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。     

非线性小波变换在呼吸肌电信号中的应用

判定呼吸功能的关键在于呼吸模式的建立，呼吸肌电信号具有建立呼吸模式所需的信息，本文叙述了一种较好的呼吸肌电信号的降噪处理方法，即通过设置浮动阈值，对信号进行非线性小波变换，使信号在降噪的同时，又能使重建信号不会出现失真现象。     

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。     

小波变换和小波提升在胃电信号处理中的应用

本文介绍了小波基函数的定义、构造和小波提升。并将小波变换和小波提升应用于胃电(EGG)信号处理中。通过对信息熵、信号能量和联合熵等滤波后的信号特征进行分析,介绍了小波基函数的一般评价选择方法。为了验证评价方法的合理性,实验中采用了不同的小波基函数进行实验数据处理和信号滤波。通过小波变换和小波提升对EGG信号进行了滤波,分离了EGG快、慢波频段信号。并通过实验数据验证了小波变换和小波提升方案的合理性和EGG滤波算法的有效性。为胃的疾病诊断和测量提供了一个有效的解决工具和测量方法。     

小波变换在心电信号特征提取中的应用

采用分段阈值和模极大值对斜率判据相结合的补偿策略,提出了一种精确提取QRS波群特征值的算法.经过对MIT/BIH心电数据库和临床实测的心电信号的大量实验,结果显示即使在有严重噪声干扰的情况下,运用本算法也很容易实现对QRS波群特征的有效提取,特别是对R波峰具有相当高的定位精度(其误差不超过一个采样点)和分析精度(没有累积误差).     

小波变换在心电信号滤波处理中的应用研究

介绍用小波实现心电图信号滤波处理的方法。该方法采用小波变换将原始心电信号分解为不同频段下的细节信号，去掉某些细节信号，再用小波逆变换恢复保留信号，就能实现心电信号的三种主要的消除。     

小波变换及其在脑诱发电位分析中的应用

诱发脑是民是研究大脑高级神经过程的一个重要电信号。而从背景噪声中一次提取诱发电位具有非常重要的实用价值。本文介绍了新兴的不上波技术中多分辨率分析方法及其在诱发电位分析和提取中的应用。     

基于混沌、分形理论的表面肌电信号非线性分析

本文采用混沌、分形的理论和方法对表面肌电信号进行处理,通过重构相空间,分析运动过程中肌电信号的混沌、分形特性。研究表明,肌电信号具有正的李雅谱诺夫指数,表现出一定的混沌特征。通过计算两路肌电信号的分形维数,发现不同动作的肌电信号具有不同的聚类分布。该类非线性分析方法的肌电信号的机理研究和病理诊断、动作分析提供了新的思路。     

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。     

基于小波变换的膈肌肌电信号降噪方法研究

膈肌肌电信号是分析和诊断呼吸疾病最科学及有效的数据之一,该信号往往受到被测对象心电信号的严重干扰.利用小波变换的分析方法,在对原始信号小波分解的基础上,针对各尺度小波系数的特点提出一种新的阈值滤波算法.对来自临床食道电极采集的膈肌肌电信号进行降噪处理,处理前后的时域信号对比以及频域的功率谱分析均表明,心电干扰信号能够被有效地去除,而膈肌肌电信号的信号特征得到较好地保留,为膈肌肌电信号的进一步分析处理创造了良好的条件.     

基于小波分析与神经网络相结合的表面肌电信号识别的研究

表面肌电信号是从人体骨骼肌表面通过电极记录下来的神经肌肉活动发放的生物电信号,具有非平稳性和复杂性的特点。本研究通过使用小波分析与神经网络相结合的方法,识别正常肌电信号与疲劳肌电信号。实验表明,将小波分解后的肌电信号代替原始肌电信号,能明显提高神经网络对肌电信号的识别准确率。     

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.     

基于表面肌电非负矩阵分解与一致性的肌间协同耦合关系研究

肌肉协同模型是神经产生并控制运动的低维度结构,探讨不同动作任务下的表面肌电信号(sEMG)间的相干性分析,可以体现相应肌群的协同耦合关系,进而能从神经控制运动与肌肉相互配合协调的角度揭示运动产生与执行规律。组织8名年轻健康受试者(男女均半、20～24岁)进行上肢腕部屈、伸实验,采集动作时相应肌群的sEMG数据,引入非负矩阵分解(NMF)方法分析肌间协同性,并进一步对协同性较高的肌群采用一致性分析方法,研究信号beta(15~35 Hz)和gamma(35～60 Hz)频段的耦合强度关系,探讨腕部伸屈动作下不同受试者之间的协同耦合性差异。结果表明:腕伸动作下,主动肌桡侧腕短伸肌(ECR)、指伸肌(ED)、尺侧腕伸肌(ECU)、肱桡肌(B)在协同模块W₅中具有协同关系,且肌间耦合强度显著(P<0.05),beta频段与gamma频段一致性显著面积相差较大(1.261±0.966);腕屈动作下,分别在协同模块公式中存在具有协同关系的肌肉对,且肌肉间耦合强度显著(P<0.001),在beta和gamma频段一致性显著面积相差较小(0.412±0.163),但主动肌桡侧腕屈肌、指浅屈肌间不具有协同性,耦合关系较弱。以上说明:神经控制运动的方式不同,体现为肌肉协同耦合关系有所差异;在同一协同模块中,协同性较高的肌肉间耦合关系较强,揭示神经控制运动规律与肌肉相互配合方式;运用此方法进行肌间协同耦合联合分析,可望深入揭示中枢神经模块化协同控制运动机制,进一步为运动障碍患者功能分析和评价提供科学依据。     

楼梯行走足底压力与表面肌电参数研究

目的探究上下楼梯时的足底压力和表面肌电参数,为动力式助行器足部结构设计、动力元件选型和安装位置分布提供理论支撑。方法招募10名健康男性青年进行楼梯行走,利用运动捕捉系统、足底压力系统和表面肌电系统采集足底压力的峰值压强、压力中心轨迹(COP轨迹)和各块下肢肌肉的肌电参数。结果与平地行走相比,楼梯行走时站立相时间占整个步态周期的百分比增大;上楼时前足部分峰值压强增大,下楼时足趾区域的峰值压强减小;楼梯行走时,股直肌、股二头肌、内外侧腓肠肌对人体稳定性起主要作用。结论在设计动力式助行器足部结构时应充分考虑足底压力的分布情况,选择动力式助行器动力元件的安装位置和型号时应考虑主要肌肉的作用。     

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。     

基于小腿表面肌电的智能机器人协同控制方法

作为人机交互的核心内容之一,面向机器人控制的步态识别拥有广泛的应用前景。提出一种基于小腿表面肌电信号的智能移动机器人控制方法。通过优化互信息的最大相关最小冗余算法(MRMR),实现对前进、后退、左转、右转等4种步态分类识别,并建立一套移动机器人同步控制系统。使用表面肌电信号(sEMG)作为输入信息,对人步态动作进行分类识别,并转化为对机器人运动进行控制的信息,从而实现人与智能移动机器人的实时协同交互。通过采集8名受试者前进、后退、左转、右转行走时的小腿表面肌电信号,并实时控制智能机器人的运动。结果表明,在少量的训练条件下,该方法的步态识别准确率可达88%。基于此方法搭建的移动机器人协同控制系统,具有较强的实时控制能力以及较高的控制准确度。基于小腿表面肌电的智能机器人协同控制方法具有良好的应用前景,未来或可广泛应用于人机运动协调机器人控制等领域。     

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