前臂肌电信号的测试与分析

研制有实用价值的前臂肌电控制假手,必须选择合宜的肌电信号源。本文通过对截肢者前臂残端肌群情况的调查分析,分别用针电极和表面电极测试正常人和前臂残肢者在自然下垂位、功能位做各种动作时的肌电信号,并进行时域和频域的分析比较,从而获得关于肌电信号的一些特征,进一步为前臂肌电控制假手之肌电信号源的选择提供了重要的依据。     

基于变尺度符号传递熵的多通道脑肌电信号耦合分析

在运动控制中,脑肌电耦合强度可以反映大脑皮层和运动肌肉之间的联系。传统的时间序列符号化方法容易混淆原始信号,丢失信号的动态特性。因此,提出可变尺度参数的符号传递熵,对上肢不同握力下的皮层脑电和表面肌电信号进行多通道耦合性分析,进而提出一种耦合强度的表示方法,对脑肌电耦合强度进行定量分析。首先,分析并比较尺度参数对脑肌电传递熵的影响,并选择优化的尺度进行符号化传递熵的计算;其次,针对不同握力下多通道脑肌电信号的分析,验证大脑运动区C3、C4通道的脑电在运动控制中占主导地位以及大脑的对侧控制机制。实验中还发现,随着握力的增强,肌电到脑电的传递熵有增大趋势,右手(惯用手)脑电到肌电的传递熵较左手的高,同时随着输出力量的增强,脑肌电的双向平均耦合强度也增大。结果分析显示:5、10、20 kg握力下, EMG→EEG方向的左手耦合强度分别为0.033 0±0.005 8、0.037 3±0.004 0、 0.045 1±0.005 5,右手耦合强度分别为0.035 2±0.002 9、0.043 2±0.003 5、0.060 3±0.001 8,除左手5和10 kg握力间不存在显著性差异,其余都具有显著性差异(P<0.05); EEG→EMG方向左手耦合强度分别为0.025 3±0.004 7、0.037 9±0.002 6、0.048 1±0.006 8,右手耦合强度分别为0.033 3±0.004 1、0.051 0±0.005 7、0.064 9±0.008 5,不同握力间均有显著性差异。研究结果表明:皮层肌肉功能耦合具有双向性,而且耦合强度在通道和握力不同时有差异。变尺度传递熵可用于定量描述大脑皮层与神经肌肉组织之间的非线性同步特征及信息交互。     

肌电假肢实用化问题探讨

本文就下列肌电控制假肢实用化问题进行探讨:(1)肌电控制信号的测试标准及其定量指标制定;(2)康复肌电的方法与应用实例;(3)适用于过短残肢的肌电假手研制。     

残肢病人肌电的康复

在我国随着肌电控制假肢研制工作的进展,肌电控制假手实用化任务已摆在我们面前。是否有可能使尽量多的前臂残肢者,都能利用自身残存肌肉群提供合适肌肉的肌电信号,以适应肌电控制假肢对信号源的要求,便是其中较为突出的一个问题。本文在总结几年来实践经验的基础上,阐述了残肢肌电康复的原理和方法以及初步实验结果。     

基于无线充电技术的胃肠电刺激系统

目的设计一种新型的植入式胃肠道刺激系统,不仅具有刺激功能,还具有肠电和压力检测功能,可用于检测胃肠道刺激的效果,同时增加无线能量供给,以实现刺激器的长期植入。方法系统由体内刺激模块、体外控制模块及无线能量传输模块组成。体外控制模块通过无线射频将控制信号传输到体内刺激模块,体内刺激模块的能量由体外能量发射装置通过电磁耦合进行供给。通过生物反馈控制检测不同刺激参数对胃肠道收缩活动的作用效果,实时调整刺激参数,输出需要的刺激脉冲。以模拟心电信号模拟肠电信号,进行了相关的体外实验。结果在体外实验中,系统可有效检测到2—20次／min的模拟心电信号,并实现实时刺激参数修改输出不同的刺激脉冲。该系统实现了电流检测功能,监测作用部分的胃肠电阻。经皮无线能量在两级线圈轴向距离为22mm时的接收充电稳定功率最大为0．93W,体内锂离子的充电电流为180～240mA。结论系统可检测到最大变化范围的模拟肠电信号。验证电流的作用效应为后续的恒流刺激模式提供参考。该系统的无线充电功能可满足植入式刺激器长期植入的能量需求。     

基于FMG信号的假手比例控制系统研究

假手控制方法的研究一直是假肢研究技术的一个热点问题。针对现有皮肤表面电信号作为控制源的假手存在的问题,本系统采用前臂上肢肌肉膨胀收缩产生的压力信号作为控制信息源,设计了基于肌肉力(FMG)信号的假手控制系统,包括信号采集调理、微控制器控制、电机驱动等部分。通过采集残臂端两路FMG信号,提取信号的时域信息并采用阈值算法实现了手部2个自由5个动作。根据FMG信号均值的大小,改变假手驱动电路中PWM的占空比,从而实现电动假手速度的比例调节。实验结果表明本控制系统能够有效控制假手执行动作,实现速度的调节。另外,利用LabVIEW搭建了FMG信号采集标定平台,实现了FMG信号的实时数据采集和标定。     

基于肌电特征提取的智能电刺激仪

为了改善常规电刺激仪的刺激参数不准确、缺少主动治疗模式等缺陷,设计开发了生物反馈式智能电刺激仪。将肌电反馈控制与电刺激相结合,对患者运动肌群的电信号进行无创测量和特征值提取,以肌电特征值作为反馈量控制电刺激仪的输出。创新地实现了基于Delta-sigma技术的肌电信号特征提取及肌电反馈控制,可准确获取肌电特征值,实现了电刺激治疗的智能化,促使患者主动参与训练和治疗;采用刺激电流双向检测技术和可编程式触摸屏人机交互,使刺激参数准确量化。经实验可知:仪器已达到设计要求,实现了既定的功能。     

心电信号的采集及R波同步检测

心电信号的R波识别在室速和房颤的同步除颤中具有十分重要的意义.传统的软件识别往往不能达到实时效果,而硬件识别则可以有效解决这一难题.本研究主要包括应用硬件电路构成的心电信号的采集系统和R波同步检测.硬件部分设计采用胸部双电极单导联输入心电信号,放大后再经微分电路和全波整流电路的处理,最后通过可选择的电压窗口比较器输出最终的R波信号检测结果.     

气功状态下人体磁信号与肌电关系的研究

本工作通过１９人３７人次用表面电极从劳宫穴引发功过程中的肌电信号，观察到发功中肌电信号与磁信号的的相对总功率变化有同样的三种趋势（增加，减少和无变化）。发功中肌电信号与磁信号同样部分的存在后效应及可重复性，练功组与模拟对照组之间在基础肌电总功率水平上存在明显的差异。模拟对照组进行手部肌紧张时肌电总功率亦增加，但不如练功者强。通过肌电实验初步认为，〈２ＫＨｚ的磁信号来源于手部骨骼肌的活动，３Ｈｚ左右     

基于肌电信号层级分类的手部动作识别方法

目的 利用肌电信号对手部动作进行识别,是控制现代康复假手的关键,其中使用少量电极识别出较多手势又是一难点。为更加充分利用所获得的肌电信息,本文提出一种层级分类方法。方法 首先提出一种基于层级分类的手部肌电信号动作识别方法,该方法首先根据被分类对象的多侧面属性,利用肌电积分值作为特征值,并通过线性判别函数实施预分类;其次建立肌电信号的自回归模型,将模型系数作为特征值,将人工神经网络作为分类器进行细分类;最后进行了对比实验论证。结果 实验结果表明,可以利用2个表面肌电电极以较高的识别率识别出8个常用手部动作。结论 该方法能够以较少的肌电电极识别出较多的动作,比未采用分层方法具有更好的分类效果。     

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。     

常运动对大学生Wingate无氧运动能力的影响

目的为研究有规律的运动对大学生无氧运动能力的影响,采用Wingate功率自行车测试比较常运动和久坐大学生的无氧做功能力,并用表面肌电信号分析下肢主要肌群无氧疲劳特征。方法募集38名男大学生,分为常运动和久坐大学生两组,每组各19名。常运动组的质控标准是每周每次运动超过30min、每周运动次数≥4次;0~3次则为久坐组。采用日本COMBI公司PowerMax Ⅶ功率自行车进行Wingate无氧功率测试,比较两组学生最大功率输出(peak power output,PP)、平均功率(mean power output,MP)和无氧疲劳指数(anaerobic fatigue index,AFI)的差异。同时采集了Wingate运动过程中下肢股直肌、股外侧肌、股内侧肌和股二头肌的表面肌电信号,利用自主构建的非线性小波对表面肌电信号的强度和平均功率频率(mean power frequency,MPF)进行分析,检测肌肉纤维的募集与肌肉无氧疲劳状况。结果常运动大学生功率自行车PP和MP显著高于久坐大学生(P0.05),AFI明显小于久坐大学生。肌电信号MPF随着疲劳的产生而持续下降,常运动组的下降趋势比久坐组显著。肌电信号的强度两组也呈现不同的趋势。结论常运动组大学生的无氧运动能力显著高于久坐组。无氧运动能力与快肌纤维密切相关,结合功率输出和肌电信号分析,大学生进行有规律的运动对于增加快肌纤维的比例和面积,并进一步增加肌肉的爆发力和速度有积极的影响。     

Investigating the performance of an amplitude-independent algorithm for detecting the hand muscle activity of stroke survivors

Abstract

To make robotic hand devices controlled by surface electromyography (sEMG) signals feasible and practical tools for assisting patients with hand impairments, the problems that prevent these devices from being widely used have to be overcome. The most significant problem is the involuntary amplitude variation of the sEMG signals due to the movement of electrodes during forearm motion. Moreover, for patients who have had a stroke or another neurological disease, the muscle activity of the impaired hand is weak and has a low signal-to-noise ratio (SNR). Thus, muscle activity detection methods intended for controlling robotic hand devices should not depend mainly on the amplitude characteristics of the sEMG signal in the detection process, and they need to be more reliable for sEMG signals that have a low SNR. Since amplitude-independent muscle activity detection methods meet these requirements, this paper investigates the performance of such a method on people who have had a stroke in terms of the detection of weak muscle activity and resistance to false alarms caused by the involuntary amplitude variation of sEMG signals; these two parameters are very important for achieving the reliable control of robotic hand devices intended for people with disabilities. A comparison between the performance of an amplitude-independent muscle activity detection algorithm and three amplitude-dependent algorithms was conducted by using sEMG signals recorded from six hemiparesis stroke survivors and from six healthy subjects. The results showed that the amplitude-independent algorithm performed better in terms of detecting weak muscle activity and resisting false alarms.     

基于蚁群算法的表面肌电信号特征选择

目的为提高假肢系统对动作信号的识别速度,设计了基于优化蚁群算法（ant colonyoptimization,ACO）的特征选择法,对表面肌电信号（surface electromyography,sEMG）高维特征向量降维以减少计算负担。方法以特征与目标类型之间互信息关系作为启发函数,通过蚁群算法选出最佳特征子集,最后用已训练好的人工神经网络检验其分类性能。结果对10名健康受试者进行了手腕部动作的肌电信号模式分类实验。与传统主成分分析法（principle component analysis,PCA）相比,该算法选出的特征子集提高了识别准确率,并显著降低了原始特征集的特征维数,进而简化分类器的结构,减少计算开销。结论本方法在实时性要求高的肌电控制假肢等系统中具有良好的应用前景。     

Ant colony optimization-based feature selection method for surface electromyography signals classification

This paper presented a new ant colony optimization (ACO) feature selection method to classify hand motion surface electromyography (sEMG) signals. The multiple channels of sEMG recordings make the dimensionality of sEMG feature grow dramatically. It is known that the informative feature subset with small size is a precondition for the accurate and computationally efficient classification strategy. Therefore, this study proposed an ACO based feature selection scheme using the heuristic information measured by the minimum redundancy maximum relevance criterion (ACO-mRMR). The experiments were conducted on ten subjects with eight upper limb motions. Two feature sets, i.e., time domain features combined with autoregressive model coefficients (TDAR) and wavelet transform (WT) features, were extracted from the recorded sEMG signals. The average classification accuracies of using ACO reduced TDAR and WT features were 95.45±2.2% and 96.08±3.3%, respectively. The principal component analysis (PCA) was also conducted on the same data sets for comparison. The average classification accuracies of using PCA reduced TDAR and WT features were 91.51±4.9% and 89.87±4.4%, respectively. The results demonstrated that the proposed ACO-mRMR based feature selection method can achieve considerably high classification rates in sEMG motion classification task and be applicable to other biomedical signals pattern analysis.     

An exploratory study to design a novel hand movement identification system

Electromyogram signal (EMG) is an electrical manifestation of contractions of muscles. Surface EMG (sEMG) signal collected from the surface of skin has been used in diverse applications. One of its usages is in pattern recognition of hand prosthesis movements. The ability of current prosthesis devices has been generally limited to simple opening and closing tasks, minimizing their efficacy compared to natural hand capabilities. In order to extend the abilities and accuracy of prosthesis arm movements and performance, a novel sEMG pattern recognizing system is proposed. To extract more pertinent information we extracted sEMGs for selected hand movements. These features constitute our main knowledge of the signal for different hand movements. In this study, we investigated time domain, time-frequency domain and combination of these as a compound representation of sEMG signal's features to access required signal information. In order to implement pattern recognition of sEMG signals for various hand movements, two intelligent classifiers, namely artificial neural network (ANN) and fuzzy inference system (FIS), were utilized. The results indicate that our approach of using compound features with principle component analysis (PCA) as dimensionality reduction technique, and FIS as the classifier, provides the best performance for sEMG pattern recognition system.     

采用广义似然比检测的肌肉收缩起始时刻判断算法

肌电假肢利用残肢残存肌肉的肌电信号实行对假肢的控制。对于低信噪比的残肢表面肌电,本研究采用广义似然比检测方法判断肌肉收缩起始时刻,其中判别阈值与肌电信号信噪比有关。针对不同信噪比的模拟肌电信号,采用离线仿真方法得到肌肉收缩起始时刻检测误差最小的判别阈值,得到信噪比-经验阈值拟合曲线,确定信噪比与阈值的对应关系;根据肌电信噪比由阈值拟合曲线得到判别阈值,采用似然比检测算法在线分析肌肉收缩的起始时刻。与传统算法比较,对于模拟肌电信号,本算法误差均值和标准差分别减小35%和43%;对于真实肌电信号,误差均值和标准差分别减少29%和23%。可见在小信噪比条件下广义似然比检测算法判断肌肉收缩起始时刻较传统算法更为准确。     

HHT及其在膝骨性关节炎诊治中的应用

研究膝关节周围肌肉功能水平的改变对膝骨性关节炎的影响。运用Noraxon MyoResearch软件和希尔伯特-黄变换(hilbert-huang transformation,HHT)方法对膝骨性关节炎患者膝关节周围肌肉的表面肌电信号进行处理分析。结果表明:表面肌电信号经Noraxon MyoResearch软件分析,发现其振幅均值越大,肌肉功能水平越好;功能水平越好的肌肉,其表面肌电信号经HHT方法处理后,所得的IMF分量的能量也越高。说明采用HHT方法与Noraxon MyoResearch分析得到的结论是一致的。可以采用HHT方法对膝骨性关节炎患者的肌肉功能水平进行量化评价。     

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.