表面肌电信号的时变AR模型参数评估肌疲劳程度的研究

目的 本研究针对表面肌电信号的非平稳特性,采用时变参数AR模型的方法对表面肌电信号进行分析,实现对短时表面肌电信号的肌肉疲劳快速评估.方法 应用时变参数模型对10名受试者疲劳前、后的肌电信号进行特征提取,建立时变参数AR模型,并采用递推最小二乘算法求解模型的时变参数,将线性非平稳问题转化为线性时不变问题.结果 以时变参数AR模型的第一个时变参数的均值作为肌肉疲劳的快速指针.实验证明时变参数比传统的中值频率对疲劳反应的灵敏度高（提高范围为37.80%到324.46%）.结论 该方法可以实现对短时表面肌电信号的肌肉疲劳快速评估,为腰肌劳损的诊断和康复治疗,以及人体工效学的研究提供一个可靠的工具.     

基于自回归模型表面肌电信号检测肌肉疲劳研究

针对表面肌电信号的非平稳特性,采用自回归模型对表面肌电信号进行分析,对短时间内的表面肌电信号肌肉疲劳迅速做出判定。应用非平稳时间序列的时变系统建模方法对10例受试者疲劳前、疲劳后表面肌电信号进行特征提取。建立时变参数自回归模型,通过引入Legendre基函数将线性非平稳过程参数辨识转化为线性时不变系统参数辨识,结合相关指数可以获得时变系统参数估计的最优Legendre基函数维数,进而可以获得最佳模型拟合效果,并采用最小二乘法解出时不变参数。用疲劳前、后的自回归模型的第一个时变参数(ARC1)的变化率作为检测肌肉疲劳敏感性指标,并采用双尾t检验,分别与平均功率频率(MPF)和中值频率(MF)的变化率进行统计学对比分析。结果表明, ARC1、MPF和MF疲劳前后的变化率分别为34.33%±2.41%、25.68%±2.03%、22.80%±2.19%,且ACR1的变化率分别显著高于MPF和MF(P<0.05).所提出的方法通过表面肌电信号对肌肉疲劳检测时,具有时间短和敏感性高等优点,可用于在线实时分析肌肉疲劳程度,为肢肌肉劳损的评估、康复治疗及人体工效学的研究提供一个潜在的分析工具。     

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。     

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。     

基于平移不变小波变换的颈肩肌电信号去噪方法研究

在采用肌电信号进行颈肩肌肉疲劳特性分析中,为提高非平稳表面肌电信号(surface electromyography,SEMG)的信噪比,抑制传统强制去噪时在信号奇异点处产生的伪吉布斯(Gibbs)现象,采用平移不变(translation invariance,TI)小波新阈值去噪的方法对肌电信号进行去噪。实验表明,该方法在保留颈肩肌电信号主要特征的前提下,与传统强制去噪方法比较,信号的信噪比(signal-noise ratio,SNR)提高了7倍,均方根误差(root mean square error)降低为原来的四分之一,故该方法更适合在充分保留肌电信号细节特征的前提下,去除颈肩肌电信号中的白噪声和50 Hz工频谐波干扰。     

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。     

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。     

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.     

模型生理参数对表面肌电信号影响的仿真研究

通过模型研究肌肉生理参数对表面肌电信号的影响。根据肌肉的形态结构和生理特征,从肌电信号的信号源-细胞内动作电位开始,仿真了单肌纤维动作电位,由此合成了运动单位动作电位,再利用运动单位的募集发放模型,进一步仿真了运动单位动作电位序列,并最终完成了对表面肌电信号的仿真。在此基础上研究了极化区域宽度、跨膜电流密度分布和肌肉组织各向异性3个重要的模型生理参数对表面肌电信号统计特征的影响,得到了一些有价值的结果。实验结果表明,仿真肌电信号能够有效表征肌肉电生理变化过程。     

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。     

Estimation of Time-Varying Coherence Function Using Time-Varying Transfer Functions

We introduce a new method to estimate reliable time-varying coherence functions (TVCF) for causal systems. The technique is based on our previously developed method to estimate time-varying transfer functions (TVTF), known as the time-varying optimal parameter search algorithm [Zou, R., H. Wang, and K. H. Chon. A robust time-varying identification algorithm using basis functions. Ann. Biomed. Eng. 31: 840–853, 2003]. The TVCF is estimated by the multiplication of two TVTFs. The two TVTFs are obtained using signal x as the input and signal y as the output to produce the first TVTF, and signal y as the input and signal x as the output to produce the second TVTF. Demonstration of the feasibility and efficacy of the proposed approach is provided with both simulation examples and application to renal blood flow and pressure data. The proposed approach provides higher time-frequency resolution TVCF than afforded by the short time Fourier transform based TVCF.     

Identification of time-varying dynamics of the human triceps surae stretch reflex

We examined the time-varying dynamics of the human triceps surae stretch reflex before, during, and after a large stretch was imposed upon the ankle joint, during a constant voluntary contraction of 15% of maximum voluntary contraction. Stretch reflex dynamics were estimated by superimposing a small stochastic displacement on many such stretches and using an ensemble-based time-varying identification procedure to compute impulse response functions relating the perturbation to the evoked electromyogram (EMG) at each point throughout the task. We found that stretch reflex magnitude (relating joint velocity to EMG) varied directly with baseline EMG activity during steady-state conditions before and after the large imposed stretch. Following the large stretch and the reflex activity it evoked, both background EMG and stretch reflex magnitude declined for up to 100 ms; changes in the stretch reflex were substantially greater in magnitude and followed a different time course from the corresponding changes in background EMG, however, indicating that stretch reflex properties were modulated independently of motoneuron pool activation level. Based on timing and the invariance of stretch reflex dynamics across time, it is argued that this behavior is largely mediated via peripheral neural mechanisms. This peripheral modulation of the stretch reflex presumably supplements various descending influences to adjust reflex properties.     

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.     

基于模糊识别理论的针电极肌电信号的辨识

针对针电极肌电信号的不确定性，提出了一种利用模糊识别理论辨识针电极肌电信号的方法，对前臂异常募集时的针电极肌电信号进行辨识，给出了模糊识别所需的特征量，隶属度函数和特征关系矩阵。与选取相同特征值和样本数量的贝叶斯分类器的对比实验表明，这种方法所需样本少，识别准确率高。     

EMG信号的计算机自动识别与处理系统

目的 建立EMG信号的计算机自动识别与处理系统，探讨该系统对各种神经，肌肉疾病肌电图诊断的临床价值；方法 系统利用各种信号处理技术，通过计算机提取轻收缩运动电位，重收缩波形，给出各特征参数；结果 该系统可快速准确处理肌电信号数据，结合肌电图数值特征，给出诊断结果；结论 该系统设计科学，诊断快速，准确，从而提高了肌电图诊断的准确度。     

The Identification and Tracking of Uterine Contractions Using Template Based Cross-Correlation

The purpose of this paper is to outline a novel method of using template based cross-correlation to identify and track uterine contractions during labour. A purpose built six-channel Electromyography (EMG) device was used to collect data from consenting women during labour and birth. A range of templates were constructed for the purpose of identifying and tracking uterine activity when cross-correlated with the EMG signal. Peak finding techniques were applied on the cross-correlated result to simplify and automate the identification and tracking of contractions. The EMG data showed a unique pattern when a woman was contracting with key features of the contraction signal remaining consistent and identifiable across subjects. Contraction profiles across subjects were automatically identified using template based cross-correlation. Synthetic templates from a rectangular function with a duration of between 5 and 10 s performed best at identifying and tracking uterine activity across subjects. The successful application of this technique provides opportunity for both simple and accurate real-time analysis of contraction data while enabling investigations into the application of techniques such as machine learning which could enable automated learning from contraction data as part of real-time monitoring and post analysis.     

基于经验模态分解-小波包变换的表面肌电信号手势识别

为了提高表面肌电信号（sEMG）手部运动识别的正确率,比较常规的sEMG预处理和特征提取方法,提出一种基于经验模态分解（EMD）和小波包变换（WPT）的sEMG手势识别模型。首先,使用EMD方法将sEMG进行平稳化,得到一系列的固有模态函数。其次,求取各个固有模态函数与原始信号的相关性,选取相关性较高的前4个分量作为有效分量。然后,采用Db3小波函数进行WPT,提取小波包系数中的平均能量、平均绝对值、最大值、均方根和方差等特征。分别采用线性判别分析和支持向量机对12种手部运动进行模式识别。结果表明基于EMD和WPT的sEMG手势识别正确率比直接提取小波包系数中的特征识别正确率高。     

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