本发明专利技术提供一种阵列式sEMG信号自动分解方法,首先对阵列式sEMG信号预处理,并且计算初始发放序列向量;其次利用时域减法确定运动单元个数,即聚类个数;然后根据聚类个数,利用最小距离分类器对阵列式sEMG波形聚类;最后重新计算新的运动单元发放序列向量,循环执行程序直至分解完成,并对所有发放序列归类整理,优化结果。该分解方法准确性高,计算快速、实现简单。
【技术实现步骤摘要】
本专利技术涉及一种。
技术介绍
表面肌电信号(surface EMG,sEMG)是利用表面电极从人体体表检测肌电信 号,与针电极肌电信号(Needle EMG,NEMG)相比,它具有无创性、易于患者接受的特点,因 此应用前景广阔。实验表明,利用阵列式sEMG能够提高运动单元(MU)的检测率,特别是提 高小幅值运动单元活动电位(MUAP)的检出和识别效果。sEMG的起源是MUAP,活动电位由 给定肌肉收缩过程中所激活的每一个运动单位所释放。在任何一个给定的募集模式,众多 的运动单位以非同步的模式被激活,这些运动单位活动的总和构成了肌电信号的强度。阵 列式sEMG信号实质上是多个运动单位活动电位的总和,其波幅典型地在l~5000uv之间,频 率范围为10~400Hz。在临床上,通过阵列式sEMG可以较全面地了解神经肌肉的功能状态, 鉴别神经源性和肌源性疾病,判断神经损伤的部位、程度及恢复状况,并且阵列式sEMG信 号的检测分析对康复医学及运动医学也有具有重要意义。 阵列式sEMG分解实质上是对sEMG包含的运动单元发放序列进行分类,提取出运 动单元各电位序列。目前,sEMG分类方法主要有:K均值聚类算法、模板匹配法、人工神经 网络(ANN)算法、实时线性混叠盲信号分离算法、独立成分分折(ICA)、卷积核补偿算法等 方法。K-均值聚类算法需要指定聚类的类别数,而在肌电信号缺少运动单元发放的先验知 识,难以对类别进行精确的指定。模板匹配法由于模板获取困难,应用受限。ANN可以解决 含更多迭加波形情形和在低信噪比时更好地消除绝对误差,然而,ANN方法一旦训练后,网 络就固定不变,当模板的形状发生变化时,神经网络还需重新训练,所以强健性不好。ICA是 一种盲信号分解技术,它假设构成肌电信号的各MUAPT相互独立,然后把信号分解成若 干相互独立的成分。卷积核补偿算法方法是一种盲信号分解方法,该方法在波形叠加严重 时效果仍然不理想。阵列式sEMG的信噪比较低,MUAP波形的变异性强且相互间的叠加程度 较大,这是导致其分解困难的主要原因。很多研究者将插入式肌电信号的分解方法做一些 修改应用到表面肌电信号的分解研究中,但是都不能达到插入式肌电信号的分解效果。总 的来看,表面肌电信号分解研究还处于探索阶段,是肌电研究领域的难点之一。
技术实现思路
鉴于上述问题,本专利技术的目的在于提供一种阵列式SEMG信号自动分解方法。 为实现上述目的,针对阵列式表面电极肌电信号,提出基于最小距离器的聚类方 法,对发放波形进行分类,并且在这个过程中,不求解矩阵,通过卷积核补偿方法得到肌肉 运动单元的数目和发放序列,实现阵列式sEMG的分解。由于该方法同时考虑发放波形和发 放时刻,相对于其它方法,该方法具有sEMG分解精度高的优点。 本专利技术公开了一种。其包括以下步骤: 步骤一:阵列式sEMG信号预处理:对sEMG信号滤波,剔除干扰; 步骤二:计算初始发放序列向量:利用阵列sEMG信号各通道信号的相关性,计算初始 发放序列向量,作为提取初值; 步骤三:确定运动单元个数:利用时域减法,从sEMG中获得运动单元个数,作为聚类个 数; 步骤四:对阵列式sEMG波形聚类:根据所述聚类个数,利用最小距离分类器,对阵列式 sEMG波形聚类; 步骤五:计算新的运动单元发放序列向量:根据所述波形聚类结果,取含最多时刻的 类,计算该类时刻波形均值,计算新的发放序列向量; 步骤六:对所有发放序列归类整理:重复步骤二--步骤五,剔除重复的以及不合理 的发放序列向量,优化结果。 优化的技术措施包括: 上述SEMG信号的互相关矩阵表示为:其中r是采样时刻,龙O是第歡个采样时刻的阵列信号,抑是第歡个采样时刻的阵列 信号转置,_;)是数序期望。 运动单元发放序列表示为:其中C-1阵列信号互相关矩阵的逆矩阵。 上述欧氏距离公式表示为:其中·是某个时刻对应的阵列sEMG的值,是K个时刻对应的阵列sEMG值的平均 值。 新的运动单元发放序列的计算公式表示为:其中:_f是N个波形平均值转置。与现有技术相比,本专利技术的一种,在计算初始发放 序列时,由于最大峰值往往是由于干扰造成的,导致其值畸高,所以本专利技术采用的是次大峰 值所对应的时刻,得到更为准确的发放序列初值;本专利技术利用时域减法获得相减次数M,该 次数M作为分类个数,实际上提供了运动单元数目,为后续的最小距离器分类提供先验知 识,提高了分解准确性;本专利技术利用欧氏距离作为分类依据,实现方便、简单;由于本专利技术 分类针对的是波形,而互相关矩阵计算的是发放时刻,所以分解过程同时考虑了发放时刻 和发放波形,大大提高了分解的准确性;本专利技术不需要计算运动单元发放序列和阵列sEMG 信号间混合矩阵,大大减少计算时间,提高了效率。本分解方法运行过程不需要人工干预, 使用方便。【附图说明】 图1是本专利技术流程图。【具体实施方式】 以下结合附图实例对本专利技术作进一步详细描述,本领域技术人员可由本说明书所 揭露的内容轻易地实现。 如图1所示为本专利技术的流程图。 步骤一:阵列式sEMG信号预处理:对sEMG信号滤波,剔除干扰。由于sEMG信号中 包含各种干扰信号,预处理首先需要采用带通滤波器,保留1〇Ηζ--500Ηζ频段信号,然后采 用陷波滤波器,滤除50Hz工频干扰。 步骤二:计算初始发放序列向量:利用阵列sEMG信号各通道信号的相关性,计算 初始发放序列向量,作为提取初值。具体过程为:首先计算阵列sEMG信号互相关矩阵以及 互相关矩阵逆矩阵,互相关矩阵表示为:其中,是采样时刻,是第f个采样时刻的阵列信号,是第f个采样时刻的阵列 信号转置,攻)是数序期望。计算互相关矩阵的逆矩阵老赛,即然后采样时刻,取sEMG信号能量的中值,能量按照下式计算:取能量中值所对应的时刻%。最后利用如下公式计算得到运动单元发放序列向量的初 值步骤三:确定运动单元个数:利用时域减法,从sEMG中获得运动单元个数,作为聚类个 数。具体过程为:首先从运动单元发放序列向量的初值咖)> 中,找到次大峰值,记该次大峰 值所对应时刻为:你,其次计算:邮时刻发放序列,计算公式如下:然后发放序列中找到κ个最大峰值所对应的时刻,一般取_€_0$||。取K个时刻 所对应的阵列SEMG值,相加并除以K,得到K个时刻的均值。最后在时域上,用阵列sEMG信 号逐次减K个时刻波形平均值,直到结果为负数停止,记录相减次数M,该M值即运动单元个 数。 步骤四:对阵列式SEMG波形聚类:根据所述聚类个数M,利用最小距离分类器,对 阵列式sEMG波形聚类。 最小距离分类器中采用欧氏距离,欧氏距离公式表示为:其中欺是某个时刻对应的阵列sEMG的值,巧:是K个时刻对应的阵列sEMG值的平均 值。 步骤五:计算新的运动单元发放序列向量:根据上述波形聚类结果,取含最多时 刻的类,计算该类时刻波形均值,计算新的发放序列向量。 新的运动单元发放序列的计算公式表示为:其中jfii是N个波形平均值转置。 步骤六:对所有发放序列归类整理:重复步骤二一步骤五,直到初始发放时刻不 能提取,sEMG提取完成。剔除重复的以及不合理的发放序列向量,优化结果。不合理的发 放序列指发放时刻小于15毫秒的序列,需剔除。【主权本文档来自技高网...
【技术保护点】
一种阵列式sEMG信号自动分解方法,其特征是包括以下步骤:步骤一:阵列式sEMG信号预处理:对sEMG信号滤波,剔除干扰;步骤二:计算初始发放序列向量:利用阵列sEMG信号各通道信号的相关性,计算次大峰值的初始发放序列向量,作为提取初值;步骤三:确定运动单元个数:利用时域减法,从sEMG中减去K个最大峰值所对应波形的平均值,获得运动单元个数,作为聚类个数;步骤四:对阵列式sEMG波形聚类:根据所述聚类个数,利用最小距离分类器,对阵列式sEMG波形聚类;步骤五:计算新的运动单元发放序列向量:根据所述波形聚类结果,取含最多时刻的类,计算该类时刻波形均值,计算新的发放序列向量;步骤六:对所有发放序列归类整理:重复步骤二‑‑‑‑‑步骤五,剔除重复以及不合理的发放序列向量,优化结果。
【技术特征摘要】
【专利技术属性】
技术研发人员:何金保,骆再飞,易新华,廖远江,
申请(专利权)人:宁波工程学院,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。