基于自适应滤波器的表面肌电信号消噪方法研究

目的：应用自适应滤波器消除表面肌电信号中混有的50Hz工频干扰和心电信号干扰。方法：在没有信号特征先验知识的情况下，自适应滤波器能够得到比经典滤波器更好的滤波性能。当输入信号的统计特征未知，或者输入信号的统计特征变化时，自适应滤波器能够根据某种准则的要求自动地调节自身的滤波器参数，从而实现最优滤波。使用Biopac system MP150多导生理记录仪采集人体肱二头肌处表面肌电信号（采样频率为1000Hz）。采用一种新的变步长（LMS）自适应滤波器算法，分别设计自适应陷波器和自适应信号分离器。在MATLAB7．0环境下。编程实现自适应陷波器和自适应信号分离器算法，对采集到的表面肌电信号进行滤波处理。结果：实验表明。变步长自适应陷波器能消除表面肌电信号中的50Hz工频干扰；变步长自适应信号分离器能够将混叠在表面肌电信号中的心电信号分离出来。结论：自适应滤波器能够有效地消除表面肌电信号中混有的50Hz工频干扰和心电信号干扰，得到滤波效果较好的表面肌电信号，为表面肌电信号的进一步分析、处理和评估打下基础。     

基于肌电信号与肌肉形变信号的手语识别

针对手语手势识别问题,提出一种基于肌电信号与肌肉形变信号的手语识别架构。首先,设计信号采集系统;然后,采集肌电信号与肌肉形变信号,利用滤波及小波降噪等方法对原始数据进行降噪处理。采用基于能熵比的双门限端点检测法提取信号有效活动段;分别提取肌电信号以及肌肉形变信号特征,将所提取的信号特征融合组成特征向量;最后,采用基于网格搜索的支持向量机识别模型对所采集手语动作进行识别。信号融合后手语识别正确率达到97.2%,相对于仅采用肌电信号的手语识别方法,融入肌肉形变信号后识别率提高9.3%。结果表明,基于肌电信号和肌肉形变信号的手语识别框架对动态手语手势具有良好的识别效果。     

基于脑肌电融合的混合脑机接口研究

动作模式识别是脑机接口技术的核心内容之一。针对目前脑机接口动作识别模式单一、识别率低等问题,基于混合脑机接口思想,提出一种脑电和肌电特征融合策略,可实现单侧肢体不同动作模式的有效分类,进而可用于脑机接口技术。同步采集9名健康受试者单侧手腕屈/伸两种动作模式下的脑电信号和表面肌电信号,分别提取脑电信号事件相关去同步化特征和表面肌电信号的积分肌电值特征,构建基于支持向量机和粒子群优化算法的脑肌电融合及运动模式识别模型,通过调整“特征融合系数”来实现动作模式最优分类,从而提高模式识别的准确率;进一步通过递降健康人的肌电信号幅值来模拟患者和运动疲劳状态下的肌电信号,验证所提出方法对动作模式识别的有效性。实验结果表明,基于脑肌电融合特征的动作模式识别率(98%)比单纯依靠脑电特征的识别率(73%)提高25%;在运动疲劳状态下,基于脑肌电融合特征的识别率稳定在80%以上,比单纯依靠肌电特征的识别率提高14%。可见,脑肌电融合策略能提高动作模式识别的准确性和鲁棒性,为混合脑机接口技术提供条件。     

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。     

基于手臂表面肌电信号的智能小车控制系统

研究一种基于手臂表面肌电信号的智能小车控制系统。当左臂做出曲臂、左勾、右勾、自然下垂四种动作时,小车将完成前进、左转、右转、停止四种运动状态。手臂表面肌电信号采集模块通过三个单通道肌电信号传感器采集左臂四种动作下的肌电信号并进行预处理;在信号识别及指令编码模块对肌电信号进行分类识别,识别出手臂的不同动作,并编码出对应的控制指令。通过无线传输模块把控制指令传输给智能小车控制模块;智能小车控制模块根据控制指令驱动电机转动,从而实现对小车运动状态的调控。实验证明,本智能小车控制系统信号识别率高,延迟小。     

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。     

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。     

肌电信号的预处理

通过观察肌电信号(EMG)可以判断肌肉功能是否正常,这对利用A型肉毒毒素治疗肌肉痉挛性疾病十分有意义。EMG属于生物电范畴,信号微弱,并且易受干扰,针对EMG的特点设计信号调理电路。该电路采用两级隔离放大并经过滤波处理来提取肌电信号。对信号处理电路的特性分析表明,文中所设计的电路可以有效提取10～500Hz的肌电信号,并有效抑制工频干扰,因此该电路将在实际应用中取得较理想结果。     

基于体表生理信号的呼吸功能监测仪研制

目的：研制一款基于体表心电、膈肌电和胸阻抗信号的呼吸功能监测仪原理样机,可在家庭、医疗急救等场合实现对呼吸功能的持续监测。方法：以STM32F411VET6单片机开发系统为平台,用一对Ag/AgCl电极作为高频激励信号的输出和心电、胸阻抗信号的检测电极,另一对Ag/AgCl电极作为膈肌电信号检测电极,两对电极同时检测心电、膈肌电和胸阻抗信号。系统硬件主要包括心电信号检测电路、胸阻抗信号检测电路、膈肌电信号检测电路、恒流源激励电路以及微控制器。系统采用12 V可充电锂电池供电,模拟信号通过单片机A/D转换成数字信号,通过SDIO接口存储于SD卡。在完成样机制作和性能测试之后,采集13例因呼吸功能障碍实施机械通气患者和13例健康成年人的信号,计算15个与呼吸功能相关的参数,比较机械通气患者与健康对照组参数之间的差异,验证了呼吸功能监测仪的可靠性。结果：样机采集信号的信噪比>10 dB、共模抑制比>80 dB,样机漏电流<30μA。机械通气患者的吸气时间、呼气时间、潮气量、胸阻抗峰峰值、胸阻抗1 s变化量、膈肌电低频功率、膈肌电高频功率、高频比低频、膈肌放电面积、膈肌放电时...     

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。     

A Study on sEMG Simulation Modeling and Its Decomposition Methods

In this paper, we establish a surface electromyography(sEMG) signal model and study the signal decomposition method from noisy background. Firstly, single fiber action potential (SFAP), motor unit action potential (MUAP) and motor unit action potential train(MUAPT) are simulated based on the tripolar signal source model, and then the sEMG is obtained; secondly, the simulated sEMG signal is extracted from the mixed signals that consists of white noises, power frequency interference signal and electrocardio signal by independent component analysis (ICA) algorithms; lastly, the spikes corresponding to each motor unit action potential from the simulated sEMG signals were detected by applying the wavelet transform (WT) method. Simulation results showed that sEMG model could describe the physiological process of sEMG, ICA and WT methods could extract the sEMG signal and its features, which will lay a foundation for further classifying the MUAP.     

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。     

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。     

MUAP extraction and classification based on wavelet transform and ICA for EMG decomposition

We have developed an effective technique for extracting and classifying motor unit action potentials (MUAPs) for electromyography (EMG) signal decomposition. This technique is based on single-channel and short periodȁ9s real recordings from normal subjects and artificially generated recordings. This EMG signal decomposition technique has several distinctive characteristics compared with the former decomposition methods: (1) it bandpass filters the EMG signal through wavelet filter and utilizes threshold estimation calculated in wavelet transform for noise reduction in EMG signals to detect MUAPs before amplitude single threshold filtering; (2) it removes the power interference component from EMG recordings by combining independent component analysis (ICA) and wavelet filtering method together; (3) the similarity measure for MUAP clustering is based on the variance of the error normalized with the sum of RMS values for segments; (4) it finally uses ICA method to subtract all accurately classified MUAP spikes from original EMG signals. The technique of our EMG signal decomposition is fast and robust, which has been evaluated through synthetic EMG signals and real EMG signals.     

利用小波变换进行心率变异信号分形维数的短时估算

提出了一种利用功率谱短时估算心率变异信号分形维数的新方法。该方法基于小波变换和滤波器组，算法的实现过程是；首先利用小波变换的正交分解分离出心率变异信号中的分形成分；其次用自回归模型对分离出的分形成分进行功率谱估计，并用最小二乘法对分形成分的双对数坐标功率谱图进行直线拟合，估计出斜率7，最后根据公式D=2-（γ—1）／2估算出心率变异信号的分形维数。为了验证本文提出算法的稳定性和可靠性，采用分数布朗运动仿真24例分形维数值为1．6的分形信号进行验证，结果表明本算法应用于心率变异信号分形维数的估笪切空可行     

基于独立成分和小波分析的胎儿心电提取

背景：在胎儿心电信号的采集过程中,会受到母体和其他噪声的强干扰,如何快捷与有效地提取出胎儿心电将成为重要的研究课题。 目的：采用结合独立成分分析和小波分析的方法对来自于同一母体的观测信号进行独立分量分离,得到有效的胎儿心电。 方法：结合独立成分分析和小波分析的算法进行胎儿心电的特征提取,首先对含噪信号进行小波变换,去除奇异信号和非平稳随机信号,然后对小波重构后的信号运用快速独立成分分析算法进行成分分析。 结果与结论：在胎儿心电信号的采集过程中,会受到母体和其他噪声的强干扰,但这些信号都是随机的,不相关的,可以认为它们间是相互独立的。采用结合独立成分和小波分析的方法对来自于同一母体的观测信号进行独立分量分离,得到有效的胎儿心电。实验证明该方法是一种有效的方法。     

基于小波包-交叉频率相干性的肌间耦合特性

人体运动控制系统具有高度的非线性特性,通过量化评价表面肌电(sEMG)信号间的非线性耦合强度,可以得到运动相关肌肉的功能状态,进而探究人体运动控制的机制。本文将小波包分解和n∶m相干性分析相结合,构建基于小波包-n∶m相干性的肌间交叉频率耦合分析模型,探究肌电信号间的非线性耦合关系。在维持30%最大自主收缩力(MVC)的肘部屈伸状态下,采集20名健康成年人的sEMG信号,首先基于小波包分解获取子带分量,然后将子带信号进行n∶m相干性计算,分析肌间耦合特征。结果表明:30%MVC的肘部屈曲运动下,协同肌对和拮抗肌对的线性耦合(频率比为1∶1时)强度高于非线性耦合(频率比为1∶2、2∶1和1∶3、3∶1时);对于肌间非线性耦合,随着频率比的增大,耦合强度随之降低,且频率比为n∶m和m∶n之间没有明显的耦合强度差异;beta和gamma频段内的肌间耦合主要体现在协同肌对之间的线性耦合(1∶1)和低频率比的非线性耦合(1∶2、2∶1)以及拮抗肌对之间的线性耦合上。以上说明:小波包-n∶m相干性方法可以定性、定量地描述肌间非线性耦合强度,为深入揭示人体运动控制机制和运动功能障碍患者的康复评价提供理论参考。     

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.     

Directional dual-tree complex wavelet packet transforms for processing quadrature signals

Quadrature signals containing in-phase and quadrature-phase components are used in many signal processing applications in every field of science and engineering. Specifically, Doppler ultrasound systems used to evaluate cardiovascular disorders noninvasively also result in quadrature format signals. In order to obtain directional blood flow information, the quadrature outputs have to be preprocessed using methods such as asymmetrical and symmetrical phasing filter techniques. These resultant directional signals can be employed in order to detect asymptomatic embolic signals caused by small emboli, which are indicators of a possible future stroke, in the cerebral circulation. Various transform-based methods such as Fourier and wavelet were frequently used in processing embolic signals. However, most of the times, the Fourier and discrete wavelet transforms are not appropriate for the analysis of embolic signals due to their non-stationary time–frequency behavior. Alternatively, discrete wavelet packet transform can perform an adaptive decomposition of the time–frequency axis. In this study, directional discrete wavelet packet transforms, which have the ability to map directional information while processing quadrature signals and have less computational complexity than the existing wavelet packet-based methods, are introduced. The performances of proposed methods are examined in detail by using single-frequency, synthetic narrow-band, and embolic quadrature signals.