面肌电信号的分维值在不同收缩力水平上均呈下降趋势，与中值频率的下降趋势相一致。     

神经肌肉电刺激诱发的下肢运动疲劳信息检测与处理技术研究

限制神经肌肉电刺激(NMES)广泛应用的一个主要因素就是由其诱发的肌疲劳.设计NMES诱发下肢运动条件下的肌疲劳检测系统.分别进行膝关节角度的检测和表面肌电信号(sEMG)的频谱分析.研究表明,平均频率(MNF)、中值频率(MDF)及AR时变参数模型参量是评价NMES诱发肌疲劳的可靠指标,并且AR模型具有显著的高分辨灵敏度,最大变化率为90.23％,大于平均频率的43.82％和中值频率的55.49％,为NMES使用过程中诱发肌疲劳的准确评价和反馈寻找到一种可行的方法.     

Comparison of algorithms to quantify muscle fatigue in upper limb muscles based on sEMG signals

This work compared the performance of six different fatigue detection algorithms quantifying muscle fatigue based on electromyographic signals. Surface electromyography (sEMG) was obtained by an experiment from upper arm contractions at three different load levels from twelve volunteers. Fatigue detection algorithms mean frequency (MNF), spectral moments ratio (SMR), the wavelet method WIRM1551, sample entropy (SampEn), fuzzy approximate entropy (fApEn) and recurrence quantification analysis (RQA%DET) were calculated. The resulting fatigue signals were compared considering the disturbances incorporated in fatiguing situations as well as according to the possibility to differentiate the load levels based on the fatigue signals. Furthermore we investigated the influence of the electrode locations on the fatigue detection quality and whether an optimized channel set is reasonable. The results of the MNF, SMR, WIRM1551 and fApEn algorithms fell close together. Due to the small amount of subjects in this study significant differences could not be found. In terms of disturbances the SMR algorithm showed a slight tendency to out-perform the others.     

基于小波系数熵的表面肌电信号识别

目的:对表面肌电信号进行分类识别。方法:30名健康的志愿者参加数据采集。每名志愿者用右手臂完成两个动作:前臂内旋和前臂外旋。在每个动作中,采集一组表面EMG信号。总共获得30组内旋和30组外旋的表面EMG信号。然后,运用小波包系数熵构成特征向量,用Bayes决策对两种模式信号进行分类识别。结果:当信号长度达350ms后,正确识别率达到100%。结论:采用小波包系数熵可以有效地提取表面EMG信号的特征信息,达到控制前臂假肢的目的。     

驾驶人背部肌肉负荷定量研究

使用表面肌电图（sEMG）技术测定驾驶人躯干肌肌肉活动,定量驾驶人背部肌肉负荷水平。选取8名健康男性大学生作为受试者,有驾驶资质,右利手。在驾驶模拟器上以80 km/h的速度匀速驾驶。模拟器场景为三车道直道的自编场景,受试者在中间车道行驶共120 min,同步记录躯干肌中左右腰竖脊肌（LES和RES）和左右多裂肌（LMM和RMM）的肌电信号。在模拟驾驶前,测试LES、 RES、 LMM和RMM的最大自主收缩力（MVC）,以此作为数据处理的基值,并测试模拟驾驶前后受试者30%MVC的肌电信号。对等长肌肉收缩期肌电信号（即30%MVC肌电信号）进行分析,时域分析指标为参考随意收缩肌电百分比（%RVE）和频域分析指标为中位频率（MF）平均功率频率（MPF）。对连续驾驶期间肌电信号采用振幅概率分布频率（APDF）方法进行分析。时域指标结果显示, LES、RES、LMM和RMM模拟驾驶前后%RVE值均显著上升（P<0.05）;频域指标结果显示,模拟驾驶前后LES、RES、LMM和RMM的MF30%MVC值及MPF_30%MVC值均下降,经检验RES和RMM模拟驾驶前后的MF_30%MVC值及RMM驾驶前后MPF_30%MVC值差异有显著性（P<0.05）。APDF分析结果表明,连续驾驶期间,LES、RES、LMM和RMM的肌肉负荷水平分别为7.55%±5.64%、5.78%±3.06%、6.13%±3.76%和5.69%±3.41%,为低负荷水平作业。sEMG研究表明,在连续驾驶期间,驾驶人的背部肌肉产生疲劳,躯干肌疲劳程度左侧高于右侧;在连续驾驶期间,背部肌肉负荷水平为持续低水平负荷。     

基于EMD去趋势波动的脑疲劳模糊熵分析

脑疲劳是由于人们长时间地从事重复单一或高负荷的认知活动所引起的,短时间的脑疲劳会引起注意力下降、工作效率降低,而长时间的脑疲劳则会造成脑功能损伤。提取脑疲劳特征有助于脑疲劳的检测,预防脑疲劳带来的危害。熵能够反映脑疲劳状态下大脑复杂度的变化情况,有望成为评价脑疲劳的指标。但是,熵对脑电信号特征的提取受趋势重叠的影响,无法实现信号动态特性的准确描述,造成不同时间段得到的熵特征不一致。为解决趋势重叠对脑电信号熵特征的影响,将基于经验模式分解(EMD)的去趋势波动分析同熵值计算相结合,以4 h英语科技论文翻译作为脑疲劳诱发任务,记录14名本科生志愿者在正常安静和脑疲劳状态下的脑电信号,对比分析两种状态及3个时间段脑电信号的近似熵、模糊熵和去趋势模糊熵。结果表明,相比传统的近似熵和模糊熵,脑疲劳状态下去趋势模糊熵在左半球脑区的熵值较正常安静状态下显著降低(FC3,P=0.022;P5,P=0.007),且3个时间段有显著性差异的导联基本相同(3个时间段FC3导联P值分别为0.025、0.017、0.012,P5导联P值分别为0.011、0.006、0.017)。结果表明,去趋势模糊熵可以更好地表达两种状态下大脑复杂度的差异,且具有很好的时间稳定性。因此基于EMD的去趋势模糊熵可以更加快速有效地评价脑疲劳对大脑活动复杂度的影响。