一种基于噪声辅助多元经验模式分解的多通道肌电信号处理方法技术

本发明专利技术公开了一种基于噪声辅助多元经验模式分解的肌电信号处理方法，该方法同步采集多块不同肌肉群在肢体发生运动时运动神经在肌肉群处所产生的激励生物电信号，获得一个多通道肌电信号(MEMG)，利用了EMD、EEMD和MEMD结构的特性，通过构建一个与输入信号的数据长度相同的多通道的白噪声序列，再将其与拾取的MEMG信号叠加后通过低差异的哈默斯利序列将数据映射到多维向量空间中，进而在多变量条件下基于经验模式分解自适应的分解成若干个固有模态函数。在模式队列性方面，MEMD和NA‑MEMD的模式队列性高于EEMD，但总体上NA‑MEMD和MEMD两种方法对模式队列性的改善效果相近；在模式混叠性方面，NA‑MEMD的频率重叠系数小于MEMD，而MEMD的频率重叠系数小于EMD。

Multi channel EMG signal processing method based on noise assisted multivariate empirical mode decomposition

The invention discloses an auxiliary noise based on multivariate empirical mode decomposition processing method of EMG signal, the method of incentive biological signal synchronous acquisition of multi block different muscle groups in limb movement occurs when neural movement produced in the muscles of the premises, to obtain a multi-channel EMG (MEMG), using the characteristic of EMD and EEMD and the structure of the MEMD, the white noise sequence to construct a multichannel input signal and data of the same length, and the MEMG signals picked up by the Hammersley sequence of low discrepancy mapping data into multidimensional vector space, then in the multivariable conditions based on decomposed into several intrinsic mode function adaptive mode decomposition. In the model of queue, the queue model of MEMD and NA MEMD higher than EEMD, but similar improvement overall NA MEMD and MEMD two methods to model the queue; aliasing in NA mode, MEMD frequency overlap coefficient is less than MEMD, and the MEMD frequency overlap coefficient is less than EMD.

【技术实现步骤摘要】

本专利技术属于电信号处理领域，特别是多通道或多变量非平稳、非线性肌电信号同步分析的
技术背景肌电信号(Electromyography，EMG)是肌肉收缩过程中人体神经肌肉系统的生理活动在机体皮肤表面产生的表征，是一种复杂的非线性非平稳生理电信号。由于SEMG是机体神经肌肉系统的直接表征形式，因此挖掘SEMG信号，尤其是多通道肌电信号(Multiple-channelEMG，MEMG)的生理机制可在一定程度上揭示机体神经肌肉系统的功能特性，在生理学上可为研究人体神经肌肉系统的生理反馈机制提供理论依据；在临床医用上也可为诊断与治疗神经肌肉系统功能性疾病(如运动神经元疾病和肌萎缩等肌肉疾病等)提供有效帮助；在康复工程上，包括人体运动康复、肌能评价等方面也能提供指导性意见。现有的SEMG信号分析与处理方法主要是针对单一通道下信号进行分析，主要包括以下五种方法。(1)小波分析，该方法借助小波基函数，通过连续微分，使得被分解信号分量的时频特征有较好的独立性，在实时处理SEMG信号上具有优势，但由于小波分解具有交叉项，并不能完整的描述多成分、非平稳SEMG信号的自然属性，更不能合理解释运动神经元特征规律。(2)高阶统计量，该方法根据线性时不变模型对SEMG信号进行建模，能较好评估肌肉恒力收缩(静态)SEMG信号的非线性、非平稳性和非高斯性程度，但缺点是该方法不能对动态负荷或肌肉力作用下的SEMG特性进行分析。(3)人工神经网络，该方法虽然能较好地描述SEMG信号，但也存在一定的局限性，例如人工神经网络的训练过程往往需要大量的先验数据。(4)独立成分分析，该方法假设噪声信息和运动神经元信息属于不同的源信号，通过构造信号混合模型进行反解运算，从复杂信号中提取信号模式，能处理非高斯性的信号，但是该方法处理后得到的成分模式存在丢失，往往无法逆向重构原始信号。(5)标准经验模式分解(EMD)或集合经验模式分解(EEMD)，上述两种方法都是基于希尔伯特-黄变换，不同于以传统的傅立叶变换为基础的线性和稳态频谱分析方法的是，这些方法是基于信号序列时间尺度局部特性的分解方法，能够直接的、后验的和自适应的处理SEMG信号。现有专利(专利号：201610683673.0)针对MEMG信号的预处理，介绍了一种多元经验模式分解(MEMD)方法，对比验证了该方法(与EMD或EEMD相比)能确保MEMG分解后通道间固有模态函数(IMF)阶数的一致性，同时也能实现分解后通道间对应各IMF信息具有较强的相关性。本专利公开了一种基于噪声辅助多元经验模式分解(Noise-assistedMultivariateEmpiricalModeDecomposition,NA-MEMD)的多通道肌电信号处理方法，该方法利用了EMD、EEMD和MEMD结构的特性，通过构建一个与输入信号的数据长度相同的多通道的白噪声序列，再将其与拾取的MEMG信号叠加后通过低差异的哈默斯利序列将数据映射到多维向量空间中，进而在多变量条件下基于经验模式分解自适应的分解成若干个固有模态函数(IntrinsicModeFunctions,IMF)。为了对比EEMD、MEMD(专利号：201610683673.0)和NA-MEMD三种方法性能，本专利技术方法(1)在IMF阶数一致性方面，MEMD和NA-MEMD方法所分解的IMFs一致，而EEMD方法不能确保IMF阶数一致性；(2)在模式队列性方面，MEMD和NA-MEMD的模式队列性高于EEMD，但总体上NA-MEMD和MEMD两种方法对模式队列性的改善效果相近；(3)在模式混叠性方面，NA-MEMD的频率重叠系数小于MEMD，而MEMD的频率重叠系数小于EMD。
技术实现思路
基于早前公开的多通道肌电信号同步处理方法在模式队列性和模式混叠性上存在的技术缺陷，本专利提供基于噪声辅助多元经验模式分解的多通道肌电信号处理方法，利用肌电信号所包含的时空间信息，首先将采集的肌电信号与输入信号的数据长度相同的多通道的白噪声序列叠加，然后再通过低差异的哈默斯利序列将数据映射到多维向量空间中，进而在多变量条件下基于经验模式分解自适应的分解成若干个固有模态分量，有效确保了每一通道IMFs阶数一致性，其次与EEMD和MEMD相比，NA-MEMD分解得到的通道间IMFs信息具有较好的相关性，且同一通道下IMFs信息的独立性较好。为了实现以上目的，本专利技术的技术方案是一种基于噪声辅助多元经验模式分解的多通道肌电信号处理方法，包括以下步骤：步骤1：通过M,M≥3个通道肌电信号采集仪器同步拾取人体在特定运动动作条件下典型肌肉群处的肌电信号，获取肌电信号样本数据，构成一个M维原始信号{s(k)本文档来自技高网...

【技术保护点】
一种基于多元经验模式分解的肌电信号同步处理方法，主要包括以下步骤：步骤1：通过M,M≥3个通道肌电信号采集仪器同步拾取人体在特定运动动作条件下典型肌肉群处的肌电信号，获取肌电信号样本数据，构成一个M维原始信号{s(k)}M，{s(k)}M＝{s1(k),s2(k),…,sM(k)}，其中t是时刻值；步骤2：生成与输入信号的数据长度k相同的N，N≥1通道的白噪声序列{G(k)}N，且保证不同通道的白噪声序列之间不相关；步骤3：将噪声辅助信号{G(k)}N添加到M通道输入数据{s(k)}M中，构成(N+M)通道的输入数据{x′(k)}N+M并作为新的输入信号；步骤4：使用多元经验模式分解方法处理{x′(k)}N+M，得到若干固有模态函数集；步骤5：从固有模态函数集中剔除噪声通道{G(k)}N对应的固有模态函数，得到{s(k)}M对应的固有模态函数分量。

【技术特征摘要】
1.一种基于多元经验模式分解的肌电信号同步处理方法，主要包括以下步骤：步骤1：通过M,M≥3个通道肌电信号采集...

【专利技术属性】
技术研发人员：张羿，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51